(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111605044.3 (22)申请日 2021.12.24 (71)申请人 声耕智能科技(西安)研究院有限公 司 地址 710075 陕西省西安市雁塔区丈 八街 办丈八四路20号神州 数码科技园5号 楼12层A区C区 (72)发明人 王修珩　陈捷　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 代理人 房鑫 (51)Int.Cl. G06T 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种高光谱图像去模糊方法、 系统及 存储介 质 (57)摘要 一种高光谱图像去模糊方法、 系统及 存储介 质， 方法包括从图像库中获取同一场景的第一高 光谱图像和第二高光谱图像， 第二高光谱图像的 清晰度高于第一高光谱图像； 对第一高光谱图像 和第二高光谱图像进行归一化处理； 在第二高光 谱图像加上噪声， 得到第三高光谱图像， 构建深 度降噪神经网络并采用配对图像集训练深度降 噪神经网络， 获得深度降噪先验网络； 构造带正 则项的目标函数， 将目标函数解耦为最小平方子 问题、 高光谱图像降噪子问题和对偶变量更新子 问题， 迭代求解以上三个子问题， 直至达到终止 条件， 高光谱图像降噪子问题 通过深度降噪先验 网络求解， 完成第一高光谱图像的解模糊。 本发 明最大程度地复原了光谱和空间信息， 得到的高 光谱图像质量高。 权利要求书2页 说明书8页 附图2页 CN 114255190 A 2022.03.29 CN 114255190 A 1.一种高光谱图像去模糊方法， 其特 征在于， 包括： 从图像库中获取同一场景的第 一高光谱图像Y和第 二高光谱图像X， 所述第 二高光谱图 像X的清晰度高于第一高光谱图像Y； 对第一高光谱图像Y和第二高光谱图像X进 行归一化处 理； 在第二高光谱图像X加上噪声， 得到第三高光谱图像Z， 构建深度降噪神经网络并采用 配对图像集(Z； X)训练深度降噪神经网络， 获得深度降噪先验网络； 构造带正则项的目标函数， 将目标函数解耦为最小平方子问题、 高光谱图像降噪子问 题和对偶变量更新子问题， 迭代求解以上三个子问题， 直至达到终止条件， 所述高光谱图像 降噪子问题通过深度降噪先验网络求 解， 完成第一高光谱图像Y的解模糊。 2.根据权利要求1所述的高光谱图像去模糊方法， 其特征在于， 所述构建深度降噪神经 网络并采用配对图像集(Z； X)训练深度降噪神经网络的步骤 包括： 构建三维网络模块： 从输入到 输出依次为 三维卷积层a1、 批标准化层b、 激活层c1； 构建深度降噪神经 网络： 从输入到输出依次为三维卷积层a2、 激活层c2、 B个三维网络模 块和三维卷积层a3， 网络输入通过跳跃连接与三 维卷积层a3的输出一起输入叠层d1； 三维卷 积层a3包含1个3×3×3的滤波器， 步长为1； 选用图像集(Z； X)中三分之二的图像对作为训练集， 其余三分之一作为测试集； 在训练 集的每幅图像中随机选取图像自身尺寸1/h大小的M个图像块， 再将每幅图像中的M个图像 块进行随机翻转和镜像； 将经过上述处理的第一高光谱图像Y中的图像块作为网络的输入， 将经过上述处理的第二高光谱图像X中的图像块作为标签图像； 损失函数定义如下： ||F(Z； Θ) ‑X||1 其中， F(*)代 表深度降噪网络映射， Θ代 表深度降噪网络模型参数； 利用Adam优化算法， 初始学习率为e， 每次向前传播时随机取 f个样本， 算法迭代g代； 训 练完成得到深度降噪先验网络模型参数， 进 而获得深度降噪先验网络 。 3.根据权利要求2所述的高光谱图像去模糊方法， 其特征在于： 所述三维卷积层a1以及 三维卷积层a2均包含32个3 ×3×3的滤波器， 步长均为1； 所述激活层c1以及激活层c2均为 ReLU函数； 三 维网络模块个数B＝8； 在训练集的每幅图像中随机选取图像自身尺 寸1/h大小 的M个图像块中， h＝ 4， M＝100； 初始学习率e＝0.0 002， 样本数f＝16， 算法迭代次数g＝5 00。 4.根据权利要求1所述的高光谱图像去模糊方法， 其特征在于， 在所述构造带正则项的 目标函数的步骤中， 构造出的目标函数为： 其中， H表示模糊矩阵， 表示数据保真项， φ(X)表示正则项， λ表示正则项 参数。 5.根据权利要求1所述的高光谱图像去模糊方法， 其特征在于， 所述将目标函数解耦为 最小平方子问题、 高光谱图像降噪子问题和对偶变量更新子问题利用基于交叉方向乘子法 的即插即用算法完成； 所述的终止条件为t＝T， t 代表迭代次数， T代 表迭代次数的阈值。 6.根据权利要求5所述的高光谱图像去模糊方法， 其特征在于， 所述迭代次数阈值T＝权　利　要　求　书 1/2 页 2 CN 114255190 A 220。 7.根据权利要求5所述的高光谱图像去模糊方法， 其特征在于， 所述将目标函数解耦为 最小平方子 问题、 高光谱图像降噪子 问题和对偶变量更新子 问题， 迭代求解以上三个子 问 题， 直至达到终止条件的步骤 包括： 输入第一 高光谱图像Y和模糊矩阵H， 正则项参数λ， 惩罚参数ρ； 初始化深度降噪网络映 射F(*)， 深度降噪网络模型参数Θ； 初始化第二高光谱图像X0＝Y， 辅助变量Z0＝X0， 对偶变 量U0＝0； 迭代次数t＝0； 按下式求 解最小平方子问题， 更新Xt+1： Xt+1＝(HTH+ρ I)‑1(HTY+ρ(Zt‑Ut)) 按下式利用F(*)和Θ求 解高光谱图像降噪子问题， 更新Zt+1： Zt+1＝F(Xt+1+Ut； Θ) 按下式更新对偶变量Ut+1： Ut+1＝Ut+Xt+1‑Zt+1 更新迭代次数t ←t+1； 判断终止条件是否满足， 若满足则输出第一 高光谱图像Y的解模 糊图像XT， 否则返回继续求解最小平方子问题、 高光谱图像降噪子问题和对偶变量更新子 问题。 8.根据权利要求7所述的高光谱图像去模糊方法， 其特征在于， 所述正则项参数λ＝9.6 ×10‑5， 惩罚参数ρ ＝0.0 6。 9.一种高光谱图像去模糊系统， 其特 征在于， 包括： 配对图像集构造模块， 用于从图像库中获取同一场景的第一高光谱图像Y和第二高光 谱图像X， 所述第二高光谱图像X的清晰度高于第一高光谱图像Y； 对第一高光谱图像Y和第 二高光谱图像X进行归一 化处理； 深度降噪神经网络构建训练模块， 用于在第二高光谱图像X加上 噪声， 得到第 三高光谱 图像Z， 构建深度降噪神经网络并采用配对图像集(Z； X)训练深度降噪神经网络， 获得深度 降噪先验网络； 解模糊模块， 用于构造带正则项的目标函数， 将目标函数解耦为最小平方子问题、 高光 谱图像降噪子问题和对偶变量更新子问题， 迭代 求解以上三个子问题， 直至达到终止条件， 所述高光谱图像降噪子问题通过深度降噪先验网络求 解， 完成第一高光谱图像Y的解模糊。 10.一种计算机可读存储介质， 存储有计算机程序， 其特征在于， 所述计算机程序被处 理器执行时实现如权利要求1至8中任一项所述的高光谱图像去模糊方法中的步骤。权　利　要　求　书 2/2 页 3 CN 114255190 A 3