深度学习下模糊高光谱图像复原数学模型仿真

高光谱图像具有三维数据结构,可同时采集目标对象的空间维、光谱维的特征,但其成像过程中,因载荷平台振动,得到高光谱图像较为模糊,影响图像使用中的准确度与可信度。为此,研究一种深度学习下模糊高光谱图像复原数学模型方法。根据高光谱成像原理与点扩散函数求解模糊图像的光谱信息,利用傅里叶变换建立其退化模型,获得模糊图像与实际图像之间相关性。通过3D卷积网络采集模糊图像特征,使用卷积核、激活函数获取特征增加非线性因子,通过反卷积层得到特征图谱,利用图像重建层将特征重组,输出清晰高光谱图像,实现模糊高光谱图像复原。实验结果表明,所提方法能够将模糊图像复原,复原的图像信噪比在6dB以上,且图像复原时间低于15s。