【技术实现步骤摘要】
一种基于高斯
‑
威沙特先验的高光谱图像去噪方法
[0001]本专利技术涉及图像处理领域,具体涉及一种基于高斯
‑
威沙特先验的高光谱图像去噪方法,可用于去除高光谱图像采集过程中带来的高斯噪声、椒盐噪声以及混合噪声等多种类型的噪声。
技术介绍
[0002]高光谱图像凭借丰富的可用光谱信息,在许多监测任务中得到了持续发展和广泛应用,典型应用包括目标探测、环境监测、地物识别、医学断层分析等。然而,由于高光谱图像数据量大,且成像受环境、采集设备等因素的影响,图像不可避免的受到噪声破坏。去噪是高光谱图像领域的一个研究热点,因其作为一个关键的预处理过程,为后续需要提取空间
‑
光谱信息的应用,例如光谱解混、分类和目标检测等提供了质量保障。
[0003]针对高光谱图像去噪问题,国内外与研究者已提出了多种方法。经典的去噪算法包括:小波变换算法、奇异值分解算法和优化重构算法等。这些算法将高维数据向量化,采用二维图像的处理方法,这不仅会破坏高维数据的内部结构,丢失给数据的原有信息,也失去了高维数据光谱信息丰富的优势。为了更好的使用光谱相关性等信息,稀疏和低秩模型被应用到高光谱图像去噪,尤其是基于张量分解和贝叶斯结合的方法,通过稀疏和低秩先验,不仅提高了对高光谱图像的三维结构的表示能力,还考虑到高光谱图像的空间局部自相似性和光谱相关性。
[0004]张量分解主要包括两种分解形式:Tucker分解和CANDECOMP/PARAFAC(CP)分解。CP分解是将张量分解成多个秩一 ...
【技术保护点】
【技术特征摘要】
1.一种基于高斯
‑
威沙特先验的高光谱图像去噪方法,包括以下步骤:步骤1)获取受到噪声污染的高光谱图像其中表示噪声图像,表示噪声,可以是高斯噪声,椒盐噪声以及混合噪声等,为待恢复的干净图像,W和H分别是高光谱图像空间维的长和宽,S为光谱的波段数;步骤2)提取尺寸为d
w
×
d
H
×
S的有重叠的全波段图像块,其中d
w
,d
H
为图像块的尺寸,采用K
‑
means++聚类将图像块划分为C个组,然后将组中的图像块变换为(d
w
d
H
)
×
S二维数据,依次将组输入到非参数贝叶斯CP分解模型中;步骤3)在非参数贝叶斯CP分解模型中,假设噪声服从精度为τ
ε
的高斯分布,τ
ε
服从伽马先验;为CP分解的权重系数λ
r
设置乘性伽马过程先验;假设CP分解的因子行向量服从多元高斯分布,均值和方差服从高斯
‑
威沙特先验,通过共轭先验和似然函数的关系推导出参数的后验概率公式,Gibbs采样依次更新待估计的参数,所述待估计的参数为CP分解系数,因子矩阵以及噪声精度;步骤4)由Gibbs采样得到的CP分解权重系数和因子矩阵重建图像组;步骤5)所有图像组重建完成后,还原图像块,并均值平滑图像块重叠处,重建本次恢复的图像;步骤6)将本次迭代结果和原始输入图像经过正则化系数α
n
平衡后,作为下一次迭代的输入;经步骤1
‑
6多次迭代,输出最后一次的重建结果。2.如权利要求1所述的一种基于高斯
‑
威沙特先验的高光谱图像去噪方法,其特征在于:步骤2)包括以下步骤:输入原始含有噪声的高光谱图像初始化子块的尺寸为d
w
,d
H
,扫描步长为p,1≤p<min(d
w
,d
H
),将高光谱图像分割成重叠的图像块,块的个数为((W
‑
d
w
)/p+1)*((H
‑
d
h
)/p+1),通过K
‑
means++聚类方法,设置初始聚类个数C,将相似的块聚成一组维度为d
w
×
d
H
×
S
×
L的四维张量,其中L为一组中块的个数,将组中的每一个图像块沿空间维展开成二维数据,每一组变成了维度为(d
w
d
H
)
×
S
×
L的三维张量,将此C组三维张量输入到下一步骤。3.如权利要求1所述的一种基于高斯
‑
...
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。