[发明专利]一种高光谱融合计算成像方法及系统

说明书

本发明公开了一种高光谱融合计算成像方法及系统，本发明包括将低分辨率高光谱图像X_lr进行子空间表示得到低秩光谱基S和低分辨率子空间系数A_lr；将低分辨率子空间系数A_lr上采样后与多光谱图像Y堆叠输入预先训练好的卷积神经网络得到高分辨率子空间系数A；将高分辨率子空间系数A、低秩光谱基S进行融合得到融合高分辨率高光谱图像X。本发明能够有效实现高精度定量建立并求解高光谱和多光谱图像的成像模型，并通过建立的成像模型从待融合图像中生成训练数据，解决训练数据不足的问题，并把卷积神经网络和子空间表示模型相结合，降低网络的参数，提升学习效率，具有模型轻量化、计算效率高、融合精度高等优点。

技术领域

本发明涉及高光谱成像技术，具体涉及一种高光谱融合计算成像方法及系统。

背景技术

高光谱成像技术可以同时获取与不同光谱波长相对应的图像，光谱范围覆盖了可见光波段到短波红外波段。由于不同材料反射率也不一样，所以高光谱图像可以帮助准确识别目标，因而高光谱图像被广泛地应用于遥感、医学诊断和人脸识别等领域。但是由于成像传感器的限制，现有光学成像系统在空间分辨率、光谱分辨率以及信噪比之间相互制约，难以直接获取高空间分辨率高光谱图像，降低了高光谱图像的应用价值。通过设计新的光学成像系统来提高高光谱图像的空间分辨率是困难且昂贵的。而高光谱图像与多光谱图像融合提供了一种高分辨率高光谱图像的获取途径，具有重要的应用价值。

目前流行的高光谱融合计算成像方法可以分为基于全色锐化的方法、基于模型优化的方法和基于深度卷积神经网络的方法。基于全色锐化方法首先是针对多光谱图像与全色图像融合而提出，现在也被应用与高光谱和多光谱图像融合，具有较低的计算成本的优点，但是融合精度低。基于模型优化的方法首先假设高光谱图像和多光谱图像是由高分辨率高光谱图像下采样获得的，并由此建立起数学模型，定量模拟高分辨率高光谱图像、高光谱图像与多光谱图像之间的映射关系。该方法往往会借助于高分辨率高光谱图像先验知识，如稀疏先验、低秩先验、非局部自相似性等作为正则，以提高融合后的图像精度。总体而言，该方法可以获得较高的融合精度，但所需的计算成本也比较高。

基于数据驱动的深度卷积神经网络已广泛应用于高光谱融合计算成像中，借助其强大的学习能力，通过大量的高光谱图像、多光谱图像与高分辨率高光谱图像数据对，通过设计的网络对其进行预训练，获得最佳参数。此类方法借助残差学习等策略来进一步提升融合精度。该类方法主要存在如下问题：首先实际中不存在高分辨率高光谱图像，这导致训练数据缺失；其次现有的网络为了达到较高的学习性能，采用了深度结构，导致了计算效率低。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种高光谱融合计算成像方法及系统，本发明能够有效实现高精度定量建立并求解高光谱和多光谱图像的成像模型，并通过建立的成像模型从待融合图像中生成训练数据，解决训练数据不足的问题，并把卷积神经网络和子空间表示模型相结合，降低网络的参数，提升学习效率，具有模型轻量化、计算效率高、融合精度高等优点。

为了解决上述技术问题，本发明采用的技术方案为：

一种高光谱融合计算成像方法，包括：将低分辨率高光谱图像X_lr进行子空间表示得到低秩光谱基S和低分辨率子空间系数A_lr；将低分辨率子空间系数A_lr上采样至与多光谱图像Y相同尺寸后与多光谱图像Y堆叠，将堆叠结果输入预先训练好的卷积神经网络，得到对应的高分辨率子空间系数A；将高分辨率子空间系数A、低秩光谱基S进行融合，得到高分辨率高光谱图像X；且所述卷积神经网络的训练步骤包括：

1）估计空间模糊核B；