[发明专利]高光谱图像去雾方法、装置、计算机产品及存储介质

说明书

本发明公开了一种高光谱图像去雾方法、装置、计算机产品及存储介质，结合通道融合的方式提取高光谱图像深层信息，从而获取更为准确的混合像元分解模型。使用混合像元分解模型获取高质量的雾端元丰度值，使用雾端元丰度值调整剩余端元丰度，使用剩余端元进行反卷积重建去雾高光谱图像，为了保证重建后的高光谱图像保留原高光谱图像信息，引入重建损失与对抗损失，实现了高光谱图像的快速去雾，消除了图像块效应、像素过度饱、图像失真的现象，降低了对先验知识的依赖性、提高了模型的鲁棒性。

技术领域

本发明涉及高光谱图像处理领域，特别是一种高光谱图像去雾方法、装置、计算机产品及存储介质。

背景技术

高光谱影像是感知水体动态演变与水质参数浓度的重要数据来源。但环境中水雾、蒸汽、云雾会使遥测高光谱图像采集过程中引入大量噪声信息，导致高光谱图像出现边缘模糊、细节信息丢失、对比度下降和色彩失真等问题。

目前传统算法应用在水域高光谱图像去雾中存在以下问题：

1)传统方法仅能在薄雾且雾分布均匀的图片中获得较好的处理效果，应用在水雾浓度高的图像中容易出现像素过度饱和以及图像失真的情况，其算法鲁棒性较差；

2)基于暗通道去雾算法，利用暗原色统计规律识别雾气浓度，所处理图像自然，颜色失真小，清晰度高，但其只适用于RGB图像，而且对于低对比度的天空或者水面背景的去雾效果会产生块效应，难以通过调参进行优化；

3)现有水雾去除算法局限于在RGB三通道图片上的应用，不适用于非线性光谱数据，对于拥有上百个通道的高光谱图像难以实现算法迁移，且目前在高光谱图像领域中尚未有完善的去雾方法；

4)现有机器学习方法均以线型光谱混合模型为基础进行去雾操作，但是由于地面散射的非线性、最小反射率波长明显的非线性变化，像素内水体变化的衰减作用，高光谱数据具有内在非线性特征，且高光谱数据有多个通道，每个通道都会受到雾端元数据的影响，使用多级联通道融合卷积可以有效融合高光谱多个通道特征数据，提取雾端元抽象信息，实现高光谱数据雾端元丰度的有效提取。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种高光谱图像去雾方法，实现高光谱图像的快速去雾。

为解决上述技术问题，本发明所采用的技术方案是：一种高光谱图像去雾方法，包括以下步骤：

一种高光谱图像去雾方法，包括以下步骤：

S1、对水环境区域成像，获取包括高光谱图像像素的全部波段以及高光谱图像像素对应的真实地物丰度值高光谱图像；

S2、将同一区域的高光谱图像分为有水雾数据和无水雾数据，使用无水雾数据训练第一卷积神经网络模型，得到可分类M类高光谱图像的第一解混模型，将所述第一解混模型的拟合函数设为f_m(x)＝max(softmax(W^La^L-1+b^L))，其中W^L为第一卷积神经网络模型第L层的权重参数，b^L为第一卷积神经网络第L层的偏置系数，卷积神经网络第L-1层的输出为a^L-1＝σ(W^L-1a^L-2+b^L-1)，σ为第一卷积神经网络激活函数，x_i表示第一卷积神经网络最后一层输出的第i个特征向量；设同一区域有水雾数据为x_fog，无水雾数据为x，则得到第i个样本的雾端元丰度值y_i＝f_m(x_fog)-f_m(x)，对n个区域的雾端元丰度值y₁，y₂…，y_n进行核密度估计，拟合得到概率密度函数f(x)；利用公式得到雾端元丰度值分布函数F(x)；