一种轻量化掩膜引导空-谱自注意力的高光谱图像重建方法
- 国知局
- 2024-11-06 14:27:36
本发明涉及高光谱图像重建技术,特别是一种轻量化掩膜引导空-谱自注意力的高光谱图像重建方法。
背景技术:
1、高光谱图像由多个连续的窄波段组成,能够记录丰富的空间和光谱信息,使得在区分地物特征时更具鉴别性,因此,被广泛应用于变化检测、目标分类、异常检测等领域。为了能够高效地获取高光谱图像,快照式压缩成像系统(例如,cassi)将3维的高光谱图像映射到2维空间中,获取压缩量测图像。应用重建算法对压缩量测进行重建,得到高光谱图像。
2、传统的基于模型的方法,需要手动设置超参数,并且模型推理通过大量的迭代求解,需要耗费较长的时间。随着深度学习的兴起,卷积神经网络因具有强大的非线性建模能力,而被应用广泛于图像重建领域,并取得了显著的成果。但是,由于卷积核的大小有限,导致卷积神经网络的感受野受限,无法利用图像中的长距离依赖关系,导致性能受限。为了扩大感受野,提出了空-谱自注意力机制,能够从空间和光谱维度上分别学习高光谱图像的非局部依赖关系。尽管自注意力机制能够有效提高重建图像的质量,但它相比于卷积神经网络,计算量也大大增加。对于一张大小为c×h×w的图像,学习空间自注意力的计算复杂度为o(c(hw)2),学习光谱自注意力的计算复杂度为o(c2hw)。巨大的计算量降低了模型的推理速度,也阻碍了其在实际中的应用。为了减少计算开销,许多轻量化方法对图像进行分块,在每个块内计算图像的依赖关系,但这样会导致感受野变小,并且计算复杂度并未降低。如何将二次复杂度降为线性复杂度依然是一个待解决的问题。
技术实现思路
1、本发明的目的在于提供一种轻量化掩膜引导空-谱自注意力的高光谱图像重建方法。
2、实现本发明目的的技术解决方案为:一种轻量化掩膜引导空-谱自注意力的高光谱图像重建方法,包括以下步骤:
3、第一步,建立波形网络,提取图像不同尺度的特征信息;该网络由多个阶段组成,每个阶段是一个u型结构的子网络,每个子网络包含若干个轻量化掩膜引导的空-谱自注意力模块;
4、第二步,学习空-谱自注意力;分别从空间维和光谱维上学习一个低阶相关性矩阵,将空间相关性矩阵大小从hw×hw减少至hw×1,将光谱相关性矩阵大小从c×c减少为c×1;空间自注意力的计算复杂度由o(c(hw)2)降为o(chw),光谱自注意力的计算复杂度由o(c2hw)降为o(chw);
5、第三步,学习掩膜注意力;通过提取掩膜特征信息,指导网络关注被掩膜遮蔽的信息,提高重建图像的空间保真度;
6、第四步,采用亚像素采样策略,对图像进行上下采样,提取不同尺度的特征;
7、第五步,使用l2范数作为损失函数,进行端到端的网络训练。
8、一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现上述的方法的步骤。
9、一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的方法的步骤。
10、一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的方法的步骤。
11、本发明方法结构简单,所需的参数量和计算量小,网络推理速度快,与现有技术相比,其有益效果为:(1)通过在空间维度和光谱维度上分别学习一个低阶相关矩阵,从而,将空间-光谱自注意力的计算复杂度从o(c(hw)2)和o(c2hw),降至o(chw);(2)引入掩膜信息,对图像中难以重建的区域进行引导,提高重建图像的空间保真度;(3)提出新型的波形网络结构,配合亚像素上下采样策略,能够以较低的参数量,充分提取并利用图像的特征。本发明方法可以有效应用于快照式压缩图像重建,同时也可以应用于高光谱图像去噪以及超分辨的任务,具有广泛的应用价值。
12、下面结合附图对本发明作进一步详细描述。
技术特征:1.一种轻量化掩膜引导空-谱自注意力的高光谱图像重建方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种轻量化掩膜引导空-谱自注意力的高光谱图像重建方法,其特征在于,第一步,建立波形网络,提取图像不同尺度的特征信息;该网络由多个阶段组成,每个阶段是一个u型结构的子网络,每个子网络包含若干个轻量的掩膜引导的空-谱自注意力模块;假设待重建的高光谱图像为对应的掩膜为其中c、h、w分别是图像的光谱波段数,高和宽;首先,使用一个3×3卷积,将待重建的高光谱图像与掩膜进行融合,得到网络的初始输入:
3.根据权利要求2所述的一种轻量化掩膜引导空-谱自注意力的高光谱图像重建方法,其特征在于,第二步,学习空间和光谱自注意力;分别从空间维和光谱维上学习一个低阶相关性矩阵,减少自注意力学习过程中的冗余计算,将空间相关性矩阵大小从hw×hw减少至hw×1,将光谱相关性矩阵大小从c×c减少为c×1;从而,空间自注意力的计算复杂度由o(c(hw)2)降为o(chw),光谱自注意力的计算复杂度由o(c2hw)降为o(chw);假设输入的特征为通过线性变换,将其映射为
4.根据权利要求3所述的一种轻量化掩膜引导空-谱自注意力的高光谱图像重建方法,其特征在于,第三步,学习掩膜注意力;假设模块的输入为通过一个卷积核大小为1的卷积层,得到
5.根据权利要求4所述的一种轻量化掩膜引导空-谱自注意力的高光谱图像重建方法,其特征在于,第四步,采用亚像素采样策略,对图像进行上下采样,提取不同尺度的特征,减少信息损失;假设输入特征为下采样操作可表示为
6.根据权利要求5所述的一种轻量化掩膜引导空-谱自注意力的高光谱图像重建方法,其特征在于,第五步,使用l2范数作为损失函数,进行端到端的网络训练
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被加载至处理器时实现权利要求1-6任一项所述的方法的步骤。
8.一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,该程序被处理器执行时实现权利要求1-6中任一所述的方法的步骤。
9.一种计算机程序产品,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1-6中任一所述的方法的步骤。
技术总结本发明公开了一种轻量化掩膜引导空‑谱自注意力的高光谱图像重建方法,该方法包括:建立波形网络,提取图像不同尺度的特征信息;学习轻量化空‑谱自注意力;学习掩膜注意力,引导网络关注被掩膜遮蔽的信息,提高重建图像的空间保真度;通过亚像素采样策略,提取图像不同尺度的特征;使用L2范数作为损失函数,进行端到端的网络训练。本发明通过在空间维度和光谱维度上分别学习低阶相关性矩阵,减少了空‑谱相关性矩阵的大小,降低了学习空‑谱自注意力的计算量;为了在有限的参数量下,提高模型特征提取的能力,提出波形结构网络,通过多次上下采样,充分提取图像不同尺度上的特征,提高了图像的重建质量。技术研发人员:林添,杨劲翔受保护的技术使用者:南京理工大学技术研发日:技术公布日:2024/11/4本文地址:https://www.jishuxx.com/zhuanli/20241106/322208.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。