[发明专利]一种基于张量分解的总变分遥感图像去条带方法

说明书

本发明公开了一种基于张量分解的总变分遥感图像去条带方法，将遥感图像分解为目标图像和条带噪声及随机噪声的叠加，对各成分分别采用不同的正则项约束构成目标模型：为了保证恢复数据与原始数据之间的相似性，将引入一项非凸数据保真项；同时引入总变分正则项约束目标图像的分段平滑特性；最后，对于条带噪声采用低秩Tucker分解和L21范数联合约束，采用交替方向乘子法给出了一种详细的算法来求解上述模型，实现从原始图像中恢复目标图像，并给出了仿真实验结果验证本发明的可行性和有效性。

技术领域

本发明具体涉及一种基于张量分解的总变分遥感图像去条带方法，可用于目标检测、目标识别和地物分析等军事和民用领域，属于图像处理技术领域。

背景技术

随着遥感技术的发展，高光谱遥感图像通常包括数十甚至数百个光谱带图像。由于高光谱遥感图像中含有丰富的空间和光谱信息，故此高光谱遥感技术在学术界引发了广泛的关注，其应用包括地球气候，农业和军事等诸多方面。然而高光谱遥感成像传感器不可避免地会在采集数据过程中产生条带噪声。其主要形成原因就是各传感器之间不一致的响应校准误差。高光谱遥感图像中的条带噪声严重影响图像的视觉质量，并且后续的图像处理构成了极大的挑战，包括图像分割，图像融合，目标检测和目标分类。

高光谱遥感图像去条带问题已经引起了广泛的学术关注，目前针对遥感图像去条带问题这一课题已有大量研究，但现有的去条带方法主要是基于单帧图像，虽然具有一定的去条带效果但通常会破坏了相邻谱段间的光谱连续性且往往会丢失恢复的目标图像的细节信息。

发明内容

本发明的目的在于克服现有技术中的不足，提供了一种基于张量分解的总变分遥感图像去条带方法，解决了现有技术中单帧图像去条带会破坏高光谱数据内在的光谱连序性的问题。

为解决上述技术问题，本发明提供了一种基于张量分解的总变分遥感图像去条带方法，其特征是，包括以下过程：

将被条带噪声污染的高光谱遥感图像分解为目标图像、条带噪声图像和随机噪声图像三个部分；

对目标图像、条带噪声图像和随机噪声图像采取不同正则化约束构成目标模型；

求解目标模型，实现从原始图像中恢复目标图像。

进一步的，一幅被条带噪声污染的高光谱图像可以被分解如下：

其中为三阶张量数据，分别表示被条带污染的源图像、待求解的目标图像，条带噪声成分和随机噪声；M和N表示每一谱段图像的行列数，K表示高光谱图像的光谱总数。

进一步的，所述目标模型如下：

其中为三阶张量数据，分别表示被条带污染的源图像、待求解的目标图像，条带噪声成分和随机噪声；M和N表示每一谱段图像的行列数，K表示高光谱图像的光谱总数；

λ＞0，为条带噪声约束项系数，

为数据保真项，其中P(·)为一个非凸函数；

为目标图像的总变分正则项约束；

为条带噪声的低秩Tucker分解联合加权L2,1范数约束；

为核张量，U₁、U₂、U₃为因子矩阵，且是正交矩阵，I为单位矩阵。

进一步的，目标图像的总变分正则项约束为通过最小化目标图像在水平方向、竖直方向和光谱方向的梯度值以刻画其分段平滑特性：