一种基于空谱联合神经网络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空谱联合神经网络的高光谱图像去噪方法，包括：图像预处理后，计算出图像的空间梯度和光谱梯度；建立空间光谱联合卷积网络，所述网络包括数据输入、多分辨率卷积模块、全级联模块和残差输出四个部分，数据输入网络，通过多分辨率卷积模块对空间数据、空间梯度和光谱梯度进特征提取；基于全级联模块的残差跳跃连接模式将提取的特征映射进行积分拼接，实现特征信息的充分融合，实现网络训练学习；最终通过残差输出模块实现噪声残差；训练后网络根据待处理图像的噪声特征和强度进行自适应判断去除。无需人工判读，有效利用图像自身特性实现深度降噪，通用性强，可有效提高图像质量，为后续图像分析和应用奠定基础。基础。基础。

【技术实现步骤摘要】
一种基于空谱联合神经网络的高光谱图像去噪方法


[0001]本专利技术涉及高光谱遥感探测领域，特别涉及到一种基于空谱联合神经网络的高光谱图像去噪方法。

技术介绍

[0002]高光谱相机因为谱段连续、光谱分辨率高，可同时获取地物的空间和光谱信息，具有突出的地物识别能力，已广泛应用于环境监测、矿物勘察、食品卫生、地物分类等领域。然而，由于探测器响应的非均匀性、非线性及成像过程中的光照条件、大气传输路径的变化等因素，所获取的高光谱图像数据中难免会受到噪声干扰，这种噪声往往会在信号能量较弱的谱段对图像质量产生较大的影响，进而影响高光谱图像数据的应用，因此寻找有效的合理算法，消除高光谱图像中存在的噪声干扰，进一步提升数据的质量，具有重要的意义和应用价值。
[0003]目前国内外对于高光谱图像去噪算法的研究大概可分为两类：基于模型优化的方法和基于数据驱动的方法。基于模型优化的方法通过分析图像退化的数学模型以及理想图像的先验知识，将图像质量提升这一典型的病态问题转化为可建模的目标优化问题，并通过迭代来求解，以实现不同的图像处理目的。这类方法往往数学形式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空谱联合神经网络的高光谱图像去噪方法，其特征在于包括如下步骤：步骤1.输入一景高光谱图像数据Y作为原始训练图像数据，对高光谱原始图像数据进行预处理后，计算出高光谱原始图像的空间梯度和光谱梯度；步骤2.建立空间光谱联合卷积网络，所述网络包括数据输入、多分辨率卷积模块、全级联模块和残差输出四个部分，所述数据输入包括原始图像当前波段空间数据、空间梯度和光谱梯度，通过多分辨率卷积模块对空间数据、空间梯度和光谱梯度进行特征提取；提取的特征经全级联模块向后传递，基于全级联模块的残差跳跃连接模式将提取的特征映射进行积分拼接，实现特征信息的充分融合，实现网络训练学习；最终通过残差输出模块实现噪声残差；步骤3.基于上述建立的空间光谱联合卷积网络学习步骤1中预处理的原始训练数据图像的噪声特征，构建空间光谱网络损失函数对网络进行损失计算，实现网络参数训练；步骤4.将待处理的高光谱图像输入上述训练完成的空间光谱联合卷积网络，根据待处理图像的噪声特征和强度进行自适应判断去除，得到校正后干净的高光谱图像。2.根据权利要求1所述的一种基于空谱联合神经网络的高光谱图像去噪方法，其特征在于，步骤1中所述高光谱原始图像数据预处理包括如下步骤：将图像像素值逐波段归一化到0～1的范围内，再将图像设置成一定大小进行切片裁剪，将裁剪后图像添加高斯、条带、死线及混合噪声，形成降质图像训练块。3.根据权利要求1所述的一种基于空谱联合神经网络的高光谱图像去噪方法，其特征在于，步骤1中所述高光谱原始图像的空间梯度包括水平梯度和垂直梯度，使用Sobel滤波器水平过滤器矩阵f
h
和垂直过滤器矩阵f
v
来计算，通过f
h
，f
v
和输入图像Y之间的卷积，可获得高光谱原始图像的水平梯度S
h
和垂直梯度S
v
：S
h
＝f
h
*Y
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)S
v
＝f
v
*Y
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)高光谱原始图像的光谱梯度S
s
为相邻两个波段图像对应像素值的差值：S
s
＝Y(m,n,k+1)
‑
Y(m,n,k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，Y(m,n,k+1)表示高光谱图像Y在空间横坐标为m，纵坐标为n，波段序号为k+1时的像素值；Y(m,n,k)表示高光谱图像Y在空间横坐标为m，纵坐标为n，波段序号为k时的像素值；则空间光谱联合信息F可表示为：F＝{Y
k
,S
h
,S
v
,S
s
}
ꢀꢀꢀꢀꢀꢀ...

【专利技术属性】
技术研发人员：孙德新，廉小颖，
申请(专利权)人：中国科学院上海技术物理研究所，
类型：发明
国别省市：