本發(fā)明涉及計算機，特別涉及一種基于深度雙先驗漸進融合的高光譜壓縮感知重建方法。

背景技術(shù)：

1、傳統(tǒng)的高光譜成像主要包括點掃描或線掃描的形式，在拍攝過程中在空間或光譜維度來進行多次曝光來獲取拍攝場景的圖像，這種成像方式速度較慢，難以捕捉高速動態(tài)場景。

2、高光譜壓縮感知技術(shù)能夠通過使用編碼矩陣將三維光譜數(shù)據(jù)壓縮成二維圖像，隨后通過重建算法對壓縮的二維測量圖像進行重構(gòu)，從而實現(xiàn)在單次成像中獲取整個場景中的完整光譜數(shù)據(jù)。

3、高光譜的壓縮感知重建算法是實現(xiàn)測量圖像到三維光譜圖像的關(guān)鍵技術(shù)，基于自監(jiān)督的高光譜重建算法可以在不使用額外訓(xùn)練數(shù)據(jù)的情況下實現(xiàn)對單張測量圖像的重建，具有較好的泛化性能。

4、然而，目前基于高光譜壓縮感知重建的自監(jiān)督學(xué)習(xí)算法在成像質(zhì)量上仍然存在較大的缺陷，在可視化上表現(xiàn)為重構(gòu)模糊和偽影。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種基于深度雙先驗漸進融合的高光譜壓縮感知重建方法，以解決背景技術(shù)所提到的技術(shù)問題。

2、為達到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：

3、本發(fā)明提供了一種基于深度雙先驗漸進融合的高光譜壓縮感知重建方法，包括如下步驟：

4、s1、拍攝獲取原始的壓縮測量圖像，然后對原始的壓縮測量圖像進行歸一化處理，得到歸一化處理后的壓縮測量圖像；

5、s2、基于壓縮感知重構(gòu)問題構(gòu)建目標函數(shù)，并對目標函數(shù)進行優(yōu)化，得到優(yōu)化后最終的目標函數(shù)；

6、s3、根據(jù)歸一化處理后的壓縮測量圖像建立用于高光譜壓縮感知重建的自監(jiān)督學(xué)習(xí)模型；自監(jiān)督學(xué)習(xí)模型包括外循環(huán)迭代優(yōu)化和兩個內(nèi)循環(huán)網(wǎng)絡(luò)訓(xùn)練；

7、s4、利用自監(jiān)督學(xué)習(xí)模型對優(yōu)化后最終的目標函數(shù)進行求解，通過融合兩個內(nèi)循環(huán)網(wǎng)絡(luò)訓(xùn)練過程得到的深度先驗項，得到最終的重構(gòu)圖像。

8、進一步地，所述s2具體包括如下步驟：

9、s21、通過引入兩個深度先驗項，并基于壓縮感知重構(gòu)問題構(gòu)建目標函數(shù)；

10、s22、通過引入第一輔助變量、第二輔助變量，對目標函數(shù)進行優(yōu)化，得到第一次優(yōu)化后的目標函數(shù)和約束條件；

11、s23、為了增加第一輔助變量、第二輔助變量與壓縮測量圖像y之間的關(guān)聯(lián)，對第一次優(yōu)化后的目標函數(shù)再次優(yōu)化，得到優(yōu)化后最終的目標函數(shù)和約束條件。

12、進一步地，所述s21中的目標函數(shù)為：

13、；

14、其中，y表示歸一化處理后的壓縮測量圖像，表示待求的高光譜圖像，表示感知矩陣；和表示引入的來自兩個不同內(nèi)循環(huán)網(wǎng)絡(luò)的深度先驗項；表示函數(shù)，表示當值最小時，取的值作為該函數(shù)的值，為兩個深度先驗項的權(quán)重系數(shù)，這里取相同大??；

15、所述s22中的第一次優(yōu)化后的目標函數(shù)和約束條件為：

16、；

17、約束條件：；

18、所述s23中的優(yōu)化后最終的目標函數(shù)為：

19、；

20、約束條件：；

21、其中，是懲罰參數(shù)。

22、進一步地，所述自監(jiān)督學(xué)習(xí)模型中的外循環(huán)迭代優(yōu)化基于半二次分裂方法進行迭代優(yōu)化。

23、進一步地，所述s4具體包括如下步驟：

24、s41、首先采用半二次分裂方法將優(yōu)化后最終的目標函數(shù)轉(zhuǎn)換為3個子問題，分別為項子問題、項子問題和項子問題；項子問題的求解過程即自監(jiān)督學(xué)習(xí)模型內(nèi)的外循環(huán)迭代優(yōu)化過程，項子問題和項子問題的求解過程即自監(jiān)督學(xué)習(xí)模型內(nèi)的兩個內(nèi)循環(huán)網(wǎng)絡(luò)訓(xùn)練過程；

25、其中，項子問題采用公式表示，具體如下：

26、；

27、其中，表示定義值；表示定義操作；μ表示強制,?和收斂到一個公共不動點的懲罰參數(shù)，?(·)表示提取后續(xù)矩陣的對角元素，表示逐元素劃分；表示矩陣的轉(zhuǎn)置；

28、s42、通過引入自監(jiān)督學(xué)習(xí)模型中的其中一個內(nèi)循環(huán)網(wǎng)絡(luò)的輸出，用來代替第一輔助變量并吸收先驗項，得到優(yōu)化后的項子問題；通過引入自監(jiān)督學(xué)習(xí)模型中的另一個內(nèi)循環(huán)網(wǎng)絡(luò)的輸出，用來代替第二輔助變量并吸收先驗項，得到優(yōu)化后的項子問題；

29、s43、構(gòu)建兩個內(nèi)循環(huán)網(wǎng)絡(luò)訓(xùn)練所用的第一損失函數(shù)和第二損失函數(shù)；

30、s44、進入外循環(huán)迭代優(yōu)化對項子問題進行求解，得到外循環(huán)輸出特征圖，并將外循環(huán)輸出特征圖分別輸入到兩個內(nèi)循環(huán)網(wǎng)絡(luò)訓(xùn)練中，分別計算第一損失函數(shù)和第二損失函數(shù)的損失值，并利用兩個損失值分別優(yōu)化內(nèi)循環(huán)網(wǎng)絡(luò)和內(nèi)循環(huán)網(wǎng)絡(luò)；在訓(xùn)練滿足內(nèi)循環(huán)收斂條件后，跳出內(nèi)循環(huán)網(wǎng)絡(luò)訓(xùn)練策略，并將兩個內(nèi)循環(huán)網(wǎng)絡(luò)生成的特征圖作為輸入進入外循環(huán)迭代優(yōu)化，完成外循環(huán)迭代優(yōu)化后，依據(jù)最新得到的外循環(huán)輸出特征圖計算第一損失函數(shù)和第二損失函數(shù)的損失值，并利用最新得到的兩個損失值進一步優(yōu)化內(nèi)循環(huán)網(wǎng)絡(luò)和內(nèi)循環(huán)網(wǎng)絡(luò)以及其兩個內(nèi)循環(huán)網(wǎng)絡(luò)的輸出，以此往復(fù)迭代，直到自監(jiān)督學(xué)習(xí)模型收斂，最終輸出，作為最終的重構(gòu)圖像。

31、進一步地，所述s41中的項子問題采用公式表示，具體如下：

32、；

33、所述s42中優(yōu)化后的項子問題，具體如下：

34、；

35、其中，表示輸入到內(nèi)循環(huán)網(wǎng)絡(luò)的高斯噪聲。

36、進一步地，所述s41中的項子問題采用公式表示，具體如下：

37、；

38、所述s42中優(yōu)化后的項子問題，具體如下：

39、；

40、其中，表示輸入到內(nèi)循環(huán)網(wǎng)絡(luò)的高斯噪聲。

41、進一步地，所述第一損失函數(shù)具體為：

42、。

43、進一步地，所述第二損失函數(shù)具體為：

44、。

45、進一步地，所述s44具體包括如下步驟：

46、s441、首先輸入壓縮測量圖像y、感知矩陣以及懲罰參數(shù)μ；并將輸出x、第一輔助變量、第二輔助變量和迭代次數(shù)k初始化；

47、s442、更新迭代次數(shù)k=k+1；

48、s443、通過求解項子問題，更新外循環(huán)輸出特征圖；

49、s444、將外循環(huán)輸出特征圖分別輸入到兩個內(nèi)循環(huán)網(wǎng)絡(luò)訓(xùn)練中；

50、s445、分別計算第一損失函數(shù)和第二損失函數(shù)的損失值；并通過第一損失函數(shù)的損失值和第二損失函數(shù)的損失值分別更新內(nèi)循環(huán)網(wǎng)絡(luò)和內(nèi)循環(huán)網(wǎng)絡(luò)；

51、s446、判斷兩個內(nèi)循環(huán)網(wǎng)絡(luò)訓(xùn)練是否達到自適應(yīng)收斂標準，是則通過內(nèi)循環(huán)網(wǎng)絡(luò)的輸出和內(nèi)循環(huán)網(wǎng)絡(luò)的輸出分別更新項子問題、項子問題分別生成的最終特征圖和；否則循環(huán)s445至s446，直至達到自適應(yīng)收斂標準；

52、s447、判斷迭代次數(shù)k是否達到設(shè)定迭代次數(shù)，是則輸出，作為最終的重構(gòu)圖像，否則循環(huán)s442至s447，直至迭代次數(shù)k達到設(shè)定迭代次數(shù)。

53、本發(fā)明的有益效果：

54、1、本發(fā)明提供了一種基于深度雙先驗漸進融合的高光譜壓縮感知重建方法，相對現(xiàn)有的自監(jiān)督光譜重建方法，由于充分融合了兩個內(nèi)循環(huán)網(wǎng)絡(luò)訓(xùn)練過程得到的深度先驗項，所以成像質(zhì)量更高，不會出現(xiàn)模糊和偽影等異常情況。

55、2、本發(fā)明還提出了一種自監(jiān)督學(xué)習(xí)模型，使在高光譜對壓縮圖像重構(gòu)的過程中融合不同內(nèi)循環(huán)網(wǎng)絡(luò)的深度先驗項，避免了使用單一先驗造成優(yōu)化的過擬合問題；在該模型中，不需要額外的訓(xùn)練圖片，僅通過模型驅(qū)動的方式對輸入的壓縮測量圖像進行求解。