一种基于三维变分网络的高光谱图像深度降噪的方法技术

本发明专利技术公开了一种基于三维变分网络的高光谱图像深度降噪的方法，包括以下步骤：基于噪声估计与图像去噪构建贝叶斯推理框架；基于贝叶斯推理框架构建非i.i.d.噪声估计子网络3D‑DNet及噪声分布子网络3D‑SNet；构建目标函数，利用目标函数对非i.i.d.噪声估计子网络3D‑DNet及噪声分布子网络3D‑SNet进行训练；利用训练后的非i.i.d.噪声估计子网络3D‑DNet及噪声分布子网络3D‑SNet预测高光谱图像(HSI)的干净HSI O及噪声分布σ

【技术实现步骤摘要】
一种基于三维变分网络的高光谱图像深度降噪的方法
本专利技术属于高光谱图像降噪
，涉及一种基于三维变分网络的高光谱图像深度降噪的方法。
技术介绍
高光谱图像(HyperspectralImage，HSI)是包含同一空间位置较大数量的连续窄波段图像，是由二维(2D)空间信息和一维(1D)光谱信息组成的三维(3D)数据，在环境监测、精准农业，矿物识别、军事监视等领域中得到了广泛的应用。然而HSI在获取、传输过程中，往往受到各种因素影响，导致图像模糊、含有噪声等，从而严重影响了后续的HSI分类、目标识别等操作。因此，HSI去噪是非常重要的图像预处理工作。目前，已经提出了许多HSI去噪的方法，与普通图像不同的是，HSI是三维立方体的形式，那么如何与空间和光谱特征协同结合是HSI降噪的关键点。根据现有的HSI去噪方法，大多数经典的方法通常依赖于HSI的典型先验，通过设计优化模型来生成去噪结果。例如，Yuan等人提出了总变分模型，该模型同时考虑了空间和光谱维度；Xue等人提出了一种非局部低秩正则化张量分解(NLR-CPTD)技术，充分利用了跨频本文档来自技高网...

【技术保护点】
1.一种基于三维变分网络的高光谱图像深度降噪的方法，其特征在于，包括以下步骤：/n基于噪声估计与图像去噪构建贝叶斯推理框架；/n基于贝叶斯推理框架构建非i.i.d.噪声估计子网络3D-DNet及噪声分布子网络3D-SNet；/n构建目标函数，利用目标函数对非i.i.d.噪声估计子网络3D-DNet及噪声分布子网络3D-SNet进行训练；/n利用训练后的非i.i.d.噪声估计子网络3D-DNet及噪声分布子网络3D-SNet预测高光谱图像(HSI)的干净HSI O及噪声分布σ

【技术特征摘要】
1.一种基于三维变分网络的高光谱图像深度降噪的方法，其特征在于，包括以下步骤：
基于噪声估计与图像去噪构建贝叶斯推理框架；
基于贝叶斯推理框架构建非i.i.d.噪声估计子网络3D-DNet及噪声分布子网络3D-SNet；
构建目标函数，利用目标函数对非i.i.d.噪声估计子网络3D-DNet及噪声分布子网络3D-SNet进行训练；
利用训练后的非i.i.d.噪声估计子网络3D-DNet及噪声分布子网络3D-SNet预测高光谱图像(HSI)的干净HSIO及噪声分布σ2。


2.根据权利要求1所述的基于三维变分网络的高光谱图像深度降噪的方法，其特征在于，基于噪声估计与图像去噪构建贝叶斯推理框架的具体过程为：
将含噪的HSI线性建模为：
Y＝X+v(1)
其中，Y，X，v∈RP×Q×N，Y，X，v分别表示含噪的HIS、无噪的HIS及非i.i.d.噪声，P、Q及N分别表示空间高度、空间宽度及光谱带的数量，通过构建式(2)表示含噪HSIY的生成过程：



其中，N(·|μ,σ2)表示均值为μ、方差为σ2的高斯分布，O表示Y中潜在的干净的HSI，假设HSI中的噪声为非i.i.d.分布的，对于噪声方差引入有理共轭先验，即：



其中，IG(·|α,β)表示参数α及β的反伽马分布，ξ表示r×r窗口内通过高斯滤波对残差图的滤波结果；
对O施加如式(4)所示的共轭先验：



其中，为度量O与X之间相似性的超参数；
结合式(2)至式(4)，得完整的贝叶斯推理框架。


3....

【专利技术属性】
技术研发人员：刘帅，洪彩霞，许翔，肖嘉华，吴吉鑫，蒋承骥，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61