[发明专利]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系统

说明书

本发明公开一种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系统，首先构造高光谱去噪模型；利用增广拉格朗日乘子法对张量分解和自适应图全变分的高光谱去噪模型的变量逐个交替求解；利用经典的HOOI算法求解第一个变量；基于高光谱图像的波段数求解第二个变量；利用软阈值收缩求解第三个变量；通过对所述模型的第四个变量直接求导；并对所得到的所有变量的结果进行迭代；将当前迭代结果与设定的迭代终止条件进行比较，直至满足收敛条件。本发明提供的方法，本方法相对于LRTV采用Tucker分解，能够很好的保留空间和光谱相关信息，相对于LRTDTV采用更多的邻居信息的AWGTV，能够很好的保留边缘信息，该算法取得最好的去噪效果。

技术领域

本发明涉及高光谱数据处理技术领域，特别是一种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系统。

背景技术

高光谱图像(HSI)数据由成像光谱仪采集，其包含连续几十或几百个波段。成像光谱仪以纳米级的光谱分辨率能够获得地物的光谱信息,将表征地物属性特征的光谱信息与表征地物几何位置关系的空间信息有机地结合在一起，使得地物的精确定量分析与细节提取成为可能。HSI已经应用到地形分类、食品安全、精密农业、癌症检测和军事监测等诸多领域。

然而，由于在成像过程中受到各种因素的干扰，HSI不可避免地受到各种噪声地污染，例如高斯噪声、脉冲噪声、条纹噪声等。这噪声限制了HSI的应用，因此，HSI去噪是必要的近年来，科学家们提出了很多种HSI去噪方法；其中，去噪效果比较好的有基于全变分正则低秩矩阵分解的高光谱图像恢复的方法(LRTV)、基于全变分正则化的低秩张量分解(LRTDTV)的方法等。LRTV利用HSI数据的低秩特性，对局部邻域像素的空间相关性和空间平滑度进行刻画，进一步提升了去噪效果，但是该方法对邻域像素的空间相关性信息利用过少，且忽略了在局部邻域像素平滑过程中对HSI边缘的保护。LRTDTV是在LRTV的基础上结合Tucker分解，该算法采用Tucker分解充分利用了光谱相关性信息，其去噪效果明显好于LRTV,但忽略了对HSI边缘信息的保护。因此，提高高光谱去噪算法有待进一步提出。

发明内容

有鉴于此，本发明的目的在于提供一种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系统，该方法提高高光谱图像去噪效果。

为达到上述目的，本发明提供如下技术方案：

本发明提供的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，包括以下步骤：

对输入数据进行建模，并基于数据模型构造张量分解和自适应图全变分的高光谱去噪模型；

利用增广拉格朗日乘子法对张量分解和自适应图全变分的高光谱去噪模型的变量逐个交替求解；

利用经典的HOOI算法对所述模型的第一个变量高光谱图像进行求解；

基于高光谱图像的波段数对所述模型的第二个变量高光谱图像逐个波段求解；

利用软阈值收缩对所述模型的第三个变量稀疏噪声进行求解；

通过对所述模型的第四个变量高斯噪声直接求导；并对所得到的所有变量的结果进行迭代；

将当前迭代结果与设定的迭代终止条件进行比较，直至满足所述迭代终止的收敛条件。

进一步，所述高光谱去噪模型按照以下公式建立：

根据信号模型，构造张量分解和自适应图全变分的高光谱去噪模型，表达式如下：