基于深度学习的高光谱图像去马赛克方法研究.pdfVIP

摘要

高光谱图像的光谱信息可以用来对目标进行定性和定量分析，图像信息可

以实现分析目标的可视化。因此，高光谱成像技术在检测分析方面具有很大的

优势，在天文学、遥感探测、食品安全、制药和医学等领域被广泛使用。基于

滤波阵列的快照式高光谱成像技术可以同时测量目标的空间信息和光谱信息，

无需多次扫描成像，可用于采集运动物体的图像，因此在实际应用中越来越受

欢迎。

基于滤波阵列的快照式高光谱成像技术只能得到全分辨率高光谱图像的一

小部分信息，大量的缺失信息都需要通过高光谱图像去马赛克算法来补全。然

而现有的高光谱图像去马赛克算法比较少，并且效果有待提高。因此本文以将

初始高光谱马赛克图像重建为全分辨率高光谱图像为主要研究目标，利用深度

学习在图像处理领域的优势，提出了基于深度学习的高光谱图像去马赛克方

法，具体包括以下内容：

（1）基于卷积神经网络的高光谱图像去马赛克方法研究：高光谱图像去马

赛克算法的难点在于有效的恢复高光谱图像边缘和复杂纹理区域的图像细节信

息和光谱信息，而平滑区域可以使用传统的插值方法进行恢复。可以结合双线

性插值技术能快速恢复平滑区域信息和卷积神经网络能有效恢复纹理区域信息

的优势，对高光谱马赛克图像进行重建。

（2）基于图像融合的高光谱图像超分辨去马赛克方法研究：随着光谱波段

数的增加，高光谱马赛克图像的空间分辨率在不断降低，而灰度图像空间分辨

率很高，可以记录更多的图像细节信息。因此可以对同一场景的高光谱马赛克

图像和灰度图像进行图像融合，将灰度图像丰富的图像边缘、纹理、形状和角

度等空间信息用于恢复和提升高光谱图像的空间分辨率，从而实现高光谱图像

的去马赛克与超分辨。

关键词：高光谱图像，去马赛克，深度学习，图像超分辨率，图像融合

ABSTRACT

Thespectralinformationofhyperspectralimagecanbeappliedforqualitativeand

quantitativeanalysisoftargets,whiletheimageinformationcanrealizethe

visualizationofanalysistargets.Therefore,withthedominanceofhyperspectral

imagingtechnology,itiswidelyutilizedinastronomy,remotesensing,foodsafety,

pharmacy,medicineandotherfields.Thesnapshothyperspectralimagingtechnology

basedonfilterarraycanmeasurethespatialandspectralinformationofthetarget

withoutmultiplescanningimaging,achievingcollectionoftheimagesofmoving

objects,whichleadstogreatpopulationinpracticalapplications.

Sincethesnapshothyperspectralimagingtechnologybasedonfilterarraycanonly

obtainafractionoffull-resolutionhyperspectralimage,aheapofmissinginformation

requirescomplementbyhyperspectralimagedemosaickingalgorithms.However,there

arefewexistingdemosaickingalgorithmsforhyperspectralimageswithunsatisfied

effect.