一种高光谱图像去噪方法、装置及存储介质

1.本发明属于图像处理技术领域，涉及一种基于改进的加权变分张量分解的高光谱图像去噪方法、装置及存储介质。


背景技术：

2.高光谱图像拥有丰富的空间和光谱结构信息，被广泛地应用于军事、城市、航天等多个领域。但图像在采集过程中会受到各类噪声的污染，如高斯、椒盐、条带噪声等，使得高光谱图像质量严重退化。因此，有必要对高光谱图像进行去噪，从退化图像中恢复出接近原始清晰的图像。
3.高光谱图像去噪的一种自然方法是将每个波段视为灰度图像，然后采用传统的二维或一维去噪方法逐波段去噪；随后的方法利用相邻的图像像素存在相似性和空间特性，通过全变分正则化方法实现空间分段光滑，对图像的边缘信息进行处理，提高图像复原精准度。这些方法都是为了去除一到两种类型的噪声，即高斯噪声、脉冲噪声等。然而，在高光谱采集过程中通常会被几种不同类型的噪声所破坏，如高斯噪声、脉冲噪声、死线、条纹等。尽管基于低秩矩阵建模提出了消除噪声混合的方法，但恢复效果并不理想。


技术实现要素：

4.目的：现有技术中的图像去噪算法大多是通过相邻波段相似性用低秩恢复，是二阶的且忽略空间相关性，为了解决这一问题，本发明提供一种基于改进的加权变分张量分解的高光谱图像去噪方法、装置及存储介质，此方法旨在解决高光谱图像采集过程中的多种混合噪声。
5.将多维高光谱数据转换为向量或矩阵通常会破坏谱空间结构相关性，基于张量建模技术比矩阵化技术更具有优势。利用三阶张量同时捕获光谱空间的非局部相似度和光谱相关性。基于张量的方法基本上保持了固有的结构相关性，具有更好的恢复结果。
6.技术方案：为解决上述技术问题，本发明采用的技术方案为：
7.第一方面，提供一种高光谱图像去噪方法，包括：
8.获取待去噪的高光谱图像数据；
9.将待去噪的高光谱图像数据输入预训练优化好的高光谱图像去噪模型，得到输出的经过去噪的高光谱图像结果；
10.其中所述高光谱图像去噪模型的构建方法包括：
11.1)、利用低秩张量分解分离噪声项，得到高光谱退化模型；
12.2)、在步骤1)得到的高光谱退化模型中加入改进的加权的全变分正则器(w-sstv),充分表征高光谱图像波段之间的空间和光谱相关性；
13.3)、在步骤2)得到的模型中，用l1范数来规范稀疏噪声，用f范数来规范高斯噪声，确定约束条件；
14.4)、利用增广拉格朗日乘子法求解步骤3)得到的模型，通过输入带有稀疏噪声和
高斯噪声的训练集图像对模型进行迭代优化，得到训练优化好的高光谱图像去噪模型。
15.在一些实施例中，所述高光谱退化模型，包括：
16.y＝x n s
17.其中，y表示有噪声的三阶张量的高光谱立方体y＝{y1,y1,
…
yb}，其中yi∈rh×w，h表示高度，i为频带，宽度为w，b表示频带个数；x代表干净的图像，n表示高斯噪声，s表示稀疏噪声，x、n、s和y有着相同的张量大小。
18.在一些实施例中，利用低秩张量分解分离噪声项，包括：
19.将高光谱图像分割成重叠的三维块，对于一个n阶张量，通过tucker分解分解为n个因子矩阵和一个核心张量充分利用图像的光谱和空间低秩特性；每一模态上的因子矩阵称为张量的基矩阵或主分量；tucker分解方程表示为：
20.x＝c
×1u1×2u2×…×nun,u
nt
un＝i
21.其中，c是控制因子矩阵之间相互作用的核心张量；u是系数矩阵。
22.在一些实施例中，在高光谱退化模型中加入改进的加权的全变分正则器，包括：
23.||x||
sstv
＝w1||d
x
x|| w2||dyx|| w3||dzx||
24.其中，||x||
sstv
为加权的全变分模型，d
x
,dy,dz分别表示沿空间水平方向x、空间垂直方向y和光谱方向z的一阶正向有限差分算子；w1，w2，w3分别代表x,y,z三个方向上的加权差分算子；
25.d
x
＝x(i 1,j,k)-x(i,j,k)
26.dy＝x(i,j 1,k)-x(i,j,k)
27.dz＝x(i,j,k 1)-x(i,j,k)
28.x(i,j,k)中i、j分别表示图像x的水平方向、垂直方向的空间位置，k表示图像x的第k个波段。
29.在一些实施例中，用l1范数来规范稀疏噪声，用f范数来规范高斯噪声，确定约束条件，包括：
[0030][0031]
s.t.y＝x s n,
[0032]
x＝c
×1u1×2u2×3u3,u
nt
un＝i
[0033]
其中x代表干净的图像，n表示高斯噪声，s表示稀疏噪声，τ，λ，β分别表示x,s,n各自的控制系数因子，s.t.表示模型的约束条件；c是控制因子矩阵u1、u2、u3之间相互作用的核心张量；u是系数矩阵。
[0034]
在一些实施例中，利用增广拉格朗日乘子法求解，包括：
[0035]
令x＝z,dw(z)＝f,dw是经过加权的三维差分算子，存在三个不同方向的一阶差分算子，z和f都表示增广拉格朗日乘子法中引入的辅助变量；增广拉格朗日函数l表达式如下：
[0036]
[0037]
其中μ为惩罚参数，μ1，μ2，μ3，表示增广拉格朗日乘子。
[0038]
在一些实施例中，通过输入带有稀疏噪声和高斯噪声的训练集图像对模型进行迭代优化，包括：
[0039]
先输入带有稀疏噪声和高斯噪声的训练集图像，矩阵的秩r,权重值w1，w2，w3，初始化高光谱图像x，根据增广拉格朗日乘子法令x＝z＝s＝n＝0,μ1＝μ2＝μ3＝0，k＝0，然后再分别更新x、z、f、s、n以及更新增广拉格朗日乘子μ1，μ2，μ3，，对模型进行k 1次迭代优化直至满足迭代停止条件。
[0040]
第二方面，本发明提供了一种高光谱图像去噪装置，包括处理器及存储介质；
[0041]
所述存储介质用于存储指令；
[0042]
所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。
[0043]
第三方面，本发明提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述方法的步骤。
[0044]
有益效果：本发明提供的高光谱图像去噪方法及装置，具有以下优点：基于加权变分张量分解高光谱图像去噪方法，相比于图像去噪方法在除多种混合噪声有着更好的图像恢复效果，结构相似性和峰值信噪比都有显著提升，可以提高光谱空间的平滑度，在图像视觉上获得更好的效果。
附图说明
[0045]
图1为根据本发明一实施例中高光谱图像去噪模型的构建方法的流程图。
具体实施方式
[0046]
下面结合附图和实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0047]
在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0048]
本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0049]
实施例1
[0050]
提供一种高光谱图像去噪方法，包括：
[0051]
获取待去噪的高光谱图像数据；
[0052]
将待去噪的高光谱图像数据输入预训练优化好的高光谱图像去噪模型，得到输出的经过去噪的高光谱图像结果；
[0053]
其中所述高光谱图像去噪模型的构建方法包括：
[0054]
1)、利用低秩张量分解分离噪声项，得到高光谱退化模型；
[0055]
2)、在步骤1)得到的高光谱退化模型中加入改进的加权的全变分正则器(w-sstv),充分表征高光谱图像波段之间的空间和光谱相关性；
[0056]
3)、在步骤2)得到的模型中，用l1范数来规范稀疏噪声，用f范数来规范高斯噪声，确定约束条件；
[0057]
4)、利用增广拉格朗日乘子法求解步骤3)得到的模型，通过输入带有稀疏噪声和高斯噪声的训练集图像对模型进行迭代优化，得到训练优化好的高光谱图像去噪模型。
[0058]
在一些实施例中，如图1所示的一种改进的加权全变分张量分解的高光谱图像去噪方法，包括以下步骤：
[0059]
步骤s1、利用低秩张量分解分离噪声项，得到退化的高光谱模型；具体地，
[0060]
首先将高光谱分割成重叠的三维块，对于一个n阶张量，通过tucker分解分解为n个因子矩阵和一个核心张量充分利用图像的光谱和空间低秩特性。每一模态上的因子矩阵称为张量的基矩阵或主分量。tucker分解也可以被认为是高阶pca，用来描述低秩张量近似。tucker分解方程表示为：
[0061]
x＝c
×1u1×2u2×…×nun,u
nt
un＝i
[0062]
c是控制因子矩阵之间相互作用的核心张量。u是系数矩阵，采用经典的高阶正交迭代(hooi)算法，在不增加计算量的前提下，实现低秩tucker分解,得到高光谱退化模型：
[0063]
y＝x n s
[0064]
y表示有噪声的三阶张量的高光谱立方体y＝{y1,y1,
…
yb}，其中yi∈rh×w，h表示高度，i为频带，宽度为w,b表示频带个数；x代表干净的图像，n和s分别表示高斯噪声和稀疏噪声，它们和y有着相同的张量大小。
[0065]
步骤s2、加入改进的加权的全变分正则器(w-sstv)；具体地，
[0066]
高光谱在其谱模态上存在一个很强的局部平滑结构。即光谱域中邻接频带之间的差值大部分接近于零，且零的个数明显大于空间域中的零。用sstv正则化算法来研究空间和光谱域中的分段平滑结构。
[0067]
引入各向异性全变分模型||x||
sstv
,其中||x||
sstv
＝||d
x
x|| ||dyx|| ||dzx||,d
x
,dy,dz分别表示沿空间水平方向、空间垂直方向和光谱方向的一阶正向有限差分算子。
[0068]dx
＝x(i 1,j,k)-x(i,j,k)
[0069]dy
＝x(i,j 1,k)-x(i,j,k)
[0070]dz
＝x(i,j,k 1)-x(i,j,k)
[0071]
x(i,j,k)中i，j分别表示图像x的水平方向、垂直方向的空间位置，k表示图像x的第k个波段；
[0072]
对模型进行加权w得到：||x||
sstv
＝w1||d
x
x|| w2||dyx|| w3||dzx||。权值控制着x的正则化速度。w1，w2，w3分别代表x,y,z三个方向上的加权差分算子。
[0073]
步骤s3、用l1范数规范稀疏噪声，f范数规范高斯噪声；具体地，将s稀疏噪声通过l1范数建模，n高斯噪声通过f范数建模得到如下表达式
[0074][0075]
s.t.y＝x s n,
[0076]
x＝c
×1u1×2u2×3u3,u
nt
un＝i
[0077]
τ，λ，β分别表示x,s,n各自的控制系数因子，s.t.表示该模型的约束条件，充分获取光谱图像像素的相似性和空间光谱的分段平滑度，减少伪影，去除混合噪声。
[0078]
步骤s4、通过增广拉格朗日乘子法进行图像去噪，具体地，
[0079]
对上述步骤s3得到的模型进行优化，令x＝z,dw(z)＝f,dw是经过加权的三维差分算子，存在三个不同方向的一阶差分算子，其alm模型表达式如下：
[0080][0081]
μ为惩罚参数，μ1，μ2，μ3，表示增广拉格朗日乘子。去噪算法：先输入带有高斯和稀疏噪声的图像，矩阵的秩r,权重值w，迭代停止准则等，初始化高光谱图像x,根据增广拉格朗日乘子法令x＝z＝s＝n＝0,μ1＝μ2＝μ3＝0，k＝0，然后再分别更新x,z,f,s,n以及更新拉格朗日乘子μ1，μ2，μ3，等，固定其他变量，对模型进行k 1次迭代。
[0082]
在indian数据集进行混合噪声的实验，最终的输出即为得到高光谱图像恢复结果。
[0083]
如下表1-2所示分别为本发明所示图像去噪方法与传统现有技术在2种实验下的效果对比：
[0084]
实验1:高斯噪声和椒盐脉冲噪声都被添加到indian数据集的所有波段。高斯噪声(g)的方差分别为0.02、0.06和0.1。同时，椒盐脉冲噪声(p)也被添加到所有的频带，以模拟稀疏噪声。脉冲噪声(p)的百分比分别为0.04、0.12和0.2。
[0085]
实验2:在实验1的基础上中加入死线噪声(deadlines)，其他参数保持不变。
[0086]
用本文方法和对比方法对3种不同的模拟观测数据进行复原。将复原结果所有通道的ssim和psnr分别取均值，记为mssim和mpsnr，并用这两个均值作为最终复原效果的评价标准。峰值信噪比psnr是基于误差敏感的图像质量评价。给定一个大小的干净图像x和噪声图像y，psnr定义为:
[0087][0088][0089]
m,n表示高光谱图像的空间尺寸即宽度和高度，i,j表示空间位置，b表示高光谱图像的波段数。当峰值信噪比pnsr的值越大，说明图像的失真越小，恢复的图像越接近真实图像。
[0090]
结构相似性ssim定义为：
[0091][0092]
[0093]
μu,μu′
分别表示图像y和图像x的像素平均值，σu,σu′
表示图像的方差，c1,c2为常量，b表示高光谱图像的波段数。结构相似性ssim的取值范围为[0,1]，其值越大表示图像失真越小，图像的恢复效果好。
[0094]
表1在indian数据集上的实验1结果
[0095][0096][0097]
表2在indian数据集上的实验2结果
[0098][0099]
其中，本发明中的模型用ours代替，评价标准为mssim和mpsnr(结构相似性和峰值信噪比)。表1中分别展示了不同图像去噪的方法，随着高斯噪声和脉冲噪声的增强，图像的恢复效果会降低，可以看出本发明的模型在indian数据集中均表现优异。表2中展示了在三种混合噪声在高光谱图像的恢复效果。可以看出，本文模型表现出色，说明很好地解决了多种混合噪声对图像的影响。相比于传统恢复方法，本发明提供的方法具备显著的竞争优势，所以本方法在解决混合噪声的高光谱数据集上表现优秀，具有一定的意义。
[0100]
实施例2
[0101]
第二方面，本实施例提供了一种高光谱图像去噪装置，包括处理器及存储介质；
[0102]
所述存储介质用于存储指令；
[0103]
所述处理器用于根据所述指令进行操作以执行根据实施例1所述方法的步骤。
[0104]
实施例3
[0105]
第三方面，本实施例提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述方法的步骤。
[0106]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0107]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0108]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0109]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0110]
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。