用于高光谱图像超分辨的多尺度小波3D-CNN
摘要
1.简介
在预测子网中,不同小波子带对应的不同分支在一个统一的网络中联合训练,可以利用子带间的相关性。 该网络基于三维卷积层构建,可以利用HSI光谱域和空间域的相关性。 与传统的L2范数不同,我们建议用L1范数损失来训练网络,这适用于低频和高频小波子带。
2.相关工程
2.1. 基于CNN的单图像SR
2.2. 小波在随机共振中的应用
3.HSI SR的多尺度小波3D CNN
3.1. 小波包分析
3.2. 3D有线电视新闻网
3.3. MW-3D-CNN的网络架构
3.3.1. 嵌入子网
3.3.2. 预测子网
3.4. MW-3D-CNN培训
4.实验结果
4.1. 实验设置
4.2. 与最新SR方法的比较
4.3. 实际星载HSI的应用
5.分析与讨论
5.1. 网络参数敏感性分析
5.2. L1定额损失的合理性分析
5.3. 三维卷积的合理性分析
5.4. 小波函数的鲁棒性
6.结论
作者贡献
基金
致谢
利益冲突
工具书类
Nasrabadi,N.M.高光谱目标检测:当前和未来挑战概述。 IEEE信号处理。 美格。 2014 , 31 , 34–44. [ 谷歌学者 ] [ 交叉参考 ] 克拉克,M.L。; Buck-Diaz,J。; Evens,J.用模拟多季高光谱卫星图像绘制森林联盟图。 遥感环境。 2018 , 210 , 490–507. [ 谷歌学者 ] [ 交叉参考 ] 杨,J。; 赵勇强。; Chan,J.C.W.学习并传输用于高光谱分类的深部联合光谱-空间特征。 IEEE传输。 地质科学。 远程传感器。 2017 , 55 , 4729–4742. [ 谷歌学者 ] [ 交叉参考 ] 陈,F。; 王凯。; Van de Voorde,T。; Tang,T.F.从高空间分辨率高光谱数据绘制城市土地覆盖图:一种基于同时分离相似像素和联合稀疏光谱混合分析的方法。 遥感环境。 2017 , 196 , 324–342. [ 谷歌学者 ] [ 交叉参考 ] 横屋,N。; 陈,J.C.W。; Segl,K.使用模拟EnMAP和Sentinel-2图像进行矿物制图的分辨率增强高光谱数据潜力。 远程传感器。 2016 , 8 , 172. [ 谷歌学者 ] [ 交叉参考 ] Loncan,L。; 阿尔梅达律师事务所。; Bioucas-Dias,J.M。; 布利奥特,X。; 查努索,J。; 北多比根。; Fabre,S。; 廖,W。; 利奇亚迪,G.A。; 西蒙斯,M。; 等。高光谱泛锐化:综述。 IEEE地质科学。 远程传感器磁。 2015 , 三 , 27–46. [ 谷歌学者 ] [ 交叉参考 ] Dalla Mura,M。; Vivone,G。; Restaino,R。; Addesso,P。; Chanussot,J.高光谱泛锐化的全球和本地Gram-Schmidt方法。 2015年7月26日至31日,意大利米兰,IEEE国际地球科学和遥感研讨会论文集; 第37-40页。 [ 谷歌学者 ] 沙赫多斯蒂,H.R。; Ghassemian,H.通过最优滤波器将光谱PCA和空间PCA融合方法结合起来。 信息融合 2016 , 27 , 150–160. [ 谷歌学者 ] [ 交叉参考 ] Yang,S。; 张凯。; Wang,M.学习带空间谱偏移的泛锐化低阶分解。 IEEE传输。 神经网络。 学习。 系统。 2017 , 20 , 3647–3657. [ 谷歌学者 ] 张,L。; 张,L。; Du,B.遥感数据深度学习:最新技术教程。 IEEE地质科学。 远程传感器磁。 2016 , 4 , 22–40. [ 谷歌学者 ] [ 交叉参考 ] 朱,X.X。; Tuia,D。; 牟,L。; 夏,G.S。; 张,L。; 徐,F。; Fraundorfer,F.《遥感深度学习:综合回顾和资源清单》。 IEEE地质科学。 远程传感器磁。 2017 , 5 , 8–36. [ 谷歌学者 ] [ 交叉参考 ] 马西,G。; 科佐利诺,D。; Verdoliva,L。; Scarpa,G.通过卷积神经网络进行锐化。 远程传感器。 2016 , 8 , 594. [ 谷歌学者 ] [ 交叉参考 ] 魏毅。; 袁,Q。; 沈,H。; Zhang,L.通过学习深度残差网络提高多光谱图像泛细化的准确性。 IEEE地质科学。 遥感快报。 2017 , 14 , 1795–1799. [ 谷歌学者 ] [ 交叉参考 ] 杨,J。; Fu,X。; 胡,Y。; 黄,Y。; 丁,X。; Paisley,J.PanNet:泛锐化的深层网络架构。 2017年7月21日至26日在美国夏威夷州火奴鲁鲁举行的IEEE计算机视觉和模式识别会议记录; 第5449–5457页。 [ 谷歌学者 ] 袁,Q。; 魏毅。; 孟,X。; 沈,H。; Zhang,L.一种用于遥感图像泛锐化的多尺度多深度卷积神经网络。 IEEE J.选择。 顶部。 申请。 地球目标遥感。 2018 , 11 , 978–989. [ 谷歌学者 ] [ 交叉参考 ] 横屋,N。; Grohnfeldt,C。; Chanussot,J.高光谱和多光谱数据融合:近期文献的比较综述。 IEEE地质科学。 远程传感器磁。 2017 , 5 , 29–56. [ 谷歌学者 ] [ 交叉参考 ] 横屋,N。; Yairi,T。; Iwasaki,A.用于高光谱和多光谱数据融合的耦合非负矩阵分解分解。 IEEE传输。 地质科学。 远程传感器。 2012 , 50 , 528–537. [ 谷歌学者 ] [ 交叉参考 ] 朱,X.X。; Grohnfeldt,C。; Bamler,R.利用关节稀疏性进行泛锐化:J-SparseFI算法。 IEEE传输。 地质科学。 远程传感器。 2016 , 54 , 2664–2681. [ 谷歌学者 ] [ 交叉参考 ] 北阿赫塔。; 沙法特,F。; Mian,A.用于高光谱图像超分辨率的稀疏空间光谱表示。 在 欧洲计算机视觉会议 ; 施普林格:瑞士查姆,2014年; 第63-78页。 [ 谷歌学者 ] 魏强。; Bioucas-Dias,J。; 北多比根。; Tourneret,J.Y.基于稀疏表示的高光谱和多光谱图像融合。 IEEE传输。 地质科学。 远程传感器。 2015 , 53 , 3658–3668. [ 谷歌学者 ] [ 交叉参考 ] 西蒙斯,M。; Bioucas-Dias,J。; 阿尔梅达,L.B。; Chanussot,J.通过基于子空间的正则化实现高光谱图像超分辨率的凸公式。 IEEE传输。 地质科学。 远程传感器。 2015 , 53 , 3373–3388. [ 谷歌学者 ] [ 交叉参考 ] 张,L。; 魏伟(Wei,W.)。; Bai,C。; 高,Y。; Zhang,Y.利用聚类流形结构实现高光谱图像超分辨率。 IEEE传输。 图像处理。 2018 , 27 , 5969–5982. [ 谷歌学者 ] [ 交叉参考 ] 杨,J。; 赵勇强。; Chan,J.C.W.通过深二分支卷积神经网络进行高光谱和多光谱图像融合。 远程传感器。 2018 , 10 , 800. [ 谷歌学者 ] [ 交叉参考 ] 谢奇。; 周,M。; 赵(Q.Zhao)。; 孟,D。; 左,W。; Xu,Z.基于MS/HS融合网络的多光谱和高光谱图像融合。 arXiv公司 2019 ,arXiv:1901.03281。 [ 谷歌学者 ] 加米西,P。; 横屋,N。; 李,J。; Liao,W。; 刘,S。; J.广场。; 拉斯蒂,B。; Plaza,A.高光谱图像和信号处理的进展:最新技术的综合概述。 IEEE地质科学。 远程传感器磁。 2017 , 5 , 37–78. [ 谷歌学者 ] [ 交叉参考 ] 赵勇强。; 杨,J。; Chan,J.C.-W.通过空间-光谱联合非局部相似性超分辨率高光谱图像。 IEEE J.选择。 顶部。 申请。 地球目标遥感。 2014 , 7 , 2671–2679. [ 谷歌学者 ] [ 交叉参考 ] 李,J。; 袁,Q。; 沈,H。; X孟。; Zhang,L.通过光谱混合分析和空间光谱群稀疏性实现高光谱图像超分辨率。 IEEE地质科学。 遥感快报。 2016 , 13 , 1250–1254. [ 谷歌学者 ] [ 交叉参考 ] Wang,Y。; 陈,X.A。; 韩,Z。; He,S.通过非局部低阶张量近似和全变分正则化实现高光谱图像超分辨率。 远程传感器。 2017 , 9 , 1286. [ 谷歌学者 ] [ 交叉参考 ] 袁,Y。; 郑,X。; Lu,X.通过转移学习实现高光谱图像超分辨率。 IEEE J.选择。 顶部。 申请。 地球目标遥感。 2017 , 10 , 1963–1974. [ 谷歌学者 ] [ 交叉参考 ] 李,Y。; 胡,J。; X.赵。; 谢伟。; Li,J.J.使用深度卷积神经网络超分辨率高光谱图像。 神经计算 2017 , 266 , 29–41. [ 谷歌学者 ] [ 交叉参考 ] 胡,J。; 李,Y。; Xie,W.通过光谱差分学习和空间误差校正的高光谱图像超分辨率。 IEEE地质科学。 遥感快报。 2017 , 14 , 1825–1829. [ 谷歌学者 ] [ 交叉参考 ] 梅,S。; 袁,X。; 季军(Ji,J.)。; Zhang,Y。; Wan,S。; Du,Q.基于三维全卷积神经网络的高光谱图像空间超分辨率。 远程传感器。 2017 , 9 , 1139. [ 谷歌学者 ] [ 交叉参考 ] 刘,P。; 张,H。; 张凯。; 林,L。; Zuo,W.用于图像恢复的多级小波-CNN。 2018年6月18日至22日,美国犹他州盐湖城,IEEE计算机视觉和模式识别(CVPR)研讨会会议记录; 第773-782页。 [ 谷歌学者 ] 郭,T。; 穆萨维,H.S。; Vu、T.H。; Monga,V.图像超分辨率的深度小波预测。 2017年7月21日至26日在美国夏威夷州火奴鲁鲁举行的IEEE计算机视觉和模式识别(CVPR)研讨会会议记录; 第104–113页。 [ 谷歌学者 ] Bae,W。; Yoo,J.J。; Ye,J.C.超越深度残差学习用于图像恢复:持久同源性引导的流形简化。 2017年7月21日至26日在美国夏威夷州火奴鲁鲁举行的IEEE计算机视觉和模式识别(CVPR)研讨会会议记录; 第1141-1149页。 [ 谷歌学者 ] 黄,H。; He,R。; 孙,Z。; Tan,T.Wavelet-SRNet:基于小波的CNN,用于多尺度人脸超分辨率。 2017年7月21日至26日在美国夏威夷州火奴鲁鲁举行的IEEE计算机视觉和模式识别会议记录; 第1689-1697页。 [ 谷歌学者 ] 赵,H。; 加洛,O。; 弗罗西奥,I。; Kautz,J.神经网络图像恢复的损失函数。 IEEE传输。 计算。 成像 2017 , 三 , 47–57. [ 谷歌学者 ] [ 交叉参考 ] 蔡,J。; 顾S。; 张,L.从多曝光图像中学习深度单一图像对比度增强剂。 IEEE传输。 图像处理。 2018 , 27 , 2049–2062. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 斯卡帕,G。; Vitale,S。; Cozzolino,D.基于靶向适应性CNN的泛强化。 IEEE传输。 地质科学。 远程传感器。 2018 , 56 , 5443–5457. [ 谷歌学者 ] [ 交叉参考 ] Dong,C。; 罗伊,C.C。; He,K。; Tang,X.使用深度卷积网络的图像超分辨率。 IEEE传输。 模式分析。 机器。 智力。 2016 , 38 , 295–307. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] Kim,J。; Lee,J.K。; Lee,K.M.使用深度卷积网络实现精确的图像超分辨率。 2016年6月26日至7月1日,美国内华达州拉斯维加斯,IEEE计算机视觉和模式识别会议记录; 第1646-1654页。 [ 谷歌学者 ] Kim,J。; Lee,J.K。; Lee,K.M.图像超分辨率的深度递归卷积网络。 2016年6月26日至7月1日,美国内华达州拉斯维加斯,IEEE计算机视觉和模式识别会议记录; 第1637-1645页。 [ 谷歌学者 ] Tai,Y。; 杨,J。; 刘,X。; Xu,C.Memnet:用于图像恢复的持久存储网络。 2017年10月22日至29日在意大利威尼斯举行的IEEE计算机视觉会议记录; 第4539–4547页。 [ 谷歌学者 ] Zhang,Y。; 田,Y。; 孔,Y。; 钟,B。; Fu,Y.图像超分辨率的剩余稠密网络。 2018年6月18日至22日,美国犹他州盐湖城,IEEE计算机视觉和模式识别会议记录。 [ 谷歌学者 ] Wang,Y。; 佩拉齐,F。; McWilliams,B.单图像超分辨率的完全渐进方法。 2018年6月18日至22日,美国犹他州盐湖城,IEEE计算机视觉和模式识别研讨会会议记录。 [ 谷歌学者 ] 赖文斯(Lai,W.S.)。; 黄J.B。; 阿胡加,N。; Yang,M.H.Deep Laplacian金字塔网络,用于快速准确的超分辨率。 2017年7月21-26日,美国夏威夷火奴鲁鲁,IEEE计算机视觉和模式识别会议记录; 第624-632页。 [ 谷歌学者 ] Anbarjafari,G。; Demirel,H。基于小波域高频子带插值和空域输入图像的图像超分辨率。 欧洲贸易研究所J。 2010 , 32 , 390–394. [ 谷歌学者 ] [ 交叉参考 ] Demirel,H。; Anbarjafari,G.使用离散和平稳小波分解提高图像分辨率。 IEEE传输。 图像处理。 2011 , 20 , 1458–1460. [ 谷歌学者 ] [ 交叉参考 ] Chavez-Roman,H。; Ponomaryov,V.使用小波域插值生成超分辨率图像,并通过稀疏表示进行边缘提取。 IEEE地质科学。 遥感快报。 2014 , 11 , 1777–1781. [ 谷歌学者 ] [ 交叉参考 ] Demirel,H。; Anbarjafari,G.基于离散小波变换的卫星图像分辨率增强。 IEEE传输。 地质科学。 远程传感器。 2011 , 49 , 1997–2004. [ 谷歌学者 ] [ 交叉参考 ] 季S。; 徐伟(Xu,W.)。; 杨,M。; Yu,K.三维卷积神经网络用于人体动作识别。 IEEE传输。 模式分析。 机器。 智力。 2013 , 35 , 221–231. [ 谷歌学者 ] [ 交叉参考 ] 李,Y。; 张,H。; Shen,Q.光谱–使用三维卷积神经网络对高光谱图像进行空间分类。 远程传感器。 2017 , 9 , 67. [ 谷歌学者 ] [ 交叉参考 ] 陈,Y。; 姜浩。; 李,C。; 贾,X。; Ghamisi,P.基于卷积神经网络的高光谱图像深层特征提取和分类。 IEEE传输。 地质科学。 远程传感器。 2016 , 54 , 6232–6251. [ 谷歌学者 ] [ 交叉参考 ] Kingma,D。; Ba,J.Adam:一种随机优化方法。 2015年5月7日至9日,美国加利福尼亚州圣地亚哥,国际学习代表会议记录。 [ 谷歌学者 ] 杨,J。; Zhao,Y。; Yi,C。; Chan,J.C.W.通过质量敏感特征学习进行无参考高光谱图像质量评估。 远程传感器。 2017 , 9 , 305. [ 谷歌学者 ] [ 交叉参考 ] 横屋,N。; A.川崎。 Chikusei上空的机载高光谱数据 ; 技术报告; SAL-2016-05-27; 空间应用程序。 东京大学实验室:日本东京,2016年。 [ 谷歌学者 ] 2018年IEEE GRSS数据融合大赛。 在线可用: http://www.grss-ieee.org/community/technical-committees/data-fusion (2018年6月10日访问)。 王,Z。; 博维克,A.C。; 谢赫,H.R。; Simoncelli,E.P.图像质量评估:从错误可见性到结构相似性。 IEEE传输。 图像处理。 2004 , 13 , 600–612. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 张,L。; 张,L。; 牟某。; Zhang,D.FSIM:用于图像质量评估的特征相似性指数。 IEEE传输。 图像处理。 2011 , 20 , 2378–2386. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] M.阿巴迪。; 巴勒姆,P。; 陈,J。; 陈,Z。; A.戴维斯。; 迪安·J。; 德文,M。; Ghemawat,S。; 欧文,G。; Isard先生。; 等。TensorFlow:用于大规模机器学习的系统。 2016年11月2日至4日在美国佐治亚州萨凡纳举行的第十二届USENIX操作系统设计与实现会议记录; 第265-283页。 [ 谷歌学者 ] 薛,J。; Zhao,Y。; Liao,W。; Chan,J.C.W.用于高光谱图像去噪的非局部低秩正则张量分解。 IEEE传输。 地质科学。 远程传感器。 2019 , 57 , 5174–5189. [ 谷歌学者 ] [ 交叉参考 ] Yi,C。; 赵勇强。; Chan,J.C.-W.基于光谱改进策略和空间保留策略的多光谱图像光谱超分辨率。 IEEE传输。 地质科学。 远程传感器。 2019 . [ 谷歌学者 ] 潘·L。; 哈特利,R。; 刘,M。; Dai,Y.基于相位图像的单图像盲解模糊核估计。 arXiv公司 2018 ,arXiv:1811.10185。 [ 谷歌学者 ] Ledig,C。; Theis,L。; Huszár,F。; 卡巴列罗,J。; 坎宁安,A。; Acosta,A。; 艾特肯,A。; 特贾尼,A。; 托茨,J。; 王,Z。; 等。使用生成对抗网络的真实照片单图像超分辨率。《IEEE计算机视觉和模式识别会议论文集》,美国夏威夷州火奴鲁鲁,2017年7月21日至26日; 第4681–4690页。 [ 谷歌学者 ]