[发明专利]一种基于双阶段学习框架的高光谱图像深度降噪的方法及系统

说明书

本发明公开了一种基于双阶段学习框架的高光谱图像深度降噪的方法及系统，属于高光谱图像降噪技术领域，用于高光谱图像降噪的三维深度通用模型3D‑DUSSD包括以下步骤：基于噪声估计与图像去噪构建目标函数；基于目标函数构建条件估计子网络(CENet)和多尺度交叉融合降噪子网络；利用目标函数对条件估计子网络(CENet)和多尺度交叉融合降噪子网络进行训练；利用训练好的条件估计子网络(CENet)推断高光谱图像的噪声水平，而后将信息传入多尺度交叉融合降噪子网络进行高光谱图像的去噪。该方法能够实现对非i.i.d.噪声分布进行预测，同时实现高光谱图像的深度降噪。

技术领域

本发明属于高光谱图像降噪技术领域，涉及一种基于双阶段学习框架的高光谱图像深度降噪的方法及系统。

背景技术

高光谱数据在电磁光谱的400–2500nm区域提供连续或不连续的10nm波段，是由二维(2D)空间信息和一维(1D)光谱信息组成的三维(3D)数据，在环境监测、精准农业，矿物识别、军事监视等领域中得到了广泛的应用。然而HSI在获取、传输过程中，往往受到各种因素影响，不可避免地受到包括高斯噪声在内的各类噪声的污染、deadline噪声、条纹噪声、脉冲噪声等，从而严重影响了后续的HSI分类、目标识别等操作。因此，HSI去噪是非常重要的图像预处理工作。

目前，已经提出了许多HSI去噪的方法，最初用于HSI去噪的方法都是基于普通图像去噪方法的改进。但与普通图像不同的是，HSI是三维立方体的形式，HSI的噪声分布也比普通图像复杂得多，导致这些改进后的方法可能会忽略光谱特征，失去空间与频谱的相关信息，往往会造成明显的光谱失真。因此为了充分利用HSI中的空间信息和光谱信息，需要专门根据HSI结构设计去噪方法。现有传统的HSI去噪方法主要分为两类基于空间光谱变换的方法和基于变换域的方法。基于空间域的方法，如Yuan等人提出的一种光谱空间自适应全变分降噪模型，He等人提出的用于HSI降噪的全变分正则化低秩矩阵分解模型，Bai等人基于非局部相似性，提出的非负tucker分解模型等。这些方法的优势在于可以很好地利用高光谱图像先验，通过先验知识确定正则化项和去噪方法，保留了HSI原有特征。基于变化与的方法有主成分分析，小波变换，傅里叶变换等，这些方法因有很强的数学理论支撑，具有较好的解释性。但是由于它们对噪声的假设通常为独立同分布(i.i.d.)的高斯噪声，这与真实的含有各种复杂噪声的HSI有变差，且模型超参数难以选择，且实现速度较慢。

近年来，由于数据量增大且计算机算力的加强，基于卷积神经网络的HSI降噪算法被提出，用来替代代价高昂的优化和复杂的先验算法，如Xie等人提出了一种具有可训练非线性函数的深度卷积神经网络(DCNN)进行HSI去噪，但每幅光谱波段图像仍然是单独去噪的；Chang等人率先将深度卷积神经网络用语HSI去噪，首先，直接学习每一层中的滤波器，而不会破坏光谱空间结构，并且以同时容纳HSI中的各种噪声。Dong等人提出了一种基于可分离滤波策略的三维U网的计算效率实现方法。通过将3-D滤波分解为2-D空间滤波和1-D频谱滤波，简化网络参数，增强模型的泛化能力，不仅能解决现有的DCNN不能充分利用三维高光谱图像的空间-光谱相关性的问题，而且可以处理未知噪声水平和混合噪声类型。Zhang等人设计了一种空间谱梯度网络(SSGN)，采用空间谱梯度学习策略，同时加入互补信息以弥补稀疏噪声独特的空间结构方向性和谱差异，很好提取HSI的内在和深层特征，在去除混合噪声上有较好效果。所以，基于深度学习的算法在效果上强于传统的HSI去噪方法，而在基于深度学习的算法中，3D卷积的HSI去噪方法比使用2D卷积的方法能产生更好的结果。但不幸的是，以上介绍的方法在挖掘HSI全局空间和光谱相关信息上有较大的不足，导致图片失真，影响图片后续应用效果。

发明内容

本发明的目的在于解决现有技术中的问题，提供一种基于双阶段学习框架的高光谱图像深度降噪的方法及系统，旨在解决现有技术中在挖掘HSI全局空间和光谱相关信息上，导致图片失真，影响图片后续应用效果的缺陷性技术问题。

为达到上述目的，本发明采用以下技术方案予以实现：