[发明专利]一种基于E-3DTV正则的高光谱图像修复方法

摘要

一种基于E‑3DTV正则的高光谱图像修复方法，将含噪音的原三维高光谱数沿光谱维度展开成矩阵，初始化噪音项和待修复高光谱数据的矩阵表示以及ADMM框架下的其他模型变量及参数；对待修复的高光谱数据沿水平、竖直、光谱三个维度做差分操作，得到三个不同方向的梯度图，并沿光谱维度展开成矩阵；对三个方向的梯度图矩阵分别做低秩UV分解，对梯度图的基矩阵加稀疏性约束，得到E‑3DTV正则；对待修复的数据加E‑3DTV正则，写出优化模型，利用ADMM框架进行迭代求解，到迭代稳定，获得修复图像和噪音。本发明对高光谱图像数据进行去噪和压缩重构，通过对传统3DTV的增强改进，可兼顾梯度图像的结构相关性和稀疏性，克服传统的3DTV只能刻画梯度图的稀疏性，而忽略相关性的缺陷。

主权项

1.一种基于E‑3DTV正则的高光谱图像修复方法，其特征在于，包括如下步骤：步骤S1：将含噪音的原三维高光谱数据沿着光谱维度展开成矩阵得到Y∈R^mn×T，其中m,n代表每个谱段下图像的长和宽，T代表高光谱的光谱数，初始化噪音项ε∈R^m×n×T的矩阵形式E∈R^mn×T和待修复的高光谱数据的矩阵表示X∈R^mn×T以及ADMM框架下的其他模型变量及参数；步骤S2：对待修复的高光谱数据沿着水平、竖直、光谱三个维度做差分操作，差分算子记作得到的三个不同方向的梯度图，并沿着光谱维度展开成矩阵，记水平、竖直、光谱方向的梯度图分别为步骤S3：对三个方向的梯度图矩阵分别做低秩UV分解，即矩阵可以由两个低秩矩阵的乘积来近似表示，其中矩阵中基矩阵U反映了梯度图的共有结构和特征信息，V是系数矩阵，它反映了梯度图矩阵的每一列再由基矩阵表达时的系数；对梯度图的基矩阵U加稀疏性约束，得到E‑3DTV正则；步骤S4：根据步骤S3，对待修复的高光谱图像X加E‑3DTV正则，写出优化模型，利用ADMM框架进行迭代求解，到迭代稳定，获得修复图像和对应噪音。