一种高光谱图像的去噪模型训练方法及去噪方法技术

本发明专利技术公开了一种高光谱图像的去噪模型训练方法及去噪方法。其去噪模型训练方法包括如下步骤：(1)对获取的高光谱图像数据集做预处理，获得无噪数据集，然后加入不同方差的高斯白噪声，生成有噪数据集；(2)对方差扩充维度，得到与图像同等大小的噪声水平图；(3)将有噪数据集和噪声水平图构成样本数据组进行训练，得到噪声估计子网络模型；(4)利用噪声估计子网络模型预测得到噪声水平图，并将噪声水平图和有噪数据合并，与无噪数据集作为样本数据组进行训练，得到高光谱图像去噪模型。本发明专利技术采用了训练子网络的方法估计噪声方差，使得去噪模型不仅对高光谱图像去噪效果显著，而且实现了处理不同噪声方差的盲去噪效果。

【技术实现步骤摘要】
一种高光谱图像的去噪模型训练方法及去噪方法
本专利技术涉及人工智能领域，特别涉及一种高光谱图像去噪模型的训练方法，以及利用去噪模型对高光谱图像进行去噪的方法。
技术介绍
高光谱图像由于其丰富的光谱信息，不仅引起了遥感界的广泛关注，同时也引起了其他领域(如医学，农学，食品等)的极大兴趣。然而，高光谱图像在成像和传输过程中受限于成像设备以及外部环境等因素的干扰，会受到大量噪声污染，其中以高斯噪声为主。噪声的影响往往会严重干扰高光谱图像后续的分析和应用，因此高光谱去噪方法的研究至关重要。在相关现有技术中，四维块匹配滤波(Block-Matching4Dfiltering，BM4D)算法利用传统滤波的方式能取得很好的效果，但面对数据量大的高光谱图像，会损失较多的细节以及优化过程耗时过长。随着卷积神经网络在图像处理领域的极大应用，利用训练网络的方式进行高光谱图像去噪的方法发展迅速，但此类方法都只能处理单一方差的噪声，并且需要人为预先对其噪声方差进行估计。
技术实现思路
为了解决上述现有技术中存在的缺陷，本专利技术提供一种高光谱本文档来自技高网...

【技术保护点】
1.一种高光谱图像的去噪模型训练方法，其特征在于，该方法包括如下步骤：/n(1)对获取的高光谱图像数据集做预处理，获得无噪数据集，然后加入不同方差σ的高斯白噪声，生成有噪数据集；/n(2)对方差σ扩充维度，得到与图像同等大小的噪声水平图

【技术特征摘要】
1.一种高光谱图像的去噪模型训练方法，其特征在于，该方法包括如下步骤：
(1)对获取的高光谱图像数据集做预处理，获得无噪数据集，然后加入不同方差σ的高斯白噪声，生成有噪数据集；
(2)对方差σ扩充维度，得到与图像同等大小的噪声水平图
(3)将有噪数据集和噪声水平图构成样本数据组进行训练，得到噪声估计子网络模型；
(4)利用所述噪声估计子网络模型预测得到噪声水平图并将噪声水平图和有噪数据合并，与所述无噪数据集作为样本数据组进行训练，得到高光谱图像去噪模型。


2.根据权利要求1所述的一种高光谱图像的去噪模型训练方法，其特征在于，所述步骤(1)中，预处理的具体步骤为：将高光谱图像数据集裁剪至相同维度大小，并选取相同波段的高光谱图像数据，最后通过归一化处理，组成无噪数据集。


3.根据权利要求1所述的一种高光谱图像的去噪模型训练方法，其特征在于，所述步骤(1)中，生成有噪数据集的具体步骤为：
根据所述无噪数据集的高光谱图像维度，产生相同维度大小的高斯白噪声；其中，对于每张高光谱图像，其对应的高斯白噪声方差σ不同；将高光谱图像与高斯白噪声相加，得到有噪数据集。


4.根据权利要求1所述的一种高光谱图像的去噪模型训练方法，其特征在于，所述步骤(2)中，对方差σ扩充维度的具体步骤为：
对于高光谱图像(m,n,λ)，将该图像加入的方差σ乘以维度大小为(m,n,λ)的单位矩阵；经过扩维操作的噪声方差是代表了像素级的噪声水平图其中，m,n,λ分别代表了高光谱图像的维度大小。


5.根据权利要求1所述的一种高光谱图像的去噪模型训练方法，其特征在于，所述步骤(3)中，训练的具体步骤为：
通过将n组由所述有噪数据和对应的噪声水平图组成的样本数据组，利...

【专利技术属性】
技术研发人员：曹汛，王琛，姚一杨，张焱，王红凯，毛航银，邓智威，
申请(专利权)人：南京大学，国网浙江省电力有限公司，国网浙江省电力有限公司信息通信分公司，
类型：发明
国别省市：江苏;32