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γ范数；根据所述γ范数表示的非凸低秩张量、l1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<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γ范数，所述γ范数用于近似张量的非凸秩函数；根据所述γ范数表示的非凸的低秩张量、l1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γ范数，包括：基于Tucker分解构造用于近似张量的非凸秩函数的γ范数，其中，所述γ范数为：其中，表示张量的γ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，f
γ
表示γ函数，σ(A)表示张量的奇异值，γ表示参数，w
i
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γ范数表示的非凸的低秩张量、l1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γ范数表示的非凸的低秩张量、l1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：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导出所述非凸的低秩张量逼近模型的增广拉...

【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：南方科技大学，
类型：发明
国别省市：