一种基于自适应秩校正的高光谱图像去噪方法、系统及介质技术方案

本发明专利技术公开了一种基于自适应秩校正的高光谱图像去噪方法、系统及介质，本发明专利技术高光谱图像去噪方法针对各个矩阵化分块退化高光谱图像、矩阵化分块初始估计的干净高光谱图像建立基于自适应秩校正的高光谱图像去噪模型，通过自适应秩校正惩罚函数实现自适应地抵消核范数对大的奇异值的惩罚，基于l

A method, system and medium of hyperspectral image denoising based on adaptive rank correction

The invention discloses a hyperspectral image denoising method, system and medium based on adaptive rank correction. The hyperspectral image denoising method of the invention establishes a hyperspectral image denoising model based on adaptive rank correction for each matrix block degraded hyperspectral image and the clean hyperspectral image initially estimated by matrix block, and realizes self adaptation through the adaptive rank correction penalty function The penalty of kernel norm to large singular value should be eliminated

【技术实现步骤摘要】
一种基于自适应秩校正的高光谱图像去噪方法、系统及介质
本专利技术涉及高光谱图像去噪技术，具体涉及一种基于自适应秩校正的高光谱图像去噪方法、系统及介质。
技术介绍
高光谱图像(HSI)包含丰富的光谱信息，在环境监测、城市规划、地质勘探和农林业生产等领域应用广泛。在成像和传输过程中，因受到多种复杂因素影响，获取的高光谱图像包含各种类型的混合噪声，如高斯噪声、脉冲噪声、条带、死线等。这些复杂的混合噪声不仅影响图像质量，且会对后续应用造成很大困扰。因此，提出一种有效的高光谱图像去噪方法对于高光谱图像处理分析和后续应用意义重大。传统2D图像去噪方法，如非局部均值、K-SVD、块匹配三维滤波(BM3D)等，采用逐波段处理方式对高光谱图像的每个波段逐一进行去噪。然而，逐波段处理方式忽略了光谱相关性，去噪效果不佳。为解决该问题，研究人员综合利用空间信息和光谱信息进行去噪。卢等人提出一种光谱-空间自适应稀疏表示高光谱图像去噪方法。另外，通过将高光谱图像视为3D张量，采用基于张量分解的方法对高光谱图像进行去噪，如多维维纳滤波与Tucker分解结合方法，PARAFAC方法等。通过充分利用空间相似性和光谱相关性，彭等人提出了一种可分解非局部张量字典学习(TDL)方法。总而言之，上述方法主要用于去除高斯噪声及混合高斯泊松噪声。但是由于实际中，高光谱图像通常受到高斯噪声、脉冲噪声、死线和条带等多种噪声污染。因而，开发一种有效的高光谱图像去噪方法用以消除多种噪声就显得十分重要。由于干净高光谱图像HSI具有低秩特性，故而研究人员通常将此问题转化为低秩矩阵恢复(LRMR)问题。直接的矩阵秩最小化问题是一个非确定性多项式难(NP-hard)问题，因此现有某些方法采用核范数作为凸代理来逼近矩阵秩，或采用秩逼近矩阵秩。非凸Go分解(GoDec)算法被应用来更好地去除混合噪声。此外，通过利用非独立同分布(non-i.i.d.)混合高斯噪声(NMoGs)假设，结合低秩矩阵分解模型，现有的某些方法提出非独立同分布混合高斯模型，该方法具有去除多种噪声的能力。核范数会过度惩罚大的奇异值，从而使获得的解偏离原始解。而基于秩逼近的低秩矩阵恢复方法，秩信息固定且需要提前定义，这在现实问题中不具有灵活性。综上所述，现有大多数基于低秩矩阵恢复的高光谱去噪方法利用核范数逼近矩阵秩导致过度惩罚大的奇异值和秩r信息固定且需提前定义使得方法不灵活等问题。
技术实现思路
本专利技术要解决的技术问题：为解决现有大多数基于低秩矩阵恢复的高光谱去噪方法利用核范数逼近矩阵秩导致过度惩罚大的奇异值和秩r信息固定且需提前定义使得方法不灵活等问题，提供一种基于自适应秩校正(ARC)的高光谱图像去噪方法、系统及介质，本专利技术能够去除高光谱图像中的高斯噪声、脉冲噪声、死线和条带等复杂噪声。为了解决上述技术问题，本专利技术采用的技术方案为：一种基于自适应秩校正的高光谱图像去噪方法，实施步骤包括：1)对退化高光谱图像矩阵化后采用非精确增广拉格朗日乘子算法进行初始估计，得到初始估计的干净高光谱图像2)对退化高光谱图像初始估计的干净高光谱图像分别进行分块和矩阵化处理，分别得到矩阵化分块退化高光谱图像Y、矩阵化分块初始估计的干净高光谱图像X；3)针对各个矩阵化分块退化高光谱图像Y、矩阵化分块初始估计的干净高光谱图像X建立基于自适应秩校正的高光谱图像去噪模型，所述基于自适应秩校正的高光谱图像去噪模型通过自适应秩校正惩罚函数以实现自适应地抵消核范数对大的奇异值的惩罚，且基于l2,1范数消除稀疏噪声；对所述基于自适应秩校正的高光谱图像去噪模型采用交替方向乘子算法进行求解得到分块干净图像X；4)将所有的分块干净图像X组合获得最终估计的干净高光谱图像。可选地，步骤1)的详细步骤包括：1.1)将退化高光谱图像矩阵化为为退化高光谱图像其中表示实数域，W、H和B分别表示退化高光谱图像的宽度、高度和光谱带数量；1.2)采用非精确增广拉格朗日乘子算法IALM对退化高光谱图像进行初始估计得到初始估计的干净图像1.3)通过将初始估计的干净图像的每一列重构为大小为W×H的矩阵，得到初始估计的干净高光谱图像可选地，步骤2)的详细步骤包括：对退化高光谱图像，首先按照步长p以像素(u,v)为中心取大小为q×q×B的子立方体，然后将每个子立方体的每个波段转化为1D列向量来构造矩阵从而得到矩阵化分块退化高光谱图像Y；对初始估计的干净高光谱图像首先按照步长p以像素(u,v)为中心取大小为q×q×B的子立方体，然后将每个子立方体的每个波段转化为1D列向量来构造矩阵从而得到矩阵化分块初始估计的干净高光谱图像X；其中，1≤u≤W,1≤v≤H，其中W、H和B分别表示退化高光谱图像的宽度、高度和光谱带数量，q表示子立方体块大小。可选地，步骤3)中建立的基于自适应秩校正的高光谱图像去噪模型如下式所示；上式中，||X||*表示矩阵X核范数，X为分块干净图像，<F(X),X>表示F(X)与X的欧式内积，F(X)表示谱算子，X表示矩阵化分块初始估计的干净高光谱图像，||S||2,1表示矩阵Sl2,1范数，λ表示规则化参数，表示矩阵弗罗贝尼乌斯范数，Y表示矩阵化分块退化高光谱图像，S表示矩阵化分块稀疏噪声，σ为与高斯噪声N标准差相关的常数。可选地，步骤4)中将所有的分块干净图像X组合获得最终估计的干净高光谱图像时，还包括针对分块干净图像X的重叠区域取平均值的方式处理重叠区域像素的步骤。此外，本专利技术还提供一种基于自适应秩校正的高光谱图像去噪系统，包括计算机设备，该计算机设备被编程或配置以执行所述基于自适应秩校正的高光谱图像去噪方法的步骤。此外，本专利技术还提供一种基于自适应秩校正的高光谱图像去噪系统，包括计算机设备，其特征在于，该计算机设备的存储介质上存储有被编程或配置以执行所述基于自适应秩校正的高光谱图像去噪方法的计算机程序。此外，本专利技术还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行所述基于自适应秩校正的高光谱图像去噪方法的计算机程序。此外，本专利技术还提供一种基于自适应秩校正的高光谱图像去噪系统，包括：第一程序单元，用于对退化高光谱图像矩阵化后采用非精确增广拉格朗日乘子算法进行初始估计，得到初始估计的干净高光谱图像第二程序单元，用于对退化高光谱图像初始估计的干净高光谱图像分别进行分块和矩阵化处理，分别得到矩阵化分块退化高光谱图像Y、矩阵化分块初始估计的干净高光谱图像X；第三程序单元，用于针对各个矩阵化分块退化高光谱图像Y、矩阵化分块初始估计的干净高光谱图像X建立基于自适应秩校正的高光谱图像去噪模型，所述基于自适应秩校正的高光谱图像去噪模型通过自适应秩校正惩罚函数以实现自适应地抵消核范数对大的奇异值的惩罚，且基于l2,1范数消除稀疏噪声；对所述基于自适应秩校正的高光谱图像去噪模型采用交替方向乘子算法进行求解，得到分块干净图像X；第四程序单元，用于将所有的分块本文档来自技高网...

【技术保护点】
1.一种基于自适应秩校正的高光谱图像去噪方法，其特征在于实施步骤包括：/n1)对退化高光谱图像

【技术特征摘要】
1.一种基于自适应秩校正的高光谱图像去噪方法，其特征在于实施步骤包括：
1)对退化高光谱图像矩阵化后采用非精确增广拉格朗日乘子算法进行初始估计，得到初始估计的干净高光谱图像
2)对退化高光谱图像初始估计的干净高光谱图像分别进行分块和矩阵化处理，分别得到矩阵化分块退化高光谱图像Y、矩阵化分块初始估计的干净高光谱图像X；
3)针对各个矩阵化分块退化高光谱图像Y、矩阵化分块初始估计的干净高光谱图像X建立基于自适应秩校正的高光谱图像去噪模型，所述基于自适应秩校正的高光谱图像去噪模型通过自适应秩校正惩罚函数以实现自适应地抵消核范数对大的奇异值的惩罚，且基于l2,1范数消除稀疏噪声；对所述基于自适应秩校正的高光谱图像去噪模型采用交替方向乘子算法进行求解得到分块干净图像X；
4)将所有的分块干净图像X组合获得最终估计的干净高光谱图像。


2.根据权利要求1所述的基于自适应秩校正的高光谱图像去噪方法，其特征在于，步骤1)的详细步骤包括：
1.1)将退化高光谱图像矩阵化为为退化高光谱图像其中表示实数域，W、H和B分别表示退化高光谱图像的宽度、高度和光谱带数量；
1.2)采用非精确增广拉格朗日乘子算法IALM对退化高光谱图像进行初始估计得到初始估计的干净图像
1.3)通过将初始估计的干净图像的每一列重构为大小为W×H的矩阵，得到初始估计的干净高光谱图像


3.根据权利要求1所述的基于自适应秩校正的高光谱图像去噪方法，其特征在于，步骤2)的详细步骤包括：对退化高光谱图像首先按照步长p以像素(u,v)为中心取大小为q×q×B的子立方体，然后将每个子立方体的每个波段转化为1D列向量来构造矩阵从而得到矩阵化分块退化高光谱图像Y；对初始估计的干净高光谱图像首先按照步长p以像素(u,v)为中心取大小为q×q×B的子立方体，然后将每个子立方体的每个波段转化为1D列向量来构造矩阵从而得到矩阵化分块初始估计的干净高光谱图像X；其中，1≤u≤W,1≤v≤H，其中W、H和B分别表示退化高光谱图像的宽度、高度和光谱带数量，q表示子立方体块大小。


4.根据权利要求1所述的基于自适应秩校正的高光谱图像去噪方法，其特征在于，步骤3)中建立的基于自适应秩校正的高光谱图像去噪模型如下式所示；



上式中，|...

【专利技术属性】
技术研发人员：李树涛，谢婷，孙斌，康旭东，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43