基于分解最小条件数变换的多光谱图像去噪方法及系统技术方案

本发明专利技术公开了一种基于分解最小条件数变换的多光谱图像去噪方法及系统，本发明专利技术方法包括根据输入的三维多光谱噪声图像Y，设计并计算得到分解最小条件数变换矩阵A；对输入的三维多光谱噪声图像Y进行变换，得到变换后的多光谱噪声图像Z；将变换后的多光谱噪声图像Z的第一个波段作为第一分量，其余波段作为第二分量，并分别对第一分量、第二分量进行去噪；组合去噪后的第一分量、第二分量得到去噪后的多光谱噪声图像。本发明专利技术能够有效地利用全局光谱相关性，提升多光谱图像去噪的性能，能够有效改善去噪后图像的量化结果和视觉效果，同时增加的时间代价小，可以广泛应用于多光谱图像去噪领域中，具有简洁高效的优点。

Multispectral image denoising method and system based on decomposition least condition number transform

【技术实现步骤摘要】
基于分解最小条件数变换的多光谱图像去噪方法及系统
本专利技术涉及多光谱图像去噪技术，具体涉及一种基于分解最小条件数变换的多光谱图像去噪方法及系统。
技术介绍
多光谱图像去噪旨在从给定的带噪观测中恢复得到原始图像，其去噪的关键是利用图像先验信息。现有的多光谱图像去噪所采用的去噪模型主要包括梯度模型、稀疏模型、低秩模型和深度学习模型等。其中梯度模型约束了图像的光滑性，并以此去除噪声。稀疏模型假设可以使用过完备字典有效地描述干净图像的内容，而随机噪声主要保留在残差中。低秩模型利用了自然图像的非局部自相似性，并假设非局部相似图像块组为低秩且具有稀疏奇异值，利用低秩逼近实现去噪。深度学习模型可以从带噪图像和参考图像对的训练集中自动学习去噪模型，能够避免测试阶段的复杂优化问题。但是，目前大多数多光谱图像去噪所采用的去噪模型都是基于图像块的模型，没有充分利用多光谱图像的全局光谱相关性。同时，为了改善当前的多光谱图像去噪方法性能，近来的研究常常关注于构造和整合更多的先验约束，但往往会进一步增加大的耗时代价。
技术实现思路
本专利技术要解决的技术问题：针对现有技术的上述问题，提供一种基于分解最小条件数变换的多光谱图像去噪方法及系统。本专利技术能够有效地利用全局光谱相关性，提升多光谱图像去噪的性能，能够有效改善去噪后图像的量化结果和视觉效果，同时增加的时间代价小，可以广泛应用于多光谱图像去噪领域中，具有简洁高效的优点。为了解决上述技术问题，本专利技术采用的技术方案为：一种基于分解最小条件数变换的多光谱图像去噪方法，该方法包括：1）输入三维多光谱噪声图像Y；2）根据输入的三维多光谱噪声图像Y，设计并计算得到分解最小条件数变换矩阵A；3）对输入的三维多光谱噪声图像Y进行变换，得到变换后的多光谱噪声图像Z；4）将变换后的多光谱噪声图像Z的第一个波段作为第一分量，其余波段作为第二分量，并分别对第一分量、第二分量进行去噪；5）组合去噪后的第一分量、第二分量得到去噪后的多光谱噪声图像。可选地，步骤2）中设计并计算得到分解最小条件数变换矩阵A的步骤包括：2.1）约束分解最小条件数变换矩阵A的条件数等于1，其函数表达式如式（1）所示；cond(A)=||A||·||A-1||=1（1）上式中，cond(A)表示分解最小条件数变换矩阵A的条件数；分解最小条件数变换矩阵A的函数表达式如式（2）所示；A=[a1,a2,…,aC]T（2）上式中，a1,a2,…,aC表示分解最小条件数变换矩阵A的行向量，C为输入的三维多光谱噪声图像Y的波段数；为分解最小条件数变换矩阵A增加约束条件的函数表达式如式（3）所示；a1=[1/C,1/C,…,1/C]T（3）上式中，a1表示分解最小条件数变换矩阵A的第一个行向量，C为输入的三维多光谱噪声图像Y的波段数，行向量a1用于对多光谱噪声图像全部波段取平均，对应部分代表第一分量，而行向量a2-aC对应部分代表第二分量；2.2）根据式（3）所示约束条件并结合数学归纳法求解得到分解最小条件数变换矩阵A的一个特解如式（4）所示，从而得到分解最小条件数变换矩阵A；（4）上式中，ai,j表示分解最小条件数变换矩阵A的第i行第j列元素，C为输入的三维多光谱噪声图像Y的波段数，ak,1表示分解最小条件数变换矩阵A的第k行第1列元素，ai,1表示分解最小条件数变换矩阵A的第i行第1列元素。可选地，步骤3）的步骤包括：3.1）将输入的三维多光谱噪声图像Y沿着与各个波段平面平行的方向展开成矩阵并转置，将该展开转置操作记为f；3.2）采用分解最小条件数变换矩阵A对三维多光谱噪声图像Y执行变换，得到变换后的多光谱噪声图像Z如式（5）所示；Z=f-1(Af(Y))（5）上式中，f-1表示展开转置操作f的逆操作，A表示分解最小条件数变换矩阵，f(Y)为对三维多光谱噪声图像Y执行展开转置操作得到的结果；3.3）对变换后的多光谱噪声图像Z进行逐波段归一化。可选地，步骤3.3）对变换后的多光谱噪声图像Z进行逐波段归一化时，针对其中任意第i个波段Zi进行归一化操作的函数表达式如式（6）所示，且归一化后各波段的噪声强度的函数表达式如式（7）所示；（6）上式中，为第i个波段Zi的归一化操作结果，ai,k表示分解最小条件数变换矩阵A的第i行第k列元素，|ai,j|表示分解最小条件数变换矩阵A的第i行第j列元素ai,j的绝对值，C为输入的三维多光谱噪声图像Y的波段数；（7）上式中，为第i个波段Zi的归一化后的噪声强度，δi为第i个波段Zi的归一化前的噪声强度，|ai,j|表示分解最小条件数变换矩阵A的第i行第j列元素ai,j的绝对值，C为输入的三维多光谱噪声图像Y的波段数。可选地，步骤4）中对第一分量进行去噪是指采用预设的单通道图像去噪方法进行去噪。可选地，步骤4）中对第二分量进行去噪是指采用预设的多光谱图像去噪方法进行去噪。可选地，步骤5）的步骤包括：将第一分量的去噪结果放入整个去噪结果的第一个波段位置，第二分量的去噪结果放入整个去噪结果的其余波段位置，计算分解最小条件数变换矩阵A的逆，并以此按照与正向变换相同的方式进行逆变换，得到最终的去噪后的多光谱噪声图像。此外，本专利技术还提供一种基于分解最小条件数变换的多光谱图像去噪系统，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分解最小条件数变换的多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分解最小条件数变换的多光谱图像去噪系统，包括计算机设备，该计算机设备的存储器中存储有被编程或配置以执行所述基于分解最小条件数变换的多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中存储有被编程或配置以执行所述基于分解最小条件数变换的多光谱图像去噪方法的计算机程序。和现有相比，本专利技术具有下述优点：本专利技术方法包括根据输入的三维多光谱噪声图像Y，设计并计算得到分解最小条件数变换矩阵A；对输入的三维多光谱噪声图像Y进行变换，得到变换后的多光谱噪声图像Z；将变换后的多光谱噪声图像Z的第一个波段作为第一分量，其余波段作为第二分量，并分别对第一分量、第二分量进行去噪；组合去噪后的第一分量、第二分量得到去噪后的多光谱噪声图像，从而能够有效地利用全局光谱相关性，提升多光谱图像去噪的性能，能够有效改善去噪后图像的量化结果和视觉效果，同时增加的时间代价小，可以广泛应用于多光谱图像去噪领域中，具有简洁高效的优点。附图说明图1为本专利技术实施例方法的基本流程示意图。图2为本专利技术实施例方法的基本原理示意图。图3为现有多种多光谱图像去噪方法在利用本实施例方法前后的去噪结果比较示意图。具体实施方式如图1所示，本实施例基于分解最小条件数变换的多光谱图像去噪方法包括：1本文档来自技高网...

【技术保护点】
1.一种基于分解最小条件数变换的多光谱图像去噪方法，其特征在于该方法包括：/n1）输入三维多光谱噪声图像Y；/n2）根据输入的三维多光谱噪声图像Y，设计并计算得到分解最小条件数变换矩阵A；/n3）对输入的三维多光谱噪声图像Y进行变换，得到变换后的多光谱噪声图像Z；/n4）将变换后的多光谱噪声图像Z的第一个波段作为第一分量，其余波段作为第二分量，并分别对第一分量、第二分量进行去噪；/n5）组合去噪后的第一分量、第二分量得到去噪后的多光谱噪声图像。/n

【技术特征摘要】
1.一种基于分解最小条件数变换的多光谱图像去噪方法，其特征在于该方法包括：
1）输入三维多光谱噪声图像Y；
2）根据输入的三维多光谱噪声图像Y，设计并计算得到分解最小条件数变换矩阵A；
3）对输入的三维多光谱噪声图像Y进行变换，得到变换后的多光谱噪声图像Z；
4）将变换后的多光谱噪声图像Z的第一个波段作为第一分量，其余波段作为第二分量，并分别对第一分量、第二分量进行去噪；
5）组合去噪后的第一分量、第二分量得到去噪后的多光谱噪声图像。


2.根据权利要求1所述的基于分解最小条件数变换的多光谱图像去噪方法，其特征在于，步骤2）中设计并计算得到分解最小条件数变换矩阵A的步骤包括：
2.1）约束分解最小条件数变换矩阵A的条件数等于1，其函数表达式如式（1）所示；
cond(A)=||A||·||A-1||=1（1）
上式中，cond(A)表示分解最小条件数变换矩阵A的条件数；
分解最小条件数变换矩阵A的函数表达式如式（2）所示；
A=[a1,a2,…,aC]T（2）
上式中，a1,a2,…,aC表示分解最小条件数变换矩阵A的行向量，C为输入的三维多光谱噪声图像Y的波段数；
为分解最小条件数变换矩阵A增加约束条件的函数表达式如式（3）所示；
a1=[1/C,1/C,…,1/C]T（3）
上式中，a1表示分解最小条件数变换矩阵A的第一个行向量，C为输入的三维多光谱噪声图像Y的波段数，行向量a1用于对多光谱噪声图像全部波段取平均，对应部分代表第一分量，而行向量a2-aC对应部分代表第二分量；
2.2）根据式（3）所示约束条件并结合数学归纳法求解得到分解最小条件数变换矩阵A的一个特解如式（4）所示，从而得到分解最小条件数变换矩阵A；

（4）
上式中，ai,j表示分解最小条件数变换矩阵A的第i行第j列元素，C为输入的三维多光谱噪声图像Y的波段数，ak,1表示分解最小条件数变换矩阵A的第k行第1列元素，ai,1表示分解最小条件数变换矩阵A的第i行第1列元素。


3.根据权利要求1所述的基于分解最小条件数变换的多光谱图像去噪方法，其特征在于，步骤3）的步骤包括：
3.1）将输入的三维多光谱噪声图像Y沿着与各个波段平面平行的方向展开成矩阵并转置，将该展开转置操作记为f；
3.2）采用分解最小条件数变换矩阵A对三维多光谱噪声图像Y执行变换，得到变换后的多光谱噪声图像Z如式（5）所示；
Z=f-1(Af(Y))（5）
上式中，f-1表示展开转置操作f的逆操作...

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