1.一种低分辨率高光谱图像处理方法,其特征在于,包括:
获取低分辨率高光谱图像的分组图像的浅层特征;各所述分组图像是基于所述低分辨率高光谱图像的光谱数对所述低分辨率高光谱图像进行分组处理后得到的,各所述分组图像的浅层特征是分别对各所述分组图像进行第一卷积处理得到的;
将各所述分组图像的浅层特征确定为处理网络中的第一个自注意力机制模型的输入,并对所述输入进行层归一化处理,得到对应的层归一化处理后的第一特征;
将对应的层归一化处理后的所述第一特征进行第二卷积处理,得到对应的第二卷积处理后的第一特征;
将对应的第二卷积处理后的所述第一特征进行通道分割处理,得到对应的通道分割处理后的查询特征、键特征和值特征;
将对应的通道分割处理后的所述查询特征、所述键特征和所述值特征进行张量重塑处理,得到对应的重塑后的所述查询特征、所述键特征和值特征;
将对应的重塑后的所述键特征进行矩阵转置处理,并对转置处理后的所述键特征与对应的重塑后的所述查询特征进行矩阵相乘处理,并对矩阵相乘后的特征经过softmax激活函数处理,得到对应的softmax激活函数处理后的特征;
将对应的softmax激活函数处理后的所述特征与对应的重塑后的所述值特征进行矩阵相乘处理,并对矩阵相乘后的特征进行张量重塑处理,得到对应的重塑后的第一特征;
将对应的重塑后的所述第一特征进行第三卷积处理,并将第三卷积处理后的所述第一特征与所述处理网络中的第一个自注意力机制模型的输入进行像素相加处理,得到对应的所述处理网络中的第一个自注意力机制模型的中间特征;
根据对应的所述中间特征,得到对应的所述处理网络中的第二个自注意力机制模型的输入特征;
将对应的所述处理网络中的最后一个自注意力机制模型的输出特征,确定为处理后的各所述分组图像的所述浅层特征;
将各所述分组图像的浅层特征与处理后的各所述分组图像的所述浅层特征进行像素相加处理,得到各分组图像的全局深层特征;所述处理网络包括多个自注意力机制模型,多个所述自注意力机制模型的结构相同,各所述自注意力机制模型的输出为各所述自注意力机制模型连接的下一个自注意力机制模型的输入;
根据所述低分辨率高光谱图像的光谱特征,得到与所述低分辨率高光谱图像对应的高分辨率高光谱图像;所述低分辨率高光谱图像的光谱特征是对各所述分组图像的全局深层特征分别进行亚像素卷积处理,并将亚像素卷积处理后的各所述分组图像的全局深层特征进行所述第一卷积处理和级联处理后得到的。
2.根据权利要求1所述的方法,其特征在于,所述根据对应的所述中间特征,得到对应的所述处理网络中的第二个自注意力机制模型的输入特征,包括:将对应的所述中间特征进行层归一化处理,得到对应的层归一化处理后的第二特征;
将对应的层归一化处理后的所述第二特征进行所述第二卷积处理,得到对应的所述第二卷积处理后的第二特征;
将对应的所述第二卷积处理后的所述第二特征进行分层处理,得到对应的分层处理后的卷积模块输入特征和门控分支输入特征;
基于3D卷积模块处理对应的所述卷积模块输入特征,得到对应的卷积模块输出特征;
将对应的门控分支输入特征进行GELU激活函数处理,得到对应的门控分支输出特征;
将对应的所述卷积模块输出特征以及对应的所述门控分支输出特征进行像素相乘处理,得到对应的像素相乘处理后的特征;
将对应的像素相乘处理后的所述特征进行所述第三卷积处理,并将对应的第三卷积处理后的特征与对应的所述中间特征进行像素相加处理,得到所述处理网络中的第二个自注意力机制模型的输入特征。
3.根据权利要求2所述的方法,其特征在于,所述基于3D卷积模块处理对应的所述卷积模块输入特征,得到对应的卷积模块输出特征,包括:将对应的所述卷积模块输入特征进行张量重塑处理,并将对应的张量重塑处理后的所述特征进行维度扩充处理,得到对应的维度扩充处理后的特征;
基于并行的两个非对称3D卷积分别将对应的维度扩充处理后的所述特征进行卷积处理,得到对应的卷积处理后的第三特征和第四特征;
将对应的卷积处理后的所述第三特征和所述第四特征进行像素相加处理,得到对应的像素相加后的特征;
将对应的像素相加后的所述特征进行降维处理,并将降维处理后的所述特征进行张量重塑处理,得到张量重塑处理后的特征;
将张量重塑处理后的所述特征与对应的所述卷积模块输入特征进行像素相加处理,得到对应的所述卷积模块输出特征。
4.根据权利要求1所述的方法,其特征在于,所述根据所述低分辨率高光谱图像的光谱特征,得到与所述低分辨率高光谱图像对应的高分辨率高光谱图像,包括:对所述低分辨率高光谱图像的光谱特征进行所述第一卷积处理,得到所述低分辨率高光谱图像的全局浅层特征;
基于处理网络对所述低分辨率高光谱图像的全局浅层特征进行处理,并将所述全局浅层特征与处理后的所述全局浅层特征进行像素相加处理,得到所述低分辨率高光谱图像的全局深层特征;
将上采样预处理图像的光谱特征与所述全局深层特征进行像素相加处理,得到所述低分辨率高光谱图像的像素特征;所述上采样预处理图像是对所述低分辨率高光谱图像进行上采样处理,并对上采样处理后的所述低分辨率高光谱图像进行第三卷积处理得到的;
对所述低分辨率高光谱图像的像素特征进行所述第一卷积处理,得到与所述低分辨率高光谱图像对应的高分辨率高光谱图像。
5.根据权利要求1至4中任一项所述的方法,其特征在于,构建所述处理网络使用的损失函数包括L1损失函数、光谱角度匹配SAM损失函数以及空间光谱全变分SSTV损失函数。
6.一种低分辨率高光谱图像处理装置,其特征在于,所述装置包括:
获取模块,用于获取低分辨率高光谱图像的分组图像的浅层特征;各所述分组图像是基于所述低分辨率高光谱图像的光谱数对所述低分辨率高光谱图像进行分组处理后得到的,各所述分组图像的浅层特征是分别对各所述分组图像进行第一卷积处理得到的;
特征确定模块,用于将各所述分组图像的浅层特征确定为处理网络中的第一个自注意力机制模型的输入,并对所述输入进行层归一化处理,得到对应的层归一化处理后的第一特征;将对应的层归一化处理后的所述第一特征进行第二卷积处理,得到对应的第二卷积处理后的第一特征;将对应的第二卷积处理后的所述第一特征进行通道分割处理,得到对应的通道分割处理后的查询特征、键特征和值特征;将对应的通道分割处理后的所述查询特征、所述键特征和所述值特征进行张量重塑处理,得到对应的重塑后的所述查询特征、所述键特征和值特征;将对应的重塑后的所述键特征进行矩阵转置处理,并对转置处理后的所述键特征与对应的重塑后的所述查询特征进行矩阵相乘处理,并对矩阵相乘后的特征经过softmax激活函数处理,得到对应的softmax激活函数处理后的特征;将对应的softmax激活函数处理后的所述特征与对应的重塑后的所述值特征进行矩阵相乘处理,并对矩阵相乘后的特征进行张量重塑处理,得到对应的重塑后的第一特征;将对应的重塑后的所述第一特征进行第三卷积处理,并将第三卷积处理后的所述第一特征与所述处理网络中的第一个自注意力机制模型的输入进行像素相加处理,得到对应的所述处理网络中的第一个自注意力机制模型的中间特征;根据对应的所述中间特征,得到对应的所述处理网络中的第二个自注意力机制模型的输入特征;将对应的所述处理网络中的最后一个自注意力机制模型的输出特征,确定为处理后的各所述分组图像的所述浅层特征;将各所述分组图像的浅层特征与处理后的各所述分组图像的所述浅层特征进行像素相加处理,得到各分组图像的全局深层特征;所述处理网络包括多个自注意力机制模型,多个所述自注意力机制模型的结构相同,各所述自注意力机制模型的输出为各所述自注意力机制模型连接的下一个自注意力机制模型的输入;
处理模块,用于根据所述低分辨率高光谱图像的光谱特征,得到与所述低分辨率高光谱图像对应的高分辨率高光谱图像;所述低分辨率高光谱图像的光谱特征是对各所述分组图像的全局深层特征分别进行亚像素卷积处理,并将亚像素卷积处理后的各所述分组图像的全局深层特征进行所述第一卷积处理和级联处理后得到的。
7.根据权利要求6所述的装置,其特征在于,所述特征确定模块,还用于:
将对应的所述中间特征进行层归一化处理,得到对应的层归一化处理后的第二特征;
将对应的层归一化处理后的所述第二特征进行所述第二卷积处理,得到对应的所述第二卷积处理后的第二特征;
将对应的所述第二卷积处理后的所述第二特征进行分层处理,得到对应的分层处理后的卷积模块输入特征和门控分支输入特征;
基于3D卷积模块处理对应的所述卷积模块输入特征,得到对应的卷积模块输出特征;
将对应的门控分支输入特征进行GELU激活函数处理,得到对应的门控分支输出特征;
将对应的所述卷积模块输出特征以及对应的所述门控分支输出特征进行像素相乘处理,得到对应的像素相乘处理后的特征;
将对应的像素相乘处理后的所述特征进行所述第三卷积处理,并将对应的第三卷积处理后的特征与对应的所述中间特征进行像素相加处理,得到所述处理网络中的第二个自注意力机制模型的输入特征。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。