CN111598795A - 一种基于张量环分解的高光谱图像去噪方法及装置 - Google Patents

一种基于张量环分解的高光谱图像去噪方法及装置 Download PDF

Info

Publication number
CN111598795A
CN111598795A CN202010344685.7A CN202010344685A CN111598795A CN 111598795 A CN111598795 A CN 111598795A CN 202010344685 A CN202010344685 A CN 202010344685A CN 111598795 A CN111598795 A CN 111598795A
Authority
CN
China
Prior art keywords
hyperspectral image
tensor
total variation
tensor ring
decomposition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010344685.7A
Other languages
English (en)
Other versions
CN111598795B (zh
Inventor
郑建炜
周力强
陈婉君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010344685.7A priority Critical patent/CN111598795B/zh
Publication of CN111598795A publication Critical patent/CN111598795A/zh
Application granted granted Critical
Publication of CN111598795B publication Critical patent/CN111598795B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于张量环分解的高光谱图像去噪方法及装置，包括获取带噪的高光谱图像数据，建立高光谱图像噪声的数学模型；结合全变分和张量环分解，构建基于全变分正则化张量环分解的高光谱图像去噪模型TR‑TV；在模型TR‑TV的基础上，将加权邻域均值三维全变分作为低秩项的非凸松弛，得到基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型TR‑WTDTV；引入辅助变量；优化去噪模型TR‑WTDTV，采用ADMM算法求解，获得降噪后的高光谱图像。本发明有良好的高光谱图像去噪效果。

Description

一种基于张量环分解的高光谱图像去噪方法及装置
技术领域
本发明属于高光谱图像处理技术领域，尤其涉及一种基于张量环分解的高光谱图像去噪方法及装置。
背景技术
随着高光谱成像技术的出现和近三十年的迅速发展，高光谱遥感已经成为空间遥感领域的关键技术，被广泛应用于地质勘探、农业遥测、水文监视和军事探测等重要领域。
由于大气干扰，传感器精度等各种因素，高光谱图像(HIS)在获取过程中有可能会受到高斯噪声、脉冲噪声和条带噪声等的影响。由于应用范围十分广泛，去噪成为在HSI后续应用前必不可少的预处理步骤。
围绕高光谱图像的去噪问题，国内外研究者们提出了很多的去噪方法。已有的高光谱图像去噪办法主要分为三类：第一类是基于滤波的去噪方法。基于滤波的高光谱图像去噪技术通常使用三维滤波，或在光谱/空间其中一个维度进行滤波去噪，另外维度使用其他方法去噪。第二类是基于低秩表示的方法。考虑到高光谱图像的三维结构，张量和多重线性代数常常被用于高光谱图像的低秩近似，经典的张量分解方法有CP分解，Tucker分解和张量环分解(Tensor Ring decomposition，TR)。第三类是基于全变分的方法。全变分(Total variation，TV)的图像去噪方法，其思想是无噪声的图像应具有平滑性，将带噪声图像通过全变分范数正则化，即可将噪声去除。基于TV的去噪算法能很好处理成片光滑的高光谱图像，但用于细节较多的高光谱图像，容易导致细节丢失。
发明内容
本申请的目的是提供一种基于张量环分解的高光谱图像去噪方法及装置，简称为TR-WTDTV，进一步提高高光谱图像去噪的效果。
为了实现上述目的，本申请技术方案如下：
一种基于张量环分解的高光谱图像去噪方法，包括：
获取带噪的高光谱图像数据，建立高光谱图像噪声的数学模型；
结合全变分和张量环分解，构建基于全变分正则化张量环分解的高光谱图像去噪模型；
在基于全变分正则化张量环分解的高光谱图像去噪模型的基础上，将加权邻域均值三维全变分作为低秩项的非凸松弛，构建基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型；
引入辅助变量
Figure BDA0002469640540000027
和
Figure BDA0002469640540000028
优化基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型；
采用ADMM算法求解优化后的基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型，获得降噪后的高光谱图像。
进一步的，所述高光谱图像噪声的数学模型为：
Figure BDA0002469640540000021
其中，
Figure BDA0002469640540000022
表示带噪的高光谱图像，
Figure BDA0002469640540000029
表示干净的高光谱图像，S表示稀疏噪声，
Figure BDA0002469640540000023
表示高密度噪声；
所述结合全变分和张量环分解，构建基于全变分正则化张量环分解的高光谱图像去噪模型为：
Figure BDA0002469640540000024
s.t.
Figure BDA0002469640540000025
其中，
Figure BDA0002469640540000026
Dv和Dt代表在水平与垂直方向的梯度操作子，τ是调整全变分的参数，λ是限制稀疏噪声的稀疏性参数，β是限制高斯噪声的参数，||·||1表示张量的L1范数，||·||F表示张量的Frobenius范数，G1(i1)、G2(i2)、G3(i3)是张量环核，i1、i2、i3是空间索引参数。
进一步的，所述在基于全变分正则化张量环分解的高光谱图像去噪模型的基础上，将加权邻域均值三维全变分作为低秩项的非凸松弛，构建基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型，包括：
首先，定义图像的邻域均值差分运算：
Figure BDA0002469640540000031
其中，(i,j,k)表示图像
Figure BDA0002469640540000032
对应的沿空间长度、宽度和谱段方向的坐标位置，
Figure BDA0002469640540000033
表示图像在位置(i,j,k)沿水平、垂直和光谱方向的差分运算之后得到的梯度值。
Figure BDA0002469640540000034
表示图像在位置的灰度值，
Figure BDA0002469640540000035
和
Figure BDA0002469640540000036
表示对应图像在位置(i,j,k)沿着空间长度、宽度和谱段方向平移一个位置的像素灰度值；
进而构造邻域均值差分操作算子Gs(·)，
Gs(·)＝[ρvGv(·)；ρtGt(·)；ρzGz(·)]
其中，Gv(·)、Gt(·)和Gz(·)分别表示水平、垂直和光谱三个不同方向的差分操作，ρs(s＝v,t,z)是用来控制对三个维度的约束强度的参数；
从而得到加权邻域均值三维全变分：
Figure BDA0002469640540000037
其中，wi,j,k是位置(i,j,k)上图像的梯度值权重；
在基于全变分正则化张量环分解的高光谱图像去噪模型的基础上，将加权邻域均值三维全变分作为低秩项的非凸松弛，得到基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型：
Figure BDA0002469640540000041
进一步的，所述引入辅助变量
Figure BDA0002469640540000042
和
Figure BDA0002469640540000043
优化基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型，优化后的模型表示为：
Figure BDA0002469640540000044
进一步的，所述采用ADMM算法求解优化后的基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型，获得降噪后的高光谱图像，包括：
步骤5.1、采用ADMM算法求解所述优化后的基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型，固定其它变量，更新
Figure BDA0002469640540000045
Figure BDA0002469640540000046
式中，u是惩罚系数，Λ1,Λ2,Λ3是拉格朗日乘子；
利用张量链分解，将对
Figure BDA0002469640540000047
的更新过程转化为先对三个张量环核的更新，可以转换得到如下形式：
Figure BDA0002469640540000048
通过更新后的张量环核G1(i1)(k+1),G2(i2)(k+1),G3(i3)(k+1)重建
Figure BDA00024696405400000413
Figure BDA0002469640540000049
步骤5.2、固定其它变量，更新
Figure BDA00024696405400000410
Figure BDA00024696405400000411
步骤5.3、固定其它变量，更新
Figure BDA00024696405400000412
Figure BDA0002469640540000051
步骤5.4、固定其它变量，更新s(k+1)：
Figure BDA0002469640540000052
步骤5.5、固定其它变量，更新
Figure BDA0002469640540000053
Figure BDA0002469640540000054
步骤5.6、固定其它变量，更新拉格朗日乘子：
Figure BDA0002469640540000055
步骤5.7、判断是否满足迭代终止条件，若
Figure BDA0002469640540000056
则终止迭代，输出无噪图像
Figure BDA0002469640540000057
否则，继续迭代更新。
本申请还提出了一种基于张量环分解的高光谱图像去噪装置，包括处理器以及存储有若干计算机指令的存储器，其特征在于，所述计算机指令被处理器执行时实现上述方法的步骤。
本申请提出的一种基于张量环分解的高光谱图像去噪方法及装置，具有如下有益效果是：
(1)该方法能有效去除高斯噪声、稀疏噪声和混合噪声；
(2)能有效利用干净的高光谱图像的低秩张量特性；
(3)考虑了空间维度和光谱维度之间的一致性，同时增强了空间和光谱的平滑性；
(4)能有效利用光谱信息，在去噪的同时，避免由此引起的光谱失真情况。
附图说明
图1为本申请基于张量环分解的高光谱图像去噪方法流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，一种基于张量环分解的高光谱图像去噪方法，所述方法包括以下步骤：
步骤S1、获取带噪的高光谱图像数据，建立高光谱图像噪声的数学模型。
本实施例建立的高光谱图像噪声数学模型如下：
Figure BDA0002469640540000061
其中，
Figure BDA0002469640540000062
表示带噪的高光谱图像，
Figure BDA0002469640540000063
表示干净的高光谱图像(去躁的高光谱图像)，s表示稀疏噪声，
Figure BDA0002469640540000064
表示高密度噪声(高斯噪声、泊松噪声等)，且
Figure BDA0002469640540000065
其中m,n分别表示高光谱图像在空间维度上的长和宽，h代表其在光谱维度上的波段数；
Figure BDA0002469640540000066
表示实数。
步骤S2、结合全变分和张量环分解，构建基于全变分正则化张量环分解的高光谱图像去噪模型TR-TV。
具体的，本步骤包括：
考虑图像张量所有维度的低秩性和相关性，以现存的低秩全变分去噪模型为框架，
Figure BDA0002469640540000067
s.t.
Figure BDA0002469640540000068
结合张量环分解，得到高光谱图像去噪模型TR-TV的数学表达式如下：
Figure BDA0002469640540000069
s.t.
Figure BDA00024696405400000610
其中，
Figure BDA00024696405400000611
Dv和Dt代表在水平与垂直方向的梯度操作子，τ是调整全变分的参数，λ是限制稀疏噪声的稀疏性参数，β是限制高斯噪声的参数，||·||1表示张量的L1范数，||·||F表示张量的Frobenius范数，G1(i1)、G2(i2)、G3(i3)是张量环核，i1、i2、i3是空间索引参数。
步骤S3、在基于全变分正则化张量环分解的高光谱图像去噪模型TR-TV的基础上，将加权邻域均值三维全变分作为低秩项的非凸松弛，构建基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型TR-WTDTV。
首先，定义图像的邻域均值差分运算：
Figure BDA0002469640540000071
其中，(i,j,k)表示图像
Figure BDA0002469640540000078
对应的沿空间长度、宽度和谱段方向的坐标位置，
Figure BDA0002469640540000072
表示图像在位置(i,j,k)沿水平、垂直和光谱方向的差分运算之后得到的梯度值。
Figure BDA0002469640540000073
表示图像在位置的灰度值，
Figure BDA0002469640540000074
和
Figure BDA0002469640540000075
表示对应图像在位置(i,j,k)沿着空间长度、宽度和谱段方向平移一个位置的像素灰度值。
进而构造邻域均值差分操作算子Gs(·)，
Gs(·)＝[ρvGv(·)；ρtGt(·)；ρzGz(·)]
其中，Gv(·)、Gt(·)和Gz(·)分别表示水平、垂直和光谱三个不同方向的差分操作，ρs(s＝v,t,z)是用来控制对三个维度的约束强度的参数。
从而得到加权邻域均值三维全变分：
Figure BDA0002469640540000076
其中，wi,j,k是位置(i,j,k)上图像的梯度值权重。
所述加权邻域均值三维全变分可以简写为：
Figure BDA0002469640540000077
其中，⊙是外积算子，W是权重矩阵。
在基于全变分正则化张量环分解的高光谱图像去噪模型TR-TV的基础上，将加权邻域均值三维全变分作为低秩项的非凸松弛，得到基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型TR-WTDTV：
Figure BDA0002469640540000081
步骤S4、为消除矩阵数据之间的相关性，引入辅助变量
Figure BDA00024696405400000810
和
Figure BDA00024696405400000811
优化基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型TR-WTDTV。
具体的，为消除矩阵数据之间的相关性，引入辅助变量
Figure BDA00024696405400000812
和
Figure BDA00024696405400000813
优化去噪模型TR-WTDTV为：
Figure BDA0002469640540000082
s.t.
Figure BDA0002469640540000083
Figure BDA0002469640540000084
步骤S5、采用ADMM算法求解优化后的基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型，获得降噪后的高光谱图像。
具体的，本步骤包括：
(5-1)采用ADMM算法求解所述优化后的基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型，固定其它变量，更新
Figure BDA0002469640540000085
Figure BDA0002469640540000086
式中，u是惩罚系数，Λ1,Λ2,Λ3是拉格朗日乘子。
利用张量链分解，将对
Figure BDA00024696405400000814
的更新过程转化为先对三个张量环核的更新，可以转换得到如下形式：
Figure BDA0002469640540000087
通过更新后的张量环核G1(i1)(k+1),G2(i2)(k+1),G3(i3)(k+1)重建
Figure BDA00024696405400000815
Figure BDA0002469640540000088
(5-2)固定其它变量，更新
Figure BDA0002469640540000089
Figure BDA0002469640540000091
(5-3)固定其它变量，更新
Figure BDA0002469640540000092
Figure BDA0002469640540000093
(5-4)固定其它变量，更新
Figure BDA00024696405400000910
Figure BDA0002469640540000094
(5-5)固定其它变量，更新
Figure BDA0002469640540000095
Figure BDA0002469640540000096
(5-6)固定其它变量，更新拉格朗日乘子：
Figure BDA0002469640540000097
(5-7)判断是否满足迭代终止条件，若
Figure BDA0002469640540000098
则终止迭代，输出无噪图像
Figure BDA0002469640540000099
否则，继续迭代更新。
在一个实施例中，本申请还提出了一种基于张量环分解的高光谱图像去噪装置，包括处理器以及存储有若干计算机指令的存储器，所述计算机指令被处理器执行时实现所述基于张量环分解的高光谱图像去噪方法的步骤。
关于基于张量环分解的高光谱图像去噪装置的具体限定可以参见上文中对于基于张量环分解的高光谱图像去噪方法的限定，在此不再赘述。上述基于张量环分解的高光谱图像去噪装置可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器中存储有可在处理器上运行的计算机程序，所述处理器通过运行存储在存储器内的计算机程序，从而实现本发明实施例中的网络拓扑布局方法。
其中，所述存储器可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器用于存储程序，所述处理器在接收到执行指令后，执行所述程序。
所述处理器可能是一种集成电路芯片，具有数据的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于张量环分解的高光谱图像去噪方法，其特征在于，所述基于张量环分解的高光谱图像去噪方法，包括：
获取带噪的高光谱图像数据，建立高光谱图像噪声的数学模型；
结合全变分和张量环分解，构建基于全变分正则化张量环分解的高光谱图像去噪模型；
在基于全变分正则化张量环分解的高光谱图像去噪模型的基础上，将加权邻域均值三维全变分作为低秩项的非凸松弛，构建基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型；
引入辅助变量
Figure FDA0002469640530000019
和
Figure FDA00024696405300000110
优化基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型；
采用ADMM算法求解优化后的基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型，获得降噪后的高光谱图像。
2.根据权利要求1所述的基于张量环分解的高光谱图像去噪方法，其特征在于，所述高光谱图像噪声的数学模型为：
Figure FDA0002469640530000011
其中，
Figure FDA0002469640530000012
表示带噪的高光谱图像，
Figure FDA0002469640530000013
表示干净的高光谱图像，
Figure FDA0002469640530000014
表示稀疏噪声，
Figure FDA0002469640530000015
表示高密度噪声；
所述结合全变分和张量环分解，构建基于全变分正则化张量环分解的高光谱图像去噪模型为：
Figure FDA0002469640530000016
Figure FDA0002469640530000017
其中，
Figure FDA0002469640530000018
Dv和Dt代表在水平与垂直方向的梯度操作子，τ是调整全变分的参数，λ是限制稀疏噪声的稀疏性参数，β是限制高斯噪声的参数，||·||1表示张量的L1范数，||·||F表示张量的Frobenius范数，G1(i1)、G2(i2)、G3(i3)是张量环核，i1、i2、i3是空间索引参数。
3.根据权利要求2所述的基于张量环分解的高光谱图像去噪方法，其特征在于，所述在基于全变分正则化张量环分解的高光谱图像去噪模型的基础上，将加权邻域均值三维全变分作为低秩项的非凸松弛，构建基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型，包括：
首先，定义图像的邻域均值差分运算：
Figure FDA0002469640530000021
其中，(i,j,k)表示图像
Figure FDA0002469640530000022
对应的沿空间长度、宽度和谱段方向的坐标位置，
Figure FDA0002469640530000023
表示图像在位置(i,j,k)沿水平、垂直和光谱方向的差分运算之后得到的梯度值。
Figure FDA0002469640530000024
表示图像在位置的灰度值，
Figure FDA0002469640530000025
和
Figure FDA0002469640530000026
表示对应图像在位置(i,j,k)沿着空间长度、宽度和谱段方向平移一个位置的像素灰度值；
进而构造邻域均值差分操作算子Gs(·)，
Gs(·)＝[ρvGv(·)；ρtGt(·)；ρzGz(·)]
其中，Gv(·)、Gt(·)和Gz(·)分别表示水平、垂直和光谱三个不同方向的差分操作，ρs(s＝v,t,z)是用来控制对三个维度的约束强度的参数；
从而得到加权邻域均值三维全变分：
Figure FDA0002469640530000031
其中，wi,j,k是位置(i,j,k)上图像的梯度值权重；
在基于全变分正则化张量环分解的高光谱图像去噪模型的基础上，将加权邻域均值三维全变分作为低秩项的非凸松弛，得到基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型：
Figure FDA0002469640530000032
4.根据权利要求3所述的基于张量环分解的高光谱图像去噪方法，其特征在于，所述引入辅助变量
Figure FDA0002469640530000033
和
Figure FDA0002469640530000034
优化基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型，优化后的模型表示为：
Figure FDA0002469640530000035
5.根据权利要求4所述的基于张量环分解的高光谱图像去噪方法，其特征在于，所述采用ADMM算法求解优化后的基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型，获得降噪后的高光谱图像，包括：
步骤5.1、采用ADMM算法求解所述优化后的基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型，固定其它变量，更新
Figure FDA0002469640530000036
Figure FDA0002469640530000037
式中，u是惩罚系数，Λ1,Λ2,Λ3是拉格朗日乘子；
利用张量链分解，将对
Figure FDA0002469640530000038
的更新过程转化为先对三个张量环核的更新，可以转换得到如下形式：
Figure FDA0002469640530000041
通过更新后的张量环核G1(i1)(k+1),G2(i2)(k+1),G3(i3)(k+1)重建
Figure FDA00024696405300000414
Figure FDA0002469640530000042
步骤5.2、固定其它变量，更新
Figure FDA0002469640530000043
Figure FDA0002469640530000044
步骤5.3、固定其它变量，更新
Figure FDA0002469640530000045
Figure FDA0002469640530000046
步骤5.4、固定其它变量，更新
Figure FDA0002469640530000047
Figure FDA0002469640530000048
步骤5.5、固定其它变量，更新
Figure FDA0002469640530000049
Figure FDA00024696405300000410
步骤5.6、固定其它变量，更新拉格朗日乘子：
Figure FDA00024696405300000411
步骤5.7、判断是否满足迭代终止条件，若
Figure FDA00024696405300000412
则终止迭代，输出无噪图像
Figure FDA00024696405300000413
否则，继续迭代更新。
6.一种基于张量环分解的高光谱图像去噪装置，包括处理器以及存储有若干计算机指令的存储器，其特征在于，所述计算机指令被处理器执行时实现权利要求1至权利要求5中任意一项所述方法的步骤。
CN202010344685.7A 2020-04-27 2020-04-27 一种基于张量环分解的高光谱图像去噪方法及装置 Active CN111598795B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010344685.7A CN111598795B (zh) 2020-04-27 2020-04-27 一种基于张量环分解的高光谱图像去噪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010344685.7A CN111598795B (zh) 2020-04-27 2020-04-27 一种基于张量环分解的高光谱图像去噪方法及装置

Publications (2)

Publication Number Publication Date
CN111598795A true CN111598795A (zh) 2020-08-28
CN111598795B CN111598795B (zh) 2023-08-29

Family

ID=72190814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010344685.7A Active CN111598795B (zh) 2020-04-27 2020-04-27 一种基于张量环分解的高光谱图像去噪方法及装置

Country Status (1)

Country Link
CN (1) CN111598795B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950512A (zh) * 2021-03-30 2021-06-11 湖北地信科技集团股份有限公司 基于dca算法的sar图像相干斑抑制方法
CN115272141A (zh) * 2022-09-29 2022-11-01 深圳大学 高光谱图像去噪方法、装置、***及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100288910A1 (en) * 2009-05-14 2010-11-18 Raytheon Company Adaptive spatial-spectral processing (assp)
CN105069758A (zh) * 2015-08-21 2015-11-18 武汉大学 一种基于鲁棒低秩张量的高光谱图像去噪方法
US20160094827A1 (en) * 2014-09-26 2016-03-31 Xerox Corporation Hyperspectral imaging devices using hybrid vector and tensor processing
US20160106311A1 (en) * 2014-10-16 2016-04-21 New York University Method And System For Simultaneous Decomposition Of Multiple Hyperspectral Datasets And Signal Recovery Of Unknown Fluorophores In A Biochemical System
US20160371563A1 (en) * 2015-06-22 2016-12-22 The Johns Hopkins University System and method for structured low-rank matrix factorization: optimality, algorithm, and applications to image processing
CN108510013A (zh) * 2018-07-02 2018-09-07 电子科技大学 基于低秩核心矩阵的改进稳健张量主成分分析方法
CN110298798A (zh) * 2019-06-20 2019-10-01 浙江工业大学 一种基于低秩张量补全与离散全变分的图像修复方法
CN111028172A (zh) * 2019-12-10 2020-04-17 浙江工业大学 基于无参数的非凸低秩矩阵逼近的高光谱图像去噪方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100288910A1 (en) * 2009-05-14 2010-11-18 Raytheon Company Adaptive spatial-spectral processing (assp)
US20160094827A1 (en) * 2014-09-26 2016-03-31 Xerox Corporation Hyperspectral imaging devices using hybrid vector and tensor processing
US20160106311A1 (en) * 2014-10-16 2016-04-21 New York University Method And System For Simultaneous Decomposition Of Multiple Hyperspectral Datasets And Signal Recovery Of Unknown Fluorophores In A Biochemical System
US20160371563A1 (en) * 2015-06-22 2016-12-22 The Johns Hopkins University System and method for structured low-rank matrix factorization: optimality, algorithm, and applications to image processing
CN105069758A (zh) * 2015-08-21 2015-11-18 武汉大学 一种基于鲁棒低秩张量的高光谱图像去噪方法
CN108510013A (zh) * 2018-07-02 2018-09-07 电子科技大学 基于低秩核心矩阵的改进稳健张量主成分分析方法
CN110298798A (zh) * 2019-06-20 2019-10-01 浙江工业大学 一种基于低秩张量补全与离散全变分的图像修复方法
CN111028172A (zh) * 2019-12-10 2020-04-17 浙江工业大学 基于无参数的非凸低秩矩阵逼近的高光谱图像去噪方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MENGJIE QIN ETAL: "Low-Rank Tensor Completion and Total Variation", 《IEEE ACCESS》 *
SHUSHU MENG ETAL: "Tensor Decomposition and PCA Jointed Algorithm for Hyperspectral Image Denoising", IEEE GEOSCIENCE AND REMOTE SENSING LETTERS *
张静妙;高双喜;王晓娜;: "基于低秩字典学习的高光谱遥感图像去噪", 控制工程, no. 06 *
王忠美;杨晓梅;顾行发;: "张量组稀疏表示的高光谱图像去噪算法", 测绘学报, no. 05 *
谢琦等: "张量稀疏性度量综述", 重庆邮电大学学报 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950512A (zh) * 2021-03-30 2021-06-11 湖北地信科技集团股份有限公司 基于dca算法的sar图像相干斑抑制方法
CN115272141A (zh) * 2022-09-29 2022-11-01 深圳大学 高光谱图像去噪方法、装置、***及介质

Also Published As

Publication number Publication date
CN111598795B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
Chun et al. Momentum-Net: Fast and convergent iterative neural network for inverse problems
Cao et al. PanCSC-Net: A model-driven deep unfolding method for pansharpening
Xie et al. Hyperspectral images denoising via nonconvex regularized low-rank and sparse matrix decomposition
Rao et al. A residual convolutional neural network for pan-shaprening
Jin et al. Annihilating filter-based low-rank Hankel matrix approach for image inpainting
Xiong et al. Hyperspectral restoration via $ l_0 $ gradient regularized low-rank tensor factorization
Kim et al. Structure-texture image decomposition using deep variational priors
Brito-Loeza et al. On high-order denoising models and fast algorithms for vector-valued images
CN112069919A (zh) 基于非凸低秩矩阵逼近和全变分正则化的高光谱图像去噪方法
CN111598795A (zh) 一种基于张量环分解的高光谱图像去噪方法及装置
He et al. Hyperspectral image spectral–spatial-range Gabor filtering
CN108734658B (zh) 一种高分辨率图像的重建方法及***
CN115393231B (zh) 一种缺陷图像的生成方法、装置、电子设备和存储介质
Wang et al. Latent representation learning model for multi-band images fusion via low-rank and sparse embedding
Yu et al. Dstrans: Dual-stream transformer for hyperspectral image restoration
Duan et al. A fast operator-splitting method for Beltrami color image denoising
Liu Hybrid higher‐order total variation model for multiplicative noise removal
Chaudhury et al. Non-local patch regression: Robust image denoising in patch space
Lv et al. A patch-based low-rank minimization approach for speckle noise reduction in ultrasound images
CN112598636B (zh) 一种基于全卷积自编码器的高光谱影像异常探测方法
Ma et al. Low-rank tensor decomposition with smooth and sparse regularization for hyperspectral and multispectral data fusion
Liu et al. Hyperspectral Image Denoising Using Non-convex Fraction Function
Charest et al. A general iterative regularization framework for image denoising
CN111598797B (zh) 一种基于非凸张量范数和全变分的高光谱图像恢复方法
CN113888413B (zh) 异时异源多光谱图像盲光谱超分辨方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant