CN109658351B - 一种结合l0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法 - Google Patents
一种结合l0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法 Download PDFInfo
- Publication number
- CN109658351B CN109658351B CN201811421674.3A CN201811421674A CN109658351B CN 109658351 B CN109658351 B CN 109658351B CN 201811421674 A CN201811421674 A CN 201811421674A CN 109658351 B CN109658351 B CN 109658351B
- Authority
- CN
- China
- Prior art keywords
- hyperspectral image
- gradient
- constraint
- local low
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 title claims abstract description 24
- 238000011084 recovery Methods 0.000 title claims abstract description 14
- 241000764238 Isis Species 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000001228 spectrum Methods 0.000 description 5
- 238000003672 processing method Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- G06T5/70—
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Image Processing (AREA)
Abstract
一种结合L0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法,包括以下步骤:1)获取待去噪的高光谱图像数据,定义高光谱图像去噪模型;2)计算上述待处理高光谱图像的L0梯度矩阵;3)建立基于局部低秩约束模型;4)结合L0梯度约束和局部高光谱图像低秩性建立去噪模型,恢复出三维无噪高光谱图像。本发明较为显著的提高了高光谱图像混合噪声的去噪效果。
Description
技术领域
本发明涉及高光谱图像处理领域,特别涉及一种结合L0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法。
背景技术
高光谱图像是由二维空间信息和一维光谱信息组成的三维数据,具有图谱合一且波段连续的特点,并且其已成功地在考古发现、地质勘探、深林火灾检测、大气监控、军事监测等领域得到广泛的应用。然而高光谱图像在采集和传输的过程中,往往会受到多种不同类型噪声的污染,很大程度降低了数据的可靠性,而且还对后续的解混、分割和目标检测等造成严重的影响。因此,研究高光谱图像去噪问题具有非常重要的意义。
近年来,大量的高光谱图像去噪方法被提出。它们大概可以分为3类:即逐波段处理方法,联合空间-光谱变换方法和基于张量分解方法。(1)逐波段处理方法将每个波段看作独立的灰度图像并利用二维去噪方法依次进行去噪,但是该类方法忽略了高光谱图像空间及光谱维度的相关性等特点,单独考虑某一波段的噪声会造成恢复图像的伪影和变形现象;(2)联合空间-光谱去噪方法利用空间维和光谱维的数据特征信息,对高光谱图像的空间域和光谱域进行特定去噪处理,最后恢复出去噪的高光谱图像数据。该方法通常求解一个包含各向异性扩散、马尔科夫随机场、全变分、稀疏先验、低秩性等图像先验约束的优化问题去完成去噪方法,采用合适的图像先验捕获高光谱图像特性,有可能提升去噪效果。(3)基于张量分解方法,将高光谱图像认为是一个3D张量,采用张量分解技术对高谱图像进行处,此方法充分考虑各个波段的相关性,但是忽略了高光谱图像的空间非局部相似性,没有反应图像结构信息。
发明内容
为了有效保持高光谱图像的纹理和边缘信息,得到高质量图像数据,本发明提供一种结合L0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法。
本发明解决其技术问题所采用的技术方案是:
一种结合L0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法,所述方法包括以下步骤:
步骤1)获取待去噪的高光谱图像数据;
步骤2)计算上述待处理高光谱图像的L0梯度,公式如下:
其中,yi,j,c表示在(i,j)像素处的第c个通道分量,有如下约定:如果x≠0,F(x):=1,否则,F(x):=0,且如果i+1>M,|yi+1,j,c-yi,j,c|:=0;j+1>N,|yi,j+1,c-yi,j,c|:=0,是计算图像的垂直和水平梯度非零的像素数;
步骤3)将高光谱图像分割成m×n×p固定大小的图像块,建立基于局部低秩约束模型;
步骤4)结合L0梯度约束和局部低秩约束模型构建去噪模型,恢复出三维无噪高光谱图像。
进一步,所述步骤4)的处理过程如下:
(4-1)结合用户给定L0梯度参数和局部低秩约束模型构建去噪模型:
式中,α为用户给定的参数,它是的最小上限值;
进一步的,步骤(4-1)转化为以下等价形式:
式中,τ为L0梯度约束正则项系数;
(4-2)对去噪模型进行求解,得到无噪数据L。
再进一步,所述步骤(4-1)的处理过程如下:
(4-1-1)为了使上述模型满足增广拉格朗日函数求解形式,L0梯度做如下表示形式:
式中,D=[Di,Dj]表示离散差分算子,其中,Di和Dj分别表示水平和垂直方向上的离散差分矩阵,B表示元素为0或1的对角矩阵,表示·的子空间ζ'的非零L1范数的个数;
(4-1-2)引入v=DX,结合公式(5),去噪模型表示为:
(4-1-3)对于由运算符B组成的混合L1,0伪范数的不等式约束,定义指示函数:
(4-1-4)去噪模型转化为如下形式:
在所述步骤(4-2)中,求解v的公式更新如下:
式中,μ是惩罚参数,Λ3是拉格朗日乘子。
在所述步骤(4-2)中,v的计算过程如下:
(4-2-1)根据计算/>所有像素点(1)…,(MN)的L1,0伪范数并从大到小依次排序;其中,MN是像素点数;
(4-2-2)对(4-2-1)中大于α的下标位置的L1,0伪范数全部设置为0;
(4-2-3)更新v:其中,I表示单位矩阵;
(4-2-4)若v满足迭代终止条件,即:其中,ε是设定阈值,则终止迭代,输出无噪数据L,否则,令k=k+1,继续迭代更新v。
优选的,α的取值范围为图像像素点的15%-17%。
本发明的有益效果主要表现在:通过结合L0梯度约束,较好地保留了空间细节信息;再者,利用局部低秩矩阵恢复理论,针对不同噪声给出了统一的解决方案,在模型中,针对椒盐噪声、条纹噪声,专门给出了稀疏项S,对高斯噪声给出了高斯项N,能够较有效地去除稀疏与高斯的混合噪声。本发明将两种方法建立在一个统一的模型中,去噪效果显著,具备较高的实用价值。
附图说明
图1是结合L0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法的流程示意图;
图2是步骤(4-2)的具体流程示意图。
具体实施方式
下面对本发明作进一步描述。
参照图1和图2,一种结合L0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法,所述方法包括以下步骤:
步骤1)获取待去噪的高光谱图像数据;
步骤2)计算上述待处理高光谱图像的L0梯度,公式如下:
其中,yi,j,c表示在(i,j)像素处的第c个通道分量,有如下约定:如果x≠0,F(x):=1,否则,F(x):=0,且如果i+1>M,|yi+1,j,c-yi,j,c|:=0;j+1>N,|yi,j+1,c-yi,j,c|:=0,是计算图像的垂直和水平梯度非零的像素数;
步骤3)将高光谱图像分割成m×n×p固定大小的图像块,建立基于局部低秩约束模型;
步骤4)结合L0梯度约束和局部低秩约束模型构建去噪模型,恢复出三维无噪高光谱图像。
进一步,所述步骤4)的处理过程如下:
(4-1)结合用户给定L0梯度参数和局部低秩约束模型构建去噪模型:
式中,α为用户给定的参数,它是的最小上限值;
进一步的,步骤(4-1)转化为以下等价形式:
式中,τ为L0梯度约束正则项系数;
(4-2)对去噪模型进行求解,得到无噪数据L。
再进一步,所述步骤(4-1)的处理过程如下:
(4-1-1)为了使上述模型满足增广拉格朗日函数求解形式,L0梯度做如下表示形式:
式中,D=[Di,Dj]表示离散差分算子,其中,Di和Dj分别表示水平和垂直方向上的离散差分矩阵,B表示元素为0或1的对角矩阵,表示·的子空间ζ'的非零L1范数的个数;
(4-1-2)引入v=DX,结合公式(5),去噪模型表示为:
(4-1-3)对于由运算符B组成的混合L1,0伪范数的不等式约束,定义指示函数:
(4-1-4)去噪模型转化为如下形式:
在所述步骤(4-2)中,求解v的公式更新如下:
式中,μ是惩罚参数,Λ3是拉格朗日乘子。
在所述步骤(4-2)中,v的计算过程如下:
(4-2-1)根据计算/>所有像素点(1)…,(MN)的L1,0伪范数并从大到小依次排序;其中,MN是像素点数;
(4-2-2)对(4-2-1)中大于α的下标位置的L1,0伪范数全部设置为0;
(4-2-3)更新v:其中,I表示单位矩阵;
(4-2-4)若v满足迭代终止条件,即:其中,ε是设定阈值,则终止迭代,输出无噪数据L,否则,令k=k+1,继续迭代更新v。
优选的,α的取值范围为图像像素点的15%-17%。
Claims (5)
1.一种结合L0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法,其特征在于,所述方法包括以下步骤:
步骤1)获取待去噪的高光谱图像数据;
步骤2)计算待处理高光谱图像的L0梯度,公式如下:
其中,yi,j,c表示在(i,j)像素处的第c个通道分量,有如下约定:如果x≠0,F(x):=1,否则,F(x):=0,且如果i+1>M,|yi+1,j,c-yi,j,c|:=0;j+1>N,|yi,j+1,c-yi,j,c|:=0,是计算图像的垂直和水平梯度非零的像素数;
步骤3)将高光谱图像分割成m×n×p固定大小的图像块,建立基于局部低秩约束模型;
步骤4)结合L0梯度约束和局部低秩约束模型构建去噪模型,恢复出三维无噪高光谱图像;
所述步骤4)的处理过程如下:
(4-1)结合用户给定L0梯度参数和局部低秩约束模型构建去噪模型:
式中,α为用户给定的参数,它是的最小上限值;
进一步的,步骤(4-1)转化为以下等价形式:
式中,为L0梯度约束正则项系数;
(4-2)对去噪模型进行求解,得到无噪数据L。
2.如权利要求1所述的一种结合L0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法,其特征在于,所述步骤(4-1)的处理过程如下:
(4-1-1)为了使上述模型满足增广拉格朗日函数求解形式,L0梯度做如下表示形式:
式中,D=[Di,Dj]表示离散差分算子,其中,Di和Dj分别表示水平和垂直方向上的离散差分矩阵,B表示元素为0或1的对角矩阵,表示●的子空间ξ′的非零L1范数的个数;
(4-1-2)引入v=DX,结合公式(5),去噪模型表示为:
(4-1-3)对于由运算符B组成的混合L1,0伪范数的不等式约束,定义指示函数:
(4-1-4)去噪模型转化为如下形式:
3.如权利要求2所述的一种结合L0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法,其特征在于,在所述步骤(4-1-2)中,求解v的公式更新如下:
式中,μ是惩罚参数,Λ3是拉格朗日乘子。
4.如权利要求3所述的一种结合L0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法,其特征在于,在所述步骤(4-2)中,v的计算过程如下:
(4-2-1)根据计算/>所有像素点1...,MN的L1,0伪范数并从大到小依次排序;其中,MN是像素点数;
(4-2-2)对(4-2-1)中大于α的下标位置的L1,0伪范数全部设置为0;
(4-2-3)更新v:其中,/>表示单位矩阵;
(4-2-4)若v满足迭代终止条件,即:其中,ε是设定阈值,则终止迭代,输出无噪数据L,否则,令k=k+1,继续迭代更新v。
5.根据权利要求1-4之一所述的一种结合L0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法,其特征在于,α的取值范围为图像像素点的15%-17%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811421674.3A CN109658351B (zh) | 2018-11-26 | 2018-11-26 | 一种结合l0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811421674.3A CN109658351B (zh) | 2018-11-26 | 2018-11-26 | 一种结合l0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109658351A CN109658351A (zh) | 2019-04-19 |
CN109658351B true CN109658351B (zh) | 2023-09-26 |
Family
ID=66111449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811421674.3A Active CN109658351B (zh) | 2018-11-26 | 2018-11-26 | 一种结合l0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109658351B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310234A (zh) * | 2019-05-17 | 2019-10-08 | 浙江工业大学 | 基于低秩逼近和香农全差分的人脸图像去噪方法及装置 |
CN110298805B (zh) * | 2019-07-03 | 2023-04-21 | 云南电网有限责任公司电力科学研究院 | 一种多光谱图像的去噪和滤波方法及装置 |
CN111062888B (zh) * | 2019-12-16 | 2022-02-15 | 武汉大学 | 一种基于多目标低秩稀疏及空谱全变分的高光谱影像去噪方法 |
CN111951186B (zh) * | 2020-07-16 | 2022-08-26 | 南京邮电大学 | 一种基于低秩和全变分约束的高光谱图像去噪方法 |
CN112700389B (zh) * | 2021-01-13 | 2022-08-19 | 安徽工业大学 | 一种活性污泥微生物彩色显微图像去噪方法 |
CN112950500B (zh) * | 2021-02-25 | 2022-08-26 | 桂林电子科技大学 | 一种基于边缘检测低秩全变分模型的高光谱去噪方法 |
CN113421198B (zh) * | 2021-06-17 | 2023-10-20 | 南京邮电大学 | 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 |
CN115272873B (zh) * | 2022-09-27 | 2023-02-24 | 山东大学 | 基于梯度域的高光谱图像非线性特征预处理系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815817A (zh) * | 2017-01-16 | 2017-06-09 | 南京师范大学 | 一种改进的高光谱图像去噪方法 |
CN108133465A (zh) * | 2017-12-29 | 2018-06-08 | 南京理工大学 | 基于空谱加权tv的非凸低秩松弛的高光谱图像恢复方法 |
-
2018
- 2018-11-26 CN CN201811421674.3A patent/CN109658351B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815817A (zh) * | 2017-01-16 | 2017-06-09 | 南京师范大学 | 一种改进的高光谱图像去噪方法 |
CN108133465A (zh) * | 2017-12-29 | 2018-06-08 | 南京理工大学 | 基于空谱加权tv的非凸低秩松弛的高光谱图像恢复方法 |
Non-Patent Citations (5)
Title |
---|
He Wei 等.Hyperspectral Image Denoising via Noise-Adjusted Iterative Low-Rank Matrix Approximation.《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》.2015,第8卷(第6期),第3050-3061页. * |
Zhang Hongyan 等.Hyperspectral Image Restoration Using Low-Rank Matrix Recovery.《IEEE Transactions on Geoscience and Remote Sensing》.2014,第52卷(第8期),第4729-4743页. * |
基于l0正则化的增量低秩特征学习目标跟踪;邱立达等;《光电子·激光》;20170331;第28卷(第3期);第304-310页 * |
王忠美.基于稀疏与低秩模型的光学遥感图像盲复原方法研究.《中国博士学位论文全文数据库 信息科技辑》.2018,(第7期),全文. * |
谢晓振 等.混合全变差和低秩约束下的高光谱图像复原.《中国图象图形学报》.2017,第22卷(第11期),第1592-1601页. * |
Also Published As
Publication number | Publication date |
---|---|
CN109658351A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658351B (zh) | 一种结合l0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法 | |
CN107633486B (zh) | 基于三维全卷积神经网络的结构磁共振图像去噪方法 | |
CN103093441B (zh) | 基于变换域的非局部均值和双变量模型的图像去噪方法 | |
CN107657217A (zh) | 基于运动目标检测的红外与可见光视频的融合方法 | |
CN103093434B (zh) | 基于奇异值分解的非局部维纳滤波图像去噪方法 | |
CN108932699B (zh) | 基于变换域的三维匹配调和滤波图像去噪方法 | |
CN110796625A (zh) | 一种基于组稀疏表示和加权全变分的图像压缩感知重构方法 | |
CN103854262A (zh) | 基于结构聚类与稀疏字典学习的医学图像降噪方法 | |
CN104008537A (zh) | 结合cs-ct-chmm的噪声图像融合新方法 | |
CN103310414B (zh) | 基于方向波变换和模糊理论的图像增强方法 | |
CN107590785A (zh) | 一种基于sobel算子的布里渊散射谱图像识别方法 | |
CN102722879A (zh) | 基于目标提取和三维块匹配去噪的sar图像去斑方法 | |
CN103077507A (zh) | 基于Beta算法的多尺度SAR图像降噪方法 | |
CN113421198B (zh) | 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 | |
CN107146206B (zh) | 基于四维块匹配滤波的高光谱遥感图像去噪方法 | |
CN101950413B (zh) | 基于非下采样Contourlet域MRF模型的SAR图像降斑方法 | |
CN103745442B (zh) | 基于非局部小波系数收缩的图像去噪方法 | |
CN104392442A (zh) | 基于非下采样Contourlet变换与主动轮廓的遥感图像变化检测方法 | |
CN105069762A (zh) | 基于Shearlet变换和非线性扩散的图像去噪方法 | |
CN105894462A (zh) | 基于剪切波域隐马尔可夫树模型的遥感图像去噪方法 | |
CN105427351A (zh) | 基于流形结构化稀疏先验的高光谱图像压缩感知方法 | |
Gonzalez-Huitron et al. | 2D to 3D conversion based on disparity map estimation | |
Zhang et al. | A generative adversarial network with dual discriminators for infrared and visible image fusion based on saliency detection | |
CN102722878A (zh) | 基于目标提取和ppb算法的sar图像去斑方法 | |
CN112634167B (zh) | 一种全变差协同范数约束迭代投影的高光谱图像滤波方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |