基于三重低秩模型的高光谱图像去噪方法技术

本发明专利技术提供一种基于三重低秩模型的高光谱图像去噪方法，首先从含噪声的高光谱图像中依次提取图像块，再对提取的所有图像块分别进行三重低秩优化重构模型(即包括低秩部分约束、低秩部分与线性变换域噪声图像之间的约束以及低秩部分自相关性约束)，去除稀疏噪声，最后通过对重构图像块的重叠像素进行加权平均得到去噪的高光谱图像。低秩部分与线性变换域噪声图像之间的约束可以提高模型的鲁棒性以及图像去噪的精度，低秩部分自相关性约束可以使得该去噪模型相比较于其他去噪模型对死线噪声的去除效果更佳优越。

【技术实现步骤摘要】
基于三重低秩模型的高光谱图像去噪方法
本专利技术涉及一种解决高光谱图像中条纹、死线、椒盐噪声等类型噪声的去噪算法，属于遥感图像处理领域。
技术介绍
高光谱图像是一种具有数十、甚至上百个连续光谱波段的遥感图像，能提供目标区域的丰富的光谱信息，在地物分类和环境监测等领域具有广泛应用。然而在成像过程中，由于受到大气干扰、物理设备自身技术上的局限性以及传输带宽等因素影响，获取的高光谱图像往往受到各种噪声的影响，降低了高光谱图像的质量，对高光谱图像后续应用产生不利的影响。高光谱图像去噪是一种能有效降低噪声的图像处理技术，受到了人们的广泛关注。常见高光谱图像去噪算法包括小波变换算法、优化重构算法和稀疏低秩算法等。小波变换算法主要是通过对高光谱图像进行小波变换，将其分解成不同尺度上的高频和低频，噪声主要集中在高频子带，从而实现对图像信息与噪声之间的分离。全变分约束是优化重构类算法常用的先验约束，其主要约束图像中相邻像素之间的差，但全变分约束产生阶跃效应。稀疏低秩算法是目前较流行的一类高光谱图像去噪技术，比如鲁棒主成分分析。通过低秩约束刻画无噪声高光谱本文档来自技高网...

【技术保护点】
1.一种基于三重低秩模型的高光谱图像去噪方法，其特征在于，包括如下步骤：/n步骤1：从高光谱图像中依次提取若干个图像块；/n步骤2：构建三重低秩优化重构模型，所述三重低秩优化重构模型包括低秩部分约束、低秩部分与线性变换域噪声图像之间的约束以及低秩部分自相关性约束；/n步骤3：将若干个图像块变换构成的矩阵作为三重低秩优化重构模型的输入，对三重低秩优化重构模型进行交替迭代依次求解，输出重构图像块；/n步骤4：对重构图像块的重叠像素进行加权平均得到去噪的高光谱图像。/n

【技术特征摘要】
1.一种基于三重低秩模型的高光谱图像去噪方法，其特征在于，包括如下步骤：
步骤1：从高光谱图像中依次提取若干个图像块；
步骤2：构建三重低秩优化重构模型，所述三重低秩优化重构模型包括低秩部分约束、低秩部分与线性变换域噪声图像之间的约束以及低秩部分自相关性约束；
步骤3：将若干个图像块变换构成的矩阵作为三重低秩优化重构模型的输入，对三重低秩优化重构模型进行交替迭代依次求解，输出重构图像块；
步骤4：对重构图像块的重叠像素进行加权平均得到去噪的高光谱图像。


2.根据权利要求1所述的一种基于三重低秩模型的高光谱图像去噪方法，其特征在于，步骤2中所述三重低秩优化重构模型为：



其中，为从噪声高光谱图像中提取的图像块变换成的矩阵,其中i∈[1，M-m+1]，j∈[1，N-n+1]，Ai，j是矩阵Xi，j的线性变换矩阵，Bi，j是噪声高光谱图像X的低秩部分Li，j的自相关变换矩阵，||Li，j||*是表示关于Li，j的核范数，||Ei，j||1则是关于Ei，j的l1范数，||·||F表示矩阵的F-范数，λv(v＝1，2，3，4，5)是平衡系数。


3.根据权利要求2所述的一种基于三重低秩模型的高光谱图像去噪方法，其特征在于，步骤3中三重低秩优化重构模型的求解步骤包括：
步骤3.1：引入辅助变量将问题(1)等价变换为：



问题(2)的增广拉格朗日函数为：



其中μ为惩罚参数，Y1，Y2，Y3，Y4，Y5为拉格朗日乘子；
步骤3.2：将增广拉格朗日函数(3)的最小优化问题分解为若干个子问题进行交替迭代优化，所述若干个子问题包括Li，j子优化问题、Ei，j子优化...

【专利技术属性】
技术研发人员：尹海涛，余曦，陈海涛，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32