[发明专利]基于迁移学习和光谱恢复的HSI超分辨重建方法及相关设备

权利要求书

1.一种基于迁移学习和光谱恢复的HSI超分辨重建方法，其特征在于，所述方法包括：

获取高光谱图像集训练集T＝{(X_i，Y_i)，i＝1,2,…,Z}、和彩色图像训练集C＝{(L_i，H_i)，i＝1,2,…,N}，其中，X＝{X_i，i＝1,2,…,Z}为低分辨率高光谱图像集、Y＝{Y_i，i＝1,2,…,Z}为高分辨率高光谱图像集，L＝{L_i，i＝1,2,…,N}为低分辨率彩色图像集、H＝{H_i，i＝1,2,…,N}为高分辨率彩色图像集；

根据所述高光谱图像集训练集，利用预设光谱响应函数生成对应的多光谱图像集T_C＝{(X^C_i，Y^C_i)，i＝1,2,…,Z}，其中X_C＝{X^C_i，i＝1,2,…,Z}为低分辨率多光谱图像集、Y_C＝{Y^C_i，i＝1,2,…,Z}为高分辨率多光谱图像集；

根据所述彩色图像训练集对预设迁移学习模型进行训练，得到训练好的空间超分辨模型；

根据所述多光谱图像集对所述空间超分辨模型进行验证调优，得到调优最优的目标空间超分辨模型；

根据所述低分辨率多光谱图像集和低分辨率高光谱图像集，得到合成数据集(X_C，X)，基于所述合成数据集对预设深度学习模型进行训练，得到目标光谱超分辨模型；

获取待重建的低分辨率高光谱图像，基于所述目标空间超分辨模型及目标光谱超分辨模型分别进行迁移学习与光谱恢复处理，得到对应的高分辨率高光谱图像。

2.根据权利要求1所述的基于迁移学习和光谱恢复的HSI超分辨重建方法，其特征在于，所述获取待重建的低分辨率高光谱图像，基于所述目标空间超分辨模型及目标光谱超分辨模型分别进行迁移学习与光谱恢复处理，得到对应的高分辨率高光谱图像，包括：

获取待重建的低分辨率高光谱图像，利用所述预设光谱响应函数生成对应的低分辨率多光谱图像；

基于所述目标空间超分辨模型对所述低分辨率多光谱图像进行迁移学习处理，得到对应的高分辨率多光谱图像作为预测的高分辨图像；

基于所述目标光谱超分辨模型对预测的高分辨图像进行光谱恢复处理，得到对应的高分辨率高光谱图像。

3.根据权利要求1所述的基于迁移学习和光谱恢复的HSI超分辨重建方法，其特征在于，所述根据所述彩色图像训练集对预设迁移学习模型进行训练，得到训练好的空间超分辨模型，包括：

基于所述彩色图像训练集，根据预设比例划分为第一训练子集、第一验证子集以及第一测试子集，对所述预设迁移学习模型采用端到端的有监督方式进行训练，所述预设迁移学习模型为SAN网络模型；

根据第一预设目标函数，利用所述预设迁移学习学习所述低分辨率彩色图像集中的每一幅低分辨彩色图像到所述高分辨率彩色图像集中与之对应的每一幅高分辨彩色图像的映射关系，直至所述第一预设目标函数的损失达到最小时收敛，得到训练好的空间超分辨模型。

4.根据权利要求3所述的基于迁移学习和光谱恢复的HSI超分辨重建方法，其特征在于，所述第一预设目标函数为：

其中，θ为空间超分辨模型参数，N为训练样本数。

5.根据权利要求3所述的基于迁移学习和光谱恢复的HSI超分辨重建方法，其特征在于，所述根据所述多光谱图像集对所述空间超分辨模型进行验证调优，得到调优最优的目标空间超分辨模型具体包括：

将所述多光谱图像集作为调优训练集，根据所述预设比例划分为第二训练子集、第二验证子集以及第二测试子集，对所述空间超分辨模型采用端到端的有监督方式进行训练；

根据所述第一预设目标函数，利用所述空间超分辨模型学习所述多光谱图像集中的低分辨率多光谱图像与高分辨率多光谱图像之间的映射关系，直至所述第一预设目标函数的损失达到最小时收敛，得到调优最优的目标空间超分辨模型。