1.一种高分辨率高光谱计算成像方法,其特征在于,包括:
1)对输入的RGB图像Y进行光谱上采样得到初始高光谱图像X0;
2)将初始高光谱图像X0输入到预先完成训练的成像模型引导的深度卷积神经网络,通过迭代求解得到高光谱图像X;步骤2)中的成像模型引导的深度卷积神经网络由多个具有相同结构的模块构成,且多个模块之间级联连接,每一个模块的输入包括初始高光谱图像X0、上一个模块或者初始高光谱图像X0的上采样结果,且由最后一个模块输出得到高光谱图像X。
2.根据权利要求1所述的高分辨率高光谱计算成像方法,其特征在于,步骤1)中对输入的RGB图像Y进行光谱上采样得到初始高光谱图像X0的函数表达式为:(1)
上式中, 为光谱响应函数R的广义逆。
3.根据权利要求1所述的高分辨率高光谱计算成像方法,其特征在于,所述模块由高光谱先验学习模块HPL和成像模型引导模块IMG构成,所述高光谱先验学习模块HPL用于学习上一个模块或者初始高光谱图像X0的上采样结果的先验特征,所述成像模型引导模块IMG用于基于输入的初始高光谱图像X0、高光谱先验学习模块HPL输出的先验特征,根据成像模型来优化学习到的特征。
4.根据权利要求3所述的高分辨率高光谱计算成像方法,其特征在于,所述高光谱先验学习模块HPL为3×3的第一卷积层、非线性修正线性单元、通道注意力机制、3×3的第二卷积层以及空间注意力机制依次相连构成的五层结构,所述通道注意力机制包括大小为1×1的卷积操作、非线性归一化单元、线性运算操作以及多个修正线性单元,且1×1的卷积操作、非线性归一化单元、线性运算操作以及多个修正线性单元之间依次相连。
5.根据权利要求3所述的高分辨率高光谱计算成像方法,其特征在于,步骤2)中通过迭代求解得到高光谱图像X的步骤包括:
2.1)初始化迭代次数t等于1,初始化成像模型引导的深度卷积神经网络中的参数值和第t轮迭代的惩罚因子μt的取值;
2.2)首先通过第t个模块中的高光谱先验学习模块HPL学习上一个模块或者初始高光谱图像X0的上采样结果的先验特征,然后通过成像模型引导模块IMG基于输入的初始高光谱图像X0、高光谱先验学习模块HPL输出的先验特征,根据成像模型来优化学习到的特征,更新第t轮迭代得到的高光谱图像X;
2.3)判断迭代次数t等于预设阈值T是否成立,如果成立则将第t轮迭代得到的高光谱图像X作为最终结果输出;否则,将迭代次数t加1,跳转执行步骤2.2)继续进行迭代。
6.根据权利要求3所述的高分辨率高光谱计算成像方法,其特征在于,高光谱先验学习模块HPL学习上一个模块或者初始高光谱图像X0的上采样结果的先验特征是指:引入变量,并执行式(3)~(4)更新变量 完成学习上一个模块或者初始高光谱图像X0的上采样结果的先验特征;
(2)
(3)
(4)
上式中,G t+1为引入的变量在第t+1轮迭代时的取值,G为引入的变量,λ为权重参数,∅(G)为引入的变量G的正则项,μt为第t轮迭代的惩罚因子,μt+1为第t+1轮迭代的惩罚因子,Xt为第t轮迭代得到的高光谱图像,Xt+1为第t+1轮迭代得到的高光谱图像,Y表示RGB图像,F为光谱响应函数,X表示高光谱图像,γ为惩罚因子更新系数。
7.根据权利要求6所述的高分辨率高光谱计算成像方法,其特征在于,成像模型引导模块IMG用于基于输入的初始高光谱图像X0、高光谱先验学习模块HPL输出的先验特征,根据成像模型来优化学习到的特征的函数表达式为:(5)
上式中,Xt+1为根据成像模型来优化学习到的特征得到的结果,F为光谱响应函数,I为单位矩阵,Y为输入的RGB图像,μt为第t轮迭代的惩罚因子,G t+1为引入的变量在第t+1轮迭代时的取值。
8.一种分辨率高光谱计算成像系统,包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行权利要求1~7中任意一项所述高分辨率高光谱计算成像方法的步骤,或者所述微处理器与神经网络加速处理器共同被编程或配置以执行权利要求1~7中任意一项所述高分辨率高光谱计算成像方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有被编程或配置以执行权利要求1~7中任意一项所述高分辨率高光谱计算成像方法的计算机程序。