高光谱图像去噪方法、装置、系统及介质制造方法及图纸

本申请涉及高光谱图像去噪方法、装置、系统及介质，方法包括：基于Tucker分解下构造范数；根据所述范数表示的非凸低秩张量、范数表示的稀疏噪声分量和F范数的平方表示的高斯噪声分量，构建非凸的低秩张量逼近模型；根据所述非凸的低秩张量逼近模型对受破坏的高光谱图像进行去噪处理。本申请通过非凸的低秩张量逼近模型，更好地捕捉高光谱图像沿不同模态展开的低秩特性，以不同的方式减少奇异值，达到保留干净的HSIs内在结构和抑制噪声的效果。效果。效果。

【技术实现步骤摘要】
高光谱图像去噪方法、装置、系统及介质


[0001]本申请属于高光谱图像处理
，尤其涉及高光谱图像去噪方法、装置、系统及介质。

技术介绍

[0002]高光谱图像（HSIs，Hyperspectral Images）包含丰富的空间和光谱信息，在许多领域有着广泛的应用，如食品安全、矿产勘探、农业生产和城市规划。但是，HSIs在采集过程中不可避免地受到各种因素的破坏，如光子效应和传输误差，导致HSIs受到各种噪声的干扰，如高斯噪声、脉冲噪声、条纹噪声和死线。噪声破坏会严重限制HSIs的后续应用，包括分类、解混和异常检测。因此，HSIs去噪或恢复是一个重要的过程。
[0003]早期的HSIs去噪方法主要是基于矩阵或向量的方法，将三阶HSIs数据重新排列成矩阵或向量，用秩函数来描述低秩。然而，HSIs本质是一个三阶张量，直接重排成矩阵或向量会破坏其固有的结构，不能完全利用HSIs数据的内在属性。
[0004]由于考虑到HSIs数据是一个三阶张量，目前提出了基于张量分解的高光谱图像恢复模型，可以有效挖掘高维数据的内在属性，同时考虑空间
‑
光谱信息。近年来常用的三种张量分解算法，分别为CP（CANDECOMP/PARAFAC）分解、张量奇异值分解（t
‑
SVD）和Tucker分解。基于CP分解的恢复方法计算CP秩是NP困难的；基于t
‑
SVD的恢复方法只适用于三阶张量，而且不够灵活，无法处理张量沿不同模态展开的关联性；基于Tucker分解的恢复方法张量通过不同的模态展开数据，可以充分考虑多维数据的低秩特性，如低秩张量逼近（LRTA）模型。并且基于低秩张量逼近模型，提出了一种称为核范数之和（SNN）的Tucker秩的凸替代，以修复Tucker分解概念中的低秩张量的缺失项。然而，上述这些方法倾向于平等对待所有奇异值，不能有效地处理不同奇异值的差异。

技术实现思路

[0005]有鉴于此，本申请实施例提供了一种高光谱图像去噪方法、装置、系统及介质，以解决现有技术中的高光谱图像去噪方法无法处理不同奇异值的差异，以达到更好的去除噪声的问题。
[0006]本申请实施例的第一方面提供了一种高光谱图像去噪方法，包括：基于Tucker分解构造范数，所述范数用于近似张量的非凸秩函数；根据所述范数表示的非凸的低秩张量、范数表示的稀疏噪声分量和F范数的平方表示的高斯噪声分量，构建非凸的低秩张量逼近模型；根据所述非凸的低秩张量逼近模型对待去噪高光谱图像进行去噪处理。
[0007]示例性地，所述基于Tucker分解构造范数，包括：基于Tucker分解构造用于近似张量的非凸秩函数的范数，其中，所述范数为：（1）
其中，表示张量的范数，表示实数域，m表示张量展开的模态的数量，s表示分解后的奇异值的个数，表示函数，σ(A)表示张量的奇异值，表示参数，表示沿不同模态展开的数据的权重。
[0008]示例性地，所述根据所述范数表示的非凸的低秩张量、范数表示的稀疏噪声分量和F范数的平方表示的高斯噪声分量，构建非凸的低秩张量逼近模型，包括：获取含有噪声的待去噪高光谱图像，其中，表示实数域，n1、n2、n3分别表示高光谱图像展开的第一模态、第二模态和第三模态；根据所述范数表示的非凸的低秩张量、范数表示的稀疏噪声分量和F范数的平方表示的高斯噪声分量，构建非凸的低秩张量逼近模型为：（2）其中，表示含有噪声的待去噪高光谱图像，表示不含噪声的高光谱图像，表示稀疏噪声，表示高斯噪声，α和β表示用于平衡和的正则化参数。
[0009]示例性地，在所述构建非凸的低秩张量逼近模型之后，还包括：引入辅助变量；根据所述辅助变量推导出所述非凸的低秩张量逼近模型的增广拉格朗日函数为：（3）其中，和为拉格朗日乘子，展开矩阵为由以的模向量为其列组成的，和为惩罚参数。
[0010]根据所述增广拉格朗日函数更新。
[0011]示例性地，所述根据所述增广拉格朗日函数更新，包括：根据所述增广拉格朗日函数得到的关系为：（4）根据关系式分别求解更新：
（5）（6）（7）（8）示例性地，和。
[0012]示例性地，在所述根据所述非凸的低秩张量逼近模型对待去噪高光谱图像进行去噪处理之后，还包括：选取峰值信噪比、结构相似度和特征相似度对去噪处理后的高光谱图像进行定量评价。
[0013]本申请实施例的第二方面提供了一种高光谱图像去噪装置，包括：构造模块，用于基于Tucker分解构造范数，所述范数用于近似张量的非凸秩函数；构建模块，用于根据所述范数表示的非凸的低秩张量、范数表示的稀疏噪声分量和F范数的平方表示的高斯噪声分量，构建非凸的低秩张量逼近模型；去噪模块，用于根据所述非凸的低秩张量逼近模型对待去噪高光谱图像进行去噪处理。
[0014]本申请实施例的第三方面提供了一种高光谱图像去噪系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述方法的步骤。
[0015]本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。
[0016]本申请实施例与现有技术相比存在的有益效果是：本申请实施例通过构造一个全新的范数，有效地替代传统的核范数去逼近张量的秩函数，能够更好地捕捉高光谱图像沿不同模态展开的低秩特性，以不同的方式减少奇异值，更好地达到去除噪声的效果；本申请实施例基于范数表示的非凸的低秩张量，结合范数和F范数构建非凸的低秩张量逼近模型，与基于矩阵的去噪模型相比，可以更充分地利用高光谱图像的空间信息和光谱信息，有效地去除稀疏噪声、高斯噪声、条纹噪声和死线等混合噪声；而且，针对非凸优化问题，提出了拉格朗日算法对模型进行优化，证明该算法在一定的假设条件下具有收敛性保证，在低秩张量近似和噪声建模方面比现有的方法具有更好的去噪性能，更有效地恢复图像和保存细节。
附图说明
[0017]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述
中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0018]图1是本申请实施例提供的一种高光谱图像去噪方法的实现流程示意图；图2是本申请实施例提供的HSIs三种不同模态展开的示意图；图3是本申请实施例提供的基于张量和基于矩阵的恢复HSIs的近似方法对高光谱图像去噪处理结果的示意图；图4是本申请实施例提供的在PaC（Pavia Centre）、WDC（Washington DC Mall）、Cuprite三个模拟数据集上采用8种去噪方法对5种噪声情况的评估指标和运行时间的数据列表的示意图；图5是本申请实施例提供的在PaC数据集上8种去噪方法的PSNR和SSIM值的示意图；图6是本申请实施例提供的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高光谱图像去噪方法，其特征在于，包括：基于Tucker分解构造范数，所述范数用于近似张量的非凸秩函数；根据所述范数表示的非凸的低秩张量、范数表示的稀疏噪声分量和F范数的平方表示的高斯噪声分量，构建非凸的低秩张量逼近模型；根据所述非凸的低秩张量逼近模型对待去噪高光谱图像进行去噪处理。2.根据权利要求1所述的一种高光谱图像去噪方法，其特征在于，所述基于Tucker分解构造范数，包括：基于Tucker分解构造用于近似张量的非凸秩函数的范数，其中，所述范数为：（1）其中，表示张量的范数，表示实数域，m表示张量展开的模态的数量，s表示分解后的奇异值的个数，表示函数，σ(A)表示张量的奇异值，表示参数，表示沿不同模态展开的数据的权重。3.根据权利要求2所述的一种高光谱图像去噪方法，其特征在于，所述根据所述范数表示的非凸的低秩张量、范数表示的稀疏噪声分量和F范数的平方表示的高斯噪声分量，构建非凸的低秩张量逼近模型，包括：获取含有噪声的待去噪高光谱图像，其中，n1、n2、n3分别表示高光谱图像展开的第一模态、第二模态和第三模态；根据所述范数表示的非凸的低秩张量、范数表示的稀疏噪声分量和F范数的平方表示的高斯噪声分量，构建非凸的低秩张量逼近模型为：（2）其中，表示含有噪声的待去噪高光谱图像，表示不含噪声的高光谱图像，表示稀疏噪声，表示高斯噪声，α和β表示用于平衡和的正则化参数。4.根据权利要求3所述的一种高光谱图像去噪方法，其特征在于，在所述构建非凸的低秩张量逼近模型之后，还包括：引入辅助变量
根据所述辅助变量推...

【专利技术属性】
技术研发人员：鲁坚，涂志辉，徐晨，王跃飞，陈之兵，张进，
申请(专利权)人：深圳大学，
类型：发明
国别省市：