CN112598599A - 一种高光谱图像的去噪模型训练方法及去噪方法 - Google Patents

一种高光谱图像的去噪模型训练方法及去噪方法 Download PDF

Info

Publication number
CN112598599A
CN112598599A CN202011591947.6A CN202011591947A CN112598599A CN 112598599 A CN112598599 A CN 112598599A CN 202011591947 A CN202011591947 A CN 202011591947A CN 112598599 A CN112598599 A CN 112598599A
Authority
CN
China
Prior art keywords
hyperspectral image
noise
denoising
training
data set
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
Application number
CN202011591947.6A
Other languages
English (en)
Other versions
CN112598599B (zh
Inventor
曹汛
王琛
姚一杨
张焱
王红凯
毛航银
邓智威
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.)
Nanjing University
State Grid Zhejiang Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Nanjing University
State Grid Zhejiang Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Zhejiang Electric Power Co Ltd
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 Nanjing University, State Grid Zhejiang Electric Power Co Ltd, Information and Telecommunication Branch of State Grid Zhejiang Electric Power Co Ltd filed Critical Nanjing University
Priority to CN202011591947.6A priority Critical patent/CN112598599B/zh
Publication of CN112598599A publication Critical patent/CN112598599A/zh
Application granted granted Critical
Publication of CN112598599B publication Critical patent/CN112598599B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种高光谱图像的去噪模型训练方法及去噪方法。其去噪模型训练方法包括如下步骤：(1)对获取的高光谱图像数据集做预处理，获得无噪数据集，然后加入不同方差的高斯白噪声，生成有噪数据集；(2)对方差扩充维度，得到与图像同等大小的噪声水平图；(3)将有噪数据集和噪声水平图构成样本数据组进行训练，得到噪声估计子网络模型；(4)利用噪声估计子网络模型预测得到噪声水平图，并将噪声水平图和有噪数据合并，与无噪数据集作为样本数据组进行训练，得到高光谱图像去噪模型。本发明采用了训练子网络的方法估计噪声方差，使得去噪模型不仅对高光谱图像去噪效果显著，而且实现了处理不同噪声方差的盲去噪效果。

Description

一种高光谱图像的去噪模型训练方法及去噪方法
技术领域
本发明涉及人工智能领域，特别涉及一种高光谱图像去噪模型的训练方法，以及利用去噪模型对高光谱图像进行去噪的方法。
背景技术
高光谱图像由于其丰富的光谱信息，不仅引起了遥感界的广泛关注，同时也引起了其他领域(如医学，农学，食品等)的极大兴趣。然而，高光谱图像在成像和传输过程中受限于成像设备以及外部环境等因素的干扰，会受到大量噪声污染，其中以高斯噪声为主。噪声的影响往往会严重干扰高光谱图像后续的分析和应用，因此高光谱去噪方法的研究至关重要。
在相关现有技术中，四维块匹配滤波(Block-Matching 4D filtering，BM4D)算法利用传统滤波的方式能取得很好的效果，但面对数据量大的高光谱图像，会损失较多的细节以及优化过程耗时过长。随着卷积神经网络在图像处理领域的极大应用，利用训练网络的方式进行高光谱图像去噪的方法发展迅速，但此类方法都只能处理单一方差的噪声，并且需要人为预先对其噪声方差进行估计。
发明内容
为了解决上述现有技术中存在的缺陷，本发明提供一种高光谱图像的去噪模型训练方法及去噪方法。
本发明采用的技术方案如下：
一种高光谱图像的去噪模型训练方法，包括如下步骤：
(1)对获取的高光谱图像数据集做预处理，获得无噪数据集，然后加入不同方差σ的高斯白噪声，生成有噪数据集；
(2)对方差σ扩充维度，得到与图像同等大小的噪声水平图
Figure BDA0002867185960000011
(3)将有噪数据集和噪声水平图
Figure BDA0002867185960000012
构成样本数据组进行训练，得到噪声估计子网络模型；
(4)利用所述噪声估计子网络模型预测得到噪声水平图
Figure BDA0002867185960000013
并将噪声水平图
Figure BDA0002867185960000014
和有噪数据合并，与所述无噪数据集作为样本数据组进行训练，得到高光谱图像去噪模型。
进一步地，所述步骤(1)中，预处理的具体步骤为：将高光谱图像数据集裁剪至相同维度大小，并选取相同波段的高光谱图像数据，最后通过归一化处理，组成无噪数据集。
进一步地，所述步骤(1)中，生成有噪数据集的具体步骤为：根据所述无噪数据集的高光谱图像维度，产生相同维度大小的高斯白噪声；其中，对于每张高光谱图像，其对应的高斯白噪声方差σ不同；将高光谱图像与高斯白噪声相加，得到有噪数据集。
进一步地，所述步骤(2)中，对方差σ扩充维度的具体步骤为：对于高光谱图像(m,n,λ)，将该图像加入的方差σ乘以维度大小为(m,n,λ)的单位矩阵；经过扩维操作的噪声方差是代表了像素级的噪声水平图
Figure BDA0002867185960000021
其中，m,n,λ分别代表了高光谱图像的维度大小。
进一步地，所述步骤(3)中，训练的具体步骤为：通过将n组由所述有噪数据和对应的噪声水平图
Figure BDA0002867185960000022
组成的样本数据组，利用卷积神经网络进行迭代优化训练；在达到一定的迭代次数后，损失函数经过收敛后得到噪声估计子网络模型；其中，噪声水平图
Figure BDA0002867185960000023
应与高光谱图像维度大小保持一致。
进一步地，所述步骤(4)中，训练的具体步骤为：将有噪数据与噪声水平图
Figure BDA0002867185960000024
在光谱维度进行合并操作，组成含噪声水平图的有噪图像，其维度为(m,n,2λ)；将n组含噪声水平图的有噪数据集与无噪数据集作为样本数据组，采用UNet结构卷积神经网络进行迭代优化训练；在迭代到一定次数后，损失函数经过收敛后得到最后的高光谱图像去噪模型。
本发明一种高光谱图像的去噪方法，包括如下步骤：
(1)获取待去噪的高光谱图像，将其输入到噪声估计子网络；其中，噪声估计子网络为通过样本数据进行训练后得到的模型，所述样本数据中包括n组有噪数据集和对应的噪声水平图；
(2)对噪声估计子网络生成的噪声水平图引入松弛因子k；
(3)将待去噪的高光谱图像和噪声估计子网络生成的含松弛因子k的噪声水平图进行合并，再输入到高光谱图像去噪模型，得到去除噪声的高光谱图像；其中，高光谱图像去噪模型为通过样本数据进行训练后得到的模型，所述样本数据中包括n组含噪声水平图的有噪数据集和无噪数据集。
本发明的高光谱图像去噪方法具有高效的去噪能力。与现有的技术相比，本发明方法优势在于：
(1)本方法利用深度学习网络训练去噪模型，在去除噪声的同时，能保留更多的细节纹理，获得较高的PSNR值。
(2)本方法在获得去噪模型后，通过已有的网络参数去除噪声过程耗时短，能高效完成数据量巨大的高光谱图像去噪的工作。
(3)相比于其他神经网络去噪方法，本方法由于引入噪声估计子网络，因此能自行预测含噪高光谱图像的噪声水平，不需人为估计。
(4)相比于其他神经网络去噪方法，本方法由于引入噪声估计子网络训练去噪模型，因此能处理不同噪声方差的高光谱图像。
(5)本方法通过引入松弛因子，能依据实际情况控制调整噪声估计，允许用户交互式调整去噪结果，增强了去噪结果的鲁棒性。
附图说明
图1是本发明的高光谱图像去噪模型的训练方法流程示意图；
图2是本发明的高光谱图像去噪模型的训练方法神经网络结构示意图；
图3是本发明的高光谱图像去噪方法的流程示意图；
图4是本发明一个示例性实施例提供的图像去噪效果示意图，(a)为高光谱图像原图，(b)为加入方差为25的高斯噪声后的含噪图像，(c)为BM4D去噪后图像，PSNR为31.71dB，(d)为本发明方法去噪后图像，PSNR为33.54dB。
图5是本发明一个示例性实施例提供的图像去噪效果局部放大示意图；(a)为高光谱图像原图，(b)为含噪图像，(c)为BM4D去噪后图像，(d)为本发明方法去噪后图像。
具体实施方式
为使本申请的目的、技术方案和优点更加清晰，下面将结合附图对本申请实施方案做进一步地详细描述。
本实施例中提供了一种高光谱图像去噪模型的训练方法。参照图1，2，此方法包括：
(1)采集已公开的ICVL dataset高光谱图像数据集，将数据集中200张高光谱图像进行裁剪至相同维度(100，100，10)，并进行归一化处理，得到20000张维度大小为(100，100，10)，数值大小在(0，1)之间的高光谱图像。将所有高光谱图像在第一个维度上进行叠加，构成维度大小为(20000，100，100，10)的无噪数据集。生成不同方差的高斯白噪声，将其依次加入到所有的高光谱图像，得到有噪数据集。
y＝x+n
其中，y代表含噪数据，x代表无噪数据，n代表加入的高斯白噪声。
对每张高光谱图像加入的噪声方差按如下方法扩充维度，
Figure BDA0002867185960000031
并在第一个维度上进行叠加，得到噪声水平图数据集，维度大小同为(20000，100，100，10)。
(2)利用所获得的有噪数据集和噪声水平图数据集训练噪声估计子网络。
通过将20000组由有噪数据和对应的噪声水平图
Figure BDA0002867185960000041
组成的样本数据组，利用卷积神经网络进行迭代优化训练。在达到一定的迭代次数后，损失函数经过收敛后得到噪声估计子网络。其中，噪声水平图
Figure BDA0002867185960000042
应与高光谱图像维度保持一致。
Figure BDA0002867185960000043
其中
Figure BDA0002867185960000044
为噪声估计子网络训练的噪声水平图估计，WE代表子网络中的网络参数，f()为子网络的优化函数，y代表含噪数据。
本实施例的模型采用6层卷积神经网络的结构。以有噪数据集和噪声水平图数据集作为样本组进行训练，其中每个神经网络层的通道数，卷积核大小，步长，填充，激活函数通过如下表1进行示意性说明：
表1卷积神经网络的参数表
神经网络层 通道数 卷积核大小 步长 激活函数 填充
输入 10 - - - -
卷积层1-1 32 (3，3) (1，1) relu same
卷积层1-2 32 (3，3) (1，1) relu same
卷积层1-3 32 (3，3) (1，1) relu same
卷积层1-4 32 (3，3) (1，1) relu same
卷积层1-5 32 (3，3) (1，1) relu same
卷积层1-6 10 (3，3) (1，1) relu same
可选地，每层卷积层都采用(3，3)的卷积核大小，步长为(1，1)，激活函数使用relu函数，填充为same。采用Adam优化算法，损失函数通过引入TV loss构造为：
Figure BDA0002867185960000045
其中，
Figure BDA0002867185960000046
为模型预测的噪声水平图，
Figure BDA0002867185960000047
分别为竖直方向和水平方向上的梯度，y为输入的有噪高光谱图像，
Figure BDA0002867185960000048
为图像对应的真实噪声水平图，λTV为规则化项。
(3)利用噪声估计子网络预测噪声水平图后，将含噪的高光谱图像与子网络对其估计的噪声水平图
Figure BDA0002867185960000049
在光谱维度进行合并操作，组成含噪声水平图的有噪图像，其维度为(100,100,20)。将20000组含噪声水平图的有噪数据集与无噪数据集作为样本数据组，采用UNet结构卷积神经网络进行迭代优化训练。在迭代到一定次数后，损失函数经过收敛后得到最后的高光谱图像去噪模型。
Figure BDA0002867185960000051
其中，
Figure BDA0002867185960000052
代表去除噪声的高光谱图像，y代表含噪的高光谱图像，
Figure BDA0002867185960000053
代表噪声估计子网络预测的噪声水平图，g()代表高光谱图像去噪模型的优化函数，WD代表去噪模型的网络参数。
本实施例叠加操作后的数据集维度大小为(20000，100，100，20)。该数据集与无噪数据集作为样本组，采用UNet 18层网络结构进行去噪模型的训练。其中每个神经网络层的种类，通道数，窗口大小，步长，填充，激活函数通过如下表2进行示意性说明：
表2 UNet结构卷积神经网络的参数表
神经网络层 通道数 窗口大小 步长 激活函数 填充
输入 20 - - - -
卷积层2-1 64 (3，3) (1，1) lrelu Same
卷积层2-2 64 (3，3) (1，1) lrelu Same
池化层2-3 64 (2，2) (1，1) - Same
卷积层2-4 128 (3，3) (1，1) lrelu same
卷积层2-5 128 (3，3) (1，1) lrelu same
池化层2-6 128 (2，2) (1，1) - same
卷积层2-7 256 (3，3) (1，1) lrelu same
卷积层2-8 256 (3，3) (1，1) lrelu same
池化层2-9 256 (2，2) (1，1) - same
卷积层2-10 512 (3，3) (1，1) lrelu same
卷积层2-11 512 (3，3) (1，1) lrelu same
卷积层2-12 256 (3，3) (1，1) lrelu same
卷积层2-13 256 (3，3) (1，1) lrelu same
卷积层2-14 128 (3，3) (1，1) lrelu same
卷积层2-15 128 (3，3) (1，1) lrelu same
卷积层2-16 64 (3，3) (1，1) lrelu same
卷积层2-17 64 (3，3) (1，1) lrelu same
卷积层2-18 10 (3，3) (1，1) - same
可选地，所有卷积层都采用(3，3)大小的卷积核，(1，1)步长，LeakRelu激活函数和same填充。所有池化层都采用(2，2)的窗口大小，(1，1)步长和same填充。其中，LeakRelu激活函数为：
Figure BDA0002867185960000061
可选地，在上采样过程中添加连接层，能增加上采样输入信息从而提高网络学习能力。在卷积层2-12，2-14，2-16处，分别与卷积层2-7，2-4，2-1进行连接。
可选地，该模型采用Adam优化算法，损失函数选用L2 loss函数。
示意性的，图3是高光谱图像去噪方法的流程示意图。具体为：
首先，将待去噪高光谱图像输入噪声估计子网络预测噪声水平图。
接着，根据不同的实际情况，引入松弛因子k，允许用户交互式调整去噪结果，增强去噪结果的鲁棒性：
Figure BDA0002867185960000062
其中，
Figure BDA0002867185960000063
为调整后的噪声水平图，k为松弛因子，
Figure BDA0002867185960000064
为调整前的噪声水平图。
最后，将待去噪高光谱图像和子网络生成的含松弛因子k的噪声水平图在光谱维度上进行叠加，再输入到高光谱图像去噪模型，得到去除噪声的高光谱图像。
图4，5展示了本示例与BM4D算法的高光谱图像去噪效果对比，其中，示意图取单波段进行显示。可见，本发明的方法保留了更多的纹理细节，并获得了更高的PSNR值。

Claims (9)

1.一种高光谱图像的去噪模型训练方法，其特征在于，该方法包括如下步骤：
(1)对获取的高光谱图像数据集做预处理，获得无噪数据集，然后加入不同方差σ的高斯白噪声，生成有噪数据集；
(2)对方差σ扩充维度，得到与图像同等大小的噪声水平图
Figure FDA0002867185950000011
(3)将有噪数据集和噪声水平图
Figure FDA0002867185950000012
构成样本数据组进行训练，得到噪声估计子网络模型；
(4)利用所述噪声估计子网络模型预测得到噪声水平图
Figure FDA0002867185950000013
并将噪声水平图
Figure FDA0002867185950000014
和有噪数据合并，与所述无噪数据集作为样本数据组进行训练，得到高光谱图像去噪模型。
2.根据权利要求1所述的一种高光谱图像的去噪模型训练方法，其特征在于，所述步骤(1)中，预处理的具体步骤为：将高光谱图像数据集裁剪至相同维度大小，并选取相同波段的高光谱图像数据，最后通过归一化处理，组成无噪数据集。
3.根据权利要求1所述的一种高光谱图像的去噪模型训练方法，其特征在于，所述步骤(1)中，生成有噪数据集的具体步骤为：
根据所述无噪数据集的高光谱图像维度，产生相同维度大小的高斯白噪声；其中，对于每张高光谱图像，其对应的高斯白噪声方差σ不同；将高光谱图像与高斯白噪声相加，得到有噪数据集。
4.根据权利要求1所述的一种高光谱图像的去噪模型训练方法，其特征在于，所述步骤(2)中，对方差σ扩充维度的具体步骤为：
对于高光谱图像(m,n,λ)，将该图像加入的方差σ乘以维度大小为(m,n,λ)的单位矩阵；经过扩维操作的噪声方差是代表了像素级的噪声水平图
Figure FDA0002867185950000015
其中，m,n,λ分别代表了高光谱图像的维度大小。
5.根据权利要求1所述的一种高光谱图像的去噪模型训练方法，其特征在于，所述步骤(3)中，训练的具体步骤为：
通过将n组由所述有噪数据和对应的噪声水平图
Figure FDA0002867185950000016
组成的样本数据组，利用卷积神经网络进行迭代优化训练；在达到一定的迭代次数后，损失函数经过收敛后得到噪声估计子网络模型；其中，噪声水平图
Figure FDA0002867185950000017
应与高光谱图像维度大小保持一致。
6.根据权利要求1所述的一种高光谱图像的去噪模型训练方法，其特征在于，所述步骤(4)中，训练的具体步骤为：
将有噪数据与噪声水平图
Figure FDA0002867185950000018
在光谱维度进行合并操作，组成含噪声水平图的有噪图像，其维度为(m,n,2λ)；
将n组含噪声水平图的有噪数据集与无噪数据集作为样本数据组，采用UNet结构卷积神经网络进行迭代优化训练；在迭代到一定次数后，损失函数经过收敛后得到最后的高光谱图像去噪模型。
7.一种高光谱图像的去噪方法，其特征在于，该方法包括如下步骤：
(1)获取待去噪的高光谱图像，将其输入到噪声估计子网络；其中，噪声估计子网络为通过样本数据进行训练后得到的模型，所述样本数据中包括n组有噪数据集和对应的噪声水平图；
(2)对噪声估计子网络生成的噪声水平图引入松弛因子k；
(3)将待去噪的高光谱图像和噪声估计子网络生成的含松弛因子k的噪声水平图进行合并，再输入到高光谱图像去噪模型，得到去除噪声的高光谱图像；其中，高光谱图像去噪模型为通过样本数据进行训练后得到的模型，所述样本数据中包括n组含噪声水平图的有噪数据集和无噪数据集。
8.根据权利要求7所述的一种高光谱图像的去噪方法，其特征在于，所述步骤(1)中，待去噪的高光谱图像和子网络训练样本的光谱维度保持一致。
9.根据权利要求7所述的一种高光谱图像的去噪方法，其特征在于，所述步骤(2)中，引入松弛因子k，允许用户交互式调整去噪结果，增强去噪结果的鲁棒性：
Figure FDA0002867185950000021
其中，
Figure FDA0002867185950000022
为调整后的噪声水平图，k为松弛因子，
Figure FDA0002867185950000023
为调整前的噪声水平图。
CN202011591947.6A 2020-12-29 2020-12-29 一种高光谱图像的去噪模型训练方法及去噪方法 Active CN112598599B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011591947.6A CN112598599B (zh) 2020-12-29 2020-12-29 一种高光谱图像的去噪模型训练方法及去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011591947.6A CN112598599B (zh) 2020-12-29 2020-12-29 一种高光谱图像的去噪模型训练方法及去噪方法

Publications (2)

Publication Number Publication Date
CN112598599A true CN112598599A (zh) 2021-04-02
CN112598599B CN112598599B (zh) 2024-04-09

Family

ID=75204004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011591947.6A Active CN112598599B (zh) 2020-12-29 2020-12-29 一种高光谱图像的去噪模型训练方法及去噪方法

Country Status (1)

Country Link
CN (1) CN112598599B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191968A (zh) * 2021-04-19 2021-07-30 华中科技大学 三维超声图像盲去噪模型的建立方法及其应用
CN113763271A (zh) * 2021-09-03 2021-12-07 北京理工大学 一种基于物理噪声模型的高质量光谱去噪方法
CN114384030A (zh) * 2022-01-11 2022-04-22 山东大学 一种基于卷积神经网络的气体激光吸收光谱滤波方法
CN113763271B (zh) * 2021-09-03 2024-06-07 北京理工大学 一种基于物理噪声模型的高质量光谱去噪方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108389188A (zh) * 2018-01-30 2018-08-10 大庆师范学院 一种稀疏高光谱异常目标检测方法
CN108765313A (zh) * 2018-05-02 2018-11-06 西北工业大学 基于类内低秩结构表示的高光谱图像去噪方法
US20190096049A1 (en) * 2017-09-27 2019-03-28 Korea Advanced Institute Of Science And Technology Method and Apparatus for Reconstructing Hyperspectral Image Using Artificial Intelligence
US20190139196A1 (en) * 2017-11-09 2019-05-09 Spectral Science, Inc. Signal-to-Noise Enhancement
CN109872288A (zh) * 2019-01-31 2019-06-11 深圳大学 用于图像去噪的网络训练方法、装置、终端及存储介质
CN110163827A (zh) * 2019-05-28 2019-08-23 腾讯科技（深圳）有限公司 图像去噪模型的训练方法、图像去噪方法、装置及介质
WO2020025684A1 (en) * 2018-07-31 2020-02-06 Deutsches Krebsforschungszentrum Stiftung des öffentlichen Rechts Method and system for augmented imaging in open treatment using multispectral information
CN111598790A (zh) * 2020-04-09 2020-08-28 中国科学院遥感与数字地球研究所 基于对偶深度神经网络的高光谱遥感图像去噪方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190096049A1 (en) * 2017-09-27 2019-03-28 Korea Advanced Institute Of Science And Technology Method and Apparatus for Reconstructing Hyperspectral Image Using Artificial Intelligence
US20190139196A1 (en) * 2017-11-09 2019-05-09 Spectral Science, Inc. Signal-to-Noise Enhancement
CN108389188A (zh) * 2018-01-30 2018-08-10 大庆师范学院 一种稀疏高光谱异常目标检测方法
CN108765313A (zh) * 2018-05-02 2018-11-06 西北工业大学 基于类内低秩结构表示的高光谱图像去噪方法
WO2020025684A1 (en) * 2018-07-31 2020-02-06 Deutsches Krebsforschungszentrum Stiftung des öffentlichen Rechts Method and system for augmented imaging in open treatment using multispectral information
CN109872288A (zh) * 2019-01-31 2019-06-11 深圳大学 用于图像去噪的网络训练方法、装置、终端及存储介质
CN110163827A (zh) * 2019-05-28 2019-08-23 腾讯科技（深圳）有限公司 图像去噪模型的训练方法、图像去噪方法、装置及介质
CN111598790A (zh) * 2020-04-09 2020-08-28 中国科学院遥感与数字地球研究所 基于对偶深度神经网络的高光谱遥感图像去噪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUAN Q ET AL.: "Hyperspectral Image Denoising Employing a Spectral-Spatial Adaptive Total Variation Model", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, 31 December 2012 (2012-12-31) *
孙蕾 等: "高光谱遥感图像微分域三维混合去噪方法", 《 光谱学与光谱分析》, 15 October 2009 (2009-10-15) *
王琛: "高光谱图像盲去噪训练算法及应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 16 April 2022 (2022-04-16) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191968A (zh) * 2021-04-19 2021-07-30 华中科技大学 三维超声图像盲去噪模型的建立方法及其应用
CN113191968B (zh) * 2021-04-19 2024-02-09 华中科技大学 三维超声图像盲去噪模型的建立方法及其应用
CN113763271A (zh) * 2021-09-03 2021-12-07 北京理工大学 一种基于物理噪声模型的高质量光谱去噪方法
CN113763271B (zh) * 2021-09-03 2024-06-07 北京理工大学 一种基于物理噪声模型的高质量光谱去噪方法
CN114384030A (zh) * 2022-01-11 2022-04-22 山东大学 一种基于卷积神经网络的气体激光吸收光谱滤波方法

Also Published As

Publication number Publication date
CN112598599B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
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
CN109035142B (zh) 一种对抗网络结合航拍图像先验的卫星图像超分辨方法
CN110045419A (zh) 一种感知器残差自编码网络地震资料去噪方法
CN108830809B (zh) 一种基于膨胀卷积图像去噪方法
CN106952228A (zh) 基于图像非局部自相似性的单幅图像的超分辨率重建方法
CN112598599B (zh) 一种高光谱图像的去噪模型训练方法及去噪方法
CN110490816B (zh) 一种水下异构信息数据降噪方法
CN112634192B (zh) 一种结合小波变换的级联U-N Net脑肿瘤分割方法
CN110648292A (zh) 一种基于深度卷积网络的高噪声图像去噪方法
CN114723630A (zh) 基于空洞双残差多尺度深度网络的图像去模糊方法及系统
CN115861083B (zh) 一种多尺度和全局特征的高光谱与多光谱遥感融合方法
CN113837974A (zh) 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法
He et al. Remote sensing image super-resolution using deep–shallow cascaded convolutional neural networks
CN110838089B (zh) 一种基于OctBlock密集块的快速图像去噪方法
CN113256508A (zh) 一种改进的小波变换与卷积神经网络图像去噪声的方法
CN110992295A (zh) 基于小波-red卷积神经网络的低剂量ct重建方法
CN114140442A (zh) 一种基于频域和图像域退化感知的深度学习稀疏角度ct重建方法
CN115205136A (zh) 一种基于傅里叶先验的图像去雨方法
Gupta et al. A novel approach for image denoising and performance analysis using SGO and APSO
CN106097257B (zh) 一种图像去噪方法及装置
CN103208113B (zh) 基于非下采样轮廓波和多相cv模型的图像分割方法
CN115829870A (zh) 一种基于可变尺度滤波的图像去噪方法
CN111986114B (zh) 一种基于自监督约束的双尺度图像盲去噪方法及系统
CN114998137A (zh) 一种基于生成对抗网络的探地雷达图像杂波抑制方法
CN115511722A (zh) 基于深浅特征融合网络及联合损失函数的遥感图像去噪方法

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