[发明专利]一种基于三维变分网络的高光谱图像深度降噪的方法

权利要求书

1.一种基于三维变分网络的高光谱图像深度降噪的方法，其特征在于，包括以下步骤：

基于噪声估计与图像去噪构建贝叶斯推理框架；

基于贝叶斯推理框架构建非i.i.d.噪声估计子网络3D-DNet及噪声分布子网络3D-SNet；

构建目标函数，利用目标函数对非i.i.d.噪声估计子网络3D-DNet及噪声分布子网络3D-SNet进行训练；

利用训练后的非i.i.d.噪声估计子网络3D-DNet及噪声分布子网络3D-SNet预测高光谱图像(HSI)的干净HSI O及噪声分布σ²；

基于噪声估计与图像去噪构建贝叶斯推理框架的具体过程为：

将含噪的HSI线性建模为：

Y＝X+v     (1)

其中，Y，X，v∈R^P×Q×N，Y，X，v分别表示含噪的HIS、无噪的HIS及非i.i.d.噪声，P、Q及N分别表示空间高度、空间宽度及光谱带的数量，通过构建式(2)表示含噪HSI Y的生成过程：

其中，N(·|μ,σ²)表示均值为μ、方差为σ²的高斯分布，O表示Y中潜在的干净的HSI，假设HSI中的噪声为非i.i.d.分布的，对于噪声方差引入有理共轭先验，即：

其中，IG(·|α,β)表示参数α及β的反伽马分布，ξ表示r×r窗口内通过高斯滤波对残差图的滤波结果；

对O施加如式(4)所示的共轭先验：

其中，为度量O与X之间相似性的超参数；

结合式(2)至式(4)，得完整的贝叶斯推理框架。

2.根据权利要求1所述的基于三维变分网络的高光谱图像深度降噪的方法，其特征在于，还包括：从含噪的HSIY中推断出底层的无噪HSI O及对应的噪声分布σ²的后验，即P(O,σ²|Y)，具体过程为：

构造分布q(O,σ²|Y)，以近似式(2)至式(4)导致的后验分布P(O,σ²|Y)，假设变量O与σ²之间存在条件独立性，则有：

q(O,σ²|Y)＝q(O|Y)q(σ²|Y)    (5)

基于式(3)中的共轭先验，将σ²的变分后验形式写成式(6)所述的逆伽马分布：

其中，α_i(Y；W_B)及β_i(Y；W_B)表示从含噪HSI Y计算出噪声方差σ²的后验参数的预测函数；

基于式(4)中的高斯分布，将O的后验变分形式表示为：

其中，及表示直接从含噪HSI Y中获取潜在的清洁HSIO的后验参数的预测函数。

3.根据权利要求1所述的基于三维变分网络的高光谱图像深度降噪的方法，其特征在于，构建目标函数的具体过程为：

对于任何含噪HSIY，其边缘似然函数可以分解为：

logp(Y；O,σ²)＝l(O,σ²；Y)+D_KL(q(O,σ²|Y)||p(O,σ²|Y))    (8)

由于式(8)中第二项为变分近似后验q(O,σ²|Y)与真实后验P(O,σ²|Y)之间的KL散度，其值必然大于等于0，故边缘似然函数的下界为其等式中的第一项l(O,σ²；Y)；

式(9)中的三个子项分别可以表示为：

其中,

根据式(9)至式(12)，得目标函数。