[发明专利]基于三重低秩模型的高光谱图像去噪方法

说明书

本发明提供一种基于三重低秩模型的高光谱图像去噪方法，首先从含噪声的高光谱图像中依次提取图像块，再对提取的所有图像块分别进行三重低秩优化重构模型(即包括低秩部分约束、低秩部分与线性变换域噪声图像之间的约束以及低秩部分自相关性约束)，去除稀疏噪声，最后通过对重构图像块的重叠像素进行加权平均得到去噪的高光谱图像。低秩部分与线性变换域噪声图像之间的约束可以提高模型的鲁棒性以及图像去噪的精度，低秩部分自相关性约束可以使得该去噪模型相比较于其他去噪模型对死线噪声的去除效果更佳优越。

技术领域

本发明涉及一种解决高光谱图像中条纹、死线、椒盐噪声等类型噪声的去噪算法，属于遥感图像处理领域。

背景技术

高光谱图像是一种具有数十、甚至上百个连续光谱波段的遥感图像，能提供目标区域的丰富的光谱信息，在地物分类和环境监测等领域具有广泛应用。然而在成像过程中，由于受到大气干扰、物理设备自身技术上的局限性以及传输带宽等因素影响，获取的高光谱图像往往受到各种噪声的影响，降低了高光谱图像的质量，对高光谱图像后续应用产生不利的影响。高光谱图像去噪是一种能有效降低噪声的图像处理技术，受到了人们的广泛关注。

常见高光谱图像去噪算法包括小波变换算法、优化重构算法和稀疏低秩算法等。小波变换算法主要是通过对高光谱图像进行小波变换，将其分解成不同尺度上的高频和低频，噪声主要集中在高频子带，从而实现对图像信息与噪声之间的分离。全变分约束是优化重构类算法常用的先验约束，其主要约束图像中相邻像素之间的差，但全变分约束产生阶跃效应。稀疏低秩算法是目前较流行的一类高光谱图像去噪技术，比如鲁棒主成分分析。通过低秩约束刻画无噪声高光谱图像中光谱间的关联性，并通过稀疏特性约束噪声，从而实现从含噪声的高光谱图像中重构出低秩无噪声图像。后续很多基于稀疏低秩模型的高光谱去噪算法都由鲁棒主成分分析算法衍生而来，比如截断核范数、图约束低秩模型以及双重鲁棒主成分分析等。现有的低秩模型主要从核范数的定义、低秩重构误差以及图像分布等方面提升低秩去噪模型的性能。然而，现有的鲁棒主成分分析模型及其改进形式对低秩部分的自相关性考虑还不够充分。

发明内容

技术问题：本发明目的是提供一种新的高光谱图像低秩去噪算法，分别通过对低秩部分、低秩部分与线性变换域噪声图像之间的约束以及低秩部分的自相关性来进行三重低秩约束，从而去除高光谱图像中例如椒盐噪声、死线噪声等稀疏噪声。

技术方案：本发明的方法首先从含噪声的高光谱图像中依次提取图像块，再对提取的所有图像块分别进行三重低秩优化重构模型(即包括低秩部分约束、低秩部分与线性变换域噪声图像之间的约束以及低秩部分自相关性约束)，去除稀疏噪声，最后通过对重构图像块的重叠像素进行加权平均得到去噪的高光谱图像。

由于高光谱传感器受传输设备技术上的局限性以及大气折射等因素的影响高光谱图像往往含有很多噪声，比如死线噪声、条纹噪声等为此，本发明考虑一种下面的噪声模型

X＝L+E (1)

其中表示含噪声的高光谱图像，为干净图像，为死线、条纹等稀疏噪声，M×N是高光谱图像的空间尺寸，B是高光谱图像的波段数。

对于上述含噪高光谱图像的处理本发明提供了一种三重低秩约束模型，包括低秩部分约束、低秩部分与线性变换域噪声图像之间的约束以及低秩部分自相关性约束。

本发明具体步骤包括：

1.从噪声高光谱图像X中依次提取m×n×B的3-D图像块并变换为mn×B的矩阵X_i,j作为该算法模型的输入。

2.通过以下优化算法针对每一个X_i,j进行优化重构：