CN110335201A - 结合Moreau增强TV和局部低秩矩阵恢复的高光谱图像去噪方法 - Google Patents

结合Moreau增强TV和局部低秩矩阵恢复的高光谱图像去噪方法 Download PDF

Info

Publication number
CN110335201A
CN110335201A CN201910236088.XA CN201910236088A CN110335201A CN 110335201 A CN110335201 A CN 110335201A CN 201910236088 A CN201910236088 A CN 201910236088A CN 110335201 A CN110335201 A CN 110335201A
Authority
CN
China
Prior art keywords
moreau
denoising
enhancing
model
image
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.)
Pending
Application number
CN201910236088.XA
Other languages
English (en)
Inventor
郑建炜
杨延红
陈胜勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910236088.XA priority Critical patent/CN110335201A/zh
Publication of CN110335201A publication Critical patent/CN110335201A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10032Satellite or aerial image; Remote sensing
    • G06T2207/10036Multispectral image; Hyperspectral image

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

一种结合Moreau增强TV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;2)建立基于局部低秩约束模型;3)构建Moreau增强TV模型;4)结合Moreau增强TV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。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

结合Moreau增强TV和局部低秩矩阵恢复的高光谱图像去噪 方法
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Moreau增强TV和局部低秩矩阵恢复的高光谱图像去噪方法。
背景技术
高光谱图像中包含丰富的光谱和空间上下文信息。因此,高光谱图像在很多领域得到广泛的应用,例如:地质勘探、目标识别和军事监测等。由于多种复杂因素影响,高光谱图像在获取和传输过程中往往会引入大量噪声,如高斯噪声、条带噪声等。这些噪声不仅影响图像的视觉效果而且对后续的图像分类、混合像元分解和目标检测等造成严重的影响。因此研究高光谱图像去噪方法是一个必不可少的前期处理步骤,以改善后续应用的性能。
近年来,大量的高光谱图像去噪方法被提出。根据是否联合利用高光谱图像的空间和光谱信息,高光谱图像去噪技术可以分为两类。第一类是将高光谱图像的每个波段看作独立的灰度图像,然后对每个波段依次进行去噪,称为逐带去噪。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。第二类是联合利用空间和光谱信息对高光谱图像的空间域和光谱域进行特定去噪处理,称为联合去噪。该类方法又可分为基于变换域方法和基于空间域方法。基于变化域的方法是通过使用变换函数对数据进行去噪处理,比如傅里叶变换、小波变换。但是它们对变换函数的选择很敏感,并且没忽视了图像几何特征差异。基于空间域的方法是采用合理的假设或先验,如总变差(Total Variation)、稀疏表示(Sparse Representation)、低秩模型(Low Rank models)等对数据进行去噪处理。该方法可以将噪声图像映射到干净图像并且保持其空间和光谱特征。除此之外,由于深度理论的兴起,最近也出现了一些基于深度学习的高光谱图像去噪方法。
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Moreau增强TV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Moreau增强TV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其中,M、N分别表示其空间结构的行数和列数,p表示波段数;
步骤2)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,其中,m、n分别表示以像素(i,j)为中心,行数为m,列数为n的图像块;
步骤3)构建Moreau增强TV模型;
步骤4)结合Moreau增强TV和局部低秩约束模型构建去噪模型,恢复出高光谱图像。
进一步,所述步骤3)的处理过程如下:
(3-1)在图像去噪领域,经典的二维图像TV去噪模型定义如下:
式中,y为待去噪图像,x为去噪后的图像,||x||TV为图像的TV操作,λ为正则项系数,prox表示近端算子;
(3-2)Moreau增强TV模型定义如下:
式中,η为正则项系数,α控制ψ(x)函数的凹凸性;
(3-2-1)步骤(3-2)中ψα(x)函数定义如下:
ψα(x)=||x||TV-Sα(x) (3)
(3-2-2)步骤(3-2-1)中Sα(x)函数定义如下:
结合公式(1)可知,α>0时,Sα(x)是函数正则项系数为α-1的Moreau包络;
在理论上,当0≤α≤1/η时,公式(2)是凸函数;当0<α<1/η时,公式(2)是强凸的;
所述步骤3)的求解过程如下:
(3-3)当η>0,0<α<1/η时,公式(2)是强凸的,采用迭代步骤如下:
z(k)=y+λα(x(k)-tvd(x(k);1/α)) (5)
x(k+1)=tvd(z(k);λ) (6)
(3-4)假设:
f2=η||x||TV (8)
(3-5)函数f1是光滑的凸函数,因此,FBS的前向步和后向步更新如下:
z(k)=x(k)-μ[x(k)-y-λα(x(k)-tvd(x(k);1/α))] (9)
式中,0<μ<2/ρ,其中ρ是的Lipschitz常数,取ρ=2,0<μ<2。
再进一步,所述步骤4)的处理过程如下:
(4-1)结合Moreau增强TV和局部低秩约束模型构建去噪模型:
式中,λ和τ分别是稀疏噪声项和TV增强模型的折中因子;
(4-2)上述模型使用增广拉格朗日函数进行求解,固定其他变量,
更新L:
(4-3)固定其他变量,更新S:
(4-4)固定其他变量,更新J:
(4-5)固定其他变量,更新X:
(4-6)固定其他变量,更新拉格朗日乘法子:
(4-7)满足迭代终止条件,即:max{||Yi,j-Li,j-Si,j||,||J-X||}≤ε,则终止迭代,其中,ε是设定阈值,输出无噪数据L,否则,继续迭代更新。
优选的,α远离临界值1/η可以得到较好的去噪效果。
本发明的有益效果主要表现在:通过结合Moreau增强TV,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。本发明通过定义不可分的非凸惩罚来保持代价函数的凸性,然后将Moreau增强TV模型与局部低秩矩阵恢复模型结合构建去噪模型,去噪效果显著,具备较高的实用价值。
具体实施方式
下面对本发明作进一步描述。
一种结合Moreau增强TV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其中,M、N分别表示其空间结构的行数和列数,p表示波段数;
步骤2)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,其中,m、n分别表示以像素(i,j)为中心,行数为m,列数为n的图像块;
步骤3)构建Moreau增强TV模型;
步骤4)结合Moreau增强TV和局部低秩约束模型构建去噪模型,恢复出高光谱图像。
进一步,所述步骤3)的处理过程如下:
(3-1)在图像去噪领域,经典的图像TV去噪模型定义如下:
式中,y为待去噪图像,x为去噪后的图像,||x||TV为图像的TV操作,λ为正则项系数,prox表示近端算子;
(3-2)Moreau增强TV模型定义如下:
式中,η为正则项系数,α控制ψ(x)函数的凹凸性;;
(3-2-1)步骤(3-2)中ψα(x)函数定义如下:
ψα(x)=||x||TV-Sα(x) (3)
(3-2-2)步骤(3-2-1)中Sα(x)函数定义如下:
结合公式(1)可知,α>0时,Sα(x)是函数正则项系数为α-1的Moreau包络;
在理论上,当0≤α≤1/η时,公式(2)是凸函数;当0<α<1/η时,公式(2)是强凸的;
所述步骤3)的求解过程如下:
(3-3)当η>0,0<α<1/η时,公式(2)是强凸的。采用迭代步骤如下:
z(k)=y+λα(x(k)-tvd(x(k);1/α)) (5)
x(k+1)=tvd(z(k);λ) (6)
(3-4)假设:
f2=η||x||TV (8)
(3-5)函数f1是光滑的凸函数,因此,FBS的前向步和后向步更新如下:
z(k)=x(k)-μ[x(k)-y-λα(x(k)-tvd(x(k);1/α))] (9)
式中,0<μ<2/ρ,其中ρ是的Lipschitz常数,取ρ=2,0<μ<2。
再进一步,所述步骤4)的处理过程如下:
(4-1)结合Moreau增强TV和局部低秩约束模型构建去噪模型:
式中,λ和τ分别是稀疏噪声项和TV增强模型的折中因子;
(4-2)上述模型使用增广拉格朗日函数进行求解,固定其他变量,更新L:
(4-3)固定其他变量,更新S:
(4-4)固定其他变量,更新J:
(4-5)固定其他变量,更新X:
(4-6)固定其他变量,更新拉格朗日乘法子:
(4-7)满足迭代终止条件,即:max{||Yi,j-Li,j-Si,j||,||J-X||}≤ε,则终止迭代,其中,ε是设定阈值,输出无噪数据L,否则,继续迭代更新。
优选的,α远离临界值1η可以得到较好的去噪效果。

Claims (4)

1.一种结合Moreau增强TV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其中,M、N分别表示其空间结构的行数和列数,p表示波段数;
步骤2)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,其中,m、n分别表示以像素(i,j)为中心,行数为m,列数为n的图像块;
步骤3)构建Moreau增强TV模型;
步骤4)结合Moreau增强TV和局部低秩约束模型构建去噪模型,恢复出高光谱图像。
2.如权利要求1所述的一种结合Moreau增强TV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3)的处理过程如下:
(3-1)在图像去噪领域,经典的二维图像TV去噪模型定义如下:
式中,y为待去噪图像,x为去噪后的图像,||x||TV为图像的TV操作,λ为正则项系数,prox表示近似算子;
(3-2)Moreau增强TV模型定义如下:
式中,η为正则项系数,α控制ψ(x)函数的凹凸性;
(3-2-1)步骤(3-2)中ψα(x)函数定义如下:
ψα(x)=||x||TV-Sα(x) (3)
(3-2-2)步骤(3-2-1)中Sα(x)函数定义如下:
结合公式(1)可知,α>0时,Sα(x)是函数正则项系数为α-1的Moreau包络;
在理论上,当0≤α≤1/η时,公式(2)是凸函数;当0<α<1/η时,公式(2)是强凸的;
所述步骤3)的求解过程如下:
(3-3)当η>0,0<α<1/η时,公式(2)是强凸的,采用迭代步骤如下:
z(k)=y+λα(x(k)-tvd(x(k);1/α)) (5)
x(k+1)=tvd(z(k);λ) (6)
(3-5)假设:
f2=η||x||TV (8)
(3-6)函数f1是光滑的凸函数,因此,FBS的前向步和后向步更新如下:
z(k)=x(k)-μ[x(k)-y-λα(x(k)-tvd(x(k);1/α))] (9)
式中,0<μ<2/ρ,其中ρ是的Lipschitz常数,取ρ=2,0<μ<2。
3.如权利要求2所述的一种结合Moreau增强TV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)的处理过程如下:
(4-1)结合Moreau增强TV和局部低秩约束模型构建去噪模型:
式中,λ和τ分别是稀疏噪声项和TV增强模型的折中因子;
(4-2)上述模型使用增广拉格朗日函数进行求解,固定其他变量,更新L:
(4-3)固定其他变量,更新S:
(4-4)固定其他变量,更新J:
(4-5)固定其他变量,更新X:
(4-6)固定其他变量,更新拉格朗日乘法子:
(4-7)满足迭代终止条件,即:max{||Yi,j-Li,j-Si,j||,||J-X||}≤ε,则终止迭代,其中,ε是设定阈值,输出无噪数据L,否则,继续迭代更新。
4.根据权利要求2或3所述的一种结合Moreau增强TV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远离临界值1/η可以得到较好的去噪效果。
CN201910236088.XA 2019-03-27 2019-03-27 结合Moreau增强TV和局部低秩矩阵恢复的高光谱图像去噪方法 Pending CN110335201A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910236088.XA CN110335201A (zh) 2019-03-27 2019-03-27 结合Moreau增强TV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
CN201910236088.XA CN110335201A (zh) 2019-03-27 2019-03-27 结合Moreau增强TV和局部低秩矩阵恢复的高光谱图像去噪方法

Publications (1)

Publication Number Publication Date
CN110335201A true CN110335201A (zh) 2019-10-15

Family

ID=68139054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910236088.XA Pending CN110335201A (zh) 2019-03-27 2019-03-27 结合Moreau增强TV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) CN110335201A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123701A (zh) * 2014-07-08 2014-10-29 西安理工大学 基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法
CN105513102A (zh) * 2015-12-15 2016-04-20 西安电子科技大学 基于非局部全变差和低秩稀疏的高光谱压缩感知重建方法
US20170024855A1 (en) * 2015-07-26 2017-01-26 Macau University Of Science And Technology Single Image Super-Resolution Method Using Transform-Invariant Directional Total Variation with S1/2+L1/2-norm
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
CN106709881A (zh) * 2016-12-14 2017-05-24 上海增容数据科技有限公司 一种基于非凸低秩矩阵分解的高光谱图像去噪方法
CN107590779A (zh) * 2017-08-07 2018-01-16 浙江工业大学 一种基于图像块聚类字典训练的图像去噪去模糊方法
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
CN109102477A (zh) * 2018-08-31 2018-12-28 哈尔滨工业大学 一种基于非凸低秩稀疏约束的高光谱遥感图像恢复方法
CN109190511A (zh) * 2018-08-14 2019-01-11 西北工业大学 基于局部与结构约束低秩表示的高光谱分类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123701A (zh) * 2014-07-08 2014-10-29 西安理工大学 基于莫罗包络平滑l1/全变差的图像脉冲噪声去除方法
US20170024855A1 (en) * 2015-07-26 2017-01-26 Macau University Of Science And Technology Single Image Super-Resolution Method Using Transform-Invariant Directional Total Variation with S1/2+L1/2-norm
CN105513102A (zh) * 2015-12-15 2016-04-20 西安电子科技大学 基于非局部全变差和低秩稀疏的高光谱压缩感知重建方法
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
CN106709881A (zh) * 2016-12-14 2017-05-24 上海增容数据科技有限公司 一种基于非凸低秩矩阵分解的高光谱图像去噪方法
CN107590779A (zh) * 2017-08-07 2018-01-16 浙江工业大学 一种基于图像块聚类字典训练的图像去噪去模糊方法
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
CN109190511A (zh) * 2018-08-14 2019-01-11 西北工业大学 基于局部与结构约束低秩表示的高光谱分类方法
CN109102477A (zh) * 2018-08-31 2018-12-28 哈尔滨工业大学 一种基于非凸低秩稀疏约束的高光谱遥感图像恢复方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
IVAN SELESNICK: "Total Variation Denoising via the Moreau Envelope,Ivan Selesnick", 《ARXIV》 *
QIANG WANG 等: "Low rank constraint and spatial spectral total variation for hyperspectral image mixed denoising", 《SIGNAL PROCESSING》 *
WEI HE 等: "Total-Variation-Regularized Low-Rank Matrix Factorization for Hyperspectral Image Restoration", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
YAO WANG 等: "Hyperspectral Image Restoration via Total Variation Regularized Low-rank Tensor Decomposition", 《ARXIV》 *
王斌 等: "基于Moreau包络平滑L1/全变差数模型的图像脉冲噪声去除方法", 《光学学报》 *
蔡荣荣 等: "一种基于低秩表示的高光谱图像恢复方法", 《复旦学报(自然科学版)》 *
贺威: "高光谱影像多类型噪声分析的低秩与稀疏方法研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Similar Documents

Publication Publication Date Title
CN111080567B (zh) 基于多尺度动态卷积神经网络的遥感图像融合方法及系统
CN108876741B (zh) 一种复杂光照条件下的图像增强方法
Xu et al. Image inpainting by patch propagation using patch sparsity
CN103873743B (zh) 一种基于结构张量和卡尔曼滤波的视频去噪方法
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
CN108269244B (zh) 一种基于深度学习和先验约束的图像去雾系统
CN107123089A (zh) 基于深度卷积网络的遥感图像超分辨重建方法及系统
CN110189286B (zh) 一种基于ResNet的红外与可见光图像融合方法
Sharma et al. From pyramids to state‐of‐the‐art: a study and comprehensive comparison of visible–infrared image fusion techniques
CN110097617B (zh) 基于卷积神经网络与显著性权重的图像融合方法
CN104504673A (zh) 基于nsst的可见光与红外图像融合方法及系统
CN107169946B (zh) 基于非负稀疏矩阵与超球面彩色变换的图像融合方法
CN104657951A (zh) 图像乘性噪声移除方法
CN110349101B (zh) 一种多尺度联合的小波图像去噪方法
CN106296583B (zh) 基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法
CN110084774B (zh) 一种增强的梯度传递和总变差最小化融合图像的方法
CN117576755A (zh) 一种超光谱人脸融合与识别方法、电子设备及存储介质
CN113362281A (zh) 基于WSN-LatLRR的红外和可见光图像融合方法
ZhiPing et al. A new generative adversarial network for texture preserving image denoising
CN105528772B (zh) 一种基于指导性滤波的图像融合方法
Shi et al. HINRDNet: A half instance normalization residual dense network for passive millimetre wave image restoration
CN110335201A (zh) 结合Moreau增强TV和局部低秩矩阵恢复的高光谱图像去噪方法
CN114821239B (zh) 一种有雾环境下的病虫害检测方法
CN116051444A (zh) 一种有效的红外与可见光图像自适应融合方法
CN102722878A (zh) 基于目标提取和ppb算法的sar图像去斑方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191015