论文部分内容阅读
高光谱图像包含丰富的空间和光谱信息,可以辨识场景中不同地物的物质组成,在地物分类、目标检测等任务中具有重要的应用价值。然而,由于成像机理和成像设备的限制,所获取高光谱图像的空间分辨率、光谱分辨率、信噪比等指标间需要互相折中,因此难以直接得到高空间分辨率的高光谱图像。有限的空间分辨率不但会导致端元光谱混合,还限制了高光谱图像在城市精细制图、弱小目标检测等任务中的应用。相比于通过改进成像系统等硬件条件来提升分辨率,通过图像处理的方法增强高光谱图像的空间分辨率避免了成本过高的缺陷。深度学习在特征提取和特征表示上优势明显,能够有效的学习高低分辨率图像间的映射关系,并重构高分辨率的图像。本文围绕高光谱图像分辨率增强,利用深度学习的理论和方法,充分考虑高光谱图像的自身特性,开展深度学习在高光谱图像分辨率增强中的应用方法研究,具体如下:1.针对高光谱图像“图谱合一”,在空间维和光谱维同时存在有效信息的特点,本文提出一种双通道结构的卷积神经网络模型,用于提取高光谱图像的空间-光谱联合深度特征。该网络包含两个卷积神经网络通道,分别对应高光谱图像的空间维和光谱维。将每个像素对应的光谱曲线作为光谱通道输入,提取光谱特征;将该像素的空间邻域作为空间通道输入,提取空间特征。将光谱特征和空间特征级联,传递给全连接网络进一步融合、抽象,得到空间-光谱联合深度特征。为了验证所提取特征的辨识性能,将其应用于地物分类。实验结果表明,所提出的空间-光谱联合深度特征应用于地物分类时,能够取得良好的分类性能。2.本文提出一种基于双分支卷积神经网络的高光谱-多光谱图像融合方法,该网络包含两个卷积神经网络分支,分别从高光谱图像和多光谱图像提取特征。其中,高光谱分支从低分辨率高光谱图像每个像素的光谱曲线中提取特征,该像素在多光谱图像中对应的空间邻域作为多光谱分支的输入。从高光谱图像和多光谱图像提取的特征经过全连接网络的充分融合,重构出该像素在高分辨率高光谱图像对应的光谱曲线。实验结果证明,相比较传统的高光谱-多光谱图像融合方法,本文提出的基于深度学习的融合方法能够取得更优的融合性能。3.针对在单景高光谱图像超分辨中,缺乏多光谱图像等辅助信源提供的地物信息,使得精细地物结构难以精确重构的问题,本文提出多尺度小波3D卷积神经网络,用于高光谱图像超分辨。由于小波变换可以刻画图像的细节信息,预测高分辨图像的小波系数,有助于重构图像的细节纹理信息。本文提出了多尺度小波3D卷积神经网络,能够预测高分辨率高光谱图像的小波系数,该网络包含嵌入子网络和预测子网络两部分,嵌入子网络通过3D卷积运算,将低分辨率高光谱图像投影到特征空间,提取一系列的特征立方体,并传递给预测子网络。预测子网络包括多个输出分支,不同分支对应不同的小波子带,重构出高分辨率高光谱图像在各个子带的小波系数。经过逆小波变换,得到高分辨率的高光谱图像。实验结果证明,本章方法在多个测试场景上能够取得较好的超分辨性能。4.针对在实际遥感应用中,无参考图像情况下的高光谱图像超分辨性能评价问题,本文提出一种基于空间-光谱质量敏感特征学习的无参考高光谱图像质量评价方法,分别在空间维和光谱维分析高光谱图像在噪声和模糊等不同畸变下的统计特性差异,提取对图像质量敏感的空间-光谱统计特征。这些质量敏感特征随图像质量的变化而不同,能够反映高光谱图像的质量。本文选取多个场景的高光谱图像作为训练数据,提取质量敏感特征,并学习这些特征的统计分布,作为基准分布。对重构的高光谱图像,其质量敏感特征会偏离基准分布,用Bhattacharyya距离度量偏离的程度,作为质量评分。评分值越小,高光谱图像的质量越高。实验结果表明,在多个测试数据的多种超分辨结果上,本文提出的无参考图像质量评分在大部分情况下,与峰值信噪比等指标间具有一致性。