本发明涉及图像处理
技术领域：
，尤其是涉及一种高光谱图像全色锐化方法、装置及电子设备。
背景技术：
：随着遥感应用领域日益发展，多光谱图像在很多实际应用中已经难以满足需求，拥有更多波段的高光谱图像具有很好的应用潜力，越来越引起关注。高光谱图像虽然光谱分辨率高，但是其较低的空间分辨率一直是为人诟病的不足。现有技术中为了提升高光谱图像的空间分辨率，可通过两种途径：超分辨率和全色锐化。前者将低分辨率的高光谱图像作为输入，利用其固有特性作为先验信息，直接进行锐化处理；后者将低空间分辨率的高光谱图像和高空间分辨率的全色图像作为输入，利用图像融合将全色图像的空间细节信息插入至高光谱图像中，以提升其空间分辨率。这两种方法都能有效地提升高光谱图像的空间分辨率，但均存在光谱失真地问题，即锐化后图像的光谱特性发生了改变。综上所述，现有的提升高光谱图像空间分辨率的方法锐化后的图像存在光谱失真的技术问题。技术实现要素：有鉴于此，本发明的目的在于提供一种高光谱图像全色锐化方法、装置及电子设备，以缓解现有的提升高光谱图像空间分辨率的方法锐化后的图像存在光谱失真的技术问题。第一方面，本发明实施例提供了一种高光谱图像全色锐化方法，包括：获取待处理高光谱图像和与所述待处理高光谱图像配准的全色图像；对所述待处理高光谱图像进行光谱推断，得到包含有效光谱波段的高光谱图像；将所述包含有效光谱波段的高光谱图像与所述全色图像进行拼接处理，得到拼接后的图像；对所述拼接后的图像进行特征提取和图像还原，得到所述待处理高光谱图像的特征图像；将所述特征图像中的每个像素点与所述待处理高光谱图像的对应像素点进行相加运算，得到目标图像，其中，所述目标图像的空间分辨率比所述待处理高光谱图像的空间分辨率高。结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，对所述待处理高光谱图像进行光谱推断包括：通过全色锐化模型对所述待处理高光谱图像进行光谱推断；将所述包含有效光谱波段的高光谱图像与所述全色图像进行拼接处理包括：通过所述全色锐化模型将所述包含有效光谱波段的高光谱图像与所述全色图像进行拼接处理；对所述拼接后的图像进行特征提取和图像还原包括：通过所述全色锐化模型对所述拼接后的图像进行特征提取和图像还原；将所述特征图像中的每个像素点与所述待处理高光谱图像的对应像素点进行相加运算包括：通过所述全色锐化模型将所述特征图像中的每个像素点与所述待处理高光谱图像的对应像素点进行相加运算。结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述全色锐化模型为通过训练样本图像对对原始全色锐化模型进行训练后得到的模型，其中，所述全色锐化模型包括：光谱推断模块、拼接处理模块、特征提取模块、图像还原模块和相加运算模块，其中，所述光谱推断模块、所述拼接处理模块、所述特征提取模块、所述图像还原模块和所述相加运算模块依次连接；所述光谱推断模块包括至少一个卷积层，所述拼接处理模块为拼接层，所述特征提取模块包括至少一个卷积层，所述图像还原模块包括至少一个卷积层，所述相加运算模块为求和层。结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述卷积层中的卷积核的参数信息为通过零均值的高斯分布进行初始化得到的，其中，所述参数信息包括：权重和偏置。结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述全色锐化模型中的每个卷积层对其输入的图像进行卷积运算，并经过线性整流函数激活处理后，得到输出图像。结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述方法还包括：获取训练样本图像对，其中，所述训练样本图像对为训练高光谱图像块与其对应的训练全色图像块所组成的图像对；获取所述训练高光谱图像块的高空间分辨率图像；通过所述训练样本图像对和所述高空间分辨率图像对原始全色锐化模型进行训练，得到所述全色锐化模型。结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，获取训练样本图像对包括：获取原始高光谱图像和与所述原始高光谱图像相对应的全色图像；在所述原始高光谱图像中确定高光谱图像训练区域，并在所述全色图像中确定与所述高光谱图像训练区域相对应的全色图像训练区域；按照预设采样间隔分别在所述高光谱图像训练区域和所述全色图像训练区域中进行图像分块采样，得到所述训练样本图像对。第二方面，本发明实施例还提供一种高光谱图像全色锐化装置，包括：获取模块，用于获取待处理高光谱图像和与所述待处理高光谱图像配准的全色图像；光谱推断模块，用于对所述待处理高光谱图像进行光谱推断，得到包含有效光谱波段的高光谱图像；拼接模块，用于将所述包含有效光谱波段的高光谱图像与所述全色图像进行拼接处理，得到拼接后的图像；特征提取和图像还原模块，用于对所述拼接后的图像进行特征提取和图像还原，得到所述待处理高光谱图像的特征图像；相加运算模块，用于将所述特征图像中的每个像素点与所述待处理高光谱图像的对应像素点进行相加运算，得到目标图像，其中，所述目标图像的空间分辨率比所述待处理高光谱图像的空间分辨率高。第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中所述的方法的步骤。第四方面，本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述第一方面中所述的方法。在本发明实施例中，首先获取待处理高光谱图像和与待处理高光谱图像配准的全色图像；再对待处理高光谱图像进行光谱推断，得到包含有效光谱波段的高光谱图像；然后将包含有效光谱波段的高光谱图像与全色图像进行拼接处理，得到拼接后的图像；再对拼接后的图像进行特征提取和图像还原，得到待处理高光谱图像的特征图像；最后，将特征图像中的每个像素点与待处理高光谱图像的对应像素点进行相加运算，得到目标图像，其中，目标图像的空间分辨率比待处理高光谱图像的空间分辨率高。该方法通过将特征图像与待处理高光谱图像进行相加运算处理，进而得到目标图像，实现了得到的目标图像光谱特性不受破坏，缓解了现有的提升高光谱图像空间分辨率的方法锐化后的图像光谱失真的技术问题。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例提供的一种高光谱图像全色锐化方法的流程图；图2为本发明实施例提供的一种可选地高光谱图像全色锐化方法的流程图；图3为本发明实施例提供的一种图像在光谱维度进行拼接的示意图；图4为本发明实施例提供的一种可选的获取训练样本图像对的流程图；图5为本发明实施例提供的机载可见光/红外成像光谱仪的高空间分辨率的高光谱图像；图6为本发明实施例提供的采用双三次插值处理后的高光谱图像；图7为本发明实施例提供的采用矩阵分解算法处理后的高光谱图像；图8为本发明实施例提供的采用贝叶斯算法处理后的高光谱图像；图9为本发明实施例提供的采用本实施例方法处理后高光谱的图像；图10为本发明实施例提供的一种高光谱图像全色锐化装置的示意图；图11为本发明实施例提供的一种电子设备的示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。实施例一：图1是根据本发明实施例的一种高光谱图像全色锐化方法，如图1所示，该方法包括如下步骤：步骤s11，获取待处理高光谱图像和与待处理高光谱图像配准的全色图像；在本发明实施例中，若获取到的待处理高光谱图像的长和宽小于全色图像的长和宽，应对待处理高光谱图像进行数据处理，使待处理高光谱图像和待处理高光谱图像配准的全色图像的长和宽相同，本发明实施例不对数据处理的方式进行具体限制，用户可以根据需求进行设定，作为一个优选方案，若待处理高光谱图像尺寸小于全色图像尺寸，可利用线性插值的方法对待处理高光谱图像进行处理，使其与全色图像具有相同的长和宽。步骤s12，对待处理高光谱图像进行光谱推断，得到包含有效光谱波段的高光谱图像；获取到待处理高光谱图像后，对待处理高光谱图像的波段有效成分进行光谱推断处理，剔除冗余的光谱波段，一般待处理高光谱图像数据共有多个波段，通过光谱推断处理，能够压缩光谱维度，得到包含有效光谱波段的高光谱图像。步骤s13，将包含有效光谱波段的高光谱图像与全色图像进行拼接处理，得到拼接后的图像；得到包含有效光谱波段的高光谱图像后，将包含有效光谱波段的高光谱图像和与待处理高光谱图像配准的全色图像在光谱维度进行拼接处理，即，得到的拼接后的图像比包含有效光谱波段的高光谱图像多一个波段。步骤s14，对拼接后的图像进行特征提取和图像还原，得到待处理高光谱图像的特征图像；具体的，对拼接后的图像依次进行有效特征的提取和图像还原的操作，恢复待处理高光谱图像光谱波段的细节信息，得到待处理高光谱图像的特征图像。步骤s15，将特征图像中的每个像素点与待处理高光谱图像的对应像素点进行相加运算，得到目标图像，其中，目标图像的空间分辨率比待处理高光谱图像的空间分辨率高。最后，将特征图像与待处理高光谱图像进行逐元素相加，即特征图像的每个像素点与待处理高光谱图像的对应像素点进行相加运算，进而得到目标图像，这样处理能够让得到的目标图像光谱特性不受破坏，并且处理后的目标图像的空间分辨率比待处理高光谱图像的空间分辨率高。在本发明实施例中，首先获取待处理高光谱图像和与待处理高光谱图像配准的全色图像；再对待处理高光谱图像进行光谱推断，得到包含有效光谱波段的高光谱图像；然后将包含有效光谱波段的高光谱图像与全色图像进行拼接处理，得到拼接后的图像；再对拼接后的图像进行特征提取和图像还原，得到待处理高光谱图像的特征图像；最后，将特征图像中的每个像素点与待处理高光谱图像的对应像素点进行相加运算，得到目标图像，其中，目标图像的空间分辨率比待处理高光谱图像的空间分辨率高。该方法通过将特征图像与待处理高光谱图像进行相加运算处理，进而得到目标图像，实现了得到的目标图像光谱特性不受破坏，缓解了现有的提升高光谱图像空间分辨率的方法锐化后的图像光谱失真的技术问题。上述内容是对本发明的高光谱图像全色锐化方法进行了简要介绍，下面对其中涉及的到具体内容进行详细描述。在本实施例中，对待处理高光谱图像进行光谱推断包括：通过全色锐化模型对待处理高光谱图像进行光谱推断；在本发明实施例中，采用全色锐化模型对待处理高光谱图像进行光谱推断处理，下文中将对本实施例采用全色锐化模型进行光谱推断的处理过程进行详细介绍。将包含有效光谱波段的高光谱图像与全色图像进行拼接处理包括：通过全色锐化模型将包含有效光谱波段的高光谱图像与全色图像进行拼接处理；在本发明实施例中，采用全色锐化模型将包含有效光谱波段的高光谱图像与全色图像进行拼接处理，下文中将对本实施例采用全色锐化模型对拼接处理的过程进行详细介绍。对拼接后的图像进行特征提取和图像还原包括：通过全色锐化模型对拼接后的图像进行特征提取和图像还原；在本发明实施例中，采用全色锐化模型对拼接后的图像进行特征提取和图像还原，下文中将对本实施例采用全色锐化模型进行特征提取和图像还原的处理过程进行详细介绍。将特征图像中的每个像素点与待处理高光谱图像的对应像素点进行相加运算包括：通过全色锐化模型将特征图像中的每个像素点与待处理高光谱图像的对应像素点进行相加运算。在本发明实施例中，采用全色锐化模型将特征图像中的每个像素点与待处理高光谱图像的对应像素点进行相加运算，下文中将对本实施例采用全色锐化模型进行相加运算的处理过程进行详细介绍。上述内容对本实施例采用的图像处理方法进行了简要描述，下面将对本实施例采用的全色锐化模型进行详细介绍。在本实施例中，全色锐化模型为通过训练样本图像对对原始全色锐化模型进行训练后得到的模型，其中，全色锐化模型包括：光谱推断模块、拼接处理模块、特征提取模块、图像还原模块和相加运算模块，其中，光谱推断模块、拼接处理模块、特征提取模块、图像还原模块和相加运算模块依次连接；具体的，本发明实施例中，对待处理高光谱图像及与之配准的全色图像进行处理的全色锐化模型为通过训练样本图像对对原始全色锐化模型训练得到的参数优化的模型，下文中将对原始全色锐化模型的训练过程进行详细介绍。本发明采用的全色锐化模型包括依次连接的光谱推断模块、拼接处理模块、特征提取模块、图像还原模块和相加运算模块，其中，光谱推断模块包括至少一个卷积层，拼接处理模块为拼接层，特征提取模块包括至少一个卷积层，图像还原模块包括至少一个卷积层，相加运算模块为求和层。为了便于理解，下面举例说明，作为一个优选的方案，光谱推断模块包括第一卷积层和第二卷积层，特征提取模块包括第三卷积层，第四卷积层和第五卷积层，图像还原模块包括第六卷积层和第七卷积层，所以该全色锐化模型包括依次连接的第一卷积层，第二卷积层，拼接层，第三卷积层，第四卷积层，第五卷积层，第六卷积层，第七卷积层和求和层。其中，第一卷积层包括64个空间大小为1*1的卷积核，第二卷积层包括64个空间大小为1*1的卷积核，第三卷积层包括64个空间大小为3*3的卷积核，第四卷积层包括32个空间大小为3*3的卷积核，第五卷积层包括64个空间大小为3*3的卷积核，第六卷积层包括64个空间大小为1*1的卷积核，第七卷积层包括b个空间大小为1*1的卷积核，此处需要说明的是，b表示待处理高光谱图像的波段数，本实施例采用的全色锐化模型，设定第七卷积层包括b个卷积核，这样第七卷积层才会输出具有b个波段的特征图像，进而才能使求和层输入的两种图像(即，特征图像和待处理高光谱图像)进行逐个像素点相加。在本实施例中，卷积层中的卷积核的参数信息为通过零均值的高斯分布进行初始化得到的，其中，参数信息包括：权重和偏置。具体的，利用零均值的高斯分布初始化每一个卷积层中的卷积核的权重和偏置，得到权重矩阵wj和偏置矩阵bj，其中，wj表示第j卷积层中卷积核的权重矩阵，bj表示第j卷积层中卷积核的偏置矩阵，沿用上述举例中卷积层的个数，此例中j取值1至7。在本实施例中，全色锐化模型中的每个卷积层对其输入的图像进行卷积运算，并经过线性整流函数激活处理后，得到输出图像。具体的，本发明实施例的全色锐化模型的网络激活函数采用线性整流函数即，对于任意一个卷积层，基于算式对该卷积层输入的图像yj-1进行处理，得到该卷积层输出的图像yj，其中，wj表示第j卷积层中卷积核的权重矩阵，bj表示第j卷积层中卷积核的偏置矩阵，沿用上述举例中卷积层的个数，此例中j取值1至7。上述内容对本实施例采用的全色锐化模型进行了详细描述，下面将对原始全色锐化模型进行训练的过程进行详细介绍。在本实施例中，参考图2，该方法还包括如下步骤：步骤s21，获取训练样本图像对，其中，训练样本图像对为训练高光谱图像块与其对应的训练全色图像块所组成的图像对；具体的，对原始全色锐化模型进行训练前，需要准备训练高光谱图像块h(i)和训练高光谱图像块对应的训练全色图像块p(i)，这两种图像块组成训练样本图像对，其中，h(i)表示训练高光谱图像块，p(i)表示训练高光谱图像块对应的训练全色图像块，i取值1值n，n表示训练样本图像对的个数。下文中将对获取训练样本图像对的过程进行详细描述。步骤s22，获取训练高光谱图像块的高空间分辨率图像；具体的，对原始全色锐化模型进行训练前，还需要准备训练高光谱图像块h(i)对应的高空间分辨率图像用户可以根据实际情况进行处理，作为一个优选方案，本发明使用专家系统对训练高光谱图像块h(i)进行处理，得到训练高光谱图像块的高空间分辨率图像步骤s23，通过训练样本图像对和高空间分辨率图像对原始全色锐化模型进行训练，得到全色锐化模型。具体的，为了便于理解，下面对原始全色锐化模型进行训练的过程进行举例说明，沿用上文举例中全色锐化模型的结构。将训练高光谱图像块h(i)输入第一卷积层，基于算式对训练高光谱图像块h(i)进行处理，得到第一卷积层输出的图像y1(i)，其中，h(i)表示训练高光谱图像块，w1表示第一卷积层中卷积核的权重矩阵，b1表示第一卷积层中卷积核的偏置矩阵，i取值1值n，n表示训练样本图像对的个数，线性整流函数为基于算式对第一卷积层输出的图像y1(i)进行处理，得到第二卷积层输出的图像y2(i)，其中，w2表示第二卷积层中卷积核的权重矩阵，b2表示第二卷积层中卷积核的偏置矩阵，线性整流函数为将第二卷积层输出的图像y2(i)与训练高光谱图像块h(i)对应的训练全色图像块p(i)在光谱维度进行拼接，得到拼接层输出的图像ycon(i)，其中，ycon(i)＝(y2(i),p(i))3，(α，β)3表示图像α与图像β在光谱维度进行拼接，为了便于理解，请参考图3所示的示意图。基于算式对拼接层输出的图像ycon(i)进行处理，得到第三卷积层输出的图像y3(i)，其中，w3表示第三卷积层中卷积核的权重矩阵，b3表示第三卷积层中卷积核的偏置矩阵，线性整流函数为基于算式对第m-1卷积层输出的图像ym-1(i)进行处理，得到第m卷积层输出的图像ym(i)，其中，wm表示第m卷积层中卷积核的权重矩阵，bm表示第m卷积层中卷积核的偏置矩阵，m取值4至7，线性整流函数为将第七卷积层输出的特征图像y7(i)与第一卷积层输入的训练高光谱图像块h(i)进行逐个像素点相加运算，得到求和层输出的目标图像o(i)，其中，o(i)＝y7(i)+h(i)。基于算式计算原始全色锐化模型的训练误差，其中，l(θ)表示原始全色锐化模型的训练误差，θ表示原始全色锐化模型中需要优化的所有权重矩阵和偏置矩阵的集合，o(i)表示求和层输出的目标图像，表示训练高光谱图像块h(i)的高空间分辨率图像，||||f表示矩阵的范数，p表示该原始全色锐化模型的更新周期，为了便于对更新周期的理解，下面举例说明，若p取值为1，则该原始全色锐化模型每处理1个训练样本图像对就进行一次参数更新，若p取值为3，则该原始全色锐化模型每处理3个训练样本图像对才进行一次参数更新，本发明实施例不对更新周期进行限定，用户可以根据实际需要进行设置。作为一个优选方案，该原始全色锐化模型采用随机梯度下降算法对每个卷积层的权重矩阵和偏置矩阵进行迭代更新，直至训练误差达到预设训练误差范围内，进而得到参数优化的全色锐化模型，或者也可以设置迭代更新的次数，当原始全色锐化模型达到预设迭代更新次数后就可以认为得到了参数优化的全色锐化模型。上文中得到的参数优化的全色锐化模型，可以对任意尺寸的包含b个波段的待处理高光谱图像进行全色锐化，进而得到比待处理高光谱图像的空间分辨率高的目标图像。上述内容对原始全色锐化模型进行训练的过程进行了详细的描述，下面对获取训练样本图像对的过程进行详细介绍。在本实施例中，参考图4，步骤s21，获取训练样本图像对包括如下步骤：步骤s211，获取原始高光谱图像和与原始高光谱图像相对应的全色图像；步骤s212，在原始高光谱图像中确定高光谱图像训练区域，并在全色图像中确定与高光谱图像训练区域相对应的全色图像训练区域；具体的，在对原始全色锐化模型进行训练时，首先获取用于训练的原始高光谱图像和与原始高光谱图像相对应的全色图像，然后按照预设规则在原始高光谱图像中确定高光谱图像训练区域，同时在全色图像中确定与高光谱图像训练区域相对应的全色图像训练区域，即，高光谱图像训练区域与全色图像训练区域在对应的图像中位置相同，作为一个优选的方案，训练区域采用原始高光谱图像的60％至70％的图像区域，用户可以根据原始高光谱图像的大小进行适当调整，本发明不对训练区域的大小及确定训练区域的方式进行具体限定。步骤s213，按照预设采样间隔分别在高光谱图像训练区域和全色图像训练区域中进行图像分块采样，得到训练样本图像对。具体的，得到高光谱图像训练区域和全色图像训练区域后，对高光谱图像训练区域和全色图像训练区域同时进行等间距的取相同大小的图像小块，得到具有较少像素点的训练高光谱图像块与其对应的训练全色图像块，例如，训练样本图像对中训练高光谱图像块和训练全色图像块的大小可以是5*5的图像小块。发明人对该高光谱图像全色锐化方法进行了验证，采用来自aviris成像光谱仪航拍得到的高光谱图像数据。这幅图像最初由224个波段组成，在去除低质量的噪声波段之后，取其中的176个波段作为测试。全色图像和高光谱图像空间分辨率之比为5:1，全色图像的尺寸为395*185，高光谱图像的尺寸为79*37。图5为aviris(airbornevisibleinfraredimagingspectrometer，机载可见光/红外成像光谱仪)高光谱参照图(即，高空间分辨率的高光谱图像)，图6为采用双三次插值处理后的图像，图7为采用矩阵分解算法处理后的图像，图8为采用贝叶斯算法处理后的图像，图9为采用本实施例方法处理后的图像。从图中可以看出：利用双三次插值得到的锐化结果与参考图相比较，空间细节修复程度较差，存在明显的模糊现象；基于矩阵分解和贝叶斯算法所得到的锐化结果相对较好，但仍存在光谱失真现象，即灰度值的不同；而本实施例所提出的方法得到的结果更加接近于参考图，空间细节修复程度较好，说明本实施例具有相较于现有算法，具有更佳的锐化效果。下表列出了四种方法所生成的锐化图像的客观指标。其中，交叉相关系数一般用于衡量生成图像与参考图像之间的空间细节差异，该值越接近于1，代表生成图像与参考图像之间的空间细节差异越少。光谱角映射计算两幅图像同一个位置的像素点，以不同波段的值张成的向量所形成的夹角，该值可用于衡量两幅图像的光谱特性差异，数值越接近于0，表示两者光谱差距越小。均方误差是指两幅图像各个像素点之间的均方差之和。相对全局系数是对两幅图像相似程度的一个全局指标，是对均方误差的修正。交叉相关系数光谱角映射均方误差相对全局系数参考值1000双三次插值0.93437.8677345.14316.1600矩阵分解算法0.95548.2010337.23694.7244贝叶斯算法0.98628.9690310.9983.4491本实施例0.98884.1947105.29822.2259综合上述内容，本发明的高光谱图像处理方法具有以下优点：1.本发明利用卷积神经网络强大的自学习和回归能力，构建相应的全色锐化模型。本发明所设计的全色锐化模型只需要使用卷积神经网络直接学习高光谱图像所缺失的细节成分，而不是整体性的学习高空间分辨高光谱图像，这样能大大缓解网络的学习压力。2.本发明实施例将整个全色锐化过程主要分为四部分，第一部分对高光谱图像进行光谱推断，剔除高光谱图像的冗余波段，第二部分对预测后的高光谱图像提取有效特征，进行空间细节修复，第三部分进行图像还原，恢复高光谱图像光谱波段的细节信息，最后一部分将最后一个卷积层的输出与待处理高光谱图像相加，输出网络的预测图像；与普通的卷积神经网络相比，本发明实施例提供的全色锐化模型能更加准确地预测和保护高光谱图像的光谱特性，增强全色图像光谱覆盖范围以外的光谱锐化效果。实施例二：本发明实施例还提供了一种高光谱图像全色锐化装置，该高光谱图像全色锐化装置主要用于执行本发明实施例上述内容所提供的高光谱图像全色锐化方法，以下对本发明实施例提供的高光谱图像全色锐化装置做具体介绍。图10是根据本发明实施例的一种高光谱图像全色锐化装置的示意图，如图10所示，该高光谱图像全色锐化装置主要包括获取模块10，光谱推断模块20，拼接模块30，特征提取和图像还原模块40，相加运算模块50，其中：获取模块10，用于获取待处理高光谱图像和与待处理高光谱图像配准的全色图像；光谱推断模块20，用于对待处理高光谱图像进行光谱推断，得到包含有效光谱波段的高光谱图像；拼接模块30，用于将包含有效光谱波段的高光谱图像与全色图像进行拼接处理，得到拼接后的图像；特征提取和图像还原模块40，用于对拼接后的图像进行特征提取和图像还原，得到待处理高光谱图像的特征图像；相加运算模块50，用于将特征图像中的每个像素点与待处理高光谱图像的对应像素点进行相加运算，得到目标图像，其中，目标图像的空间分辨率比待处理高光谱图像的空间分辨率高。在本发明实施例中，首先获取待处理高光谱图像和与待处理高光谱图像配准的全色图像；再对待处理高光谱图像进行光谱推断，得到包含有效光谱波段的高光谱图像；然后将包含有效光谱波段的高光谱图像与全色图像进行拼接处理，得到拼接后的图像；再对拼接后的图像进行特征提取和图像还原，得到待处理高光谱图像的特征图像；最后，将特征图像中的每个像素点与待处理高光谱图像的对应像素点进行相加运算，得到目标图像，其中，目标图像的空间分辨率比待处理高光谱图像的空间分辨率高。该方法通过将特征图像与待处理高光谱图像进行相加运算处理，进而得到目标图像，实现了得到的目标图像光谱特性不受破坏，缓解了现有的提升高光谱图像空间分辨率的方法锐化后的图像光谱失真的技术问题。可选地，光谱推断模块还用于：通过全色锐化模型对待处理高光谱图像进行光谱推断；拼接模块还用于：通过全色锐化模型将包含有效光谱波段的高光谱图像与全色图像进行拼接处理；特征提取和图像还原模块还用于：通过全色锐化模型对拼接后的图像进行特征提取和图像还原；相加运算模块还用于：通过全色锐化模型将特征图像中的每个像素点与待处理高光谱图像的对应像素点进行相加运算。全色锐化模型为通过训练样本图像对对原始全色锐化模型进行训练后得到的模型，其中，全色锐化模型包括：光谱推断模块、拼接处理模块、特征提取模块、图像还原模块和相加运算模块，其中，光谱推断模块、拼接处理模块、特征提取模块、图像还原模块和相加运算模块依次连接；光谱推断模块包括至少一个卷积层，拼接处理模块为拼接层，特征提取模块包括至少一个卷积层，图像还原模块包括至少一个卷积层，相加运算模块为求和层。卷积层中的卷积核的参数信息为通过零均值的高斯分布进行初始化得到的，其中，参数信息包括：权重和偏置。全色锐化模型中的每个卷积层对其输入的图像进行卷积运算，并经过线性整流函数激活处理后，得到输出图像。可选地，该装置还包括：第一子获取模块，用于获取训练样本图像对，其中，训练样本图像对为训练高光谱图像块与其对应的训练全色图像块所组成的图像对；第二子获取模块，用于获取训练高光谱图像块的高空间分辨率图像；训练模块，用于通过训练样本图像对和高空间分辨率图像对原始全色锐化模型进行训练，得到全色锐化模型。可选地，第一子获取模块还用于：获取原始高光谱图像和与原始高光谱图像相对应的全色图像；在原始高光谱图像中确定高光谱图像训练区域，并在全色图像中确定与高光谱图像训练区域相对应的全色图像训练区域；按照预设采样间隔分别在高光谱图像训练区域和全色图像训练区域中进行图像分块采样，得到训练样本图像对。实施例三：本发明实施例提供了一种电子设备，参考图11，该电子设备包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。其中，存储器61可能包含高速随机存取存储器(ram，randomaccessmemory)，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线62可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。其中，存储器61用于存储程序，所述处理器60在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中，或者由处理器60实现。处理器60可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现成可编程门阵列(field-programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61，处理器60读取存储器61中的信息，结合其硬件完成上述方法的步骤。本发明实施例所提供的进行高光谱图像全色锐化方法、装置及电子设备的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本发明实施例提供的高光谱图像全色锐化装置，与上述实施例提供的高光谱图像全色锐化方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。当前第1页12