CN111915518A - 基于三重低秩模型的高光谱图像去噪方法 - Google Patents
基于三重低秩模型的高光谱图像去噪方法 Download PDFInfo
- Publication number
- CN111915518A CN111915518A CN202010727755.7A CN202010727755A CN111915518A CN 111915518 A CN111915518 A CN 111915518A CN 202010727755 A CN202010727755 A CN 202010727755A CN 111915518 A CN111915518 A CN 111915518A
- Authority
- CN
- China
- Prior art keywords
- rank
- low
- sub
- image
- optimization
- 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 12
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 235000002566 Capsicum Nutrition 0.000 description 4
- 239000006002 Pepper Substances 0.000 description 4
- 241000722363 Piper Species 0.000 description 4
- 235000016761 Piper aduncum Nutrition 0.000 description 4
- 235000017804 Piper guineense Nutrition 0.000 description 4
- 235000008184 Piper nigrum Nutrition 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 150000003839 salts Chemical class 0.000 description 4
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 3
- 235000011613 Pinus brutia Nutrition 0.000 description 3
- 241000018646 Pinus brutia Species 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于三重低秩模型的高光谱图像去噪方法,首先从含噪声的高光谱图像中依次提取图像块,再对提取的所有图像块分别进行三重低秩优化重构模型(即包括低秩部分约束、低秩部分与线性变换域噪声图像之间的约束以及低秩部分自相关性约束),去除稀疏噪声,最后通过对重构图像块的重叠像素进行加权平均得到去噪的高光谱图像。低秩部分与线性变换域噪声图像之间的约束可以提高模型的鲁棒性以及图像去噪的精度,低秩部分自相关性约束可以使得该去噪模型相比较于其他去噪模型对死线噪声的去除效果更佳优越。
Description
技术领域
本发明涉及一种解决高光谱图像中条纹、死线、椒盐噪声等类型噪声的去噪算法,属于遥感图像处理领域。
背景技术
高光谱图像是一种具有数十、甚至上百个连续光谱波段的遥感图像,能提供目标区域的丰富的光谱信息,在地物分类和环境监测等领域具有广泛应用。然而在成像过程中,由于受到大气干扰、物理设备自身技术上的局限性以及传输带宽等因素影响,获取的高光谱图像往往受到各种噪声的影响,降低了高光谱图像的质量,对高光谱图像后续应用产生不利的影响。高光谱图像去噪是一种能有效降低噪声的图像处理技术,受到了人们的广泛关注。
常见高光谱图像去噪算法包括小波变换算法、优化重构算法和稀疏低秩算法等。小波变换算法主要是通过对高光谱图像进行小波变换,将其分解成不同尺度上的高频和低频,噪声主要集中在高频子带,从而实现对图像信息与噪声之间的分离。全变分约束是优化重构类算法常用的先验约束,其主要约束图像中相邻像素之间的差,但全变分约束产生阶跃效应。稀疏低秩算法是目前较流行的一类高光谱图像去噪技术,比如鲁棒主成分分析。通过低秩约束刻画无噪声高光谱图像中光谱间的关联性,并通过稀疏特性约束噪声,从而实现从含噪声的高光谱图像中重构出低秩无噪声图像。后续很多基于稀疏低秩模型的高光谱去噪算法都由鲁棒主成分分析算法衍生而来,比如截断核范数、图约束低秩模型以及双重鲁棒主成分分析等。现有的低秩模型主要从核范数的定义、低秩重构误差以及图像分布等方面提升低秩去噪模型的性能。然而,现有的鲁棒主成分分析模型及其改进形式对低秩部分的自相关性考虑还不够充分。
发明内容
技术问题:本发明目的是提供一种新的高光谱图像低秩去噪算法,分别通过对低秩部分、低秩部分与线性变换域噪声图像之间的约束以及低秩部分的自相关性来进行三重低秩约束,从而去除高光谱图像中例如椒盐噪声、死线噪声等稀疏噪声。
技术方案:本发明的方法首先从含噪声的高光谱图像中依次提取图像块,再对提取的所有图像块分别进行三重低秩优化重构模型(即包括低秩部分约束、低秩部分与线性变换域噪声图像之间的约束以及低秩部分自相关性约束),去除稀疏噪声,最后通过对重构图像块的重叠像素进行加权平均得到去噪的高光谱图像。
由于高光谱传感器受传输设备技术上的局限性以及大气折射等因素的影响高光谱图像往往含有很多噪声,比如死线噪声、条纹噪声等为此,本发明考虑一种下面的噪声模型
X=L+E (1)
对于上述含噪高光谱图像的处理本发明提供了一种三重低秩约束模型,包括低秩部分约束、低秩部分与线性变换域噪声图像之间的约束以及低秩部分自相关性约束。
本发明具体步骤包括:
1.从噪声高光谱图像X中依次提取m×n×B的3-D图像块并变换为mn×B的矩阵Xi,j作为该算法模型的输入。
2.通过以下优化算法针对每一个Xi,j进行优化重构:
其中Ai,j是原始数据Xi,j的线性变换矩阵,Bi,j是低秩部分Li,j的自相关变换矩阵。||Li,j||*
是表示关于Li,j的核范数,||Ei,j||1则是关于Ei,j的l1范数,||·||F表示矩阵的F-范数,λi(i=1,2,3,4,5)是平衡系数。
3.利用增广拉格朗日函数法对模型(2)进行求解。
首先,引入辅助变量将问题(2)等价变换为:
s.t.Xi,j=Li,j+Ei,j,Ai,j=Ni,j,Mi,j=Li,j-AXi,j,Pi,j=Bi,j,Ki,j=Li,j (3)
问题(3)的增广拉格朗日函数为:
其中μ为惩罚参数,Y1,Y2,Y3,Y4,Y5为拉格朗日乘子。
然后,关于增广拉格朗日函数(4)的最小优化问题通过下面的子问题进行交替迭代优化。
1)Li,j子优化问题
Ω(Γ)=US(∑Γ)V*是关于矩阵Γ的奇异值阈值算子,∑Γ=diag({ηi}1≤i≤Γ)是奇异值矩阵,U和V分别为左右正交矩阵,Sε(x)=sgn(x)*max(|x|-ε,0)是软阈值算子。
2)Ei,j子优化问题
3)Ni,j子优化问题
4)Mi,j子优化问题
5)Bi,j子优化问题
6)Pi,j子优化问题
7)Ki,j子优化问题
8)Ai,j子优化问题
9)乘子更新
μ=min(ρμ,μmax) (14)
其中ρ>1μmax是常数。
10)交替迭代循环1)-9),判断终止条件{||Xi,j-Li,j-Ei,j||∞<ε,||Mi,j+Ai,jXi,j-Li,j||∞<ε,||Ai,j-Ni,j||∞<ε,||Bi,j-Pi,j||∞<ε,||Li,j-Ki,j||∞<ε}。如果满足终止条件则输出低秩部分Li,j。
4.最后通过对重构图像块Li,j的重叠像素进行加权平均得到去噪的高光谱图像L。
有益效果:本发明设计了一种三重低秩约束模型,包括低秩部分约束、低秩部分与线性变换域噪声图像之间的约束以及低秩部分自相关性约束。其中,低秩部分与线性变换域噪声图像之间的约束可以提高模型的鲁棒性以及图像去噪的精度,低秩部分自相关性约束可以使得该去噪模型相比较于其他去噪模型对死线噪声的去除效果更佳优越。
附图说明
图1为本发明一种基于三重低秩模型的高光谱图像去噪算法流程图。
具体实施方式
下面结合附图对本发明作进一步的说明。
本发明的优化算法包含的步骤为:
步骤2:利从高光谱图像X中依次提取尺寸为mn×B的图像块
Xi,j(i∈[1,M-m+1],,j∈[1,N-n+1])。进入步骤3;
步骤3:对参数进行初始化Li,j=0,Ei,j=0,Mi,j=0,Ki,j=0,
Y1=0,Y2=0,Y3=0,Y4=0,Y5=0,μ=0.1,
μmax=106,Ai,j=0,Ni,j=0,Bi,j=0,Pi,j=0,ρ>1,
进入步骤4;
步骤4:更新Li,j=Ω(Γ),
进入步骤5;
步骤8:更新Bi,j=(μPi,j-Y4+2λ3λ5KTL)(2λ3λ5Ki,j TKi,j+μI)-1。进入步骤9;
步骤10:更新Ki,j=(μL+Y5+2λ3λ4Li,jBT)(2λ3λ4Bi,jBi,j T+μI)-1。进入步骤11;
步骤12:更新拉格朗日乘子
进入步骤13;
步骤13:更新惩罚系数μ=min(ρμ,μmax),进入步骤14;
步骤14:判断终止条件||Xi,j-Li,j-Ei,j||∞<ε,||Ai,j-Ni,j||∞<ε,
||Mi,j+Ai,jXi,j-Li,j||∞<ε,||Bi,j-Pi,j||∞<ε,||Li,j-Ki,j||∞<ε,
则停止迭代,否则转向步骤4。进入步骤15;
步骤15:通过对重构图像块Li,j的重叠像素进行加权平均得到去噪的高光谱图像L。
进入步骤16;
步骤16:输出去噪的高光谱图像L。
本发明测试了Indian pine(145×145×224)和Washington DC(256×256×191)高光谱图像。设置图像块大小m×n为20×20,提取图像块步长为8×8(即:从横向和纵向移动8个像素),参数λi(i=1,2,3,4,5)分别设置为λ1=0.125、λ2=0.1、λ3=0.1、λ4=0.0003、λ5=0.0003,终止误差为ε=10-6。实验测试了三种不同类型的模拟噪声,其分别定义为:
噪声1:每个波段添加强度为30%的椒盐噪声;
噪声2:每个波段添加强度为20%的椒盐噪声,并在波段126-145中添加死线噪声(宽度为1至3个像素);
噪声3:每个波段添加强度为30%的椒盐噪声,并在波段126-145中添加条纹噪声(宽度为1至3个像素);
本专利采用两种图像质量指标:平均峰值信噪比(MPSNR)和平均结构相似度(MSSIM)定义分别如下所示:
其中,psnri和ssimi表示ith波段的PSNR和SSIM值。
其中,表示X最大值的平方,X表示原始图像,L表示去噪图像,μx是X的平均值,μL是L的平均值,是X的方差,是L的方差,σXL是XL的协方差,c1=(k1γ)2,c2=(k2γ)2,γ是像素值的动态范围,k1=0.01,k2=0.03。
表1给出了Indian pine图像和Washington DC图像在各种类型噪声下的去噪结果。结果表明本发明提出三重低秩去噪算法能有效地去除高光谱图像中的椒盐、条纹以及死线噪声。
表1:Indian pine图像和Washington DC图像在各种噪声类型下的去噪结果
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于三重低秩模型的高光谱图像去噪方法,其特征在于,包括如下步骤:
步骤1:从高光谱图像中依次提取若干个图像块;
步骤2:构建三重低秩优化重构模型,所述三重低秩优化重构模型包括低秩部分约束、低秩部分与线性变换域噪声图像之间的约束以及低秩部分自相关性约束;
步骤3:将若干个图像块变换构成的矩阵作为三重低秩优化重构模型的输入,对三重低秩优化重构模型进行交替迭代依次求解,输出重构图像块;
步骤4:对重构图像块的重叠像素进行加权平均得到去噪的高光谱图像。
3.根据权利要求2所述的一种基于三重低秩模型的高光谱图像去噪方法,其特征在于,步骤3中三重低秩优化重构模型的求解步骤包括:
步骤3.1:引入辅助变量将问题(1)等价变换为:
问题(2)的增广拉格朗日函数为:
其中μ为惩罚参数,Y1,Y2,Y3,Y4,Y5为拉格朗日乘子;
步骤3.2:将增广拉格朗日函数(3)的最小优化问题分解为若干个子问题进行交替迭代优化,所述若干个子问题包括Li,j子优化问题、Ei,j子优化问题、Mi,j子优化问题、Bi,j子优化问题、模i,j子优化问题、的i,j子优化问题、Ai,j子优化问题、乘子更新;
步骤3.3:交替迭代循环所述若干个子优化问题,判断终止条件,如果满足终止条件则输出低秩部分Li,j。
4.根据权利要求3所述的一种基于三重低秩模型的高光谱图像去噪方法,其特征在于,步骤3.2中,所述若干个子优化问题分别为:
1)Li,j子优化问题
其中,Ω(Γ)=US(ΣΓ)V*是关于矩阵Γ的奇异值阈值算子,ΣΓ=diag({ηi}1≤i≤Γ)是奇异值矩阵,U和V分别为左右正交矩阵,Sε(x)=sgn(x)*max(|x|-ε,0)是软阈值算子;
2)Ei,j子优化问题
3)换i,j子优化问题
4)Mi,j子优化问题
5)Bi,j子优化问题
6)模i,j子优化问题
7)的i,j子优化问题
8)Ai,j子优化问题
9)乘子更新
μ=min(ρμ,μmax) (13)
其中ρ>1,μmax是常数。
5.根据权利要求3所述的一种基于三重低秩模型的高光谱图像去噪方法,其特征在于,步骤3.3中,所述终止条件为:
{||Xi,j-Li,j-Ei,j||∞<ε,||Mi,j+Ai,jXi,j-Li,j||∞<ε,||Ai,j-Ni,j||∞<ε,||Bi,j-Pi,j||∞<ε,||Li,j-Ki,j||∞<ε} (14)
ε为终止误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010727755.7A CN111915518B (zh) | 2020-07-23 | 2020-07-23 | 基于三重低秩模型的高光谱图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010727755.7A CN111915518B (zh) | 2020-07-23 | 2020-07-23 | 基于三重低秩模型的高光谱图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915518A true CN111915518A (zh) | 2020-11-10 |
CN111915518B CN111915518B (zh) | 2022-09-06 |
Family
ID=73280839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010727755.7A Active CN111915518B (zh) | 2020-07-23 | 2020-07-23 | 基于三重低秩模型的高光谱图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915518B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950500A (zh) * | 2021-02-25 | 2021-06-11 | 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 |
CN113421198A (zh) * | 2021-06-17 | 2021-09-21 | 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 |
CN117152024A (zh) * | 2023-10-30 | 2023-12-01 | 中国科学院长春光学精密机械与物理研究所 | 多级图像分解与多项稀疏约束表示的条纹噪声去除方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028172A (zh) * | 2019-12-10 | 2020-04-17 | 浙江工业大学 | 基于无参数的非凸低秩矩阵逼近的高光谱图像去噪方法 |
-
2020
- 2020-07-23 CN CN202010727755.7A patent/CN111915518B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028172A (zh) * | 2019-12-10 | 2020-04-17 | 浙江工业大学 | 基于无参数的非凸低秩矩阵逼近的高光谱图像去噪方法 |
Non-Patent Citations (1)
Title |
---|
俞珍秒等: "一种结合空间相似性和RPCA的高光谱图像去噪算法", 《南京大学学报(自然科学)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950500A (zh) * | 2021-02-25 | 2021-06-11 | 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 |
CN113421198A (zh) * | 2021-06-17 | 2021-09-21 | 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 |
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 |
CN117152024A (zh) * | 2023-10-30 | 2023-12-01 | 中国科学院长春光学精密机械与物理研究所 | 多级图像分解与多项稀疏约束表示的条纹噪声去除方法 |
CN117152024B (zh) * | 2023-10-30 | 2024-01-16 | 中国科学院长春光学精密机械与物理研究所 | 多级图像分解与多项稀疏约束表示的条纹噪声去除方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111915518B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Heckel et al. | Deep decoder: Concise image representations from untrained non-convolutional networks | |
Pizurica et al. | Estimating the probability of the presence of a signal of interest in multiresolution single-and multiband image denoising | |
CN111915518B (zh) | 基于三重低秩模型的高光谱图像去噪方法 | |
Jain et al. | A survey of edge-preserving image denoising methods | |
CN108805840B (zh) | 图像去噪的方法、装置、终端及计算机可读存储介质 | |
US6360021B1 (en) | Apparatus and methods of image and signal processing | |
Zhang et al. | Removal of impulse noise in color images based on convolutional neural network | |
CN110276726B (zh) | 一种基于多通道网络先验信息引导的图像去模糊方法 | |
CN106920214B (zh) | 空间目标图像超分辨率重建方法 | |
CN106952317B (zh) | 基于结构稀疏的高光谱图像重建方法 | |
JP2001512298A (ja) | 画像及び信号処理のための装置及び方法 | |
CN108765330B (zh) | 基于全局和局部先验联合约束的图像去噪方法和装置 | |
CN110992292A (zh) | 一种增强型低秩稀疏分解模型医学ct图像去噪方法 | |
Gopinathan et al. | Wavelet and FFT Based Image Denoising Using Non-Linear Filters. | |
CN107194889A (zh) | 分块双边全变分正则化图像噪声消除方法 | |
Moudden et al. | Hyperspectral BSS using GMCA with spatio-spectral sparsity constraints | |
WO2023241188A1 (zh) | 一种无人机定量遥感应用的数据压缩方法 | |
Alsayyh et al. | A Novel Fused Image Compression Technique Using DFT, DWT, and DCT. | |
CN115082296B (zh) | 一种基于小波域图像生成框架的图像生成方法 | |
Reddy et al. | Multispectral image denoising methods: A literature review | |
CN115619677A (zh) | 一种基于改进的CycleGAN的图像去雾方法 | |
Dantas et al. | Hyperspectral image denoising using dictionary learning | |
Abd-Elhafiez | Image compression algorithm using a fast curvelet transform | |
Li et al. | Distribution-transformed network for impulse noise removal | |
CN111539894A (zh) | 一种新型图像增强方法 |
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 |