研究目的
为解决高光谱图像超分辨率中常规二维卷积导致的频谱失序问题,提出一种新型深度学习网络,该网络能独立提取各波段特征并采用多路径重建策略。
研究成果
所提出的SSIN模型通过采用可分离光谱卷积和多路径重建,有效解决了高光谱图像超分辨率中的光谱失序问题,在不同尺度因子下相比现有方法实现了更优的精度和可视化性能。未来工作将聚焦于利用深度学习进一步挖掘光谱与空间特征。
研究不足
如Pavia Centre数据集结果所示,该方法在图像阴影和边缘区域可能表现不佳。此外,对于极大数据集或较高基础特征尺寸的情况,其计算复杂度和内存占用可能较高。
1:实验设计与方法选择:
本研究设计了一个名为SSIN的端到端深度学习网络,包含可分离光谱卷积(独立处理各波段)和多路径重建??椋ㄊ迪执哟值较傅耐枷窕指矗?。采用具有特定层级结构和跳跃连接的卷积神经网络。
2:样本选择与数据来源:
使用两个数据集——CAVE数据集(32幅室内图像,31个波段,512×512像素)和帕维亚中心数据集(航空影像,102个波段,1096×1096像素)。根据纹理丰富度选取测试图像,其余用于训练/验证。
3:实验设备与材料清单:
配备i7-5930k CPU、NVIDIA GTX 1080Ti显卡(11GB显存)、128GB内存的计算机,以及PyTorch和MATLAB软件(用于图像退化处理)。
4:实验流程与操作步骤:
通过MATLAB的'imresize'函数(双三次插值)生成低分辨率图像。从低分辨率图像裁剪21×21像素块,对应高分辨率图像裁剪42×42像素块进行训练,并实施数据增强(翻转和旋转)。网络采用ADAM优化器(特定参数)、MSE损失函数及梯度裁剪进行训练。
5:数据分析方法:
使用PSNR、RMSE、SAM、ERGAS、CC和SSIM等指标评估性能,并与Bicubic、ScSR、ANR、NE+LLE、A+和VDSR等其他超分辨率方法进行对比。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容