【摘要】：高光譜成像技術(shù)把傳統(tǒng)的二維成像技術(shù)和光譜技術(shù)進行有機地結(jié)合,從而獲得三維的高光譜圖像。高光譜圖像光譜分辨率高,對于空間上任意一點能通過它所對應(yīng)的連續(xù)且精細的光譜曲線來反演出該點所對應(yīng)的物質(zhì),從而同時獲取目標的空間屬性和物質(zhì)屬性,已經(jīng)被廣泛應(yīng)用于農(nóng)作物估產(chǎn)、礦物勘探、軍事目標檢測與識別、環(huán)境災(zāi)害監(jiān)測等軍用和民用研究領(lǐng)域中。但是,受限于高光譜圖像的成像設(shè)備以及復(fù)雜的成像環(huán)境,高光譜圖像的空間分辨率還比較低,無法滿足解混、分類、檢測等應(yīng)用需求,這使得高光譜圖像的應(yīng)用受到了限制。深入研究高光譜圖像的數(shù)據(jù)特性,對高光譜圖像進行空間分辨率的提升處理,是高光譜圖像準確解譯和廣泛應(yīng)用的重要前提。因而,如何對高光譜圖像進行快速準確的超分辨處理,同時保持高光譜圖像的光譜特性,使得地物在原始圖像中的光譜可分離性經(jīng)超分辨處理后仍然保持不變,即在超分辨處理后的高光譜圖像中仍然具有分離性,以不影響高光譜圖像的判讀和分類等后續(xù)處理,值得受到人們的密切關(guān)注。本文圍繞如何在高光譜圖像超分辨處理的同時保持好光譜信息這一問題展開研究工作,通過深入分析高光譜圖像的數(shù)據(jù)特性,探索能夠?qū)崿F(xiàn)快速高光譜圖像超分辨處理的有效算法,并在合成和真實的高光譜數(shù)據(jù)上均進行了算法性能驗證。具體工作概括如下:1.高光譜圖像的光譜信息是由每個像元所提供的數(shù)十至數(shù)百個窄波段所組成的一條完整而連續(xù)的光譜向量。對于向量而言,它所攜帶的信息為模的大小和方向。因此,在高光譜圖像超分辨重建的過程中,可以通過保持相鄰波段之間的相對關(guān)系,從而保持光譜信息。卷積神經(jīng)網(wǎng)絡(luò)能夠通過多個隱含層很好地表征訓(xùn)練數(shù)據(jù)和標簽之間的非線性映射關(guān)系。因此,本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像超分辨算法。其基本思想是利用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)低分辨高光譜圖像光譜差與對應(yīng)高分辨高光譜圖像光譜差之間的映射關(guān)系,從而將這種映射關(guān)系泛化應(yīng)用于輸入的低分辨高光譜圖像,得到對應(yīng)的高分辨光譜差,以指導(dǎo)輸入圖像的超分辨重建過程。此外,通過對利用光譜差重構(gòu)后的圖像進行空間約束,即要求重構(gòu)后圖像生成的低分辨高光譜圖像在空間上接近于輸入的低分辨高光譜圖像,使得整個過程成為一個由低分辨高光譜圖像生成高分辨高光譜圖像,再回到低分辨高光譜圖像的閉合循環(huán)系統(tǒng),這一創(chuàng)新設(shè)計進一步提升了算法的超分辨性能。實驗結(jié)果表明,基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像超分辨方法在提升輸入圖像空間信息的同時,能很好地保持光譜信息。2.從一維的光譜向量角度出發(fā),通過保證光譜相鄰波段間的相對關(guān)系能夠很好地保持光譜信息,光譜維重構(gòu)過程的起點選擇不影響光譜信息本身。但是,從高光譜圖像的空間維出發(fā),光譜起點的選擇將給空間上的信息重構(gòu)帶來影響,并造成空間錯誤傳播的問題,本文提出了一種基于深度學(xué)習(xí)得到的光譜差和空間錯誤自糾正模型的高光譜圖像超分辨方法。其基本思想是首先選取一個關(guān)鍵波段,這個關(guān)鍵波段相較于其他波段,超分辨難度最小,即超分辨后的這個波段最接近于參考波段,從而為其余波段的超分辨過程在空間上提供一個精確的起點。更進一步,針對得到的光譜差和真實的光譜差在空間上可能存在誤差,隨著波段序號遠離關(guān)鍵波段,直接依賴于光譜差進行超分辨重建后的高光譜圖和參考圖之間的差值在不斷累積的問題,本文同時提出了一個空間錯誤自糾正模型,給得到的的光譜差乘上一個常數(shù),從而在不影響光譜向量的情況下,糾正重構(gòu)過程中空間錯誤傳播的問題。實驗結(jié)果表明,該空間錯誤自糾正模型在合成的高光譜圖像和真實的高光譜圖像上均能取得很好的超分辨重建效果。3.受限于較高的獲取成本,現(xiàn)有的高光譜圖像數(shù)量還不是很多,主流方法以三維圖像數(shù)據(jù)作為訓(xùn)練輸入限制了基于深度學(xué)習(xí)的高光譜應(yīng)用的性能。對于高光譜圖像而言,空間上每一個像素點都對應(yīng)于一條光譜曲線,一張高光譜圖像通常包含幾十萬甚至上百萬的光譜曲線,以光譜曲線作為訓(xùn)練數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)能夠避免因數(shù)據(jù)量不足而引起的網(wǎng)絡(luò)性能受限問題。因此,本文提出了一種基于一維光譜映射卷積神經(jīng)網(wǎng)絡(luò)和非負矩陣分解的高光譜圖像超分辨方法。首先,我們將高光譜圖像中的波段按一定的間隔進行選擇,并且對這些選中的波段進行超分辨處理,其余的波段則通過插值操作進行初始化,得到一個完整的高光譜圖像。這個高光譜圖像空間上的每一個像素點都對應(yīng)于一條初始狀態(tài)的光譜向量。與此同時,一維的光譜映射卷積神經(jīng)網(wǎng)絡(luò)用來訓(xùn)練初始光譜向量與期望光譜向量之間的映射關(guān)系。依賴于訓(xùn)練好的光譜映射卷積神經(jīng)網(wǎng)絡(luò),對高光譜圖像進行光譜糾正,以得到一個高分辨的高光譜圖像。另外,為了充分利用輸入圖像所攜帶的信息,將輸入的低分辨高光譜圖像與經(jīng)光譜映射卷積神經(jīng)網(wǎng)絡(luò)糾正后的高分辨高光譜圖像通過非負矩陣分解進行融合,從而得到一個信息更為豐富的高分辨高光譜圖像。實驗結(jié)果和數(shù)據(jù)分析表明,本文提出的方法在空間信息的提升和光譜信息的保持方面均有不錯的效果。
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2018
【分類號】：TP391.41;TP183

【參考文獻】

相關(guān)期刊論文 前6條

1 浦劍;張軍平;;基于詞典學(xué)習(xí)和稀疏表示的超分辨率方法[J];模式識別與人工智能;2010年03期

2 江雯;陳更生;楊帆;趙文慶;尹文波;;基于Sobel算子的自適應(yīng)圖像縮放算法[J];計算機工程;2010年07期

3 張地;彭宏;;聯(lián)合運動估計與基于模式的超分辨率圖像重構(gòu)[J];電子學(xué)報;2008年01期

4 趙前進;胡敏;檀結(jié)慶;;基于局部梯度特征的自適應(yīng)多結(jié)點樣條圖像插值[J];計算機研究與發(fā)展;2006年09期

5 汪雄良;冉承其;王正明;;基于緊致字典的基追蹤方法在SAR圖像超分辨中的應(yīng)用[J];電子學(xué)報;2006年06期

6 石友學(xué),羅鐘鉉;利用幾何特征和小波變換實現(xiàn)圖像的縮放匹配[J];計算機輔助設(shè)計與圖形學(xué)學(xué)報;2005年04期

，

本文編號：2676685