[发明专利]一种高光谱图像去噪方法、装置及存储介质

说明书

本发明公开了一种高光谱图像去噪方法、装置及存储介质，将待去噪的高光谱图像数据输入预训练优化好的高光谱图像去噪模型，得到输出的经过去噪的高光谱图像结果；其中所述高光谱图像去噪模型的构建方法包括：首先利用低秩张量分解将噪声从原始图像中分离出来，得到退化模型；接着在模型中加入改进的加权的全变分正则器,充分表征高光谱图像波段之间的空间和光谱相关性；然后用L1范数来规范稀疏噪声，用F范数来规范高斯噪声；最后利用增广拉格朗日乘子法求解模型，结合输入带有稀疏噪声和高斯噪声的训练集图像，更新优化模型。本发明公开的高光谱图像去噪方法可以得到更好的恢复效果，在定量评价和视觉比较方面有明显的改善。

技术领域

本发明属于图像处理技术领域，涉及一种基于改进的加权变分张量分解的高光谱图像去噪方法、装置及存储介质。

背景技术

高光谱图像拥有丰富的空间和光谱结构信息，被广泛地应用于军事、城市、航天等多个领域。但图像在采集过程中会受到各类噪声的污染，如高斯、椒盐、条带噪声等，使得高光谱图像质量严重退化。因此，有必要对高光谱图像进行去噪，从退化图像中恢复出接近原始清晰的图像。

高光谱图像去噪的一种自然方法是将每个波段视为灰度图像，然后采用传统的二维或一维去噪方法逐波段去噪；随后的方法利用相邻的图像像素存在相似性和空间特性，通过全变分正则化方法实现空间分段光滑，对图像的边缘信息进行处理，提高图像复原精准度。这些方法都是为了去除一到两种类型的噪声，即高斯噪声、脉冲噪声等。然而，在高光谱采集过程中通常会被几种不同类型的噪声所破坏，如高斯噪声、脉冲噪声、死线、条纹等。尽管基于低秩矩阵建模提出了消除噪声混合的方法，但恢复效果并不理想。

发明内容

目的：现有技术中的图像去噪算法大多是通过相邻波段相似性用低秩恢复，是二阶的且忽略空间相关性，为了解决这一问题，本发明提供一种基于改进的加权变分张量分解的高光谱图像去噪方法、装置及存储介质，此方法旨在解决高光谱图像采集过程中的多种混合噪声。

将多维高光谱数据转换为向量或矩阵通常会破坏谱空间结构相关性，基于张量建模技术比矩阵化技术更具有优势。利用三阶张量同时捕获光谱空间的非局部相似度和光谱相关性。基于张量的方法基本上保持了固有的结构相关性，具有更好的恢复结果。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

第一方面，提供一种高光谱图像去噪方法，包括：

获取待去噪的高光谱图像数据；

将待去噪的高光谱图像数据输入预训练优化好的高光谱图像去噪模型，得到输出的经过去噪的高光谱图像结果；

其中所述高光谱图像去噪模型的构建方法包括：

1)、利用低秩张量分解分离噪声项，得到高光谱退化模型；

2)、在步骤1)得到的高光谱退化模型中加入改进的加权的全变分正则器(w-SSTV),充分表征高光谱图像波段之间的空间和光谱相关性；

3)、在步骤2)得到的模型中，用L1范数来规范稀疏噪声，用F范数来规范高斯噪声，确定约束条件；

4)、利用增广拉格朗日乘子法求解步骤3)得到的模型，通过输入带有稀疏噪声和高斯噪声的训练集图像对模型进行迭代优化，得到训练优化好的高光谱图像去噪模型。

在一些实施例中，所述高光谱退化模型，包括：

Y＝X+N+S

其中，Y表示有噪声的三阶张量的高光谱立方体Y＝{Y¹,Y¹,…Y^B}，其中Yⁱ∈R^h×w，h表示高度，i为频带，宽度为w，B表示频带个数；X代表干净的图像，N表示高斯噪声，S表示稀疏噪声，X、N、S和Y有着相同的张量大小。