The invention discloses a high-dimensional image denoising method based on tensor dictionary and total variation. On the basis of the research of high-dimensional image processing, a high-dimensional image denoising model combining tensor dictionary learning with total variation regularization term is proposed, and then the model is solved by alternating iteration method to obtain overlap. MSI images reconstructed after generation. The advantages of the present invention are that the high-dimensional image is treated as a tensor whole, and the stereo structure information of the image is not lost, and the correlation among the bands is also considered, and the accuracy of the algorithm is improved by the tensor dictionary learning method; without losing the spatial structure of the high-dimensional image, the high-order TV regularization term is used. Good edge information is well preserved and good reconstruction results are achieved. The experimental results show good results in both subjective vision and objective evaluation index, and can retain more texture information and contour information.
【技术实现步骤摘要】
基于张量字典及全变分的高维图像去噪方法
本专利技术涉及数字图像处理
,具体涉及一种基于张量字典及全变分的高维图像去噪方法。
技术介绍
图像处理的范围逐渐从二维图像拓展到三维甚至高维图像领域,在传输过程中,图像会因受到各种各样的噪声干扰而质量下降,如何从噪声图中恢复出质量较高的高维图像成为近几年来的研究热点之一。针对这一问题,已经有众多文献提出了一些不同解决方案。例如Wang提出利用分组低秩表示对高光谱图像进行去噪,(参考文献:M.Wang,J.Yu,J.H.Xue,andetal,“Denoisingofhyperspectralimagesusinggrouplow-rankrepresentation,”IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,vol.9,no.9,pp.4420–4427,2016)。该方法是将具有多波段的高维图像分离成若干张2D图像进行处理,虽然取得了不错的去噪效果,但这样做未考虑波段之间的相关性,图像的纹理信息保留不完善。
技术实现思路
本专利技术所要解决的是现有的高维图像重建方法未考虑波段之间的相关性,以及图像的纹理信息保留不完善的问题,提供一种基于张量字典及全变分的高维图像去噪方法。为解决上述问题,本专利技术是通过以下技术方案实现的:基于张量字典及全变分的高维图像去噪方法,具体包括步骤如下:步骤1、对加噪高维图像进行分块,得到全波段图像块;步骤2、对全波段图像块进行聚类,得到K类相似的全波段图像块,每类相似的全波段图像块形成1 ...
【技术保护点】
1.基于张量字典及全变分的高维图像去噪方法,其特征是,具体包括步骤如下:步骤1、对加噪高维图像
【技术特征摘要】
1.基于张量字典及全变分的高维图像去噪方法,其特征是,具体包括步骤如下:步骤1、对加噪高维图像进行分块,得到全波段图像块;步骤2、对全波段图像块进行聚类,得到K类相似的全波段图像块,每类相似的全波段图像块形成1个张量步骤3、对每个张量进行分解,得到空间宽字典空间长字典谱字典和核心系数张量并据此得到整个图像的空间宽字典DW,空间长字典DH,谱字典DS和核心系数步骤4、对整个图像的空间宽字典DW,空间长字典DH,谱字典DS和核心系数进行整合得到整合张量并得到整合张量的卡索拉蒂矩阵U;步骤5、初始化,令初始的迭代次数t=0和初始的二维矩阵q(0)=0;步骤6、基于上次即第t次迭代的二维矩阵q(t),通过下求解式①的优化问题,得到当前即第t+1次迭代的二维矩阵q(t+1);步骤7、根据当前迭代得到的q(t+1),利用式②计算当前迭代的重建图像步骤8、判断是否达到预设的迭代次数阈值:若没有达到,则迭代次数t加1,并返回步骤6;若达到,则迭代停止,并将当前迭代的重建图像为最终恢复的图像输出;上述,q为所需更新的二维矩阵,qi,r为q的第i行r列元素,分别是qi,r在两个方向的梯度,▽为梯度算子,为映射算子,xj(t)为第t次重建图像的第j个波段的向量,<·>为内积...
【专利技术属性】
技术研发人员:陈利霞,杨彬,王学文,欧阳宁,首照宇,莫建文,林乐平,
申请(专利权)人:桂林电子科技大学,
类型:发明
国别省市:广西,45
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。