[发明专利]一种基于物理噪声模型的高质量光谱去噪方法

说明书

本发明公开的一种基于物理噪声模型的高质量光谱去噪方法，属于计算摄像学领域。本发明实现方法为：分析高光谱相机的物理成像过程，根据噪声源分析建立高光谱相机的物理噪声模型，使用统计建模的方式标定物理噪声模型参数，构建高质量仿真噪声数据集，训练高光谱去噪神经网络，能够在显著节省构建高光谱去噪数据集所用的采集图像资源，实现高效率和高精度高光谱图像去噪。本发明能够高质量地完成基于扫描的高光谱相机的高光谱图像去噪，在显著节省构建高光谱去噪数据集所用的采集图像资源，实现高效率和高精度高光谱图像去噪，提高成像质量，扩展高光谱图像的应用范围。本发明能够用于地质勘探、农业生产和生物医学等多个领域。

技术领域

本发明涉及一种用于光谱成像的高光谱图像去噪数据生成方法，尤其涉及能够获取高质量高光谱图像的方法，属于计算摄像学领域。

背景技术

高光谱成像技术是一种将空间成像技术与光谱成像技术相结合的技术，能够密集的采集场景中每一个点的光谱信号。该技术采集得到的数据立方体即为高光谱图像，包含目标场景的二维空间信息和一维光谱信息，丰富的光谱细节能够反映场景的光照和材料信息。该技术已经被应用于地质勘探、农业生产和生物医学等多个领域。高光谱成像是利用海量波段获取场景中每个空间位置的光谱信息，商用高光谱相机通常采用扫描设计。这使得每个波段的光子计数比RGB图像少得多，而且各种噪声很容易引入到采集过程中。这种退化不仅对高光谱图像的视觉质量产生负面影响，而且对所有下游高光谱图像应用的性能也产生负面影响。因此，高光谱图像去噪是高光谱图像分析过程中必不可少的一步。

为了去除高光谱成像噪声，常用的基于模型的高光谱图像去噪方法通常迭代地解决具有各种手工先验的优化问题，如平滑性先验、自相似性先验。然而，迭代优化过程是耗时的，而且手工设计的先验不能充分反映现实世界中数据的多样性。近几年，基于学习的方法代替了耗时的优化算法和手工设计的先验，使用卷积神经网络自动学习从带噪高光谱图像到干净高光谱图像的映射。然而，现有的基于学习的方法一般依赖于简单的高斯噪声模型或复杂噪声模型合成的训练数据集。尽管这些方法在合成数据上取得了很好的结果，但由于缺乏真实的高光谱图像数据，这些方法仍然不能很好地在真实数据上使用和评价。

有两种方法可以解决这个问题。一是采集成对的真实数据进行高光谱图像去噪网络的学习和评价，就像RGB图像去噪那样。但是采集大量高质量的真实数据来学习高光谱去噪网络显然是昂贵的，需要大量的人力物力。另一个是生成真实的仿真数据。这既方便又便宜，但关键在于真实高光谱图像的噪声建模有多精确。异方差高斯噪声模型比常用的同方差高斯噪声模型更接近高光谱图像噪声。然而，它不能描绘出传感器噪声在高光谱图像中的全貌。实际上，由于高光谱相机的物理特性，例如在空间或光谱域扫描场景，所采集的高光谱图像包含比异方差高斯噪声更复杂的噪声。

发明内容

针对现有基于模型的算法运行速度慢、基于学习的算法依赖真实成对数据集等问题。本发明公开的一种基于物理噪声模型的高质量光谱去噪方法要解决的技术问题是：分析高光谱相机的物理成像过程，根据噪声源分析建立高光谱相机的物理噪声模型，使用统计建模的方式标定物理噪声模型参数，构建高质量仿真噪声数据集，训练高光谱去噪神经网络，能够在显著节省构建高光谱去噪数据集所用的采集图像资源，实现高效率和高精度高光谱图像去噪，提高成像质量。所述物理噪声模型将物理噪声分为信号相关噪声和信号无关噪声，所述信号无关噪声分为像素噪声和条带噪声。

为达到以上目的，本发明采用以下技术方案。

本发明公开的一种基于物理噪声模型的高质量光谱去噪方法，用于基于扫描的光谱成像系统，根据物理成像过程建立噪声模型，基于统计方法标定噪声模型参数，构建高质量的高光谱去噪仿真数据集，训练精确的高光谱去噪网络。本发明能够高质量地完成基于扫描的高光谱相机的高光谱图像去噪，在显著节省构建高光谱去噪数据集所用的采集图像资源，实现高效率和高精度高光谱图像去噪，提高成像质量，扩展高光谱图像的应用范围。本发明能够用于地质勘探、农业生产和生物医学等多个领域。

本发明公开的一种基于物理噪声模型的高质量光谱去噪方法，包括以下步骤：