一种基于高斯-威沙特先验的高光谱图像去噪方法技术

本发明专利技术公开了一种基于高斯

【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张量的和，秩一张量的个数即为CP秩。Tucker分解，是高阶SVD方法，将张量分解成核张量和每个模式下的因子矩阵。N维的张量，具有N个因子矩阵，张量秩包括这个N个模式下所有的秩。两种方法求解张量秩都是一个NP
‑
Hard问题，非参数贝叶斯方法的应用可以在学习因子矩阵的同时估计张量的秩。但由于需要人为的估计一个较大的输入作为秩，因子之间存在相关性。传统的非参数贝叶斯方法认为因子之间不相关，算法的灵活性和去噪性能有待提高。另外，实际情况中，噪声往往是未知的，现有的张量低秩方法往往需要噪声方差作为输入，实际应用中适应性较差。

技术实现思路

[0005]本专利技术为了克服现有技术的不足和提高去噪性能，提出了一种基于高斯
‑
威沙特先验的高光谱图像去噪方法。首先，将图像分割成块，采用K
‑
means++聚类方法将块分为多个组，有效利用图像空间维的非局部自相似性。然后利用非参数贝叶斯CP分解模型对每一组的张量进行分解，采用高斯
‑
威沙特先验探索因子间的相关性，采用Gibbs采样方法进行参数推断。最后通过正则化参数平衡每一次的输入，经多次迭代得到去噪结果。
[0006]本专利技术解决其技术问题所采用的技术方案是：一种基于高斯
‑
威沙特先验的高光谱图像去噪方法，其具体操作步骤如下：
[0007]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，H分别是高光谱图像空间维的长和宽，S为光谱的波段数。
[0008]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。
[0009]步骤3)在非参数贝叶斯CP分解模型中，每一个大小为(d
w
d
H
)
×
S
×
L的输入张量组表示为其CP分解可表示为：
[0010][0011]表示待重建的干净的张量组，λ
r
表示因子的权重系数，R表示CP秩，1≤r≤R。表示因子向量，因子矩阵
[0012]在贝叶斯分析中，需要指定先验分布，讨论参数的概率分布。假设噪声ε服从精度为τ
ε
的高斯分布，τ
ε
服从伽马先验；CP分解的权重系数λ
r
的先验设置为Multiplicative Gamma Process(MGP)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，即上述的CP分解系数、因子矩阵以及噪声精度等。
[0013]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：即为重建的干净的图像组。
[0014]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。
[0015]步骤6)将本次重建的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图像。
[0016][0017]其中表示原始含噪声的高光谱图像，表示本次结果，f表示非参数贝叶斯CP分解模型，表示下一次处理的结果。经步骤1
‑
6N次迭代后，第N次的重建结果输出为本方法最终的高光谱图像去噪结果。
[0018]本专利技术采用以上技术方案与现有技术相比，具有以下有益效果：
[0019]该技术方案主要用于解决高光谱图像中的噪声干扰问题，能够去除高光谱图像中包含的高斯噪声、椒盐噪声以及混合噪声等多种噪声。采用K
‑
means++对图像块聚类，有效利用高光谱图像在空间维中的非局部相似性；采用CP分解的方式，更好的表示高维数据的内部结构；采用基于高斯
‑
威沙特先验的非参数贝叶斯方法，不仅可以自适应的推断CP秩和噪声强度，还可以灵活探索因子间的相关性；通过正则化系数平衡输入图像，深度提取图像中的纹理和边缘信息，进一步提高了对噪声的去噪能力。本专利技术不需要噪声方差作为输入，具有良好的去噪效果和适用性。
附图说明
[0020]图1是本专利技术方法的流程图。
[0021]图2是包含高斯噪声的高光谱图像和使用本专利技术去噪后的高光谱图像。
[0022]图3是包含椒盐噪声的高光谱图像和使用本专利技术去噪后的高光谱图像。
[0023]图4是包含高斯
‑
椒盐混合噪声的高光谱图像和使用本专利技术去噪后的高光谱图像。
具体实施方式
[0024]下面结合附图，进一步说明本专利技术的技术方案。
[0025]本专利技术一种基于高斯
‑
威沙特先验的高光谱图像去噪方法，包括以下步骤：
[0026]步骤1)噪声观测模型
[0本文档来自技高网...

【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
‑
...

【专利技术属性】
技术研发人员：张雪松，来金枝，张康，江静，
申请(专利权)人：北京联合大学，
类型：发明
国别省市：