1.一种基于深度字典学习的高光谱与多光谱图像融合方法,其特征在于,包括:
获取待融合区域的目标高光谱图像与目标多光谱图像;
基于包含多个依次连接的混合线性融合模块的图像融合模型,对所述目标高光谱图像与所述目标多光谱图像进行融合,得到所述待融合区域的目标融合图像;
其中,每个混合线性融合模块包括:字典生成网络、字典更新网络、丰度更新网络和线性融合网络;所述字典生成网络用于:接收输入的所述待融合区域的高光谱图像,并获取所述高光谱图像对应的初始光谱字典;所述字典更新网络用于:根据所述目标多光谱图像与所述初始光谱字典,生成目标光谱字典;所述丰度更新网络用于:将所述高光谱图像输入至重塑函数,得到重塑后的所述高光谱图像;利用最小二乘法,并结合所述初始光谱字典与重塑后的所述高光谱图像,计算得到目标丰度矩阵;所述线性融合网络用于:基于一维注意力机制,对所述目标丰度矩阵进行微调,得到微调后的所述目标丰度矩阵;将所述目标光谱字典与微调后的所述目标丰度矩阵进行线性融合,得到融合图像并作为下一个混合线性融合模块所接收的所述待融合区域的高光谱图像;
其中,将最后一个混合线性融合模块输出的融合图像确定为所述目标融合图像。
2.根据权利要求1所述的基于深度字典学习的高光谱与多光谱图像融合方法,其特征在于,所述字典生成网络具体用于:利用降维卷积神经网络,对所述高光谱图像进行特征提取,得到特征图并输入至重塑函数,构建所述初始光谱字典。
3.根据权利要求1所述的基于深度字典学习的高光谱与多光谱图像融合方法,其特征在于,所述字典更新网络具体用于:将所述目标多光谱图像与所述初始光谱字典进行拼接,得到拼接特征;
将所述拼接特征输入至transformer结构,并结合所述初始光谱字典进行微调,生成所述目标光谱字典。
4.根据权利要求1至3任一项所述的基于深度字典学习的高光谱与多光谱图像融合方法,其特征在于,还包括:获取所述待融合区域的高分辨率的原始高光谱图像,并对所述原始高光谱图像进行下采样处理,得到低分辨率高光谱图像;
对所述低分辨率高光谱图像进行插值处理,得到低分辨率的所述目标高光谱图像。
5.一种基于深度字典学习的高光谱与多光谱图像融合系统,其特征在于,包括:获取单元和融合单元;
所述获取单元用于:获取待融合区域的目标高光谱图像与目标多光谱图像;
所述融合单元用于:基于包含多个依次连接的混合线性融合模块的图像融合模型,对所述目标高光谱图像与所述目标多光谱图像进行融合,得到所述待融合区域的目标融合图像;
其中,每个混合线性融合模块包括:字典生成网络、字典更新网络、丰度更新网络和线性融合网络;所述字典生成网络用于:接收输入的所述待融合区域的高光谱图像,并获取所述高光谱图像对应的初始光谱字典;所述字典更新网络用于:根据所述目标多光谱图像与所述初始光谱字典,生成目标光谱字典;所述丰度更新网络用于:将所述高光谱图像输入至重塑函数,得到重塑后的所述高光谱图像;利用最小二乘法,并结合所述初始光谱字典与重塑后的所述高光谱图像,计算得到目标丰度矩阵;所述线性融合网络用于:基于一维注意力机制,对所述目标丰度矩阵进行微调,得到微调后的所述目标丰度矩阵;将所述目标光谱字典与微调后的所述目标丰度矩阵进行线性融合,得到融合图像并作为下一个混合线性融合模块所接收的所述待融合区域的高光谱图像;
其中,将最后一个混合线性融合模块输出的融合图像确定为所述目标融合图像。
6.根据权利要求5所述的基于深度字典学习的高光谱与多光谱图像融合系统,其特征在于,还包括:预处理单元;所述预处理单元用于:获取所述待融合区域的高分辨率的原始高光谱图像,并对所述原始高光谱图像进行下采样处理,得到低分辨率高光谱图像;
对所述低分辨率高光谱图像进行插值处理,得到低分辨率的所述目标高光谱图像。
7.一种电子设备,其特征在于,所述电子设备包括处理器,所述处理器与存储器耦合,所述存储器中存储有至少一条计算机程序,所述至少一条计算机程序由所述处理器加载并执行,以使所述电子设备实现如权利要求1至4任一项所述的基于深度字典学习的高光谱与多光谱图像融合方法。
8.一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至少一条计算机程序,所述至少一条计算机程序由处理器加载并执行,以使计算机可读存储介质实现如权利要求1至4任一项所述的基于深度字典学习的高光谱与多光谱图像融合方法。