[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

说明书

本发明公开了一种基于三维变分网络的高光谱图像深度降噪的方法，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σsupgt;2/supgt;，该方法能够实现对非i.i.d.噪声分布进行预测，同时实现高光谱图像的深度降噪。

技术领域

本发明属于高光谱图像降噪技术领域，涉及一种基于三维变分网络的高光谱图像深度降噪的方法。

背景技术

高光谱图像(Hyperspectral Image，HSI)是包含同一空间位置较大数量的连续窄波段图像，是由二维(2D)空间信息和一维(1D)光谱信息组成的三维(3D)数据，在环境监测、精准农业，矿物识别、军事监视等领域中得到了广泛的应用。然而HSI在获取、传输过程中，往往受到各种因素影响，导致图像模糊、含有噪声等，从而严重影响了后续的HSI分类、目标识别等操作。因此，HSI去噪是非常重要的图像预处理工作。

目前，已经提出了许多HSI去噪的方法，与普通图像不同的是，HSI是三维立方体的形式，那么如何与空间和光谱特征协同结合是HSI降噪的关键点。根据现有的HSI去噪方法，大多数经典的方法通常依赖于HSI的典型先验，通过设计优化模型来生成去噪结果。例如，Yuan等人提出了总变分模型，该模型同时考虑了空间和光谱维度；Xue等人提出了一种非局部低秩正则化张量分解(NLR-CPTD)技术，充分利用了跨频谱的全局相关性和非局部自相似性，可以有效避免高光谱降噪中的张量秩估计偏差。这些方法的优势在于可以很好地利用高光谱图像先验，且其贝叶斯框架具有很好的解释性，但是由于它们对噪声的假设通常为独立同分布(i.i.d.)的高斯噪声，这与真实的含噪HSI有一定的差异，且实现速度较慢。

近年来，基于深度学习的HSI降噪算法被提出，因为它可以解决上述方法中存在的一些问题。深度学习模型依赖于卷积神经网络来替代代价高昂的优化和复杂的先验算法，如Xie等人提出了一种利用可训练非线性函数和深度卷积神经网络(DCNN)进行HSI去噪；Liu等人提出了一种卷积自编码网络(DeCS-Net)，该网络融合了卷积神经网络(CNN)和自动编码器(AE)的优势，计算复杂度低，能够充分利用HSI中的空间信息和光谱信息进行去噪；Yuan等人提出了基于残差学习的HSI去噪方法，该方法同时考虑了空间信息和频谱信息，而无需手动调整不同HSI的超参数。尽管结果还不错，但这些方法还是通过学习的2D卷积对HSI进行建模，每个光谱带分别被去噪，没有完全利用HSI之间的强光谱相关性，从而牺牲了频谱维度的灵活性。

由于HSI是三维立方体的形式，通过学习3D卷积对HSI进行建模可以充分利用HSI的结构特性，对数据进行3D卷积运算，从而可以获得满意的去噪结果。例如，Dong等人提出了一种利用DCNN强大的表示学习能力来解决HSI去噪问题的新方法，该方法将2D DCNN直接扩展到3D DCNN，可处理未知噪声水平和混合噪声类型，实现了更好的去噪性能；Maffei等人提出了一种HSI单降噪CNN(HSI-SDeCNN)的架构来有效执行HSI降噪，该模型不像1D或2D模型那样只关注空间相关性，而是利用了相邻频段之间的高相关性，以恢复在采集过程中损坏的信息；Wei等人提出了一种用于高光谱图像去噪的交替方向三维拟递归神经网络(3D-QRNN)，该方法利用三维卷积提取HSI中的结构空间光谱相关性，同时保持了对任意频带数的HSI的灵活性。显然，基于深度学习的3D卷积的HSI去噪方法比使用2D卷积的方法能产生更好的结果。上述的基于深度学习的HSI去噪方法在大型数据集上均可以快速去除测试HSI的噪声，但是它们容易对某些噪声类型过拟合，且无法有效的推广到去除复杂的未知噪声。

发明内容