CN118736428B 基于先验知识纠正及Swin Transformer的高光谱图像解混方法及装置 （北京科技大学）

WO2024080929A1,2024.04.18基于先验知识纠正及SwinTransformer的一种基于先验知识纠正及SwinTransformer的解混的高光谱图像以及高光谱图像解混网络模Transformer模块以及解码器；第一分支以及第先验信息校正的SwinTransformer双分支高光端成员来提供纯像素先验信息。第二分支采用SwinTransformer结构进行特征提取和分解处21.一种基于先验知识纠正及SwinTransformer的高光谱图像解混方法，其特征在于，其中，高光谱图像解混网络模型包括第一分支以及共享由第一分支的第一分支SwinTransformer模块的SwinTransformer编码器生成的SwinTransformer模块包括一个或多个SwinTransformer编码器；每个SwinTransformer编码器包括一个或多个移动窗口多头自注意网络；SwinTransformer模块采2.根据权利要求1所述的基于先验知识纠正及SwinTransformer的高光谱图像解混方3.根据权利要求1所述的基于先验知识纠正及SwinTransformer的高光谱图像解混方L=ηLdownstreamRE+ηLdownstr34.根据权利要求1所述的基于先验知识纠正及SwinTransformer的高光谱图像解混方所述第一分支解码器，用于对所述第一分支SwinTransformer模块输5.根据权利要求1所述的基于先验知识纠正及SwinTransformer的高光谱图像解混方法，其特征在于，所述第一卷积层包括第一卷积Conv2D层、第一批量归一化BN层、第一所述第三卷积层包括第三Conv2D层和第6.一种基于先验知识纠正及SwinTransformer的高光知识纠正及SwinTransformer的高光谱图像解混装置用于实现如权利要求1_5任一项所述其中，所述高光谱图像解混网络模型包括第一高光谱图像解混所述第一高光谱图像解混网络模型分支包括第一分支编码器、第一分支Swin所述第二高光谱图像解混网络模型分支包括第二分支编码器、第二分支Swin所述第一高光谱图像解混网络模型分支以及第二高光谱图像解混网络模型分支之间输出模块，用于根据所述高光谱图像以及高光谱图像解混网络存储器，所述存储器上存储有计算机可读指令，所述计算机8.一种计算机可读取存储介质，其特征在于4基于先验知识纠正及SwinTransfor[0001]本发明涉及高光谱图像解混技术领域，特别是指一种基于先验知识纠正及Swin[0003]目前光谱解混主要通过深度学习进行构造非线性解混模型和基于物理的线性模而Transformer结构的解混网络具备相当大的计算复杂度，并且存在捕获多尺度特征的能5[0012]第一高光谱图像解混网络模型分支以及第二高光谱图像解混网络模型分支之间[0015]S21、获取高光谱数据集，对高光谱数据集中的原始高光谱图像进行纯像素点提6[0043]第一高光谱图像解混网络模型分支以及第二高光谱图像解混网络模型分支之间[0046]S21、获取高光谱数据集，对高光谱数据集中的原始高光谱图像进行纯像素点提7令，所述至少一条指令由处理器加载并执行以实现上述基于先验知识纠正及SwinTransformer的高光谱图像解混方解混网络模型，上分支利用预先提取的端成员来提供纯像素先验信息。下分支采用Swin8[0073]图1是本发明实施例提供的一种基于先验知识纠正及SwinTransformer的高光谱[0076]图4是本发明实施例提供的利用本发明方法在Samson数据集上提取的端元光谱曲[0077]图5是本发明实施例提供的利用现有对比方法DeepHyperspectralUnmixingusingTransformerNetwork在Samson数据集上提取的端元光谱曲线(Extracted曲线)与[0078]图6是本发明实施例提供的利用本发明方法在Samson数据集上提取的丰度图与真[0079]图7是本发明实施例提供的利用现有对比方法DeepHyperspectralUnmixingusingTransformerNetwork在Samson数据集上提取的丰度图与真实丰度图的对比示意[0080]图8是本发明实施例提供的一种基于先验知识纠正及SwinTransformer的高光谱[0087]本发明实施例提供了一种基于先验知识纠正及SwinTransformer的高光谱图像9服务器。如图1所示的基于先验知识纠正及SwinTransformer的高光谱图像解混方法流程重构过程中很容易丢失一些细节，导致提取的端元及其丰度与真实值相比存在一定的误[0093]第一高光谱图像解混网络模型分支以及第二高光谱图像解混网络模型分支之间解码器用于SwinTransformer模块的输出重构[0111]S21、获取高光谱数据集，对高光谱数据集中的原始高光谱图像进行纯像素点提限制模型捕获长程依赖关系的能力，将前者的窗口偏移[M/2,M/2]个像素来实现跨窗口的[0131]SwinTransformer模块的输出经过多层感知器获得3×95×95的输出，为满足丰单元)函数来增加丰度图的维数，其权重为端元矩阵，得到重构的156×95×95高光谱图度图)和表2(在Samson数据集上RMSE对比)，表3(在Samson数据集上SAD对比)分别给出了解混网络模型，上分支利用预先提取的端成员来提供纯像素先验信息。下分支采用Swin[0138]图8是根据一示例性实施例示出的一种基于先验知识纠正及SwinTransformer的[0144]第一高光谱图像解混网络模型分支以及第二高光谱图像解混网络模型分支之间[0147]S21、获取高光谱数据集，对高光谱数据集中的原始高光谱图像进行纯像素点提解混网络模型，上分支利用预先提取的端成员来提供纯像素先验信息。下分支采用Swin[0170]图9是本发明实施例提供的一种高光谱图像解混设备的结高光谱图像解混设备可以包括上述图8所示的基于先验知识纠正及SwinTransformer的高[0174]其中，第一处理器2001是高光谱图像解混设备410的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，第一处理器2001是一个或多个中央处理器(centralprocessingunit，CPU)，也可以是特定集成电路(applicationspecific[0175]可选地，第一处理器2001可以通过运行或执行存储在存储器[0177]在具体实现中，作为一种实施例，高光谱图像解混设备410也可以包括多个处理[0178]其中，所述存储器2002用于存储执行本发明方案的软件程序，并由第一处理器可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器[0184]此外，高光谱图像解混设备410的技术效果可以参考上述方法实施例所述的基于[0185]应理解，在本发明实施例中的第一处理器2001可以是中央处理单元(centralprocessingunit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，DSP)、专用集成电路(applicationspeci可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read_速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(randomaccess机存取存储器(doubledatarateSDRAM，DDRSDRAM)、增强型同