[发明专利]一种基于双重全变分的高光谱混合噪声去除方法

说明书

本发明提供了一种基于双重全变分的高光谱混合噪声去除方法，获取含有混合噪声的高光谱图像，选取SSTV正则项来描述高光谱图像全局稀疏结构，同时设计重加权范数约束高光谱图像主成分图的空间方向差分影像的局部稀疏结构，引入双重约束，选取更稀疏的全局特征和局部特征，稀疏正则项用于隔离稀疏噪声，范数刻画影像的高斯噪声，构建基于双重全变分的高光谱图像去噪模型，引入辅助变量优化基于双重全变分的高光谱图像去噪模型，采用ALM算法框架来优化提出的模型，将复杂的问题转换成多个简单的子问题来交替迭代求解，得到去噪后高光谱图像；本发明可以有效提高高光谱影像去噪的适用性和精度。

技术领域

本发明专利属于遥感图像处理领域，更具体的，涉及一种基于双重全变分的高光谱混合噪声去除方法。

背景技术

高光谱遥感技术把先进的光谱技术和传统二维图像的成像技术有效地结合在一起。高光谱影像具有丰富的光谱信息，这种具有很高光谱分辨率的影像在实际中具有广泛的应用价值。在成像过程中，由于电磁干扰、成像环境和传输过程等原因，收集到的高光谱影像会受到各种混合噪声的污染，包括高斯噪声，脉冲噪声，条带噪声和死线等噪声。混合噪声在影像中降低了影像质量，影响进一步应用的精度和可靠性，比如高光谱图像的分类、解混以及目标检测等。因此，混合噪声去除在高光谱影像处理中具有重要的研究价值。

目前国内外提出了众多去噪方法，已取得了良好的效果。当前的高光谱去噪方法主要有基于空间域去噪方法、基于光谱域去噪方法和基于模型优化去噪方法三大类型。近些年，稀疏和低秩模型广泛应用于高光谱图像去噪，从不同的角度分解估计张量秩，效果也不尽相同。需选取更合适的正则化约束项，保留有更多有用及细节信息，进一步提高高光谱图像去噪的效果。

把遥感影像当成一个张量数据进行建模表达，进而通过约束待求变量满足某种张量性质并实现信息复原的有效估计。解决遥感影像信息复原的两个核心问题分别是建立有效的张量优化模型以及设计模型求解的高效算法。因此，设计出一个能够高效的求解算法去找到模型的满意解的算法是当前一个重要任务。

发明内容

为了克服现有技术中存在的上述问题，本发明专利提出了一种基于双重全变分的高光谱混合噪声去除方法。

本发明是通过如下技术方案实现的：

一种基于双重全变分的高光谱混合噪声去除方法，高光谱影像是一个三维张量数据，即两维空间维度和一维光谱维度，用Tucker分解刻画高维影像整体结构的相似性，将视觉显著图作为加权因子作用在原图上，再与原图相加以增强显著性特征，影像的空间分片光滑性先验是混合噪声去除的另一个有效的正则项，选取SSTV正则项来描述高光谱图像全局稀疏结构，同时设计重加权L₁范数约束高光谱图像主成分图的空间方向差分影像的局部稀疏结构，引入双重约束，选取更稀疏的全局特征和局部特征，L₁稀疏正则项用于隔离稀疏噪声，F范数刻画影像的高斯噪声，建立的模型采用ALM算法框架来优化提出的模型，将复杂的问题转换成多个简单的子问题来交替迭代求解，得到去噪后高光谱图像，本方法的步骤如下：

步骤一：获取含有混合噪声的高光谱图像Y；

步骤二：选取SSTV正则项来描述高光谱图像全局稀疏结构，同时设计重加权L₁范数约束高光谱图像主成分图的空间方向差分影像的局部稀疏结构，引入双重约束，选取更稀疏的全局特征和局部特征，L₁稀疏正则项用于隔离稀疏噪声，F范数刻画影像的高斯噪声，引入稀疏结构双重约束，获得更准确的局部特征和全局特征，更好的去除噪声，复原高光谱图像，结合张量分解，构建基于双重全变分的高光谱图像去噪模型；