[发明专利]一种基于噪声注意力的高光谱遥感图像盲去噪方法

说明书

本发明公开了一种基于噪声注意力的高光谱遥感图像盲去噪方法，该方法通过构建噪声预估网络来获取不同波段的噪声强度，并利用注意力机制来对高噪波段进行抑制，低噪波段进行增强；再构建去噪网络，尽可能的剔除数据中的无用信息，获取有用信息，提高了去噪的效果，进而提高了盲去噪的准确性与适用性。

技术领域

本发明属于图像处理技术领域，具体涉及一种高光谱遥感图像盲去噪方法。

背景技术

高光谱遥感图像起源于20世纪60年代初期，是多种高端科学技术如信息处理技术，空间测量技术，计算机科学技术的融合产物，被广泛运用于军事勘探，行星探测，地物分类等多个领域中。由于高光谱图像包含着大量的地物信息，为了能够挖掘出更多的高光谱应用价值，人们通常都会将获得的高光谱数据进行处理和分析，从而获得所感兴趣的以及有价值的信息。为了获得上述信息，人们往往需要高质量的高光谱图像，从而尽可能的使得图像能够更真实的反应地物信息，使得进一步分析的结果最大化。然而遗憾的是，几乎所有的高光谱图像在传输的过程中都会不可避免的受到噪声的污染，这些污染的原因也是方方面面的，有设备的因素也有外界环境的干扰，而正是由于这些掺杂的无用的干扰噪声，对于图像的后续研究工作产生了巨大的挑战，甚至于会大大降低处理技术的可靠性。所以，研究出通俗可行的高光谱图像去噪方法是许许多多的科研工作者的学术目标，而高光谱去噪领域也成为了学术界的一个重要的研究向。

在过去的十几年内，许许多多的图像恢复算法被陆续提出，最常见的高光谱图像去噪算法是对逐波段分别进行去噪处理，而其又可以分为传统算法和基于深度学习的算法。M.Maggioni等人在文献M.Maggioni,V.Katkovnik,K.Egiazarian,Nonlocaltransform-domain filter for volumetric data denoising and reconstruction,inIEEE Transactions on Image Processing,2013,中提出了非局部自相似的去噪方法，该方法在三维块自相似的基础上，采用小波变化进行阈值分割，再进行二次去噪后，取得了满意的去噪效果。H.Zhang等人在文献H.Zhang,W.He,L.Zhang,Hyperspectral imagerestoration using low-rank matrix recovery,in IEEE Transactions on Geoscienceand Remote Sensing,2014,中提出了基于低秩恢复的去噪方法，该方法在秩约束的基础上直接对图像进行学习，这样可以根据对图像矩阵秩的约束来提高图像恢复的效果。

然而，无论是自相似方法还是低秩矩阵恢复方法都有着各的局限性。第一，两者都存在大量人工设置的参数来控制去噪效果的好坏。第二，算法计算复杂度较大，对于高维的高光谱数据的处理耗时较大。

近年来随着计算机科学技术的不断发展，深度学习在机器学习领域取得了重大的突破性进展，其在图像分割，图像检测识别以及图像分类等领域取得了极大的的效果提升，因此也被应用于高光谱图像去噪领域中来提升图像去噪的效果。Y.Chang等人在文献Y.Chang,L.Yan,H.Fang,HSI-DeNet:Hyperspectral image restoration viaconvolutional neural network,in IEEE Transactions on Geoscience and RemoteSensing,2019,中提出了一个简易的18层堆叠神经网络用于高光谱图像的去噪恢复，并采用GAN模型进行全局图像纠正，取得了良好的恢复效果。而Q.Yuan等人则在此基础上在文献Q.Yuan,Q.Zhang,J.Li,et al,Hyperspectral image denoising employing aspatial–spectral deep residual convolutional neural network,in IEEETransactions on Geoscience and Remote Sensing,2019,中提出了一个多光谱与单光谱结合的多尺度特征提取去噪方法，通过在对单通道去噪时加入周边多光谱通道信息来提高图像先验的信息补充，进而在全局去噪的同时提高了去噪效果。