[发明专利]基于非局部相似性及加权截断核范数的高光谱图像去噪方法

说明书

基于非局部相似性的加权截断核范数高光谱图像去噪方法，包括以下步骤：1)获取包含均值为零，方差为σ²的高斯噪声的待去噪的高光谱图像数据利用投影技术将干净高光谱图像进行降维处理，表示为M为降维后的图像,E为正交矩阵，其中M和N分别是高光谱图像空间维度的长和宽，P为谱带的数量；2)构建基于非局部相似性及加权截断核范数的高光谱图像去噪模型；3)对变量与参数进行迭代细化。4)输出去除噪声后的高光谱图像。本发明的优点是：将高光谱图像的空间低秩性与光谱低秩性相结合探索空间域与光谱域上的丰富信息，所集成的空间光谱模型不仅有效改进了传统非局部去噪方法速度慢的缺点并且在抑制噪声效果上有很强的鲁棒性。

技术领域

本发明涉及遥感图像处理领域，特别涉及一种基于非局部相似性及加权截断核范数的高光谱图像去噪方法。

背景技术

高光谱图像(Hyperspectral image，HSI)在遥感通信领域占有重要的地位，其包含数百个连续的谱带，由于其丰富的光谱信息，高光谱图像已经被广泛地应用在食品安全、药品过程监控、质量控制，生物医学，工业等应用上。然而，由于高光谱图像独特的物理特性，在图像的采集过程中不可避免的会受到各种噪声的干扰，其中由于传感器自身噪声的干扰，HSI经常受到高斯噪声的破坏，这必然会影响图像的质量和限制后续分类，分解，目标检测等图像后续处理的准确性。因此，作为高光谱图像的预处理步骤，去噪是一个重要并有意义的研究课题。

针对高光谱图像去噪的问题，国内外许多学者已提出了大量的方法。传统的去噪方法将图像的每个光谱带视为独立的二维灰度图像逐一进行处理，代表性的方法有块匹配三维滤波(Block-matching and 3D filtering,BM3D)算法，非局部集中稀疏表示方法(Nonlocally Centralized Sparse Representation，NCSR)，K-SVD等,然而这些方法都忽略了谱带间的相关性，使得在高噪声强度下HSI的去噪性能下降。高光谱图像的光谱相关性被广泛地应用在图像去噪中，将空间低秩性与谱低秩性相结合的方法受到广大学者的关注。例如,Othman和Qian等人提出了一种混合空间光谱小波收缩方法，利用空间域与谱域上的不同信息。通过将HSI视为多维立方体数据，共同考虑图像的空间与光谱信息，Liu等人提出多维维纳滤波(Multidimensional Wiener Filtering，MWF)和高阶rank-1张量分解方法，这些方法被应用到HSI去噪中并取得良好的去噪效果。

在低秩表示中，核范数(Nuclear Norm，NN)为典型的低秩正则化方法，核范数为秩约束的凸近似函数，但基于核范数最小化(Nuclear Norm Minimization，NNM)的方法很难获得全局最优解且在秩最小化问题上是次优的，且该无差异处理奇异值的方法在去除噪声时会丢失大量原始数据信息。为解决上述方法的不足，Gu等人提出加权核范数最小化(Weighted Nuclear Norm Minimization，WNNM)对不同奇异值施加不同的权重w凸显秩的贡献差异，WNNM虽然考虑了不同奇异值的贡献差异，但其忽略了秩的先验信息。因此，Geng和Sun等人提出了截断核范数(Truncated Nuclear Norm Minimization，TNNM)，其通过截取r个奇异值来保留图像的细节结构从而完成去噪，然而其忽略了秩的等级贡献差异，可能会导致次优软阈值。

发明内容

本发明要克服现有技术的上述缺点，提供一种基于非局部相似性及加权截断核范数的高光谱图像去噪方法。

为实现高效HSI去噪，本发明首先将高维高光谱图像投影到低维光谱子空间上，并学习一个正交基矩阵，然后结合高光谱的空间非局部相似性与全局光谱低秩性对低维子空间进行去噪，最后将复原后的低维图像与正交基结合恢复成原始数据维度。针对WNNM与TNNM的不足，本发明提出加权截断核范数(Weighted and Truncated Norm Minimization，WTNM)正则化约束方法，能更好的逼近本质秩属性。

本发明解决其技术问题所采用的技术方案是：