CN115082337A - 一种基于双重全变分的高光谱混合噪声去除方法 - Google Patents
一种基于双重全变分的高光谱混合噪声去除方法 Download PDFInfo
- Publication number
- CN115082337A CN115082337A CN202210676035.1A CN202210676035A CN115082337A CN 115082337 A CN115082337 A CN 115082337A CN 202210676035 A CN202210676035 A CN 202210676035A CN 115082337 A CN115082337 A CN 115082337A
- Authority
- CN
- China
- Prior art keywords
- image
- hyperspectral
- hyperspectral image
- sparse
- total variation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000010586 diagram Methods 0.000 claims description 17
- 230000000007 visual effect Effects 0.000 claims description 15
- 230000009977 dual effect Effects 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000001575 pathological effect Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 10
- 235000011613 Pinus brutia Nutrition 0.000 description 10
- 241000018646 Pinus brutia Species 0.000 description 10
- 238000000513 principal component analysis Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于双重全变分的高光谱混合噪声去除方法,获取含有混合噪声的高光谱图像,选取SSTV正则项来描述高光谱图像全局稀疏结构,同时设计重加权范数约束高光谱图像主成分图的空间方向差分影像的局部稀疏结构,引入双重约束,选取更稀疏的全局特征和局部特征,稀疏正则项用于隔离稀疏噪声,范数刻画影像的高斯噪声,构建基于双重全变分的高光谱图像去噪模型,引入辅助变量优化基于双重全变分的高光谱图像去噪模型,采用ALM算法框架来优化提出的模型,将复杂的问题转换成多个简单的子问题来交替迭代求解,得到去噪后高光谱图像;本发明可以有效提高高光谱影像去噪的适用性和精度。
Description
技术领域
本发明专利属于遥感图像处理领域,更具体的,涉及一种基于双重全变分的高光谱混合噪声去除方法。
背景技术
高光谱遥感技术把先进的光谱技术和传统二维图像的成像技术有效地结合在一起。高光谱影像具有丰富的光谱信息,这种具有很高光谱分辨率的影像在实际中具有广泛的应用价值。在成像过程中,由于电磁干扰、成像环境和传输过程等原因,收集到的高光谱影像会受到各种混合噪声的污染,包括高斯噪声,脉冲噪声,条带噪声和死线等噪声。混合噪声在影像中降低了影像质量,影响进一步应用的精度和可靠性,比如高光谱图像的分类、解混以及目标检测等。因此,混合噪声去除在高光谱影像处理中具有重要的研究价值。
目前国内外提出了众多去噪方法,已取得了良好的效果。当前的高光谱去噪方法主要有基于空间域去噪方法、基于光谱域去噪方法和基于模型优化去噪方法三大类型。近些年,稀疏和低秩模型广泛应用于高光谱图像去噪,从不同的角度分解估计张量秩,效果也不尽相同。需选取更合适的正则化约束项,保留有更多有用及细节信息,进一步提高高光谱图像去噪的效果。
把遥感影像当成一个张量数据进行建模表达,进而通过约束待求变量满足某种张量性质并实现信息复原的有效估计。解决遥感影像信息复原的两个核心问题分别是建立有效的张量优化模型以及设计模型求解的高效算法。因此,设计出一个能够高效的求解算法去找到模型的满意解的算法是当前一个重要任务。
发明内容
为了克服现有技术中存在的上述问题,本发明专利提出了一种基于双重全变分的高光谱混合噪声去除方法。
本发明是通过如下技术方案实现的:
一种基于双重全变分的高光谱混合噪声去除方法,高光谱影像是一个三维张量数据,即两维空间维度和一维光谱维度,用Tucker分解刻画高维影像整体结构的相似性,将视觉显著图作为加权因子作用在原图上,再与原图相加以增强显著性特征,影像的空间分片光滑性先验是混合噪声去除的另一个有效的正则项,选取SSTV正则项来描述高光谱图像全局稀疏结构,同时设计重加权L1范数约束高光谱图像主成分图的空间方向差分影像的局部稀疏结构,引入双重约束,选取更稀疏的全局特征和局部特征,L1稀疏正则项用于隔离稀疏噪声,F范数刻画影像的高斯噪声,建立的模型采用ALM算法框架来优化提出的模型,将复杂的问题转换成多个简单的子问题来交替迭代求解,得到去噪后高光谱图像,本方法的步骤如下:
步骤一:获取含有混合噪声的高光谱图像Y;
步骤二:选取SSTV正则项来描述高光谱图像全局稀疏结构,同时设计重加权L1范数约束高光谱图像主成分图的空间方向差分影像的局部稀疏结构,引入双重约束,选取更稀疏的全局特征和局部特征,L1稀疏正则项用于隔离稀疏噪声,F范数刻画影像的高斯噪声,引入稀疏结构双重约束,获得更准确的局部特征和全局特征,更好的去除噪声,复原高光谱图像,结合张量分解,构建基于双重全变分的高光谱图像去噪模型;
步骤三:引入辅助变量Z、R1和R2优化步骤二基于双重全变分的高光谱图像去噪模型,辅助变量的引入使得步骤二基于双重全变分的高光谱图像去噪模型的问题可分离,分离子问题更易于求解,其中X=Z,DwX=R1,DH=R2,Z为与X相等的高光谱影像,R1为X的差分影像,R2为主成分图的差分影像;
步骤四:采用ALM算法求解优化后的基于双重全变分的高光谱图像去噪模型,获得降噪后的高光谱图像。
进一步的技术方案包括:
步骤二的具体过程为:
根据先验信息建立高光谱图像去噪模型的数学模型为:
Y=X+S+N;
其中Y表示带噪的高光谱图像, 是实数空间,I1、I2分别是高光谱图像的长和宽,I3为光谱的数量,X表示干净的高光谱图像,S表示稀疏噪声,N表示高斯噪声,X、S、N与Y大小相同;高光谱遥感影像混合噪声去除的目标是从观测的Y中复原出真实的影像X,这是一个病态反问题;
构建基于双重全变分的高光谱图像去噪模型:
其中,Dw(·)=[w1×Dx(·);w2×Dy(·);w3Dz(·)]是各向异性空谱差分算子,D(·)=[Dx(·);Dy(·)]是主成分空间差分算子,Dx是空间水平方向的差分算子,Dy是空间竖直方向的差分算子,Dz是光谱方向的差分算子,G是重加权权因子,λ1、λ2、λ3是非负正则参数,用于平衡各项之间的权重,ε是高斯噪声的方差,|| ||1表示张量的L1范数,|| ||F表示张量的Frobenius范数;
设置稀疏系数λ1=λ2=1,λ3=10,各向差分系数w=[w1,w2,w3]取值为[1,1,0.6];
x、y和z方向在高维遥感数据中分别表示空间水平方向、空间竖直方向和光谱方向,Dx、Dy、Dz分别表示三维张量在三个不同方向的差分算子且在任意位置(i,j,p)的值定义如下:
对高光谱图像进行PCA降维得到主成分图H,通过水平和竖直差分获得主成分图的边缘信息图W,G作为重加权权因子,按照下式更新:
其中eps是一个很小的数,实现过程中选用matlab内嵌函数eps()来获取这个很小的数,来避免分母为零;
PCA降维选用matlab内嵌函数实现,选取前三个主成分;
步骤三的具体过程为:
引入辅助变量Z、R1和R2优化模型,其中X=Z,DwX=R1,DH=R2,提出的基于双重全变分的高光谱图像去噪模型等价地表示成以下模型:
步骤四的具体过程为:
基于ALM求解框架,基于双重全变分的高光谱图像去噪模型的增广拉格朗日函数写成如下形式:
式中,μ是惩罚系数,Λ1,Λ2,Λ3,Λ4是拉格朗日乘子;
初始化X=Y,Z=R1=R2=S=Λ1=Λ2=Λ3=Λ4=0张量,μ=0;
ALM的框架下,我们可以在固定其他变量的情况下,对每个变量进行交替迭代求解,初始化k=0;
步骤4.1,固定其他变量,更新Xk+1:
子问题用HOOI算法求解,当Gk+1和Ui k+1通过HOOI算法得到后,X的更新回代到Tucker分解中得到,即:
Xk+1=Ck+1×1U1 k+1×2U2 k+1×3U3 k+1;
其中HOOI算法中张量秩参数设为[120,120,10];
步骤4.2,固定其他变量,更新Zk+1:
子问题是一个最小二乘问题,该最小二乘问题通过求解如下的线性方程得到:
μ(I+Dw TDw)Z=μX+Λ2+Dw T(μR1-Λ3);
以上公式使用快速傅里叶变换来求解:
通过上式得到当前迭代过程的Zk+1后,继续对Zk+1进一步补偿更新;
对步骤二中得到的主成分图H进行SLIC超像素分割,获得视觉显著图M,将视觉显著图M作为加权因子与当前迭代过程的高光谱图像Zk+1的每一波段进行元素相乘,再与当前迭代过程的高光谱图像Zk+1相加,由此对高光谱图像的显著性特征进行增强,得到复原效果更好的高光谱平滑区域;
将Zk+1带入Zk+1(:,:,i)+a×M×Zk+1(:,:,i)计算得到的结果,即为补偿更新后的Zk +1;
其中,M是视觉显著图,a是显著性特征增强的系数,SLIC超像素分割选用matlab内嵌函数实现,视觉显著图系数a取值范围定为[0,1],超像素分割参数设置为默认值,预计超像素数范围为[300,600];
步骤4.3,固定其他变量,更新R1 k+1:
用软阈值收缩算子运算,得到如下R1的闭式解:
其中,Shrinkage为软阈值收缩算子,Shrinkage(m,n)=sign(m)max(|m|-n,0),sign(m)是符号函数,当m>0时值为1,m=0时值为0,否则值为-1;
步骤4.4,固定其他变量,更新R2 k+1:
用软阈值收缩算子运算,得到如下R2的闭式解:
步骤4.5,固定其他变量,更新Sk+1:
用软阈值收缩算子运算,得到如下S的闭式解:
步骤4.6,固定其他变量,更新拉格朗日乘子:
步骤4.7,判断是否满足迭代终止条件,相对变化误差当满足Rel≤10-6,则终止迭代,输出无噪图像;若Rel>10-6,则重复步骤四中步骤4.1至步骤4.6,继续交替迭代更新,直至满足迭代终止条件即Rel≤10-6或迭代次数k达到预设最大迭代次数40时,输出无噪图像X。
本发明提出的一种基于双重全变分的高光谱混合噪声去除方法,选用SSTV正则项来描述高光谱图像全局稀疏结构,重加权L1范数约束高光谱图像主成分图空间差分影像的局部稀疏结构,引入双重约束,选取更稀疏的全局特征和局部特征。高光谱图像的细节信息在实际应用中具有重要作用,传统的SSTV正则化方法对高光谱图像混合噪声污染严重的局部细节复原效果较差,加入重加权L1范数约束选取更稀疏的局部特征,提高复原图像的峰值信噪比和结构相似度,进而获得混合噪声去除效果更好的高光谱复原图像。
附图说明
图1为本发明提供的一种基于双重全变分的高光谱混合噪声去除方法的整体框图;
图2为IndianPines高光谱图像第160个波段的真实影像;
图3为IndianPines高光谱图像第160个波段的噪声影像;
图4为IndianPines高光谱图像第160个波段的复原影像;
具体实施方式
下面结合附图,对本发明做进一步的解释说明。
本发明提出了一种基于双重全变分的高光谱混合噪声去除方法,本方法的测试图像为国内外公认的Indian Pines高光谱图像,测试的Indian Pines高光谱图像尺寸为145×145×224。含有混合噪声的Indian Pines高光谱图像即为模型输入Y,按如下技术方案进行测试:
步骤一:获取含有混合噪声的高光谱图像Y;
步骤二:选取SSTV正则项来描述高光谱图像全局稀疏结构,同时设计重加权L1范数约束高光谱图像主成分图的空间方向差分影像的局部稀疏结构,引入双重约束,选取更稀疏的全局特征和局部特征,L1稀疏正则项用于隔离稀疏噪声,F范数刻画影像的高斯噪声,引入稀疏结构双重约束,获得更准确的局部特征和全局特征,更好的去除噪声,复原高光谱图像,结合张量分解,构建基于双重全变分的高光谱图像去噪模型;具体过程为:
根据先验信息建立高光谱图像去噪模型的数学模型为:
Y=X+S+N;
其中Y表示带噪的高光谱图像, 是实数空间,I1、I2分别是高光谱图像的长和宽,I3为光谱的数量,X表示干净的高光谱图像,S表示稀疏噪声,N表示高斯噪声,X、S、N与Y大小相同;高光谱遥感影像混合噪声去除的目标是从观测的Y中复原出真实的影像X,这是一个病态反问题;
构建基于双重全变分的高光谱图像去噪模型:
其中,Dw(·)=[w1×Dx(·);w2×Dy(·);w3Dz(·)]是各向异性空谱差分算子,D(·)=[Dx(·);Dy(·)]是主成分空间差分算子,Dx是空间水平方向的差分算子,Dy是空间竖直方向的差分算子,Dz是光谱方向的差分算子,G是重加权权因子,λ1、λ2、λ3是非负正则参数,用于平衡各项之间的权重,ε是高斯噪声的方差,|| ||1表示张量的L1范数,|| ||F表示张量的Frobenius范数;
设置稀疏系数λ1=λ2=1,λ3=10,各向差分系数w=[w1,w2,w3]取值为[1,1,0.6];
x、y和z方向在高维遥感数据中分别表示空间水平、空间竖直和光谱方向,Dx、Dy、Dz分别表示三维张量在三个不同方向的差分算子且在任意位置(i,j,p)的值定义如下:
对高光谱图像进行PCA降维得到主成分图H,通过水平和竖直差分获得主成分图的边缘信息图W,G作为重加权权因子,按照下式更新:
其中eps是一个很小的数,实现过程中选用matlab内嵌函数eps()来获取这个很小的数,来避免分母为零;
PCA降维选用matlab内嵌函数实现,选取前三个主成分;
步骤三:引入辅助变量Z、R1和R2优化步骤二基于双重全变分的高光谱图像去噪模型,辅助变量的引入使得步骤二基于双重全变分的高光谱图像去噪模型的问题可分离,分离子问题更易于求解,其中X=Z,DwX=R1,DH=R2,Z为与X相等的高光谱影像,R1为X的差分影像,R2为主成分图的差分影像;具体过程为:
引入辅助变量Z、R1和R2优化模型,其中X=Z,DwX=R1,DH=R2,提出的基于双重全变分的高光谱图像去噪模型等价地表示成以下模型:
步骤四:采用ALM算法求解优化后的基于双重全变分的高光谱图像去噪模型,获得降噪后的高光谱图像;具体过程为:
基于ALM求解框架,基于双重全变分的高光谱图像去噪模型的增广拉格朗日函数写成如下形式:
式中,μ是惩罚系数,Λ1,Λ2,Λ3,Λ4是拉格朗日乘子;
初始化X=Y,Z=R1=R2=S=Λ1=Λ2=Λ3=Λ4=0张量,μ=0;
ALM的框架下,我们可以在固定其他变量的情况下,对每个变量进行交替迭代求解,初始化k=0;
步骤4.1,固定其他变量,更新Xk+1:
子问题用HOOI算法求解,当Gk+1和Ui k+1通过HOOI算法得到后,X的更新回代到Tucker分解中得到,即:
Xk+1=Ck+1×1U1 k+1×2U2 k+1×3U3 k+1;
其中HOOI算法中张量秩参数设为[120,120,10];
步骤4.2,固定其他变量,更新Zk+1:
子问题是一个最小二乘问题,该最小二乘问题通过求解如下的线性方程得到:
μ(I+Dw TDw)Z=μX+Λ2+Dw T(μR1-Λ3);
以上公式使用快速傅里叶变换来求解:
通过上式得到当前迭代过程的Zk+1后,继续对Zk+1进一步补偿更新;
对步骤二中得到的主成分图H进行SLIC超像素分割,获得视觉显著图M,将视觉显著图M作为加权因子与当前迭代过程的高光谱图像Zk+1的每一波段进行元素相乘,再与当前迭代过程的高光谱图像Zk+1相加,由此对高光谱图像的显著性特征进行增强,得到复原效果更好的高光谱平滑区域;
将Zk+1带入Zk+1(:,:,i)+a×M×Zk+1(:,:,i)计算得到的结果,即为补偿更新后的Zk +1;
其中,M是视觉显著图,a是显著性特征增强的系数,SLIC超像素分割选用matlab内嵌函数实现,视觉显著图系数a的取值范围定为[0,1],超像素分割参数设置为默认值,预计超像素数范围为[300,600];
步骤4.3,固定其他变量,更新R1 k+1:
子问题可以用软阈值收缩算子运算,得到如下R1的闭式解:
其中,Shrinkage为软阈值收缩算子,Shrinkage(m,n)=sign(m)max(|m|-n,0),sign(m)是符号函数,当m>0时值为1,m=0时值为0,否则值为-1;
步骤4.4,固定其他变量,更新R2 k+1:
子问题可以用软阈值收缩算子运算,得到如下R2的闭式解:
步骤4.5,固定其他变量,更新Sk+1:
子问题可以用软阈值收缩算子运算,得到如下S的闭式解:
步骤4.6,固定其他变量,更新拉格朗日乘子:
步骤4.7,判断是否满足迭代终止条件,相对变化误差当满足Rel≤10-6,则终止迭代,输出无噪图像;若Rel>10-6,则重复步骤四中步骤4.1至步骤4.6,继续交替迭代更新,直至满足迭代终止条件即Rel≤10-6或迭代次数k达到预设最大迭代次数40时,输出无噪图像X。
特别地,步骤四中的每一个子问题会基于ALM框架交替迭代求解,直至Rel≤10-6或迭代次数达到预设最大迭代次数40时终止迭代,输出X即为无噪IndianPines高光谱图像,达到去除高光谱图像混合噪声的目的。
从不同的角度来评价本发明噪声去除的结果,包括:视觉比较和定量比较。定量比较的指标平均峰值信噪比MPSNR和平均结构相似度MSSIM值越大表示去噪图像与参考图像越接近,去噪效果越好。
本发明提出的一种基于双重全变分的高光谱混合噪声去除方法,实验平台基于MATLAB软件实现,PCA主成分分析和SLIC算法均选用MATLAB内嵌函数。案例模拟实验结果如图所示,图2为Indian Pines高光谱图像第160个波段的真实影像,图3为Indian Pines高光谱图像第160个波段被噪声污染的影像,图4为Indian Pines高光谱图像第160个波段通过本方法复原的复原影像。分析图2、图3和图4,可以看到通过本方法复原的图像细节恢复的很清晰。Indian Pines高光谱噪声图像的MPSNR为13.7389dB,MSSIM为0.2025,通过本方法复原后的Indian Pines高光谱复原图像MPSNR提高到38.8024dB,MSSIM提高到0.9848,证明了本方法的有效性和可行性。
Claims (4)
1.一种基于双重全变分的高光谱混合噪声去除方法,高光谱影像是一个三维张量数据,即两维空间维度和一维光谱维度,用Tucker分解刻画高维影像整体结构的相似性,将视觉显著图作为加权因子作用在原图上,再与原图相加以增强显著性特征,影像的空间分片光滑性先验是混合噪声去除的另一个有效的正则项,选取SSTV正则项来描述高光谱图像全局稀疏结构,同时设计重加权L1范数约束高光谱图像主成分图的空间方向差分影像的局部稀疏结构,引入双重约束,选取更稀疏的全局特征和局部特征,L1稀疏正则项用于隔离稀疏噪声,F范数刻画影像的高斯噪声,建立的模型采用ALM算法框架来优化提出的模型,将复杂的问题转换成多个简单的子问题来交替迭代求解,得到去噪后高光谱图像,其特征在于,本方法的步骤如下:
步骤一:获取含有混合噪声的高光谱图像Y;
步骤二:选取SSTV正则项来描述高光谱图像全局稀疏结构,同时设计重加权L1范数约束高光谱图像主成分图的空间方向差分影像的局部稀疏结构,引入双重约束,选取更稀疏的全局特征和局部特征,L1稀疏正则项用于隔离稀疏噪声,F范数刻画影像的高斯噪声,引入稀疏结构双重约束,获得更准确的局部特征和全局特征,更好的去除噪声,复原高光谱图像,结合张量分解,构建基于双重全变分的高光谱图像去噪模型;
步骤三:引入辅助变量Z、R1和R2优化步骤二基于双重全变分的高光谱图像去噪模型,辅助变量的引入使得步骤二基于双重全变分的高光谱图像去噪模型的问题可分离,分离子问题更易于求解,其中X=Z,DwX=R1,DH=R2,Z为与X相等的高光谱影像,R1为X的差分影像,R2为主成分图的差分影像;
步骤四:采用ALM算法求解优化后的基于双重全变分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所述的一种基于双重全变分的高光谱混合噪声去除方法,其特征在于,步骤二的具体过程为:
根据先验信息建立高光谱图像去噪模型的数学模型为:
Y=X+S+N;
其中Y表示带噪的高光谱图像, 是实数空间,I1、I2分别是高光谱图像的长和宽,I3为光谱的数量,X表示干净的高光谱图像,S表示稀疏噪声,N表示高斯噪声,X、S、N与Y大小相同;高光谱遥感影像混合噪声去除的目标是从观测的Y中复原出真实的影像X,这是一个病态反问题;
构建基于双重全变分的高光谱图像去噪模型:
其中,Dw(·)=[w1×Dx(·);w2×Dy(·);w3Dz(·)]是各向异性空谱差分算子,D(·)=[Dx(·);Dy(·)]是主成分空间差分算子,Dx是空间水平方向的差分算子,Dy是空间竖直方向的差分算子,Dz是光谱方向的差分算子,G是重加权权因子,λ1、λ2、λ3是非负正则参数,用于平衡各项之间的权重,ε是高斯噪声的方差,|| ||1表示张量的L1范数,|| ||F表示张量的Frobenius范数;
设置稀疏系数λ1=λ2=1,λ3=10,各向差分系数w=[w1,w2,w3]取值为[1,1,0.6];
x、y和z方向在高维遥感数据中分别表示空间水平方向、空间竖直方向和光谱方向,Dx、Dy、Dz分别表示三维张量在三个不同方向的差分算子且在任意位置(i,j,p)的值定义如下:
对高光谱图像进行PCA降维得到主成分图H,通过水平和竖直差分获得主成分图的边缘信息图W,G作为重加权权因子,按照下式更新:
其中eps是一个很小的数,实现过程中选用matlab内嵌函数eps()来获取这个很小的数,来避免分母为零。
PCA降维选用matlab内嵌函数实现,选取前三个主成分。
4.如权利要求3中所述的一种基于双重全变分的高光谱混合噪声去除方法,其特征在于,步骤四的具体过程为:
基于ALM求解框架,基于双重全变分的高光谱图像去噪模型的增广拉格朗日函数写成如下形式:
式中,μ是惩罚系数,Λ1,Λ2,Λ3,Λ4是拉格朗日乘子;
初始化X=Y,Z=R1=R2=S=Λ1=Λ2=Λ3=Λ4=0张量,μ=0;
ALM的框架下,我们可以在固定其他变量的情况下,对每个变量进行交替迭代求解,初始化k=0;
步骤4.1,固定其他变量,更新Xk+1:
子问题用HOOI算法求解,当Gk+1和Ui k+1通过HOOI算法得到后,X的更新回代到Tucker分解中得到,即:
Xk+1=Ck+1×1U1 k+1×2U2 k+1×3U3 k+1;
其中HOOI算法中张量秩参数设为[120,120,10];
步骤4.2,固定其他变量,更新Zk+1:
子问题是一个最小二乘问题,该最小二乘问题通过求解如下的线性方程得到:
μ(I+Dw TDw)Z=μX+Λ2+Dw T(μR1-Λ3);
以上公式使用快速傅里叶变换来求解:
通过上式得到当前迭代过程的Zk+1后,继续对Zk+1进一步补偿更新;
对步骤二中得到的主成分图H进行SLIC超像素分割,获得视觉显著图M,将视觉显著图M作为加权因子与当前迭代过程的高光谱图像Zk+1的每一波段进行元素相乘,再与当前迭代过程的高光谱图像Zk+1相加,由此对高光谱图像的显著性特征进行增强,得到复原效果更好的高光谱平滑区域;
将Zk+1带入Zk+1(:,:,i)+a×M×Zk+1(:,:,i)计算得到的结果,即为补偿更新后的Zk+1;
其中,M是视觉显著图,a是显著性特征增强的系数,SLIC超像素分割选用matlab内嵌函数实现,视觉显著图系数a取值范围定为[0,1],超像素分割参数设置为默认值,预计超像素数范围为[300,600];
步骤4.3,固定其他变量,更新R1 k+1:
用软阈值收缩算子运算,得到如下R1的闭式解:
其中,Shrinkage为软阈值收缩算子,Shrinkage(m,n)=sign(m)max(|m|-n,0),sign(m)是符号函数,当m>0时值为1,m=0时值为0,否则值为-1;
步骤4.4,固定其他变量,更新R2 k+1:
用软阈值收缩算子运算,得到如下R2的闭式解:
步骤4.5,固定其他变量,更新Sk+1:
用软阈值收缩算子运算,得到如下S的闭式解:
步骤4.6,固定其他变量,更新拉格朗日乘子:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210676035.1A CN115082337A (zh) | 2022-06-15 | 2022-06-15 | 一种基于双重全变分的高光谱混合噪声去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210676035.1A CN115082337A (zh) | 2022-06-15 | 2022-06-15 | 一种基于双重全变分的高光谱混合噪声去除方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115082337A true CN115082337A (zh) | 2022-09-20 |
Family
ID=83253455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210676035.1A Pending CN115082337A (zh) | 2022-06-15 | 2022-06-15 | 一种基于双重全变分的高光谱混合噪声去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082337A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496699A (zh) * | 2022-11-16 | 2022-12-20 | 武汉大学 | 启明星一号卫星高光谱图像融合方法及*** |
CN117173042A (zh) * | 2023-08-23 | 2023-12-05 | 长春理工大学 | 一种基于单向变分的遥感数据条纹噪声去除方法、装置及介质 |
-
2022
- 2022-06-15 CN CN202210676035.1A patent/CN115082337A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496699A (zh) * | 2022-11-16 | 2022-12-20 | 武汉大学 | 启明星一号卫星高光谱图像融合方法及*** |
CN115496699B (zh) * | 2022-11-16 | 2023-02-03 | 武汉大学 | 启明星一号卫星高光谱图像融合方法及*** |
CN117173042A (zh) * | 2023-08-23 | 2023-12-05 | 长春理工大学 | 一种基于单向变分的遥感数据条纹噪声去除方法、装置及介质 |
CN117173042B (zh) * | 2023-08-23 | 2024-05-31 | 长春理工大学 | 一种基于单向变分的遥感数据条纹噪声去除方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112200750B (zh) | 一种超声图像去噪模型建立方法及超声图像去噪方法 | |
CN106952228B (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
CN115082337A (zh) | 一种基于双重全变分的高光谱混合噪声去除方法 | |
Zhang et al. | Joint image denoising using adaptive principal component analysis and self-similarity | |
Ghorai et al. | Multiple pyramids based image inpainting using local patch statistics and steering kernel feature | |
CN110796625A (zh) | 一种基于组稀疏表示和加权全变分的图像压缩感知重构方法 | |
CN104123705B (zh) | 一种超分辨率重建图像质量Contourlet域评价方法 | |
CN108734199B (zh) | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 | |
Kato et al. | Multi-frame image super resolution based on sparse coding | |
CN108460749B (zh) | 一种高光谱与多光谱图像的快速融合方法 | |
CN108520495B (zh) | 基于聚类流形先验的高光谱图像超分辨重建方法 | |
CN110400276B (zh) | 高光谱图像去噪方法、装置 | |
CN103810755A (zh) | 基于结构聚类稀疏表示的压缩感知光谱图像重建方法 | |
Zhang et al. | Image denoising via 2D dictionary learning and adaptive hard thresholding | |
CN112767271A (zh) | 一种基于三维变分网络的高光谱图像深度降噪的方法 | |
CN109741258B (zh) | 基于重建的图像超分辨率方法 | |
CN111008570A (zh) | 一种基于压缩-激励伪三维网络的视频理解方法 | |
Liu et al. | GJTD-LR: A trainable grouped joint tensor dictionary with low-rank prior for single hyperspectral image super-resolution | |
CN112766340B (zh) | 基于自适应空间模式的深度胶囊网络图像分类方法及*** | |
CN110264482B (zh) | 基于中智集变换矩阵因子分解的活动轮廓分割方法 | |
CN112241938A (zh) | 基于光滑塔克分解与高阶张量汉克化的图像修复方法 | |
CN109543717B (zh) | 基于自适应邻域及字典的联合协作表达高光谱分类方法 | |
Tu et al. | Texture pattern separation for hyperspectral image classification | |
CN110766695A (zh) | 基于稀疏表示的图像抠图算法研究 | |
CN115731135A (zh) | 基于低秩张量分解和自适应图全变分的高光谱图像去噪方法及*** |
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 |