[发明专利]基于光谱预测残差卷积神经网络的高光谱图像锐化方法

权利要求书

1.一种基于光谱预测残差卷积神经网络的高光谱图像锐化方法，其特征在于，包括如下步骤：

S1获取训练样本集：获取高光谱图像合成全色图像全色图像进行预处理，得到训练样本对，其中L,W表示高光谱图像的长和宽，b表示波段数，R表示实数集合；

S2搭建光谱预测残差卷积神经网络模型：模型包括光谱预测和空间细节修复两部分，两部分均由卷积层构成，网络的激活函数采用线性整流函数；

所述搭建光谱预测残差卷积神经网络模型，具体为：

S2.1光谱预测卷积层Conv1，输入训练数据与64个空间大小为1×1的卷积核进行卷积运算，并经过线性整流函数激活处理，输出得到64个特征图Y₁⁽ⁱ⁾，可表示为：其中Y₁⁽ⁱ⁾表示第一层光谱预测卷积层输出的特征图，W₁,B₁分别表示第一层光谱预测卷积核的权重矩阵和偏置矩阵，表示线性整流函数；

S2.2光谱预测卷积层Conv2，输入上一层的输出，与64个空间大小为1×1的卷积核进行卷积运算，并经过线性整流函数激活处理，输出得到64个特征图Y₂⁽ⁱ⁾，本层与Conv1协同作用，用于对高光谱图像的有效光谱波段进行预测处理；

S2.3拼接层Concat，输入上一层的输出，并将其与相应的全色图像训练数据在光谱维度进行拼接，输出具有65个波段的数据；

S2.4空间细节修复卷积层Conv3，输入上一层的输出，与64个空间大小为3×3的卷积核进行卷积运算，并经过线性整流函数激活处理，输出64个特征图Y₃⁽ⁱ⁾；

S2.5空间细节修复卷积层Conv4，输入上一层的输出，与32个空间大小为3×3的卷积核进行卷积运算，并经过线性整流函数激活处理，输出32个特征图Y₄⁽ⁱ⁾；

S2.6空间细节修复卷积层Conv5，输入上一层的输出，与64个空间大小为3×3的卷积核进行卷积运算，并经过线性整流函数激活处理，输出64个特征图Y₅⁽ⁱ⁾；

S2.7求和层Sum，输入上一层的输出和光谱预测层Conv2输出Y₂⁽ⁱ⁾，即经过光谱预测后的高光谱图像的有效波段，两个输入数据进行逐元素相加，输出64 个特征图Y_Sum⁽ⁱ⁾；

S2.8光谱预测卷积层Conv6，输入上一层的输出，与64个空间大小为1×1的卷积核进行卷积运算，并经过线性整流函数激活处理，输出64个特征图Y₆⁽ⁱ⁾；

S2.9光谱预测卷积层Conv7，输入上一层的输出，与b个空间大小为1×1的卷积核进行卷积运算，并经过线性整流函数激活处理，输出网络处理得到的高分辨高光谱图像O⁽ⁱ⁾，本层与Conv6协同作用，用于预测高光谱图像完整的所有波段；

S3训练光谱预测残差卷积神经网络模型：利用零均值的高斯分布初始化网络各层的卷积核的权重和偏置，采用自适应矩估计算法对网络模型进行迭代优化得到最优光谱预测残卷积神经网络模型；

S4利用训练好的光谱预测残差卷积神经网络模型，锐化处理低分辨率的高光谱图像。

2.根据权利要求1所述的高光谱图像锐化方法，其特征在于，所述获取高光谱图像，合成全色图像，具体为：

对获取的高光谱图像的前n个连续波段进行加权求和，得到相应的全色图像，此n个波段所覆盖的光谱范围对应可见光谱。