文献类型：期刊文章

作　　者：宋蓓蓓[1] 马穗娜[1] 何帆[1] 孙文方[2]

SONG Beibei;MA Suina;HE Fan;SUN Wenfang(School of Information Engineering,Chang'an University,Xi'an 710064,China;School of Aerospace Science and Technology,Xidian University,Xi'an 710126,China)

机构地区：[1]长安大学信息工程学院,陕西西安710064 [2]西安电子科技大学空间科学与技术学院,陕西西安710126

出　　处：《光学精密工程》

基　　金：国家自然科学基金资助项目(No.62001059);陕西省重点研发计划项目(No.2021GY-019)。

年　　份：2022

卷　　号：30

期　　号：13

起止页码：1606-1619

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对高光谱成像设备价格昂贵而难以推广应用的问题,利用深度学习网络从易获得的RGB图像重建高质量的高光谱图像。提出的Res2-Unet深度学习网络以Unet框架为基础,以Res2Net为主要模块构建其骨干网络,可以在更加细粒度级别提取局部和全局的图像特征。引入通道注意力机制自适应调节通道特征响应,并在编解码间通过跳跃连接以充分融合不同尺度和不同深度的信息。最后在图像恢复与增强新趋势2020年国际挑战赛提供的数据集上进行训练和测试。实验结果表明,与自适应加权注意力机制网络、分层回归网络相比,提出的方法在平均相对绝对误差、均方根误差、峰值信噪比和平均光谱角制图等4种客观评价指标上均获得了最好的结果;在Clean赛道中平均峰值信噪比分别高出0.08 dB和1.73 dB,在Real World赛道中平均峰值信噪比分别高出0.72 dB和0.97 dB。对比高光谱参考图像与重建图像,无论是在图像的低频平坦区还是在图像的高频纹理区,提出方法均获得了更好的主观视觉效果。

关 键 词：深度学习  高光谱图像 图像重建 Res2Net  通道注意力机制  

分 类 号：TP751]