基于类的BP神经网络用于RGB图像的光谱超分辨率处理

简介：
本研究提出了一种基于类的BP（Back Propagation）神经网络算法，专门应用于RGB彩色图像的光谱超分辨率增强处理。该方法通过优化神经网络架构和训练策略，显著提升了图像在低光照条件下的色彩还原度与细节清晰度，为高逼真度图像重建提供了有效解决方案。 高光谱图像因其高光谱分辨率而在众多应用领域内被广泛应用。然而，获取这种高光谱分辨率通常会牺牲空间分辨率。本段落提出了一种新的基于类别的光谱超分辨率方法，旨在从具有较高空间分辨率的RGB图像中生成高质量的空间和光谱信息结合的高光谱（HHS）图像。 该方法首先通过无监督聚类技术将训练数据集中的RGB图像依据其光谱特性进行分类。然后使用对应的高光谱图作为参考，在每个类别内利用反向传播神经网络(BPNN)学习并建立从RGB到对应高光谱的非线性映射关系。 在实际应用阶段，给定一个未经标注的新RGB图像时，通过监督分类将其归类至先前定义好的某一类别中。之后使用训练完成后的BPNN模型根据这一类别的特性来生成该新输入RGB图对应的高质量HHS结果。 实验结果显示，在ICVL、CAVE和NUS三个标准数据集上的对比测试表明，本段落提出的方法相较于现有技术能够实现更优的光谱超分辨率效果。