[发明专利]基于双重梯度约束的高光谱图像恢复方法

说明书

本发明涉及一种基于双重梯度约束的高光谱图像恢复方法，包括：输入受噪声污染的高光谱图像；利用伪l_1,0范数定义并构造与L₀梯度模型在数学意义上等价的基于伪l_1,0范数的梯度模型形成对图像梯度域的第一重约束；构建三维全变分加权差正则项L_1‑2SSTV，形成对图像梯度域的第二重约束；建立基于梯度域双重梯度约束的高光谱图像恢复模型L₀‑L_1‑2SSTV，在ALM算法框架下对恢复模型迭代求解至稳定，获得去噪后的修复图像。本发明充分利用了高光谱图像的空间以及光谱的梯度信息，能够在去除噪声的同时，有效保留图像的结构细节和锐化边缘，避免过度平滑现象的产生，得到具有良好视觉效果的高光谱图像。

技术领域

本发明涉及图像恢复技术领域，尤其是一种基于双重梯度约束的高光谱图像恢复方法。

背景技术

高光谱图像由高光谱分辨率传感器在相同位置下得到的图像串联生成，能够反映真实场景中丰富的信息，已广泛应用于农业、军事、环境监测和食品等领域。然而，由于成像系统和环境的各种限制因素，获得的高光谱图像总是会不可避免地受到各种类型的噪音污染，例如，高斯噪音、脉冲噪音、死线噪声和条纹噪声。因此，大多数应用程序需要将去噪作为重要的预处理步骤。

近年来，国内外学者提出了许多不同的高光谱图像去噪方法。最直接的方式是将高光谱图像的每个波段视为独立的灰色图像，应用二维灰色图像去噪方法。例如：小波变换算法、非局部均值算法、主成分分析算法等。然而这类方法有很大的缺陷在于忽略了相邻波段或像素之间的一致性，无法保证完整的光谱信息。

为了更好地适应现实情况下复杂的混合噪声，一些学者考虑对充分利用高光谱图像的内部信息，对其先验知识进行编码，得到表现更优的去噪模型。例如，基于全变分(TV)模型的去噪算法能有效保留高光谱图像的边缘细节,专利CN112950500ACN提出了一种基于边缘检测的低秩全变分模型的高光谱去噪方法；专利CN108133465A利用图像局部信息，提出了空间光谱加权全变分模型；专利CN109191404A对原始的全变分模型进行改进，提出了基于E3DTV的去噪模型。上述方法虽然能够有效保留图像边缘，但受到l₁范数的局限性，去噪结果往往会产生块状伪影。本发明为了避免全变分模型基于l₁范数产生的局限性，引入了基于l_1-2TV模型的三维全变分加权差模型，对图像空间、光谱梯度域施加更有力地稀疏约束，有效抑制伪影的产生。

低秩先验模型近年来同样在高光谱去噪中受到广泛应用。基于低秩的方法主要通过构造一组基及在基下的表达系数来表示高光谱图像，将高光谱的主体信息稀疏表达，从而实现噪音和干净数据分离的目的。专利CN111598795A利用图像中的低秩信息，提出了一种基于张量环分解的高光谱去噪方法；专利CN111951181A采用加权截断核范数来逼近高光谱图像的低秩先验，从而达到更好的去噪效果。尽管这些方法可以达到较好去噪效果，但在分解过程中通常会涉及到奇异值分解等高成本计算。本专利为了减轻去噪算法的计算负担，避免了分解的步骤，提出将全变分模型与L₀梯度模型相结合的方法，充分考虑高光谱图像的内部结构信息，实现对图像梯度域施加双重约束。

目前的现有技术尽管是基于对高光谱图的先验知识来构造模型,但去噪效果仍具有一定的局限性，因此寻找充分表达高光谱图信息的先验知识及其编码方式对于推动高光谱图修复方法的性能具有非常重要的作用与意义。

发明内容

本发明的目的在于提供一种对空间光谱梯度域的稀疏性具有更强的约束，能够有效抑制去噪过程中的块状伪影，以及保留更多图像细节的基于双重梯度约束的高光谱图像恢复方法。

为实现上述目的，本发明采用了以下技术方案：一种基于双重梯度约束的高光谱图像恢复方法，该方法包括下列顺序的步骤：