[发明专利]基于层级特征融合的卷积神经网络高光谱图像锐化方法

摘要

本发明公开了基于层级特征融合的卷积神经网络高光谱图像锐化方法，包括，读取原始高光谱图像数据；合成全色图像数据；对获取的图像数据进行分块处理，得到训练样本对；构造基于层级特征融合的卷积神经网络结构；将训练样本对输入至基于层级特征融合的卷积神经网络，利用随机梯度下降算法，使训练误差逐步降低，直到维持在可接受范围内，从而得到最优网络参数；将测试样本对输入至此最优网络中，输出高空间分辨率的高光谱图像。本发明能有效地降低网络训练耗时，缓解光谱失真的现象，增强其锐化效果。

主权项

1.一种基于层级特征融合的卷积神经网络高光谱图像锐化方法，其特征在于，包括如下步骤：/nS1 读取原始高光谱图像数据合成全色图像数据其中L和W分别表示高光谱图像的长和宽，b表示波段数；/nS2 选取高光谱图像训练区域，及其对应的全色图像区域作为训练样本对，进行预处理后，分块采样，得到多个训练样本块；/nS3 构建基于层级特征融合的卷积神经网络；/nS4 利用零均值的高斯分布随机初始化各卷积核的权重和偏置；/nS5 选用欧氏距离损失函数作为输出层，得到网络输出高光谱图像与理想高光谱图像之间的欧氏距离，即训练误差；/nS6 对权重和偏置进行迭代更新优化，当训练误差维持在预设范围内时，权重和偏置为最优解，即得到基于层级特征融合的最优卷积神经网络；/nS7 选取原始高光谱图像测试区域，及与其相应的全色图像区域作为测试样本；/nS8 将S7的测试样本对直接输入到S6得到的基于层级特征融合的最优卷积神经网络得到高空间分辨率的高光谱图像。/n