CN108805816A - 一种高光谱图像去噪方法及装置 - Google Patents
一种高光谱图像去噪方法及装置 Download PDFInfo
- Publication number
- CN108805816A CN108805816A CN201710302043.9A CN201710302043A CN108805816A CN 108805816 A CN108805816 A CN 108805816A CN 201710302043 A CN201710302043 A CN 201710302043A CN 108805816 A CN108805816 A CN 108805816A
- Authority
- CN
- China
- Prior art keywords
- wave band
- noise
- denoising
- object function
- structural information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000001228 spectrum Methods 0.000 title claims abstract description 64
- 230000006870 function Effects 0.000 claims description 61
- 238000013178 mathematical model Methods 0.000 claims description 28
- 238000013441 quality evaluation Methods 0.000 claims description 28
- 230000001052 transient effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000005303 weighing Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供的一种高光谱图像去噪方法及装置，该方法包括：S1，获取与高光谱图像噪声波段的结构信息相近以及比所述噪声波段的图像质量好的至少一个有效波段；S2，根据所述至少一个有效波段建立目标函数，并根据所述目标函数获取去噪后的清晰波段。通过利用波段之间的关联性，把噪声波段的去噪问题转化为波段的融合，得到最终去噪后的清晰波段，考虑并克服了以往方法中忽视了噪声可能只存在于某些或某个波段的情形，并取得了较好的去噪结果。
Description
技术领域
本发明涉及高光谱图像去噪领域，更具体地，涉及一种高光谱图像去噪方法及装置。
背景技术
相比于RGB彩色或灰度图像，高光谱图像拥有更丰富的波段信息，可以提高很多计算机视觉应用的效率，比如人脸识别、遥感、运动分割等。然而在实际中，高光谱图像不可避免地会受到噪声的影响，如传感器的缺陷或环境所致，所以高光谱去噪非常有意义的研究。噪声图像的形成过程可以简略表示为y＝x+n，n为噪声，x为清晰原图，y为噪声图片。但是，目前已有的高光谱图像去噪方法很少考虑一种实际存在的问题：高光谱图像中的噪声不一定存在于所有波段中，可能只存在于某些或者特定的某一波段中，这些高光谱图像去噪方法通常认为噪声存在于所有波段中，因此无法对这种情况做出有效处理。
目前，高光谱图像去噪方法主要有：2D拓展的方法和波段相关的方法。2D拓展的高光谱图像去噪方法使用传统的2D图像去噪方法，对每个波段独立去噪，把2D的方法拓展到3D。典型的2D去噪方法有Budaes等人提出的NLM法(A.Buades,B.Coll,and J.-M.Morel.Anon-local algorithm for image denoising.In Proc.IEEE Conf.Computer Vision andPattern Recognition,pages 60–65,2005.)，Dabov等人提出的BM3D法(K.Dabov,A.Foi,V.Katkovnik,and K.Egiazarian.Image denoising by sparse 3-d transform-domaincollaborative filtering.IEEE Transactions on Image Processing,16(8):2080–2095,2007.)，以及Elad提出的K-SVD法(M.Elad and M.Aharon.Image denoising viasparse and redundant representations over learned dictionaries.IEEETransactions on Image Processing,15(12):3736–3745,2006.)。
波段相关的高光谱图像去噪方法认为各个波段的噪声水平是相当的，并把所有波段作为整体处理。典型的波段相关的高光谱图像去噪方法有Peng等人提出的基于空域的局部自相似性和光谱域的全局相关性的方法(Yi Peng,Deyu Meng,Zongben Xu,ChenqiangGao,Yi Yang,and Biao Zhang.Decomposable nonlocal tensor dictionary learningfor multispectral image denoising.In Proc.IEEE Conf.Computer Vision andPattern Recognition,pages 2949–2956,2014.)，Dong等人提出的基于低秩矩阵近似的方法(Wei sheng Dong,Guangyu Li,Guangming Shi,Xin Li,and Yi Ma.Low-rank tensorapproximation with laplacian scale mixture modeling for multiframe imagedenoising.In Proc.IEEE International Conference on Computer Vision,pages 442–449,2015.)，以及Xie等人提出的基于稀疏张量度量的方法(Q.Xie,Q.Zhao,D.Meng,and etal.Multispectral images denoising by intrinsic tensor sparsityregularization.In Proc.IEEE Conf.Computer Vision and Pattern Recognition,2016.)。
但是，基于2D的图像去噪方法拓展而来的高光谱图像去噪方法完全独立地处理每个波段，没有考虑到波段间的关联性，因此去噪效果不太理想。波段相关的高光谱图像去噪方法认为各个波段的噪声水平相当，没有考虑不同波段噪声水平的差异，因此对于噪声只出现在某些或特定波段的情形不能取得较好的效果。
发明内容
为了克服上述的技术问题，本发明提供一种高光谱图像去噪方法及装置。
第一方面，本发明提供一种高光谱图像去噪方法，包括：S1，获取与高光谱图像噪声波段的结构信息相近以及比所述噪声波段的图像质量好的至少一个有效波段；S2，根据所述至少一个有效波段建立目标函数，并根据所述目标函数获取去噪后的清晰波段。
其中，所述S1包括：S11，获取所述高光谱图像各波段与所述噪声波段的结构信息相似性指标；获取所述高光谱图像各波段与所述噪声波段的图像质量评价指标；S12，根据所述结构信息相似性指标和所述图像质量评价指标，获取与所述噪声波段的结构信息相似以及比所述噪声波段的图像质量好的至少一个有效波段。
其中，所述S2包括：S21，根据所述至少一个有效波段建立数学模型，所述数学模型的结构为：所述至少一个有效波段包括清晰波段和噪声；S22，根据所述数学模型建立目标函数，所述目标函数包括数学模型误差和正则化约束项；S23，根据所述目标函数获取去噪后的清晰波段。
其中，所述结构信息相似性指标通过以下方式获取，
其中，LX是波段X的结构信息，LY是波段Y的结构信息，I为衡量波段X与波段Y的结构信息相似性指标；
所述图像质量评价指标通过以下方式获取，
Q＝QX-QY
其中，Qx表示波段X的质量评价值，Qy表示波段Y的质量评价值，Q为衡量波段X与波段Y的图像质量评价指标。
其中，所述至少一个有效波段采用以下公式获取，
其中，SY为波段Y相对于波段X的结构信息和图像质量评价的得分。
其中，所述数学模型为：G＝Hu+n，其中，G为包括至少一个有效波段的向量，u为清晰波段，n为噪声，H为至少一个有效波段与清晰波段的关系矩阵；相应地，所述目标函数为：
其中，γ为可调参数，Di为第i个像素的梯度值，为正则化约束项。
其中，所述S22还包括：将所述正则化约束项进行化简，并将所述化简后正则化约束项带入把目标函数，则所述目标函数为，
其中，Di表示第i个像素的梯度值，u为清晰波段，β为可调参数，辅助参数V＝[V1，V2,…，VN]T。
第二方面，本发明提供一种高光谱图像去噪装置，包括：获取模块，用于获取与高光谱图像噪声波段的结构信息相近以及比所述噪声波段的图像质量好的至少一个有效波段；去噪模块，用于根据所述至少一个有效波段建立目标函数，并根据所述目标函数获取去噪后的清晰波段。
第三方面，本发明提供一种高光谱图像去噪装置，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
第四方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
本发明提供的一种高光谱图像去噪方法及装置，通过获取与噪声波段的结构信息相似以及比噪声波段的图像质量好的至少一个有效波段，然后根据至少一个有效波段建立目标函数，并根据该目标函数获得去噪后的清晰波段。利用波段之间的关联性，把噪声波段的去噪问题转化为波段的融合，得到最终去噪后的清晰波段，考虑并克服了以往方法中忽视了噪声可能只存在于某些或某个波段的情形，并取得了较好的去噪结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的高光谱图像去噪方法的流程图；
图2为本发明实施例提供的高光谱图像去噪装置的结构框图；
图3为本发明另一实施例提供的高光谱图像去噪装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的高光谱图像去噪方法的流程图，如图1所示，该方法包括：S1，获取与高光谱图像噪声波段的结构信息相近以及比所述噪声波段的图像质量好的至少一个有效波段；S2，根据所述至少一个有效波段建立目标函数，并根据所述目标函数获取去噪后的清晰波段。
其中，光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像(Hyperspectral Image)。
其中，噪声波段是指该波段包含各种妨碍人们对其信息接受的因素。
具体地，由于与噪声波段有着相似结构信息的波段能提供更多有效的信息，使得最终去噪恢复的效果更佳，所以要选择结构信息与被噪声污染的噪声波段相近的波段。由于图像质量较好的波段对取得好的去噪恢复效果有帮助，所以要选择图像质量比受噪声污染的噪声波段好的波段才有意义。因此，在步骤S1中，获取与高光谱图像噪声波段的结构信息相近以及比该噪声波段的图像质量好的至少一个有效波段。在步骤S2中，根据获取的至少一个有效波段建立目标函数，例如，获取了4个有效波段，则根据这4个有效波段建立目标函数，然后对目标函数进行求解，以获得去噪后的清晰波段。
在本发明实施例中，通过获取与噪声波段的结构信息相似以及比噪声波段的图像质量好的至少一个有效波段，然后根据至少一个有效波段建立目标函数，并根据该目标函数获得去噪后的清晰波段。利用波段之间的关联性，把噪声波段的去噪问题转化为波段的融合，得到最终去噪后的清晰波段，考虑并克服了以往方法中忽视了噪声可能只存在于某些或某个波段的情形，并取得了较好的去噪结果。
在上述实施例的基础上，所述S1包括：S11，获取所述高光谱图像各波段与所述噪声波段的结构信息相似性指标；获取所述高光谱图像各波段与所述噪声波段的图像质量评价指标；S12，根据所述结构信息相似性指标和所述图像质量评价指标，获取与所述噪声波段的结构信息相似以及比所述噪声波段的图像质量好的至少一个有效波段。
具体地，在获取与高光谱图像噪声波段的结构信息相近以及比所述噪声波段的图像质量好的至少一个有效波段时，首先获取高光谱图像中各波段与该噪声波段之间的结构信息相似性指标，本发明实施例使用laplacian矩阵(D.Eynard,A.Kovnatsky,and MM.Bronstein.Laplacian colormaps:a framework for structure-preserving colortransformations.Computer Graphics Forum,33(2):215–224,2014.)作为衡量波段结构信息的标准，例如，高光谱图像中共有10个波段，其中有5个波段与该噪声波段的结构信息较相似。
获取高光谱图像中各波段与该噪声波段之间的图像质量评价值，例如，高光谱图像中的10个波段，其中有5个波段比该噪声波段的图像质量好。则在5个与噪声波段的结构信息较相似的波段以及5个比该噪声波段的图像质量好的波段中选择有效波段，获取与噪声波段的结构信息相似以及比噪声波段的图像质量好的至少一个有效波段。然后根据获得的至少一个有效波段建立目标函数，根据该目标函数获得去噪后的清晰波段。
本发明实施例中，根据结构信息相似性指标和图像质量评价指标，获取与噪声波段的结构信息相似以及比噪声波段的图像质量好的至少一个有效波段，可以获取到与噪声波段高度相关的有效波段，从而提高图像去噪的效果。
在上述实施例的基础上，所述S2包括：S21，根据所述至少一个有效波段建立数学模型，所述数学模型的结构为：所述至少一个有效波段包括清晰波段和噪声；S22，根据所述数学模型建立目标函数，所述目标函数包括数学模型误差和正则化约束项；S23，根据所述目标函数获取去噪后的清晰波段。
其中，正则化(regularization)，是指在线性代数理论中，不适定问题通常是由一组线性代数方程定义的，而且这组方程组通常来源于有着很大的条件数的不适定反问题。大条件数意味着舍入误差或其它误差会严重地影响问题的结果。
具体地，在步骤S1中获取到与高光谱图像噪声波段的结构信息相近以及比所述噪声波段的图像质量好的至少一个有效波段后，例如，获取的至少一个有效波段为k个有效波段。则在步骤S21中根据该k个有效波段建立数学模型，且该数学模型的结构为：k个有效波段包括清晰波段和噪声，也就是说看到的图像均是清晰波段加上噪声后形成的。然后在步骤S22中根据数学模型建立目标函数，该目标函数包括数学模型误差和正则化约束项，在服从数学模型的前提下对数学模型进行修正。最后根据该建立的目标函数求解获得去噪后的清晰波段。
本发明实施例中，通过根据至少一个有效波段建立数学模型，并根据该数学模型获取目标函数，求解目标函数以获得去噪后的清晰波段，这样将图像去噪问题转为图像融合，考虑并克服了以往方法中忽视了噪声可能只存在于某些或某个波段的情形，并取得了较好的去噪结果。
在上述实施例的基础上，所述结构信息相似性指标通过以下方式获取，
其中，LX是波段X的结构信息，LY是波段Y的结构信息，I为波段X与波段Y的结构信息相似性指标；
所述图像质量评价指标通过以下方式获取，
Q＝QX-QY
其中，Qx表示波段X的质量评价值，Qy表示波段Y的质量评价值，Q为衡量波段X与波段Y的图像质量评价指标。
其中，图像质量指人们对一幅图像视觉感受的主观评价。通常认为图像质量指被测图像(即目标图像)相对于标准图像(即原图像)在人眼视觉系统中产生误差的程度。
具体地，在获取高光谱图像各波段与噪声波段的结构信息相似性指标时，定义I作为衡量波段X与波段Y的结构信息相似性指标，即其中，LX是波段X的结构信息，LY是波段Y的结构信息。在用I衡量波段X与波段Y的结构信息相似性指标时，I的值越小表示波段X与波段Y的结构关联性越强，结构信息越相似。采用来获取高光谱图像各波段与噪声波段的结构信息相似性指标，这样可以获得高光谱图像中各波段与噪声波段之间的结构关联性，便于获取与噪声波段的结构信息相似的波段作为有效波段。
在获取高光谱图像各波段与噪声波段的图像质量评价指标时，采用TV正则作为图像质量评价指标。通过公式Q＝QX-QY，计算出波段X与波段Y之间的图像质量评价指标，如果Q值为正值，则表示波段Y的图像质量比波段X的图像质量好。则根据上述公式可以获取高光谱图像各波段与噪声波段之间的图像质量评价指标，以便于获取比噪声波段的图像质量好的波段作为有效波段。
在上述实施例的基础上，所述至少一个有效波段采用以下公式获取，
其中，SY为波段Y相对于波段X的结构信息和图像质量评价的得分。
具体地，在获取到高光谱图像各波段与噪声波段的结构信息相似性指标，以及高光谱图像各波段与噪声波段的图像质量评价指标后，采用公式针对噪声波段X计算出波段Y的得分SY。对于得分SY为负值的波段不予考虑，选择得分SY为正值中较小值的波段作为有效波段，这样可以获取到与噪声波段的结构信息较相似以及比噪声波段的图像质量较好的有效波段。然后根据该获取到的有效波段建立目标函数，对目标函数求解获得去噪后的清晰波段。
在本发明实施例中，通过选取与噪声波段的结构信息较相似以及比噪声波段的图像质量较好的波段作为有效波段，可以提高去噪效果，得到较清晰的去噪图像。
在上述实施例的基础上，所述数学模型为：G＝Hu+n，其中，G为包括至少一个有效波段的向量，u为清晰波段，n为噪声，H为至少一个有效波段与清晰波段的关系矩阵；相应地，所述目标函数为：
其中，γ为可调参数，Di为第i个像素的梯度值，为正则化约束项。
具体地，在获取到与噪声波段的结构信息相似以及比噪声波段的图像质量好的至少一个有效波段后，例如，获取的至少一个有效波段为k个有效波段。记噪声波段为u′∈RN ×1，与噪声波段对应的清晰波段为u∈RN×1，其中N为每个波段的像素个数，将该k个有效波段拉长成向量，标记为然后根据该k个有效波段建立数学模型，数学模型的数学表达式为G＝Hu+n，其中，G为包括至少一个有效波段的向量，u为清晰波段，n为噪声，H为至少一个有效波段与清晰波段的关系矩阵。再根据该数学模型建立目标函数，由于目标函数包括：数学模型误差和正则化约束项，则该目标函数为其中，γ为可调参数，Di为第i个像素的梯度值，为正则化约束项。然后通过求解该目标函数获得去噪后的清晰波段，从而提高图像的去噪效果。
在上述实施例的基础上，所述S22还包括：将所述正则化约束项进行化简，并将所述化简后正则化约束项带入把目标函数，则所述目标函数为，
其中，Di表示第i个像素的梯度值，u为清晰波段，β为可调参数，辅助参数V＝[V1，V2，…，VN]T。
具体地，根据获取的至少一个有效波段建立好数学模型后，则根据该数学模型建立目标函数，该目标函数包括数学模型误差和正则化约束项。首先，将该正则化约束项进行近似，即将||Diu||近似为φ(Diu)，则
其中，Di表示第i个像素的梯度值，u为与噪声波段对应的清晰波段，β为可调参数。然后引入辅助参数V，则
其中，辅助参数V＝[V1，V2，…，VN]T。最后将化简后的正则化约束项带入目标函数，得到最终的目标函数，即
对该目标函数进行求解可以获取去噪后的清晰波段。则获得的去噪后清晰波段为：辅助变量为并且由于H通常是未知的，所以将清晰波段的结果简化为：
在本发明实施例中，通过对正则化约束项进行近似和等价变化，可以简化目标函数，使得对目标函数的求解更加简单，同时也能够获得较好去噪效果的清晰波段。
在本发明实施例中，通过在中央处理器为Intel(R)Core i3-3240 3.4GHZ、内存4G、WINDOWS 7操作系统上，运用MATLAB 2011a软件进行的仿真，来对本发明实施例提供的图像去噪方法进行试验。
试验中使用的图像数据为Columbia高光谱图像数据集(F.Yasuma,T.Mitsunaga,D.Iso,and S.K.Nayar.Generalized assorted pixel camera:Post capture control ofresolution,dynamic range,and spectrum.IEEE Transactions on Image Processing,19(9):2241–2253,2010.)，该数据集含有32幅高光谱图像，每幅包含31个波段，每幅图像归一化到[0,1]。试验中，分别选择第6,17,29波段叠加高斯噪声(用标准差σ衡量)和泊松噪声(用参数κ衡量)。每一波段叠加三种不同程度的噪声，参数为σ＝0.1，0.3或0.5,κ＝4。
为了证明本发明实施例提供的图像去噪方法的有效性，综合考虑现有方法的流行性和崭新性，选取8种方法进行对比：分别是band-wise KSVD(M.Elad and M.Aharon.Imagedenoising via sparseand redundant representations over learneddictionaries.IEEE Transactions on Image Processing,15(12):3736–3745,2006.)，band-wise BM3D(K.Dabov,A.Foi,V.Katkovnik,and K.Egiazarian.Image denoising bysparse 3-d transform-domain collaborative filtering.IEEE Transactions onImage Processing,16(8):2080–2095,2007.)，3D KSVD(M.Elad and M.Aharon.Imagedenoising via sparse and redundant representations over learneddictionaries.IEEE Transactions on Image Processing,15(12):3736–3745,2006.)，ANLM3D(J.V.Manjn,P.Coup,L.D.L.Collins,and M.Robles.Adaptivenon-local means denoising of MR images with spatially varying noiselevels.Journal of Magnetic Resonance Imaging,31(1):192C203,2010.)，和BM4D(M.Maggioni,V.Katkovnik,K.Egiazarian,and A.Foi.Nonlocal transform-domainfilter for volumetric data denoising and reconstruction.IEEE Transactions onImage Processing,22(1):119–33,2013.)，以上五种方法代表了主要的基于2D拓展的去噪方法。LRTA(N.Renard,S.Bourennane,and J.Blanc-Talon.Denoising anddimensionality reduction using multilinear tools for hyperspectralimages.IEEE Geoscience and Remote Sensing Letters,5(2):138–142,2008.)，PARAFAC(X.Liu,S.Bourennane,and C.Fossati.Denoising of Hyperspectral Images Using thePARAFAC Model and Statistical Performance Analysis.Geoscience and RemoteSensing IEEE Transactions on,50(10):3717–3724,2012.)，和TDL(Y.Peng,D.Meng,Z.Xu,C.Gao,Y.Yang,and B.Zhang.Decomposable nonlocal tensor dictionarylearning for multispectral image denoising.In Proc.IEEE Conf.Computer Visionand Pattern Recognition,pages2949–2956,2014.)，以上三种方法代表了主流的波段相关的去噪方法。
本发明实施例提出的去噪方法与其它8种方法对图片去噪进行对比，并将去噪后恢复得到的结果用有参考的图像质量评价指标Q值进行比较，比较结果如表1所示。
从表1中可以看出本发明实施例提供的去噪恢复结果比其它8种方法的去噪恢复结果的Q值都要好，因为本发明实施例克服了以往方法没有考虑的噪声可能只出现在一部分或者某些波段的情形。同时也能发现，由于现有的其他方法没有考虑不同波段的噪声水平之间的差异，比如噪声可能只出现在一部分或者某些波段而大部分波段是清晰的，或者没有考虑波段之间的关联性，它们的恢复结果不太理想。从而证明了本发明实施例提供的图像去噪方法的优势。
图2为本发明实施例提供的高光谱图像去噪装置的结构框图，如图2所示，该装置包括：获取模块201和去噪模块202。获取模块201用于获取与高光谱图像噪声波段的结构信息相近以及比所述噪声波段的图像质量好的至少一个有效波段；去噪模块202用于根据所述至少一个有效波段建立目标函数，并根据所述目标函数获取去噪后的清晰波段。
在一个实施例中，由于与噪声波段有着相似结构信息的波段能提供更多有效的信息，使得最终去噪恢复的效果更佳，所以要选择结构信息与被噪声污染的噪声波段相近的波段。由于图像质量较好的波段对取得好的去噪恢复效果有帮助，所以要选择图像质量比受噪声污染的噪声波段好的波段才有意义。因此，获取模块201获取与高光谱图像噪声波段的结构信息相近以及比该噪声波段的图像质量好的至少一个有效波段。然后去噪模块202根据获取的至少一个有效波段建立目标函数，例如，获取了4个有效波段，则根据这4个有效波段建立目标函数，然后对目标函数进行求解，以获得去噪后的清晰波段。
在本发明实施例中，通过获取模块获取与噪声波段的结构信息相似以及比噪声波段的图像质量好的至少一个有效波段，然后去噪模块根据至少一个有效波段建立目标函数，并根据该目标函数获得去噪后的清晰波段。利用波段之间的关联性，把噪声波段的去噪问题转化为波段的融合，得到最终去噪后的清晰波段，考虑并克服了以往方法中忽视了噪声可能只存在于某些或某个波段的情形，并取得了较好的去噪结果。
图3为本发明另一实施例提供的高光谱图像去噪装置，如图3所示，该去噪装置包括：处理器301、存储器302以及总线303；其中，以及与所述处理器通信连接的至少一个存储器，其中，处理器301和存储器302通过总线303完成相互间的通信；所述处理器301用于调用所述存储器302中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取与高光谱图像噪声波段的结构信息相近以及比所述噪声波段的图像质量好的至少一个有效波段；根据所述至少一个有效波段建立目标函数，并根据所述目标函数获取去噪后的清晰波段。
在另一个实施例中提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述个方法实施例所提供的方法，例如包括：获取与高光谱图像噪声波段的结构信息相近以及比所述噪声波段的图像质量好的至少一个有效波段；根据所述至少一个有效波段建立目标函数，并根据所述目标函数获取去噪后的清晰波段。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种高光谱图像去噪方法，其特征在于，包括：
S1，获取与高光谱图像噪声波段的结构信息相近以及比所述噪声波段的图像质量好的至少一个有效波段；
S2，根据所述至少一个有效波段建立目标函数，并根据所述目标函数获取去噪后的清晰波段。
2.根据权利要求1所述的方法，其特征在于，所述S1包括：
S11，获取所述高光谱图像各波段与所述噪声波段的结构信息相似性指标；获取所述高光谱图像各波段与所述噪声波段的图像质量评价指标；
S12，根据所述结构信息相似性指标和所述图像质量评价指标，获取与所述噪声波段的结构信息相似以及比所述噪声波段的图像质量好的至少一个有效波段。
3.根据权利要求1所述的方法，其特征在于，所述S2包括：
S21，根据所述至少一个有效波段建立数学模型，所述数学模型的结构为：所述至少一个有效波段包括清晰波段和噪声；
S22，根据所述数学模型建立目标函数，所述目标函数包括数学模型误差和正则化约束项；
S23，根据所述目标函数获取去噪后的清晰波段。
4.根据权利要求2所述的方法，其特征在于，所述结构信息相似性指标通过以下方式获取，
其中，LX是波段X的结构信息，LY是波段Y的结构信息，I为衡量波段X与波段Y的结构信息相似性指标；
所述图像质量评价指标通过以下方式获取，
Q＝QX-QY
其中，Qx表示波段X的质量评价值，Qy表示波段Y的质量评价值，Q为衡量波段X与波段Y的图像质量评价指标。
5.根据权利要求4所述的方法，其特征在于，所述至少一个有效波段采用以下公式获取，
其中，SY为波段Y相对于波段X的结构信息和图像质量评价的得分。
6.根据权利要求3所述的方法，其特征在于，所述数学模型为：
G＝Hu+n，
其中，G为包括至少一个有效波段的向量，u为清晰波段，n为噪声，H为至少一个有效波段与清晰波段的关系矩阵；相应地，所述目标函数为：
其中，γ为可调参数，Di为第i个像素的梯度值，为正则化约束项。
7.根据权利要求6所述的方法，其特征在于，所述S22还包括：
将所述正则化约束项进行化简，并将所述化简后正则化约束项代入目标函数，则所述目标函数为，
其中，Di表示第i个像素的梯度值，u为清晰波段，β为可调参数，V为辅助参数，V＝[V1，V2，…，VN]T。
8.一种高光谱图像去噪装置，其特征在于，包括：
获取模块，用于获取与高光谱图像噪声波段的结构信息相近以及比所述噪声波段的图像质量好的至少一个有效波段；
去噪模块，用于根据所述至少一个有效波段建立目标函数，并根据所述目标函数获取去噪后的清晰波段。
9.一种高光谱图像去噪装置，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中，
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710302043.9A CN108805816B (zh) | 2017-05-02 | 2017-05-02 | 一种高光谱图像去噪方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710302043.9A CN108805816B (zh) | 2017-05-02 | 2017-05-02 | 一种高光谱图像去噪方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108805816A true CN108805816A (zh) | 2018-11-13 |
| CN108805816B CN108805816B (zh) | 2020-09-22 |
Family
ID=64054040
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710302043.9A Active CN108805816B (zh) | 2017-05-02 | 2017-05-02 | 一种高光谱图像去噪方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108805816B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101266686A (zh) * | 2008-05-05 | 2008-09-17 | 西北工业大学 | 一种基于sfim和ihs变换的图像融合方法 |
| CN102354393A (zh) * | 2011-07-12 | 2012-02-15 | 中国资源卫星应用中心 | 一种高光谱成像仪数据的噪声去除方法 |
| CN104182941A (zh) * | 2014-08-26 | 2014-12-03 | 中国石油大学(华东) | 高光谱图像条带噪声去噪方法 |
| CN104751181A (zh) * | 2015-04-02 | 2015-07-01 | 山东大学 | 一种基于相对丰度的高光谱图像解混方法 |
| CN104820841A (zh) * | 2015-05-08 | 2015-08-05 | 西安电子科技大学 | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 |
| US9159121B2 (en) * | 2014-02-18 | 2015-10-13 | Signal Processing, Inc. | Method for image denoising |
| CN105069758A (zh) * | 2015-08-21 | 2015-11-18 | 武汉大学 | 一种基于鲁棒低秩张量的高光谱图像去噪方法 |
| CN105354802A (zh) * | 2015-10-23 | 2016-02-24 | 哈尔滨工业大学 | 基于双向梯度预测的高光谱图像连续谱段恢复方法 |
| CN105844592A (zh) * | 2016-01-14 | 2016-08-10 | 辽宁师范大学 | 高光谱图像的小波域全变分混合去噪方法 |
| CN106156728A (zh) * | 2016-06-24 | 2016-11-23 | 湖北久之洋红外系统股份有限公司 | 基于光谱空间分解和噪声成分分析的超光谱图像降维方法及系统 |
| CN106408530A (zh) * | 2016-09-07 | 2017-02-15 | 厦门大学 | 基于稀疏与低秩矩阵逼近的高光谱图像恢复方法 |
-
2017
- 2017-05-02 CN CN201710302043.9A patent/CN108805816B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101266686A (zh) * | 2008-05-05 | 2008-09-17 | 西北工业大学 | 一种基于sfim和ihs变换的图像融合方法 |
| CN102354393A (zh) * | 2011-07-12 | 2012-02-15 | 中国资源卫星应用中心 | 一种高光谱成像仪数据的噪声去除方法 |
| US9159121B2 (en) * | 2014-02-18 | 2015-10-13 | Signal Processing, Inc. | Method for image denoising |
| CN104182941A (zh) * | 2014-08-26 | 2014-12-03 | 中国石油大学(华东) | 高光谱图像条带噪声去噪方法 |
| CN104751181A (zh) * | 2015-04-02 | 2015-07-01 | 山东大学 | 一种基于相对丰度的高光谱图像解混方法 |
| CN104820841A (zh) * | 2015-05-08 | 2015-08-05 | 西安电子科技大学 | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 |
| CN105069758A (zh) * | 2015-08-21 | 2015-11-18 | 武汉大学 | 一种基于鲁棒低秩张量的高光谱图像去噪方法 |
| CN105354802A (zh) * | 2015-10-23 | 2016-02-24 | 哈尔滨工业大学 | 基于双向梯度预测的高光谱图像连续谱段恢复方法 |
| CN105844592A (zh) * | 2016-01-14 | 2016-08-10 | 辽宁师范大学 | 高光谱图像的小波域全变分混合去噪方法 |
| CN106156728A (zh) * | 2016-06-24 | 2016-11-23 | 湖北久之洋红外系统股份有限公司 | 基于光谱空间分解和噪声成分分析的超光谱图像降维方法及系统 |
| CN106408530A (zh) * | 2016-09-07 | 2017-02-15 | 厦门大学 | 基于稀疏与低秩矩阵逼近的高光谱图像恢复方法 |
Non-Patent Citations (4)
| Title |
|---|
| QIANGQIANG YUAN ET AL.: "HYPSPECTRAL IMAGE DENOISING WITH A MULTI-VIEW FUSION STRATEGY", 《2014 4TH WORKSHOP ON HYPERSPECTRAL IMAGE AND SIGNAL PROCESSING》 * |
| YUNTAO QIAN ET AL.: "3-D NONLOCAL MEANS FILTER WITH NOISE ESTIMATION FOR HYPERSPECTRAL IMAGERY DENOISING", 《IGARSS2012》 * |
| YUNTAO QIAN ET AL.: "Hyperspectral Imagery Restoration Using Nonlocal Spectral-Spatial Structured Sparse Representation With Noise Estimation", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
| 阳雄耀 等: "基于RTF的高光谱图像去噪方法", 《现代电子技术》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108805816B (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lan et al. | MADNet: a fast and lightweight network for single-image super resolution | |
| Lefkimmiatis et al. | Hessian Schatten-norm regularization for linear inverse problems | |
| CN110570353A (zh) | 密集连接生成对抗网络单幅图像超分辨率重建方法 | |
| Xie et al. | Deep convolutional networks with residual learning for accurate spectral-spatial denoising | |
| Shi et al. | Low-light image enhancement algorithm based on retinex and generative adversarial network | |
| CN108573479A (zh) | 基于对偶生成对抗式网络的人脸图像去模糊和恢复方法 | |
| CN107993208A (zh) | 一种基于稀疏重叠组先验约束的非局部全变分图像复原方法 | |
| Jian et al. | Infrared and visible image fusion based on deep decomposition network and saliency analysis | |
| Liu et al. | Hyperspectral image restoration based on low-rank recovery with a local neighborhood weighted spectral–spatial total variation model | |
| Qu et al. | Hyperspectral and panchromatic image fusion via adaptive tensor and multi-scale retinex algorithm | |
| CN112163998A (zh) | 一种匹配自然降质条件的单图像超分辨率分析方法 | |
| Zou et al. | 3D filtering by block matching and convolutional neural network for image denoising | |
| Xiong et al. | Field-of-experts filters guided tensor completion | |
| CN109064402A (zh) | 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法 | |
| CN116739899A (zh) | 基于saugan网络的图像超分辨率重建方法 | |
| Zhang et al. | Enhanced visual perception for underwater images based on multistage generative adversarial network | |
| Pan et al. | Iterative Residual Optimization Network for Limited-angle Tomographic Reconstruction | |
| CN117422619A (zh) | 图像重建模型的训练方法、图像重建方法、装置及设备 | |
| CN107578406A (zh) | 基于网格与韦泊统计特性的无参考立体图像质量评价方法 | |
| CN108776958B (zh) | 混合降质图像的图像质量评价方法和装置 | |
| CN105528772A (zh) | 一种基于指导性滤波的图像融合方法 | |
| Zhang et al. | Multi Morphological Sparse Regularized Image Super-Resolution Reconstruction Based on Machine Learning Algorithm | |
| CN108805816A (zh) | 一种高光谱图像去噪方法及装置 | |
| Wan et al. | Multi-focus color image fusion based on quaternion multi-scale singular value decomposition | |
| Cho et al. | Example-based super-resolution using self-patches and approximated constrained least squares filter |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20191227 Address after: 518109 first floor, building 1b, yunantong Industrial Park, langrong Road, Dalang community, Dalang street, Longhua District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Jinghong Technology Co., Ltd Address before: 201203 Shanghai City, Pudong New Area free trade zone fanchun Road No. 400 Building 1 layer 3 Applicant before: Shanghai Jinghong Electronic Technology Co., Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |