[发明专利]一种进化神经网络的构建方法及基于进化神经网络的高光谱图像去噪方法

说明书

本发明公开了一种进化神经网络的构建方法，包括：利用卷积层、反射填补层和批归一化层封装创建并初始化，N个网络染色体的网络染色体种群；计算并获得网络染色体种群中任一网络染色体的均方误差，并预设均方误差的阀值；采用两次松弛二进制竞赛选择算法选出两个父代网络染色体个体；对所述两个父代网络染色体个体进行对齐、交叉操作，得到两个子代网络染色体；选取任一子代网络染色体进行变异，直至得到N个网络染色体个体的子代种群；采用精英选择策略在N个网络染色体的网络染色体种群和N个网络染色体个体的子代种群中选出(N‑x)个网络染色体个体，并重复交叉、变异，得到N个优化子代种群，选出最优的网络染色体作为进化神经网络。

技术领域

本发明涉及高光谱图像去噪技术领域，尤其是一种进化神经网络的构建方法及基于进化神经网络的高光谱图像去噪方法。

背景技术

高光谱图像(hyperspectral image)，属于遥感图像的一种。它与自然图像不同的是，其在二维空间信息的基础上增加了一维的光谱信息。总所周知，由于不同成分对光谱的吸收不同，在某个特定的波长下的图像能清晰展现出对应的地理信息，例如：湖泊、森林、沙漠、建筑等。如此，这样的一副三维的图像不仅可以反映二维自然图像有的地形、地貌等信息，第三维的光谱信息包含着更多的地理信息。因此，高光谱图像被广泛的应用在农业、林业、地质勘探、环境监测、城市规划等方面。

但是，现有技术中的太空成像光谱仪是通过获取地物信息的太阳辐射信号来记录数据的，在辐射过程中会受到多方面因素的影响，同时，光谱仪中也会存在各种元件的误差、电流的影响等等。因此，成像的图像中会不可避免的引入多种混合噪声。这些混合噪声一般有：高斯噪声、条带噪声、泊松噪声等。这些噪声会对高光谱的图像后续的切割、分类等工作产生极大的影响，去噪便成了预处理的一个必要的步骤。

目前，现在技术中的高光谱图像去噪算法主要分为三类：

第一类，是基于滤波的方法，因为高光谱图像仅仅是比传统的自然图像多了一维光谱信息，那么每一层的图像都可以看做是一张自然图像，所以可以直接把已有的自然图像去噪的优秀方法运用在高光谱图像去噪上。这些方法大多使用了空间域变换或者变换域处理的方法，有的甚至考虑到三维块匹配进行协同滤波(BM3D)，而且达到了非常好的效果。但是一个很明显的缺点是这些方法对变换方式很敏感，很多是依赖于人工的设置。并且他们中大多忽略了空间信息和光谱信息，这导致去噪后的图像会丢失很多高光谱图像的关键信息。

第二类，是基于优化的方法，这种方法是根据已有的先验知识或假设，采用了一些如总变分(Total Variation)、非局部(Non-local)、稀疏表示(Sparse Representation)、低秩(Low Rank)的方法。其利用已知的高光谱图像中的特征对其进行去噪，这一类方法很好的结合了高谱图像的空间信息和光谱信息，往往可以在不破坏高光谱图像的这些特征的同时得到去噪后的图像，并且在去噪效果上也具有良好的表现。但是这一类的方法对于多种混合噪声不太适应。

第三类，是基于深度学习的方法，一般是搭建神经网络，对其训练后用于高光谱图像的去噪。这种方法往往在混合噪声的去噪处理上表现良好，超过了第二类方法，因为它并不需要考虑噪声的分布特性。但是，首先需要人工设计出一个神经网咯，需要对神经网络和高光谱图像去噪都了解的专家来确定它的结构，初始化它的参数，并且我们发现人工设计的神经网络一般都会很长，这使得在训练和利用神经网络进行去噪时会消耗大量的计算资源。

因此，急需要提出一种逻辑简单、构建便捷、节省计算资源的进化神经网络的构建方法及基于进化神经网络的高光谱图像去噪方法。

发明内容

针对上述问题，本发明的目的在于提供一种进化神经网络的构建方法及基于进化神经网络的高光谱图像去噪方法，本发明采用的技术方案如下：

一种进化神经网络的构建方法，包括以下步骤：