[发明专利]基于混合注意力网络融合的高光谱图像超分辨率方法

说明书

本发明公开了一种基于混合注意力网络融合的高光谱图像超分辨率方法，包括获取高光谱低分辨率图像及对应的高光谱高分辨率图像并构成训练数据；构建高光谱图像超分辨率基础模型；采用训练数据训练高光谱图像超分辨率基础模型得到最终的高光谱图像超分辨率模型；获取待处理的高光谱图像；采用高光谱图像超分辨率模型对待处理的高光谱图像进行处理完成高光谱图像的超分辨率过程。本发明采用混合注意力网络来提升网络性能，同时采用互学习损失来保证每个网络之间具有相互监督和学习的能力，最后通过自适应集成模块来融合混合注意力网络的输出图像；因此，本发明方法的效果更好、可靠性更高且性能更加优越。

技术领域

本发明属于图像处理领域，具体涉及一种基于混合注意力网络融合的高光谱图像超分辨率方法。

背景技术

高光谱图像不仅包含了目标场景的空间信息，还包含了丰富的光谱信息，在民用、军事、医学、计算机视觉等众多领域得到了广泛的应用。但由于高光谱成像传感器的硬件限制，高光谱图像在包含丰富的光谱分辨率的同时，其空间分辨率都很低。所以，通过研究高光谱图像的超分辨率算法来提高高光谱图像的空间分辨率变得尤为重要。

传统的高光谱图像超分辨率方法主要有以下两大类：基于融合策略的高光谱图像超分辨率算法和基于单图像的高光谱图像超分辨率算法。基于融合的超分辨率方法，依赖于同一场景具有高空间分辨率的辅助图像来实现；这些辅助图像主要包括全色图像、RGB图像和多光谱图像。从现阶段的研究成果来看，基于融合的高光谱图像超分辨率方法主要分为稀疏表示、矩阵分解、张量表示和深度学习四大类。这些基于融合的方法虽然可以获得质量很高的高分辨率高光谱图像，但需要辅助图像与高光谱图像很好地对齐；然而在实际重建中，很难获得良好的辅助图像。

与基于融合的高光谱图像超分辨率相比，单图像的高光谱图像超分辨率算法不需要辅助图像，其具有更加灵活的特点，应用起来也更加方便。单图像的高光谱图像超分辨率方法主要分为插值法、基于稀疏表示的方法和基于深度学习的方法三大类。现有的单图像的高光谱图像超分辨率方法主要是基于深度学习模型的方法如：3D-FCNN,GDRRN和MCNet等。但是，目前的高光谱图像超分辨率网络，大多数方法仅考虑了单一网络的高光谱图像超分辨率，没有考虑超分辨率网络之间的影响。此外，现有大多数网络都忽略了特征图的多尺度信息，导致重构的高光谱图像光谱信息存在一定的扭曲，丢失了部分空间结构细节。

发明内容

本发明的目的在于提供一种效果更好、可靠性更高且性能更加优越的基于混合注意力网络融合的高光谱图像超分辨率方法。

本发明提供的这种基于混合注意力网络融合的高光谱图像超分辨率方法，包括如下步骤：

S1.获取高光谱低分辨率图像，及对应的高光谱高分辨率图像，从而构成训练数据；

S2.构建高光谱图像超分辨率基础模型；

S3.采用步骤S1得到的训练数据，对步骤S2构建的高光谱图像超分辨率基础模型进行训练，从而得到最终的高光谱图像超分辨率模型；

S4.获取待处理的高光谱图像；

S5.采用步骤S3得到的高光谱图像超分辨率模型，对步骤S4得到的待处理的高光谱图像进行处理，从而完成高光谱图像的超分辨率过程。

步骤S2所述的构建高光谱图像超分辨率基础模型，具体为采用如下步骤构建模型：

A.将高光谱低分辨率图像输入到混合注意力网络，从而获取若干个中间高分辨率高光谱图像；

B.采用步骤A得到的若干个中间高分辨率高光谱图像构建互学习损失，从而实现各个三维多尺度混合注意力网络之间的相互监督和相互优化；

C.采用自适应集成网络融合若干个中间高分辨率高光谱图像，从而重构最终的高光谱高分辨率图像。