[发明专利]一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法

说明书

本发明揭示了一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法，高维高光谱图像在子空间中具有低秩特性，针对高光谱图像的子空间特征图，利用空间非局部自相似性以及张量Tucker分解对子空间特征图进行联合低秩约束。进一步提高了对混合噪声的去噪能力。该技术方案主要用于解决高光谱图像中的噪声干扰问题，能够去除高光谱图像中包含的高斯噪声和稀疏噪声。高维高光谱图像在子空间中具有低秩特性，针对高光谱图像的子空间特征图，利用空间非局部自相似性以及张量Tucker分解对子空间特征图进行联合低秩约束，进一步提高了对混合噪声的去噪能力。

技术领域

本发明涉及一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法，可用于图像处理技术领域。

背景技术

随着遥感传感器技术的发展，依托机载和星载的高光谱成像技术为终端用户提供了丰富的光谱、空间和时间信息。高光谱图像的波段数从数十个发展到了上百个，能较全面地描述观测区域中物体的光谱特性。高光谱图像中丰富的光谱信息在许多具有挑战性的地球观测任务中得到了显著发展和广泛应用并持续发展，在细粒度土地覆盖分类、矿产制图、水质评价、珍贵农业、城市规划与监测、灾害管理与预测、隐蔽目标探测等多种任务，同时也推动了许多后续相关应用研究。然而，由于高光谱数据的高维、大尺寸、混合像元、采集过程中的光散射机制以及大气和几何畸变等因素，使得高光谱数据在空间域和光谱域上的信号具有很强的噪声干扰，因此，对高光谱图像的去噪任务成为世界各国研究人员关注的焦点。

高光谱图像去噪一直是遥感图像处理和应用领域的研究热点，传统图像去噪主要针对高斯白噪声。经典的去噪算法包括：小波变换算法、非局部均值算法、主成分分析算法以及全变差优化算法等。这些传统算法主要针对二维图像去噪问题，在处理高光谱图像时，忽略了图像内在的低秩稀疏特性。近些年，稀疏和低秩模型广泛应用于高光谱图像去噪。稀疏和低秩先验信息能有效地分离出图像本身结构信息和噪声，去噪性能优于传统去噪算法。为了进一步提高对高光谱图像的三维空间结构的表示能力，张量稀疏和低秩模型也被广泛运用高光谱图像去噪。然而现有高光谱图像稀疏低秩去噪算法主要考虑了高光谱图像的局部、空-谱间相似性等特性，对高光谱图像的低维子空间特性还需继续研究。

发明内容

本发明的目的就是为了解决现有技术中存在的上述问题，提出一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法。

本发明的目的将通过以下技术方案得以实现：一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法，

S1：从遥感传感器中得到含有混合噪声的高光谱图像Y；

S2：通过HySime算法从S1步骤中得到的高光谱图像Y中学习子空间E，通过Z＝E^TY计算得到特征图Z后进入S3步骤；

S3：通过欧几里得距离从特征图Z中构建群相似三维图像块得到三维图像块Z后进入S4步骤；

S4：通过软阈值算法求解更新S后进入步骤S5；

S5：

更新Z后进入S6步骤；

S6：通过奇异值分解(Y-S)Z^T得到左右奇异矩阵，并通过相乘更新E，更新E后进入S7步骤；

S7：计算误差||Y-EZ-S||_∞，若max(||Y-EZ-S||_∞)≤ε，则停止迭代，否则转向S4步骤，进入下一步骤；

S8：输出去噪后高光谱图像L。

优选地，在所述S1步骤中，所述含有混合噪声的高光谱图像Y的尺寸是M×N×B，其中，M×N表示噪声高光谱图像的空间维度，B表示噪声高光谱图像的波段数。