高光谱图像融合超分辨率、全色锐化PyTorch工具箱--HIFToolBox

本文主要是介绍高光谱图像融合超分辨率、全色锐化PyTorch工具箱--HIFToolBox，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

高光谱融合工具箱（HIFToolBox） 旨在收录高光谱和多光谱/全色锐化领域的SOTA算法。收录算法主要分三类：基于模型的算法、自/无监督学习算法,以及监督学习算法。

获取地址 ：主页
预训练权重 ：HIFTool目前发布了在QB数据集上，所有收录的监督网络的预训练权重。
使用方法：

1. 在配置好PyTorch的环境中打开 Network_training.py.
2. 选择算法类型 > 0:包括模型(Model)，1:无监督(unsupervised), 2:监督(supervised)。如下图所示，case_lst[0]中的0即表示基于模型的方法。

    case_lst = ['model','unsupervised','supervised']case = case_lst[0]Fusion  = ModeSelection(case)

3. 选择方法 > 目前HIFToolBox收录了 MoGDCN, Fusformer, PSRT, MSST, DCTransformer, iDaFormer, HySure, HyMS, DBSR, UDALN,uHNTC 。如下图所示，Method = 'HyMS’即表示使用HyMS方法。

    Method = 'HyMS'model, opt = model_generator(Method,'cuda')

4. 选择数据集 > 目前数据集支持 Chikusei，Pavia，XiongAn，WDCM，QB。对应的数据集可以在*./Multispectral Image Dataset/* 中的解释文档中的链接中下载，放入相应数据集即可。如下图所示， dataset_name = 'chikusei’即表示使用使用Chikusei数据集训练。

    dataset_name = 'chikusei'model_folder = Method + '/' + dataset_name + '/'

5. 训练

> 监督训练：如下图所示，监督训练在此处设置 批量大小（Batch_size），最大迭代步数（ end_epoch），权重保存间隔步数（ckpt_step），以及学习率（ lr ）。

  # Training SettingBatch_size = 2end_epoch = 2000ckpt_step = 50lr = 1e-4

> 模型优化：
如下图所示，基于模型的方法需要传入相机的光谱响应函数(srf)，以及点扩散函数（psf）。如果未有该类函数则输入None。

   srf = sio.loadmat('Dataloader_tool/srflib/chikusei_128_4.mat')['R']psf = None

6. 测试
   打开 Network_eval.py进行监督网络的测试。

这篇关于高光谱图像融合超分辨率、全色锐化PyTorch工具箱--HIFToolBox的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---