[发明专利]高光谱图像超分辨率重建方法及装置

权利要求书

1.高光谱图像超分辨率重建方法，其特征在于：其包括以下步骤：

(1)针对高光谱图像，建立基于迭代阈值收缩方法及非局部自回归的融合模型，将非局部矩阵S嵌入到标准的图像退化模型中，表示为公式(1)：

其中，Y表示HrMS图像，其高度和宽度为H和W，Z表示由h和w定义的LrHS图像，其高度和宽度分别为h和w，hH，wW，A、B是可以从整个训练数据中正确得到的固定矩阵，C是LrHS的空间响应，是未知的，需要进行估计，其中λ是一个权重参数，f(·)代表了的正则项；

(2)针对模型进行优化，并展开为一个可解释的深度网络结构，该模型通过迭代收缩阈值算法来求解，该算法通过计算公式(3)进行迭代更新

是第t次迭代中的更新变量，f(·)分别表示非局部自回归模型定义的先验和重构先验；

(3)网络设计：利用HrMS图像和LrHS图像变换域上的信息设计一个可解释网络基础架构；

(4)网络训练：对待估计图像进行处理，输出训练模型；

(5)网络测试：加载训练好的网络模型，向系统输入LrHS图像和HrMS图像，利用NAM-DuFNet进行重建，输出HrMS图像。

2.根据权利要求1所述的高光谱图像超分辨率重建方法，其特征在于：所述步骤(1)中，用公式(2)来表示图像的非局部自回归模型：

表示模型误差。

3.根据权利要求2所述的高光谱图像超分辨率重建方法，其特征在于：

所述步骤(2)中，根据公式(2)，更新公式(1)表示为：

其中e＝-e_X；由此，新表述的优化问题通过解决以下两个子问题来解决：

使用梯度下降的ISTA方法来求解e^(t+1)将上述公式表示为：

ξ，ζ是控制收敛步长的参数。

4.根据权利要求3所述的高光谱图像超分辨率重建方法，其特征在于：所述步骤(3)包括以下分步骤：

(3.1)初始化，得到需要的相关参数的初始值；在t＝1，e⁽¹⁾＝0的时候得到以下结构：

e⁽²⁾＝-ξ[μC^T(C(YA)-Z)B^T] (9)

(3.2)使用二维卷积函数来执行初始阶段的结果，并与之前的结果YA相加，得到一个临时的融合结果，用X表示为：

矩阵C表示空间下采样算子，使用三组卷积+下采样操作，依次实现4倍、16倍和32倍下采样，将X下采样，从LrHS中减去X，得到LrHS信息，用E表示：

E^(t)＝downsampling(X^(t))-z (12)

将输入非局部自回归模块，提取其相似块并从中减去它们，得到一个给定图像的相似性，用J表示：

将初始阶段的结果e下采样到与E相同的空间大小中，并乘以B得到建模误差，用M表示：

M^(t)＝downsampling(e^(t))B (14)

矩阵C^T表示空间上采样算子，使用与下采样方法相同的滤波器大小的转置卷积运算，将M上采样到与HrMS图像相同的空间大小中，并乘以B^T得到一个暂时的总建模误差，用F表示：

F^(t)＝upsampling(E^(t)+M^(t))B^T (15)

将原始误差e与之前的结果J相加，并与临时的总建模误差F合并，得到总体建模误差，用P表示，其中N^(t)＝e^(t)+J^(t)

P^(t)＝ξ(μF^(t)+γN^(t)) (16)

通过ISTA-Net更新e，使用二维卷积函数执行新的e，并添加到前一个阶段的YA中，然后乘以B得到新的建模误差结果H

H^(t)＝(YA+e^(t+1)B)B^T (17)

将其上采样到与HrMS图像相同的空间大小中，并与B^T乘以，得到改善的梯度方向G

G^(t)＝upsampling(E^(t))B^T (18)

将新的建模误差H与改善梯度方向G、图像相似度J及其建模误差相结合，得到新的梯度改进方向，用Q表示

Q^(t)＝ζ[(1+μ)G^(t)+μH^(t+1)+γ(J^(t)+e^(t+1))] (19)

通过ISTA-Net更新

(3.3)对初步估计结果进行调整，添加ResNet，以减少待估计的HrHS图像和X之间的差距

X＝ResNet(X^(t)) (20)

将整个框架的函数表示为：

X＝NAM-DuFNet_Θ(Y，Z，P)

(21)

Θ表示网络中涉及的所有参数，P表示需要输入到网络中的其他信息。