【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。专利技术内...
【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...
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。