本申请涉及图像处理，尤其涉及一种基于状态空间模型的连续高光谱重建方法及系统。
背景技术：
1、高光谱图像通过获取物体在数百个连续光谱波段上的反射光谱信息，可以提供比仅有三个波段的rgb图像更丰富的光谱数据，这对识别和分类物体有重要的意义。由于高光谱成像设备昂贵、过程复杂，往往采用重建来获取高光谱图像。传统的高光谱图像数据集通常包含31个波段，波段限定在400nm-700nm(可见光范围)，每个波段间隔10nm。然而，在实际应用中，往往需要4-7nm间隔的高密度波段，并且由于10nm的波段间隔过大，可能导致丢失光谱信息，影响重建的准确性和细节保留。目前的高光谱重建方法受限于这些有限波段的数据集，高光谱重建质量受到影响。因此，如何通过有限波段的数据集重建出更多波段的高光谱图像成为一项重要挑战。
2、传统的解决方法是通过相邻波段对中间波段进行插值初始化，在已知波段之间估算出未知波段的值。然而，线性关系显然无法最好地拟合样本较少的波段，基于插值的方法在处理非线性和复杂光谱特性时效果不佳，且容易引入噪声和误差。
技术实现思路
1、基于上述的应用需求与技术背景，为了解决现有技术中通过有限波段数据集重建出更多波段的高光谱图像存在挑战的技术问题，本申请采用如下技术方案：
2、本申请第一方面提出基于状态空间模型的连续高光谱重建方法，所述方法包括：
3、获取高光谱图像数据集，预处理并划分所述高光谱图像数据集，得到训练集和测试集，构建状态空间模型，建立状态方程和观测方程；
4、通过将所述训练集输入所述状态空间模型进行训练，得到最优参数状态空间模型，所述最优参数状态空间模型包括最优参数状态方程和最优参数观测方程；
5、将所述测试集输入所述最优参数状态空间模型中，通过所述最优参数状态方程和最优参数观测方程重建波段，得到更多波段的连续高光谱图像。
6、进一步地，所述状态方程的计算公式如下：
7、
8、其中，hk表示第k个波段的隐藏状态，ck-1表示第k-1个波段，hk-1表示第k-1个波段的隐藏状态，是可学习的状态转移矩阵参数、是可学习的转换矩阵参数。
9、进一步地，所述观测方程的计算公式如下：
10、ck＝φhk
11、其中，ck表示第k个波段，hk表示第k个波段的隐藏状态，φ是可学习的观测矩阵参数。
12、进一步地，所述通过将所述训练集输入所述状态空间模型进行训练，得到最优参数状态空间模型的步骤具体包括：
13、初始化所述状态方程和观测方程的参数，获得初始化的状态空间模型；
14、将所述训练集输入所述初始化的状态空间模型，得到重建波段，完成一次前向传播；
15、通过所述重建波段计算损失函数，通过所述损失函数更新所述状态方程和观测方程的参数，完成一次反向传播；
16、重复多次前向传播和反向传播进行迭代，当达到设置的最大更新迭代时结束训练，得到训练好的最优参数状态空间模型。
17、进一步地，所述将所述训练集输入所述初始化的状态空间模型，得到重建波段的具体步骤为：使用所述状态方程，通过所述训练集中的波段和所述波段对应的隐藏状态计算得到重建波段的隐藏状态；使用所述观测方程，通过所述重建波段的隐藏状态计算得到重建波段。
18、进一步地，所述损失函数的计算公式如下：
19、
20、其中，ck表示第k个波段的实际值，表示第k个波段的预测值，n表示总样本数。
21、进一步地，所述通过所述损失函数更新所述状态方程和观测方程的参数的具体步骤为：通过所述损失函数得到波段实际值和波段预测值之间的误差，计算所述损失函数相对于各参数的梯度，再通过所述梯度和学习率更新各参数。
22、本申请第二方面提出基于状态空间模型的连续高光谱重建系统，所述系统包括预处理模块和状态空间模型，
23、所述预处理模块用于获取高光谱图像数据集，并对所述高光谱图像数据集进行预处理和划分，得到训练集和测试集；
24、所述状态空间模型用于通过状态方程和观测方程得到更多波段的连续高光谱图像，所述状态空间模型包括训练模块和预测模块；
25、所述训练模块用于将所述训练集输入所述状态空间模型进行训练，得到最优参数状态空间模型，所述最优参数状态空间模型包括最优参数状态方程和最优参数观测方程；
26、所述预测模块用于将所述测试集输入所述最优参数状态空间模型，通过所述最优参数状态方程和最优参数观测方程重建波段。
27、本申请第三方面提出电子设备，所述设备包括处理器和存储器，所述存储器上存储有计算机程序，所述处理器被设置为在执行所述计算机程序时实现上述基于状态空间模型的连续高光谱重建方法。
28、本申请第四方面提出计算机可读的存储介质，所述介质包括存储的计算机程序，所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行上述基于状态空间模型的连续高光谱重建方法。
29、与现有技术相比，本申请的有益效果为：
30、本申请所提供基于状态空间模型的连续高光谱重建方法，通过状态空间模型建立高光谱图像波段间的非线性关系，通过状态方程和观测方程对有限波段的高光谱数据集进行重建，得到更多波段的连续高光谱图像。相较于传统的通过相邻波段估算出未知波段的插值法，本申请基于状态空间模型的连续高光谱重建方法能够更灵活地建模这些复杂的非线性关系，保持时序一致性，在信息整合能力以及鲁棒性和精度等方面都表现出显著的优势。本申请还同时公开了基于状态空间模型的连续高光谱重建系统、电子设备和存储介质，也具有上述有益效果。
1.一种基于状态空间模型的连续高光谱重建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于状态空间模型的连续高光谱重建方法，其特征在于，所述状态方程的计算公式如下：
3.根据权利要求1所述的基于状态空间模型的连续高光谱重建方法，其特征在于，所述观测方程的计算公式如下：
4.根据权利要求1所述的基于状态空间模型的连续高光谱重建方法，其特征在于，所述通过将所述训练集输入所述状态空间模型进行训练，得到最优参数状态空间模型的步骤具体包括：
5.根据权利要求4所述的基于状态空间模型的连续高光谱重建方法，其特征在于，所述将所述训练集输入所述初始化的状态空间模型，得到重建波段的具体步骤为：使用所述状态方程，通过所述训练集中的波段和所述波段对应的隐藏状态计算得到重建波段的隐藏状态；使用所述观测方程，通过所述重建波段的隐藏状态计算得到重建波段。
6.根据权利要求4所述的基于状态空间模型的连续高光谱重建方法，其特征在于，所述损失函数的计算公式如下：
7.根据权利要求4所述的基于状态空间模型的连续高光谱重建方法，其特征在于，所述通过所述损失函数更新所述状态方程和观测方程的参数的具体步骤为：通过所述损失函数得到波段实际值和波段预测值之间的误差，计算所述损失函数相对于各参数的梯度，再通过所述梯度和学习率更新各参数。
8.一种基于状态空间模型的连续高光谱重建系统，其特征在于，所述系统包括预处理模块和状态空间模型，
9.一种电子设备，其特征在于，所述设备包括处理器和存储器，所述存储器上存储有计算机程序，所述处理器被设置为在执行所述计算机程序时实现上述权利要求1至7中任一项所述的方法。
10.一种计算机可读的存储介质，其特征在于，所述介质包括存储的计算机程序，所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行上述权利要求1至7中任一项所述的方法。
