[发明专利]结合Moreau增强TV和局部低秩矩阵恢复的高光谱图像去噪方法

说明书

一种结合Moreau增强TV和局部低秩矩阵恢复的高光谱图像去噪方法，包括以下步骤：1)获取待去噪的高光谱图像数据；2)建立基于局部低秩约束模型；3)构建Moreau增强TV模型；4)结合Moreau增强TV和局部低秩约束模型构建去噪模型，恢复出三维无噪高光谱图像。本发明较为显著的提高了高光谱图像混合噪声的去噪效果。

技术领域

本发明涉及高光谱图像处理领域，特别涉及一种结合Moreau增强TV和局部低秩矩阵恢复的高光谱图像去噪方法。

背景技术

高光谱图像中包含丰富的光谱和空间上下文信息。因此，高光谱图像在很多领域得到广泛的应用，例如：地质勘探、目标识别和军事监测等。由于多种复杂因素影响，高光谱图像在获取和传输过程中往往会引入大量噪声，如高斯噪声、条带噪声等。这些噪声不仅影响图像的视觉效果而且对后续的图像分类、混合像元分解和目标检测等造成严重的影响。因此研究高光谱图像去噪方法是一个必不可少的前期处理步骤，以改善后续应用的性能。

近年来，大量的高光谱图像去噪方法被提出。根据是否联合利用高光谱图像的空间和光谱信息，高光谱图像去噪技术可以分为两类。第一类是将高光谱图像的每个波段看作独立的灰度图像，然后对每个波段依次进行去噪，称为逐带去噪。该类方法忽略了高光谱图像空间及光谱维度的相关性等特点。第二类是联合利用空间和光谱信息对高光谱图像的空间域和光谱域进行特定去噪处理，称为联合去噪。该类方法又可分为基于变换域方法和基于空间域方法。基于变化域的方法是通过使用变换函数对数据进行去噪处理，比如傅里叶变换、小波变换。但是它们对变换函数的选择很敏感，并且没忽视了图像几何特征差异。基于空间域的方法是采用合理的假设或先验，如总变差(Total Variation)、稀疏表示(Sparse Representation)、低秩模型(Low Rank models)等对数据进行去噪处理。该方法可以将噪声图像映射到干净图像并且保持其空间和光谱特征。除此之外，由于深度理论的兴起，最近也出现了一些基于深度学习的高光谱图像去噪方法。

发明内容

为了有效保持高光谱图像的纹理和边缘信息，得到高质量图像数据，本发明提供一种结合Moreau增强TV和局部低秩矩阵恢复的高光谱图像去噪方法。

本发明解决其技术问题所采用的技术方案是：

一种结合Moreau增强TV和局部低秩矩阵恢复的高光谱图像去噪方法，所述方法包括以下步骤：

步骤1)获取待去噪的高光谱图像数据其中，M、N分别表示其空间结构的行数和列数，p表示波段数；

步骤2)将高光谱图像分割成m×n×p固定大小的图像块，建立基于局部低秩约束模型，其中，m、n分别表示以像素(i,j)为中心，行数为m，列数为n的图像块；

步骤3)构建Moreau增强TV模型；

步骤4)结合Moreau增强TV和局部低秩约束模型构建去噪模型，恢复出高光谱图像。

进一步，所述步骤3)的处理过程如下：

(3-1)在图像去噪领域，经典的二维图像TV去噪模型定义如下：

式中，y为待去噪图像，x为去噪后的图像，||x||_TV为图像的TV操作，λ为正则项系数,prox表示近端算子；

(3-2)Moreau增强TV模型定义如下：

式中，η为正则项系数，α控制ψ(x)函数的凹凸性；

(3-2-1)步骤(3-2)中ψ_α(x)函数定义如下：