CN114998750A - 一种遥感图像随机长度条带去除方法、装置、设备及介质 - Google Patents

一种遥感图像随机长度条带去除方法、装置、设备及介质 Download PDF

Info

Publication number
CN114998750A
CN114998750A CN202210913876.XA CN202210913876A CN114998750A CN 114998750 A CN114998750 A CN 114998750A CN 202210913876 A CN202210913876 A CN 202210913876A CN 114998750 A CN114998750 A CN 114998750A
Authority
CN
China
Prior art keywords
image
regularization
local
term
variable
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
CN202210913876.XA
Other languages
English (en)
Other versions
CN114998750B (zh
Inventor
孔祥阳
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.)
Sichuan Engineering Technical College
Original Assignee
Sichuan Engineering Technical College
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 Sichuan Engineering Technical College filed Critical Sichuan Engineering Technical College
Priority to CN202210913876.XA priority Critical patent/CN114998750B/zh
Publication of CN114998750A publication Critical patent/CN114998750A/zh
Application granted granted Critical
Publication of CN114998750B publication Critical patent/CN114998750B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Image Processing (AREA)

Abstract

本申请提供一种遥感图像随机长度条带去除方法、装置、设备及介质，包括：获得目标图像对应的第一变量、随机长度条带噪声图像对应的第二变量和随机噪声图像对应的第三变量；根据非局部总变分正则化对第一变量进行正则化约束，获得非局部总变分正则项；根据非局部低秩分解和范数约束分别对第二变量进行正则化约束，获得对应的第一正则项和第二正则项；根据稀疏正则化对第三变量进行正则化约束，获得数据保真项；构建目标模型；求解目标模型，以实现从初始遥感图像中恢复目标图像。本申请通过分析随机条带噪声的非局部低秩性以及目标图像的局部和非局部的相似性，能够去除随机长度条带噪声，并恢复出目标图像的纹理信息，从而有效地降低光谱畸变。

Description

一种遥感图像随机长度条带去除方法、装置、设备及介质
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种遥感图像随机长度条带去除方法、装置、设备及介质。
背景技术
高光谱遥感图像携带有地物场景的光谱及空间信息，具有“图谱合一”特征。高光谱数据立方体单个波段的灰度图像，能够提供目标场景的空间结构和纹理信息，高光谱图像数据立方体的光谱曲线，即每个像素所对应地物的光谱特征，用来反映相应地物的材料属性。这些信息为火灾监测、军事目标识别、城市规划等提供有力的支撑，在多个领域中都有广泛的应用。
由于传感器像素响应的不均匀性、空气介质的差异性、传感器的机械运动以及图像采集过程中温度的变化等因素，高光谱图像中不可避免地引入随机长度条带噪声。目前，现有的遥感图像去条带方法主要是基于单波段图像，容易引起光谱畸变。
发明内容
本申请的主要目的在于提供一种遥感图像随机长度条带去除方法、装置、设备及介质，旨在解决通过现有技术对遥感图像随机长度条带去除时，会引起光谱畸变的技术问题。
为实现上述目的，本申请的实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种遥感图像随机长度条带去除方法，包括：
将初始遥感图像按照目标图像、随机长度条带噪声图像和随机噪声图像进行分解，以获得所述目标图像对应的第一变量、所述随机长度条带噪声图像对应的第二变量和所述随机噪声图像对应的第三变量；其中，所述初始遥感图像为被随机长度条带噪声污染的源图像；
根据非局部总变分正则化对所述第一变量进行正则化约束，获得非局部总变分正则项；其中，所述非局部总变分正则项包括所述目标图像的局部与非局部的相似性；
根据非局部低秩分解和范数约束分别对所述第二变量进行正则化约束，获得对应的第一正则项和第二正则项；
根据稀疏正则化对所述第三变量进行正则化约束，获得数据保真项；
根据所述非局部总变分正则项、所述第一正则项、所述第二正则项和所述数据保真项，构建目标模型；
求解所述目标模型，以实现从所述初始遥感图像中恢复所述目标图像。
可选的，所述将初始遥感图像按照目标图像，随机长度条带噪声图像和随机噪声图像进行分解，以获得所述目标图像对应的第一变量、所述随机长度条带噪声图像对应的第二变量和所述随机噪声图像对应的第三变量，包括：
根据如下公式，将所述初始遥感图像按照目标图像、随机长度条带噪声图像和随机噪声图像分解：
Figure 203395DEST_PATH_IMAGE001
；
其中，
Figure 148218DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE003
为三阶张量数据，
Figure 563019DEST_PATH_IMAGE004
为所述初始遥感图像，
Figure DEST_PATH_IMAGE005
为所述第一变量，
Figure 567884DEST_PATH_IMAGE006
为所述第二变量，
Figure DEST_PATH_IMAGE007
为所述第三变量，H为每一个波段图像的行数，V为每一波段图像的列数，B为所述初始遥感图像的光谱总数。
可选的，所述根据非局部总变分正则化对所述第一变量进行正则化约束，获得非局部总变分正则项，包括：
根据最小化所述第一变量非局部块的梯度值，获取所述非局部总变分正则项；
其中，所述根据最小化所述第一变量非局部块的梯度值，获取所述非局部总变分正则项，包括：
根据如下公式，计算所述非局部总变分正则项：
Figure 569600DEST_PATH_IMAGE008
其中，xr为第一中心参考元素，xo为第二中心参考元素，D1为以所述xr为中心的参考块的预设个数的局部相似块的中心位置，D2为以所述xr为中心的参考块的非局部区域的元素集合，wo为自适应权重，o为相似块的序号，
Figure DEST_PATH_IMAGE009
为所述非局部总变分正则项。
可选的，根据非局部低秩分解和范数约束对所述第二变量进行正则化约束，获得对应的第一正则项和第二正则项，包括：
根据公式
Figure 52534DEST_PATH_IMAGE010
计算第一正则项，所述第一正则项为所述第二变量的非局部低秩块的张量分解；
其中，
Figure DEST_PATH_IMAGE011
为第p个聚类中的三阶非局部相似块构成的四阶张量，U1p、U2p、U3p、U4p为因子矩阵，且是正交矩阵，
Figure 649737DEST_PATH_IMAGE012
为所述第一正则项；
根据公式
Figure DEST_PATH_IMAGE013
，获得所述第二正则项，所述第二正则项为所述第二变量的L2,1范数约束；
其中，
Figure 61389DEST_PATH_IMAGE014
为所述第二变量的第k个波段、第i行、第j列的像素值，
Figure DEST_PATH_IMAGE015
为所述第二正则项。
可选的，所述根据稀疏正则化对所述第三变量进行正则化约束，获得数据保真项，包括：
根据公式
Figure 48937DEST_PATH_IMAGE016
，获得所述数据保真项。
可选的，所述根据所述非局部总变分正则项、所述第一正则项、所述第二正则项和所述数据保真项，构建目标模型，包括：
根据
Figure DEST_PATH_IMAGE017
建立所述目标模型；
其中，
Figure 273245DEST_PATH_IMAGE016
为所述数据保真项，
Figure 662638DEST_PATH_IMAGE018
为所述非局部总变分正则项，
Figure DEST_PATH_IMAGE019
为所述第二正则项，
Figure 9306DEST_PATH_IMAGE012
为所述第一正则项，
Figure 421832DEST_PATH_IMAGE020
为所述非局部总变分正则项的系数，
Figure DEST_PATH_IMAGE021
为所述第二正则项的系数，
Figure 748034DEST_PATH_IMAGE022
为所述第一正则项的系数。
可选的，所述求解所述目标模型，以实现从所述初始遥感图像中恢复所述目标图像，包括：
根据交替方向乘子法求解所述目标模型，以获得所述目标图像。
第二方面，本申请实施例提供一种遥感图像随机长度条带去除装置，包括：
分解模块，用于将初始遥感图像按照目标图像，随机长度条带噪声图像和随机噪声图像进行分解，以获得所述目标图像对应的第一变量、所述随机长度条带噪声图像对应的第二变量和所述随机噪声图像对应的第三变量；其中，所述初始遥感图像为被随机长度条带污染的源图像；
非局部正则化模块，用于根据非局部总变分正则化对所述第一变量进行正则化约束，获得非局部总变分正则项；其中，所述非局部总变分正则项包括所述目标图像的局部和非局部的相似性；
第一正则约束模块，用于根据非局部低秩分解和范数约束分别对所述第二变量进行正则化约束，获得对应的第一正则项和第二正则项；
第二正则约束模块，用于根据稀疏正则化对所述第三变量进行正则化约束，获得数据保真项；
模型构建模块，用于根据所述非局部总变分正则项、所述第一正则项、所述第二正则项和所述数据保真项，构建目标模型；
目标图像恢复模块，用于求解所述目标模型，以实现从所述初始遥感图像中恢复所述目标图像。
第三方面，本申请实施例提供一种电子设备，包括：处理器、存储器和总线，其中，所述处理器和所述存储器通过所述总线完成相互间的通信；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第一方面的方法。
第四方面，本申请实施例提供一种非暂态计算机可读存储介质，包括：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第一方面的方法。
本申请将初始遥感图像、目标图像、随机长度条带噪声图像和随机噪声图像作为张量处理，通过非局部总变分正则化对第一变量进行正则化约束，以分析目标图像的局部和非局部的相似性；对第二变量进行非局部低秩块Tucker分解和L2,1范数约束，以分析条带噪声的非局部低秩性；对第三变量进行稀疏正则化，以保证恢复的目标图像与初始遥感图像之间的相似性，保持重建恢复的目标图像的边缘与纹理结构，又能抑制相关噪声，能够去除随机长度条带噪声，并且恢复出目标图像的纹理信息，从而有效地降低光谱畸变，提高遥感图像的去噪性能和实用性。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例涉及的硬件运行环境的电子设备的结构示意图；
图2为本申请实施例提供的一种遥感图像随机长度条带去除方法；
图3为本申请实施例提供的遥感图像随机长度条带去除装置结构示意图。
图中标记：101-处理器，102-通信总线，103-网络接口，104-用户接口，105-存储器，300-遥感图像随机长度条带去除装置，301-分解模块，302-非局部正则化模块，303-第一正则约束模块，304-第二正则约束模块，305-模型构建模块，306-目标图像恢复模块。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
本申请实施例的主要解决方案是：提出一种遥感图像随机长度条带去除方法、装置、设备及介质，通过将初始遥感图像按照目标图像、随机长度条带噪声图像和随机噪声图像进行分解，以获得所述目标图像对应的第一变量、所述随机长度条带噪声图像对应的第二变量和所述随机噪声图像对应的第三变量；其中，所述初始遥感图像为被随机长度条带噪声污染的源图像；根据非局部总变分正则化对所述第一变量进行正则化约束，获得非局部总变分正则项；其中，所述非局部总变分正则项包括所述目标图像的局部与非局部的相似性；根据非局部低秩分解和范数约束分别对所述第二变量进行正则化约束，获得对应的第一正则项和第二正则项；根据稀疏正则化对所述第三变量进行正则化约束，获得数据保真项；根据所述非局部总变分正则项、所述第一正则项、所述第二正则项和所述数据保真项，构建目标模型；求解所述目标模型，以实现从所述初始遥感图像中恢复所述目标图像。
由于传感器像素响应的不均匀性、空气介质的差异性、传感器的机械运动以及图像采集过程中温度的变化等因素，使得获取的高光谱图像中不可避免地引入条带噪声。条带的存在会明显影响高光谱图像的空间完整性，影响其进一步应用，如图像分割，图像解混合，图像融合，目标检测和目标分类等。
高光谱遥感图像去条带问题已经引起了广泛的学术关注，目前针对遥感图像随机长度条带的去除问题目前还比较少。同时，现有的去条带方法主要是基于单波段图像，虽然具有一定的去条带效果但缺乏考虑光谱相关性和条带的非局部相似性，从而容易引起光谱畸变且有条带残留。
为此，本申请提供一种解决方案，通过将初始遥感图像按照目标图像、随机长度条带噪声图像和随机噪声图像进行分解，以获得所述目标图像对应的第一变量、所述随机长度条带噪声图像对应的第二变量和所述随机噪声图像对应的第三变量；其中，所述初始遥感图像为被随机长度条带噪声污染的源图像；根据非局部总变分正则化对所述第一变量进行正则化约束，获得非局部总变分正则项；其中，所述非局部总变分正则项包括所述目标图像的局部与非局部的相似性；根据非局部低秩分解和范数约束分别对所述第二变量进行正则化约束，获得对应的第一正则项和第二正则项；根据稀疏正则化对所述第三变量进行正则化约束，获得数据保真项；根据所述非局部总变分正则项、所述第一正则项、所述第二正则项和所述数据保真项，构建目标模型；求解所述目标模型，以实现从所述初始遥感图像中恢复所述目标图像，解决了现有技术对遥感图像随机长度条带去除时，会引起光谱畸变的技术问题。
参照附图1，附图1为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图，该电子设备可以包括：处理器101，例如中央处理器（Central Processing Unit，CPU），通信总线102、用户接口104，网络接口103，存储器105。其中，通信总线102用于实现这些组件之间的连接通信。用户接口104可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口104还可以包括标准的有线接口、无线接口。网络接口103可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器105可选的可以是独立于前述处理器101的存储装置，存储器105可能是高速的随机存取存储器（Random Access Memory，RAM），也可能是稳定的非易失性存储器（Non-VolatileMemory，NVM），例如至少一个磁盘存储器；处理器101可以是通用处理器，包括中央处理器、网络处理器等，还可以是数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本领域技术人员可以理解，附图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如附图1所示，作为一种存储介质的存储器105中可以包括操作系统、网络通信模块、用户接口模块以及遥感图像随机长度条带去除装置。
在附图1所示的电子设备中，网络接口103主要用于与网络服务器进行数据通信；用户接口104主要用于与用户进行数据交互；本申请电子设备中的处理器101、存储器105可以设置在电子设备中，电子设备通过处理器101调用存储器105中存储的遥感图像随机长度条带去除装置，并执行本申请实施例提供的遥感图像随机长度条带去除方法。
参照附图2，附图2为本申请实施例提供的一种遥感图像随机长度条带去除方法的流程示意图，包括：
步骤201：将初始遥感图像按照目标图像、随机长度条带噪声图像和随机噪声图像进行分解，以获得所述目标图像对应的第一变量、所述随机长度条带噪声图像对应的第二变量和所述随机噪声图像对应的第三变量；其中，所述初始遥感图像为被随机长度条带噪声污染的源图像。
在具体实施过程中，将初始遥感图像、目标图像、随机长度条带噪声图像和随机噪声图像作为张量处理，初始遥感图像为被随机条带污染的高光谱图像；第一变量、第二变量和第三变量为对初始遥感图像进行图像分解，获得的目标图像、随机长度条带噪声图像和随机噪声图像分别对应的变量。
步骤202:根据非局部总变分正则化对所述第一变量进行正则化约束，获得非局部总变分正则项；其中，所述非局部总变分正则项包括所述目标图像的局部与非局部的相似性。
其中，正则化是对某一问题加以先验的限制或约束，以达到某种特定目的的一种手段或操作，例如：函数的稀疏或者平滑。在算法中使用正则化的目的是防止模型出现过拟合，在未加入正则化之前，这个可行解空间是无边界限制的，通过加入正则化后，这个可行解空间被限制在一个特定的范围内。
非局部总变分正则化不只是利用图像的单个像素点，或者某一领域内的灰度和梯度信息进行放大，而是更大范围地利用图像本身的信息，能够保持重建恢复的目标图像的边缘与纹理结构，又能抑制相关噪声，同时考虑了目标图像的局部和非局部的相似性。
步骤203：根据非局部低秩分解和范数约束分别对所述第二变量进行正则化约束，获得对应的第一正则项和第二正则项。
其中，非局部低秩分解为条带噪声对应的第二变量的非局部低秩块的Tucker分解，Tucker分解为将张量分解为一个核张量和三个低维矩阵的张量积；范数约束为条带噪声对应的第二变量的L2,1范数约束，L2,1范数为行向量的L2范数之和，L2,1范数约束为使每一行的l2范数尽可能小，行内出现尽可能多的0元素，尽可能稀疏，也称为行稀疏。
步骤204：根据稀疏正则化对所述第三变量进行正则化约束，获得数据保真项。
在具体实施过程中，通过引入数据保真项，以保证恢复的目标图像与初始遥感图像之间的相似性，此数据保真项可以有效去除轻微的高斯噪声。
步骤205：根据所述非局部总变分正则项、所述第一正则项、所述第二正则项和所述数据保真项，构建目标模型。
在具体实施过程中，基于非局部总变分正则项、非局部低秩块的Tucker分解、L2,1范数约束以及数据保真项，构建高光谱遥感图像的随机长度条带去除模型，即目标模型，非局部总变分正则项、非局部低秩块的Tucker分解、L2,1范数约束以及数据保真项为目标模型的先验约束条件。
步骤206：求解所述目标模型，以实现从所述初始遥感图像中恢复所述目标图像。
在具体实施过程中，采取交替方向乘子法求解目标模型，交替方向乘子法适用于求解分布式的凸优化问题，通过分解协调过程，将大的全局问题分解为多个较小、较容易求解的局部子问题，每次更新某一变量的时候固定其他变量，从而将目标问题转化为一系列子问题求解，从而输出去除了随机长度条带噪声的目标图像。
本申请实施例将初始遥感图像、目标图像、随机长度条带噪声图像和随机噪声图像作为张量处理，通过非局部总变分正则化对第一变量进行正则化约束，以分析目标图像的局部和非局部的相似性；对第二变量进行非局部低秩块Tucker分解和L2,1范数约束，以分析条带噪声的非局部低秩性；对第三变量进行稀疏正则化，以保证恢复的目标图像与初始遥感图像之间的相似性，保持重建恢复的目标图像的边缘与纹理结构，又能抑制相关噪声，能够去除随机长度条带噪声，并且恢复出目标图像的纹理信息，从而有效地降低光谱畸变，提高遥感图像的去噪性能和实用性。
在一种可选的实施方式中，所述将初始遥感图像按照目标图像，随机长度条带噪声图像和随机噪声图像进行分解，以获得所述目标图像对应的第一变量、所述随机长度条带噪声图像对应的第二变量和所述随机噪声图像对应的第三变量，包括：
根据如下公式，将所述初始遥感图像按照目标图像、随机长度条带噪声图像和随机噪声图像分解：
Figure 991933DEST_PATH_IMAGE001
；
其中，
Figure 447185DEST_PATH_IMAGE002
，
Figure 409325DEST_PATH_IMAGE003
为三阶张量数据，
Figure 975436DEST_PATH_IMAGE004
为所述初始遥感图像，
Figure 73842DEST_PATH_IMAGE005
为所述第一变量，
Figure 699995DEST_PATH_IMAGE006
为所述第二变量，
Figure DEST_PATH_IMAGE023
为所述第三变量，H为每一个波段图像的行数，V为每一波段图像的列数，B为所述初始遥感图像的光谱总数。
其中，张量为将一系列具有某种共同特征的数进行有序的组合来表示一个更加广义的“数”，三阶张量有27个分量，是基于标量和矢量向更高维度的推广。本申请实施例将初始遥感图像分解为目标图像、随机长度条带噪声图像和随机噪声图像三部分，遥感图像去除随机长度条带的本质就是从初始遥感图像中恢复出目标图像。
本申请实施例将初始遥感图像假设分解为目标图像、随机长度条带噪声图像和随机噪声图像三部分，以便于后续计算每个部分的先验约束信息以及建立目标模型。
在一种可选的实施方式中，所述根据非局部总变分正则化对所述第一变量进行正则化约束，获得非局部总变分正则项，包括：
根据最小化所述第一变量非局部块的梯度值，获取所述非局部总变分正则项；
其中，所述根据最小化所述第一变量非局部块的梯度值，获取所述非局部总变分正则项，包括：
根据如下公式，计算所述非局部总变分正则项：
Figure 650896DEST_PATH_IMAGE008
其中，xr为第一中心参考元素，xo为第二中心参考元素，D1为以所述xr为中心的参考块的预设个数的局部相似块的中心位置，D2为以所述xr为中心的参考块的非局部区域的元素集合，wo为自适应权重，o为相似块的序号，
Figure 551856DEST_PATH_IMAGE009
为所述非局部总变分正则项。
在具体实施过程中，通过最小化目标图像非局部块的梯度值，以分析目标图像的局部和非局部相似性，具体步骤为：
第一，用Pr表示以xr为中心的参考块，该参考块的6个局部相邻块的中心位置用D1表示，并用Γ表示中心元素xr周围一个V×V×3窗口中所有块的位置，V×V为窗口的大小。本申请实施例中预设个数为6，在具体实施过程中，可以根据实际情况选择合适的预设个数的相似块，本申请实施例对此不做具体限定。
第二，计算参考块和中心位置在集合Γ\D1中的相似块之间的卷积距离，并将该集合记为
Figure 708031DEST_PATH_IMAGE024
，其中P o 表示以x o 为中心的第o个坐标块，G是与参考块大小相同的高斯滤波器，
Figure DEST_PATH_IMAGE025
表示卷积算子，Γ\D1为中心元素xr周围非局部块的位置。
第三，从
Figure 832981DEST_PATH_IMAGE026
中可以选取m−6个最短距离，这些距离对应于参考块在非局部区域内m−6个相似的结构块。
第四，在获取m个相似结构块以后，定义以xr为中心的非局部总变分正则项为：
Figure 441817DEST_PATH_IMAGE008
其中，xr为第一中心参考元素，xo为第二中心参考元素，D1为以所述xr为中心的参考块的预设个数的局部相似块的中心位置，D2为以所述xr为中心的参考块的非局部区域的元素集合，wo为自适应权重，o为相似块的序号，o=1，2，…，m，D1∪D2的维数等于相似块的个数m，wo根据公式
Figure 677627DEST_PATH_IMAGE027
计算后，再进行归一化获得，d是尺度参数，本申请对具体的归一化方法不做具体限定。
本申请实施例根据最小化所述第一变量非局部块的梯度值，来计算非局部总变分正则项，与常用的只描述局部空间-光谱相关性的三维全变分方法相比，非局部总变分正则化综合考虑了目标图像的局部和非局部的相似性，能够去除随机长度条带噪声，获得更精确的图像恢复。
在一种可选的实施例中，所述根据非局部低秩分解和范数约束对所述第二变量进行正则化约束，获得对应的第一正则项和第二正则项，包括：
根据公式
Figure 688308DEST_PATH_IMAGE028
计算第一正则项，所述第一正则项为所述第二变量的非局部低秩块的张量分解；
其中，
Figure 208327DEST_PATH_IMAGE011
为第p个聚类中的三阶非局部相似块构成的四阶张量，U1p、U2p、U3p、U4p为因子矩阵，且是正交矩阵，
Figure 304459DEST_PATH_IMAGE012
为所述第一正则项；
根据公式
Figure 812801DEST_PATH_IMAGE013
，获得所述第二正则项，所述第二正则项为所述第二变量的L2,1范数约束；
其中，
Figure 943568DEST_PATH_IMAGE014
为所述第二变量的第k个波段、第i行、第j列的像素值,
Figure 879163DEST_PATH_IMAGE015
为所述第二正则项。
在具体实施过程中，通过对干净高光谱遥感图像、随机长度条带噪声图像、以及非局部相似条带块的图像进行对比分析，可以获得随机长度条带噪声图像与干净高光谱遥感图像的奇异值曲线呈现出相近的下降趋势，因此，对随机长度条带立方体整体施加低秩约束并不能有效分离条带，而由非局部相似块条带构成的张量的奇异值曲线下降速度更快，并且也远低于随机长度条带与干净的高光谱图像的奇异值，由此说明，由非局部相似块条带构成的张量呈现出更强的低秩性。
本申请实施例中的非局部相似条带块由k-means聚类得到，k-means为k均值聚类算法，是一种迭代求解的聚类分析算法，其步骤是：预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有或最小数目对象被重新分配给不同的聚类，没有或最小数目聚类中心再发生变化，误差平方和局部最小。
因此，本申请实施例根据非局部低秩分解，分析随机长度条带噪声图像对应的第二变量的非局部低秩性，即对由非局部相似条带块构成的张量进行低秩分解。
而不是对原始随机长度条带噪声图像进行低秩分解，且s.t.
Figure 462591DEST_PATH_IMAGE029
，i=1，2，3，4，I为单位矩阵。
其次，随机长度条带噪声图像具有明显的列稀疏性，故对随机长度条带噪声图像对应的第二变量采用L2,1范数约束。
在本申请实施例中，基于非局部相似块条带构成的张量呈现出更强的低秩性，对非局部相似条带块构成的张量进行非局部低秩分解，以分析随机长度条带噪声图像非局部低秩性，根据用L2,1范数约束对第二变量进行列稀疏，以去除随机长度条带噪声，并且有效地降低光谱畸变。
在一种可选的实施例中，所述根据稀疏正则化对所述第三变量进行正则化约束，获得数据保真项，包括：
根据公式
Figure 40203DEST_PATH_IMAGE030
，获得所述数据保真项。
本申请实施例中，将随机噪声图像对应的第三变量
Figure 25476DEST_PATH_IMAGE007
用
Figure 820388DEST_PATH_IMAGE031
表示，并根据随机噪声图像具有稀疏性的特点，根据稀疏正则化求解第三变量的范数，并基于此范数引入一个数据保真项
Figure 891112DEST_PATH_IMAGE032
。
本申请实施例通过引入一个数据保真项，以保证保证恢复的目标图像与初始遥感图像之间的相似性，并有效的去除轻微的高斯噪声。
在一种可选的实施例中，所述根据所述非局部总变分正则项、所述第一正则项、所述第二正则项和所述数据保真项，构建目标模型，包括：
根据
Figure 773880DEST_PATH_IMAGE033
建立所述目标模型；
其中，
Figure 613660DEST_PATH_IMAGE030
为所述数据保真项，
Figure 156637DEST_PATH_IMAGE009
为所述非局部总变分正则项，
Figure 449078DEST_PATH_IMAGE034
为所述第二正则项，
Figure 306175DEST_PATH_IMAGE012
为所述第一正则项，
Figure 797199DEST_PATH_IMAGE035
为所述非局部总变分正则项的系数，
Figure 448761DEST_PATH_IMAGE021
为所述第二正则项的系数，
Figure 821973DEST_PATH_IMAGE022
为所述第一正则项的系数。
所述求解所述目标模型，以实现从所述初始遥感图像中恢复所述目标图像，包括：
根据交替方向乘子法求解所述目标模型，以获得所述目标图像。
在本申请实施例中，基于非局部总变分正则项、非局部低秩块的Tucker分解、L2,1范数约束以及数据保真项，构建高光谱遥感图像的随机长度条带去除模型，并采用交替方向乘子法框架求解目标模型，从而输出去除了随机长度条带噪声的目标图像，包括：
第一步，根据如下公式构建目标模型：
Figure 217182DEST_PATH_IMAGE036
第二步，引入两个辅助变量
Figure 64178DEST_PATH_IMAGE037
和
Figure 152220DEST_PATH_IMAGE038
，
Figure 481570DEST_PATH_IMAGE039
，则目标模型的增广拉格朗日函数形式为：
Figure 414891DEST_PATH_IMAGE040
其中，
Figure 411666DEST_PATH_IMAGE041
，
Figure 670609DEST_PATH_IMAGE042
为拉格朗日乘子，μ＞0为拉格朗日惩罚因子，控制拉格朗日乘子更新步长。
第三步，固定其他变量，目标图像对应的第一变量
Figure 956096DEST_PATH_IMAGE044
的子问题如下：
Figure 958688DEST_PATH_IMAGE045
Figure 482073DEST_PATH_IMAGE046
故，变量
Figure 475699DEST_PATH_IMAGE047
更新为：
Figure 717324DEST_PATH_IMAGE048
。
第四步，固定其他变量，辅助变量
Figure 54765DEST_PATH_IMAGE049
子问题如下：
Figure 432656DEST_PATH_IMAGE050
故，变量
Figure 95719DEST_PATH_IMAGE049
更新为：
Figure 559061DEST_PATH_IMAGE051
，其中，
Figure 231351DEST_PATH_IMAGE052
为收缩函数，其定义为
Figure 729329DEST_PATH_IMAGE053
。
第五步，固定其他变量，辅助变量
Figure 533599DEST_PATH_IMAGE038
子问题如下：
Figure 749816DEST_PATH_IMAGE054
辅助变量
Figure 694639DEST_PATH_IMAGE056
子问题属于组稀疏问题，令
Figure 47123DEST_PATH_IMAGE057
，则变量
Figure 786409DEST_PATH_IMAGE038
更新如下：
Figure 224343DEST_PATH_IMAGE058
第六步，固定其他变量，随机长度条带噪声图像对应的第三变量的子问题如下：
Figure 910539DEST_PATH_IMAGE059
从而将更新为：
Figure 179847DEST_PATH_IMAGE060
Figure 293296DEST_PATH_IMAGE061
Figure 47888DEST_PATH_IMAGE062
其中，
Figure 68933DEST_PATH_IMAGE063
为单位张量。
第七步，拉格朗日乘子更新如下：
Figure 396010DEST_PATH_IMAGE064
Figure 680360DEST_PATH_IMAGE065
第八步，判断收敛性。若
Figure 889625DEST_PATH_IMAGE066
且k<kmax，则收敛，此时输出当前的变量
Figure 917624DEST_PATH_IMAGE068
以实现从初始遥感图像中恢复出目标图像；其中，ε为给定的阈值，kmax为最大迭代次数。
反之，则重新更新变量
Figure 161523DEST_PATH_IMAGE005
的值，直至满足
Figure 616775DEST_PATH_IMAGE069
和k<kmax，此时输出收敛时对应的变量
Figure 80380DEST_PATH_IMAGE005
，以实现从初始遥感图像中恢复出目标图像。
本申请实施例采取交替方向乘子法求解目标模型，通过分解协调过程，将大的全局问题分解为多个较小、较容易求解的局部子问题，每次更新某一变量的时候固定其他变量，将目标问题转化为一系列子问题求解，从而输出去除了随机长度条带噪声的目标图像。
另外，本申请实施例分别采用重新赋权块稀疏正则化(Reweighted BlockSparsity Regularization，RBSR)方法，低秩张量分解(Low-Rank Tensor Decomposition，LRTD)方法和本申请实施例的方法对遥感图像中的随机条带噪声进行去条带处理，具体为：
第一，对无条带的印度松树遥感图像中加入r=0.65，I=60的随机长度条带的污染图像，r表示污染图像中条带部分占图像的百分比，I表示条带的强度，分别采用RBSR方法、LRTD方法和本申请实施例的方法对此污染图像进行去条带处理，通过比对分析可得通过RBSR方法对此污染图像进行去条带处理后，在图像边缘处往往残留有随机长度条带；通过LRTD方法对此污染图像进行去条带处理，在图像边缘处也残留有较多的随机长度条带；通过本申请实施例对此污染图像进行去条带处理后，细节更清晰，边缘锐度更高，几乎没有残余的随机长度条带。
第二，分别采用峰值信噪比PSNR、结构相似度SSIM和光谱角匹配SAM来量化RBSR方法、LRTD方法和本申请实施例提供的方法的性能。
（1）峰值信噪比PSNR的数学表达式为：
Figure 646491DEST_PATH_IMAGE070
Figure 744897DEST_PATH_IMAGE071
其中，PSNR的单位为分贝(dB)，X(i,j)为未受噪声污染的无噪声图像坐标(i,j)处的像素值，
Figure 433367DEST_PATH_IMAGE072
为校正后该图像坐标(i,j)处的像素值，H为该图像的长度，V为该图像的宽度，
Figure 554907DEST_PATH_IMAGE073
表示第k波段的PSNR值，MPSNR表示所有波段的PSNR值的平均值，MPSNR值越大表明恢复出的图像质量越好，PSNR取值越大表明对噪声抑制越好。
（2）结构相似度SSIM的数学表达式为：
Figure 924708DEST_PATH_IMAGE074
Figure 143200DEST_PATH_IMAGE075
其中，亮度比较项
Figure 940255DEST_PATH_IMAGE076
，
Figure 124591DEST_PATH_IMAGE077
和
Figure 32504DEST_PATH_IMAGE078
分别表示未受噪声污染的无噪声图像X和校正后图像
Figure 105502DEST_PATH_IMAGE080
的所有像素点像素值的均值，C1为常数，α为亮度比较项指数，对比度比较项
Figure 73458DEST_PATH_IMAGE081
，
Figure 231907DEST_PATH_IMAGE082
和
Figure 943511DEST_PATH_IMAGE083
分别表示未受噪声污染图像X和校正后图像
Figure 136595DEST_PATH_IMAGE084
的方差，C2为常数，β为对比度比较项指数，结构比较项
Figure 275452DEST_PATH_IMAGE085
，
Figure 593301DEST_PATH_IMAGE086
为未受噪声污染图像X和校正后图像
Figure 672378DEST_PATH_IMAGE084
的协方差，C3为常数，
Figure 657652DEST_PATH_IMAGE087
为结构比较项指数。SSIM取值越接近1，说明校正后图像与原始场景结构相似度越高，细节保持能力越好。
（3）光谱角匹配SAM的数学表达式为：
Figure 29727DEST_PATH_IMAGE088
Figure 834872DEST_PATH_IMAGE089
其中
Figure 950596DEST_PATH_IMAGE090
和
Figure 790376DEST_PATH_IMAGE091
分别表示未受噪声污染图像X和校正后图像
Figure 333352DEST_PATH_IMAGE092
的空间位置(i，j)处的光谱向量，<·>表示向量的内积，SAM是通过计算X和
Figure 891373DEST_PATH_IMAGE092
的所有空间位置上的像素光谱向量间的平均夹角，用来评价恢复结果的光谱特征的保持能力。光谱角越小说明光谱失真越小，其理想值为0，单位为弧度；MSAM表示空间位置(i，j)处的所有波段的光谱向量的光谱角的平均值。
表1为本申请实施例分别采用重新赋权块稀疏正则化(Reweighted BlockSparsity Regularization，RBSR)方法，低秩张量分解(Low-Rank Tensor Decomposition，LRTD)方法和本申请实施例的方法对加入随机长度条带的污染图像的印度松树遥感图像进行去条带处理，获得的对应MPSNR、MSSIM以及MSAM的数值。
表1
评价指标 含随机条带的遥感图像 RBSR LRTD 本申请实施例的方法
MPSNR 9.11 39.19 38.68 41.95
MSSIM 0.3401 0.9543 0.9589 0.9788
MSAM 0.7358 0.2087 0.2116 0.1421
根据表1可知，通过本申请实施例的方法对遥感图像中的随机条带噪声进行去条带处理，获得的MPSNR和MSSIM均高于RBSR和LRTD，因此，本申请实施例的方法对密集条带更具鲁棒性；从MSAM指标值可以看出，本申请实施例的方法对遥感图像中的随机条带噪声进行去条带处理，获得的MSAM值低于RBSR和LRTD的MSAM值，这也说明了基于张量的算法在保持光谱一致性方面的优势，得到的结果所引起的光谱畸变更小。
总之，本申请实施例充分考虑了随机长度条带的非局部相似性以及高光谱图像的局部和非局部相似性，从而使得实验结果的各项指标值上优于其他两种对比方法，而且具有较好的视觉效果，有效地恢复了光谱信息。
参照附图3，附图3为本申请实施例提供的遥感图像随机长度条带去除装置300结构示意图，该装置可以是电子设备上的模块、程序段或代码。应理解，该装置与上述附图2方法实施例对应，能够执行附图2方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。如附图3所示，该装置包括：分解模块301、非局部正则化模块302、第一正则约束模块303、第二正则约束模块304、模型构建模块305和目标图像恢复模块306；其中：
分解模块301，用于将初始遥感图像按照目标图像，随机长度条带噪声图像和随机噪声图像进行分解，以获得所述目标图像对应的第一变量、所述随机长度条带噪声图像对应的第二变量和所述随机噪声图像对应的第三变量；其中，所述初始遥感图像为被随机长度条带污染的源图像；
非局部正则化模块302，用于根据非局部总变分正则化对所述第一变量进行正则化约束，获得非局部总变分正则项；其中，所述非局部总变分正则项包括所述目标图像的局部和非局部的相似性；
第一正则约束模块303，用于根据非局部低秩分解和范数约束分别对所述第二变量进行正则化约束，获得对应的第一正则项和第二正则项；
第二正则约束模块304，用于根据稀疏正则化对所述第三变量进行正则化约束，获得数据保真项；
模型构建模块305，用于根据所述非局部总变分正则项、所述第一正则项、所述第二正则项和所述数据保真项，构建目标模型；
目标图像恢复模块306，用于求解所述目标模型，以实现从所述初始遥感图像中恢复所述目标图像。
作为一种可选的实施方式，分解模块301具体用于：
根据如下公式，将所述初始遥感图像按照目标图像、随机长度条带噪声图像和随机噪声图像分解：
Figure 482891DEST_PATH_IMAGE001
；
其中，
Figure 6539DEST_PATH_IMAGE002
，
Figure 658100DEST_PATH_IMAGE003
为三阶张量数据，
Figure 500154DEST_PATH_IMAGE004
为所述初始遥感图像，
Figure 895363DEST_PATH_IMAGE005
为所述第一变量，
Figure 834369DEST_PATH_IMAGE006
为所述第二变量，
Figure 220613DEST_PATH_IMAGE007
为所述第三变量，H为每一个波段图像的行数，V为每一波段图像的列数，B为所述初始遥感图像的光谱总数。
作为一种可选的实施方式，非局部正则化模块302具体用于：
根据最小化所述第一变量非局部块的梯度值，获取所述非局部总变分正则项；
其中，所述根据最小化所述第一变量非局部块的梯度值，获取所述非局部总变分正则项，包括：
根据如下公式，计算所述非局部总变分正则项：
Figure 612280DEST_PATH_IMAGE008
其中，xr为第一中心参考元素，xo为第二中心参考元素，D1为以所述xr为中心的参考块的预设个数的局部相似块的中心位置，D2为以所述xr为中心的参考块的非局部区域的元素集合，wo为自适应权重，o为相似块的序号，
Figure 873497DEST_PATH_IMAGE009
为所述非局部总变分正则项。
作为一种可选的实施方式，第一正则约束模块303具体用于：
根据公式
Figure 106158DEST_PATH_IMAGE093
计算第一正则项，所述第一正则项为所述第二变量的非局部低秩块的张量分解；
其中，
Figure 99522DEST_PATH_IMAGE011
为第p个聚类中的三阶非局部相似块构成的四阶张量，U1p、U2p、U3p、U4p为因子矩阵，且是正交矩阵，
Figure 916168DEST_PATH_IMAGE012
为所述第一正则项；
根据公式
Figure 918759DEST_PATH_IMAGE013
，获得所述第二正则项，所述第二正则项为所述第二变量的L2,1范数约束；
其中，
Figure 504461DEST_PATH_IMAGE014
为所述第二变量的第k个波段、第i行、第j列的像素值，
Figure 668726DEST_PATH_IMAGE015
为所述第二正则项。
作为一种可选的实施方式，第二正则约束模块304具体用于：
根据公式
Figure 972669DEST_PATH_IMAGE030
，获得所述数据保真项。
作为一种可选的实施方式，模型构建模块305具体用于：
根据
Figure 513371DEST_PATH_IMAGE033
建立所述目标模型；
其中，
Figure 455045DEST_PATH_IMAGE030
为所述数据保真项，
Figure 55791DEST_PATH_IMAGE009
为所述非局部总变分正则项，
Figure 581450DEST_PATH_IMAGE034
为所述第二正则项，
Figure 925843DEST_PATH_IMAGE012
为所述第一正则项，
Figure 220559DEST_PATH_IMAGE035
为所述非局部总变分正则项的系数，
Figure 992206DEST_PATH_IMAGE021
为所述第二正则项的系数，
Figure 942844DEST_PATH_IMAGE022
为所述第一正则项的系数。
作为一种可选的实施方式，目标图像恢复模块306具体用于：
根据交替方向乘子法求解所述目标模型，以获得所述目标图像。
综上所述，本申请将初始遥感图像、目标图像、随机长度条带噪声图像和随机噪声图像作为张量处理，通过非局部总变分正则化对第一变量进行正则化约束，以分析目标图像的局部和非局部的相似性；对第二变量进行非局部低秩块Tucker分解和L2,1范数约束，以分析条带噪声的非局部低秩性；对第三变量进行稀疏正则化，以保证恢复的目标图像与初始遥感图像之间的相似性，保持重建恢复的目标图像的边缘与纹理结构，又能抑制相关噪声，能够去除随机长度条带噪声，并且恢复出目标图像的纹理信息，从而有效地降低光谱畸变，提高遥感图像的去噪性能和实用性。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：根据交替方向乘子法求解所述目标模型，以获得所述目标图像。
本实施例提供一种存储介质，所述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各方法实施例所提供的方法，例如包括：根据交替方向乘子法求解所述目标模型，以获得所述目标图像。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种遥感图像随机长度条带去除方法，其特征在于，包括：
将初始遥感图像按照目标图像、随机长度条带噪声图像和随机噪声图像进行分解，以获得所述目标图像对应的第一变量、所述随机长度条带噪声图像对应的第二变量和所述随机噪声图像对应的第三变量；其中，所述初始遥感图像为被随机长度条带噪声污染的源图像；
根据非局部总变分正则化对所述第一变量进行正则化约束，获得非局部总变分正则项；其中，所述非局部总变分正则项包括所述目标图像的局部与非局部的相似性；
根据非局部低秩分解和范数约束分别对所述第二变量进行正则化约束，获得对应的第一正则项和第二正则项；
根据稀疏正则化对所述第三变量进行正则化约束，获得数据保真项；
根据所述非局部总变分正则项、所述第一正则项、所述第二正则项和所述数据保真项，构建目标模型；
求解所述目标模型，以实现从所述初始遥感图像中恢复所述目标图像。
2.根据权利要求1所述的方法，其特征在于，所述将初始遥感图像按照目标图像，随机长度条带噪声图像和随机噪声图像进行分解，以获得所述目标图像对应的第一变量、所述随机长度条带噪声图像对应的第二变量和所述随机噪声图像对应的第三变量，包括：
根据如下公式，将所述初始遥感图像按照目标图像、随机长度条带噪声图像和随机噪声图像分解：
Figure 156426DEST_PATH_IMAGE001
；
其中，
Figure 341419DEST_PATH_IMAGE002
，
Figure 35706DEST_PATH_IMAGE003
为三阶张量数据，
Figure 251049DEST_PATH_IMAGE004
为所述初始遥感图像，
Figure 296365DEST_PATH_IMAGE005
为所述第一变量，
Figure 753891DEST_PATH_IMAGE006
为所述第二变量，
Figure 302684DEST_PATH_IMAGE007
为所述第三变量，H为每一个波段图像的行数，V为每一波段图像的列数，B为所述初始遥感图像的光谱总数。
3.根据权利要求2所述的方法，其特征在于，所述根据非局部总变分正则化对所述第一变量进行正则化约束，获得非局部总变分正则项，包括：
根据最小化所述第一变量非局部块的梯度值，获取所述非局部总变分正则项；
其中，所述根据最小化所述第一变量非局部块的梯度值，获取所述非局部总变分正则项，包括：
根据如下公式，计算所述非局部总变分正则项：
Figure 390726DEST_PATH_IMAGE008
其中，xr为第一中心参考元素，xo为第二中心参考元素，D1为以所述xr为中心的参考块的预设个数的局部相似块的中心位置，D2为以所述xr为中心的参考块的非局部区域的元素集合，wo为自适应权重，o为相似块的序号，
Figure 720076DEST_PATH_IMAGE009
为所述非局部总变分正则项。
4.根据权利要求2所述的方法，其特征在于，所述根据非局部低秩分解和范数约束分别对所述第二变量进行正则化约束，获得对应的第一正则项和第二正则项，包括：
根据公式
Figure 918976DEST_PATH_IMAGE010
计算第一正则项，所述第一正则项为所述第二变量的非局部低秩块的张量分解；
其中，
Figure 119013DEST_PATH_IMAGE011
为第p个聚类中的三阶非局部相似块构成的四阶张量，U1p、U2p、U3p、U4p为因子矩阵，且是正交矩阵，
Figure 377957DEST_PATH_IMAGE012
为所述第一正则项；
根据公式
Figure 961647DEST_PATH_IMAGE013
，获得所述第二正则项，所述第二正则项为所述第二变量的L2,1范数约束；
其中，
Figure 698659DEST_PATH_IMAGE014
为所述第二变量的第k个波段、第i行、第j列的像素值，
Figure 284361DEST_PATH_IMAGE015
为所述第二正则项。
5.根据权利要求2所述的方法，其特征在于，所述根据稀疏正则化对所述第三变量进行正则化约束，获得数据保真项，包括：
根据公式
Figure 714205DEST_PATH_IMAGE016
，获得所述数据保真项。
6.根据权利要求1所述的方法，其特征在于，所述根据所述非局部总变分正则项、所述第一正则项、所述第二正则项和所述数据保真项，构建目标模型，包括：
根据
Figure 486989DEST_PATH_IMAGE017
建立所述目标模型；
其中，
Figure 27692DEST_PATH_IMAGE016
为所述数据保真项，
Figure 671163DEST_PATH_IMAGE009
为所述非局部总变分正则项，
Figure 334225DEST_PATH_IMAGE018
为所述第二正则项，
Figure 63147DEST_PATH_IMAGE012
为所述第一正则项，
Figure 440164DEST_PATH_IMAGE019
为所述非局部总变分正则项的系数，
Figure 938141DEST_PATH_IMAGE020
为所述第二正则项的系数，
Figure 772105DEST_PATH_IMAGE021
为所述第一正则项的系数。
7.根据权利要求1所述的方法，其特征在于，所述求解所述目标模型，以实现从所述初始遥感图像中恢复所述目标图像，包括：
根据交替方向乘子法求解所述目标模型，以获得所述目标图像。
8.一种遥感图像随机长度条带去除装置，其特征在于，包括：
分解模块，用于将初始遥感图像按照目标图像，随机长度条带噪声图像和随机噪声图像进行分解，以获得所述目标图像对应的第一变量、所述随机长度条带噪声图像对应的第二变量和所述随机噪声图像对应的第三变量；其中，所述初始遥感图像为被随机长度条带污染的源图像；
非局部正则化模块，用于根据非局部总变分正则化对所述第一变量进行正则化约束，获得非局部总变分正则项；其中，所述非局部总变分正则项包括所述目标图像的局部和非局部的相似性；
第一正则约束模块，用于根据非局部低秩分解和范数约束分别对所述第二变量进行正则化约束，获得对应的第一正则项和第二正则项；
第二正则约束模块，用于根据稀疏正则化对所述第三变量进行正则化约束，获得数据保真项；
模型构建模块，用于根据所述非局部总变分正则项、所述第一正则项、所述第二正则项和所述数据保真项，构建目标模型；
目标图像恢复模块，用于求解所述目标模型，以实现从所述初始遥感图像中恢复所述目标图像。
9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一项所述的方法。
10.一种存储介质，其特征在于，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一项所述的方法。
CN202210913876.XA 2022-08-01 2022-08-01 一种遥感图像随机长度条带去除方法、装置、设备及介质 Active CN114998750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210913876.XA CN114998750B (zh) 2022-08-01 2022-08-01 一种遥感图像随机长度条带去除方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210913876.XA CN114998750B (zh) 2022-08-01 2022-08-01 一种遥感图像随机长度条带去除方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN114998750A true CN114998750A (zh) 2022-09-02
CN114998750B CN114998750B (zh) 2022-10-11

Family

ID=83020955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210913876.XA Active CN114998750B (zh) 2022-08-01 2022-08-01 一种遥感图像随机长度条带去除方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114998750B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402725A (zh) * 2023-06-08 2023-07-07 四川工程职业技术学院 一种斜条带去除方法、装置、设备及介质
CN117173580A (zh) * 2023-11-03 2023-12-05 芯视界（北京）科技有限公司 水质参数的获取方法及装置、图像处理方法、介质
CN117173042A (zh) * 2023-08-23 2023-12-05 长春理工大学 一种基于单向变分的遥感数据条纹噪声去除方法、装置及介质
CN117173042B (zh) * 2023-08-23 2024-05-31 长春理工大学 一种基于单向变分的遥感数据条纹噪声去除方法、装置及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107993208A (zh) * 2017-11-30 2018-05-04 天津师范大学 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
US20180176531A1 (en) * 2016-12-21 2018-06-21 Mitsubishi Electric Research Laboratories, Inc. Systems and Methods of Fusing Multi-angle View HD Images Based on Epipolar Geometry and Matrix Completion
CN109636869A (zh) * 2018-11-28 2019-04-16 浙江大学 基于非局部全变分和低秩约束的动态pet图像重建方法
CN110811596A (zh) * 2019-11-29 2020-02-21 浙江大学 基于低秩与稀疏约束和非局部全变分的无创心脏电位重建方法
AU2020100462A4 (en) * 2020-03-26 2020-04-30 Hu, Xiaoyan MISS Edge-preserving image super-resolution via low rank and total variation model
CN111738937A (zh) * 2020-05-28 2020-10-02 南京邮电大学 一种基于张量分解的总变分遥感图像去条带方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180176531A1 (en) * 2016-12-21 2018-06-21 Mitsubishi Electric Research Laboratories, Inc. Systems and Methods of Fusing Multi-angle View HD Images Based on Epipolar Geometry and Matrix Completion
CN107993208A (zh) * 2017-11-30 2018-05-04 天津师范大学 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
CN109636869A (zh) * 2018-11-28 2019-04-16 浙江大学 基于非局部全变分和低秩约束的动态pet图像重建方法
CN110811596A (zh) * 2019-11-29 2020-02-21 浙江大学 基于低秩与稀疏约束和非局部全变分的无创心脏电位重建方法
AU2020100462A4 (en) * 2020-03-26 2020-04-30 Hu, Xiaoyan MISS Edge-preserving image super-resolution via low rank and total variation model
CN111738937A (zh) * 2020-05-28 2020-10-02 南京邮电大学 一种基于张量分解的总变分遥感图像去条带方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WENFEI CAO , YI CHANG, GUODONG HAN, AND JU: "《Destriping Remote Sensing Image via Low-Rank Approximation and Nonlocal Total Variation》", 《GEOSCIENCE AND REMOTE SENSING LETTERS》 *
XIANG-YANG KONG，BAO-GEN XU，JIE ZHOU: "《Remote sensing images denoising based on multi-linear weighted nuclear norm minimization》", 《MACHINE TOOL ＆ HYDＲAULICS》 *
孔祥阳，徐保根，李传伟，赵家林: "《基于双非凸约束的遥感图像高密度条带去除算法》", 《传感器与微系统》 *
曾海金: "《基于全变差与低秩分解的高光谱图像复原》", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402725A (zh) * 2023-06-08 2023-07-07 四川工程职业技术学院 一种斜条带去除方法、装置、设备及介质
CN116402725B (zh) * 2023-06-08 2023-08-22 四川工程职业技术学院 一种斜条带去除方法、装置、设备及介质
CN117173042A (zh) * 2023-08-23 2023-12-05 长春理工大学 一种基于单向变分的遥感数据条纹噪声去除方法、装置及介质
CN117173042B (zh) * 2023-08-23 2024-05-31 长春理工大学 一种基于单向变分的遥感数据条纹噪声去除方法、装置及介质
CN117173580A (zh) * 2023-11-03 2023-12-05 芯视界（北京）科技有限公司 水质参数的获取方法及装置、图像处理方法、介质
CN117173580B (zh) * 2023-11-03 2024-01-30 芯视界（北京）科技有限公司 水质参数的获取方法及装置、图像处理方法、介质

Also Published As

Publication number Publication date
CN114998750B (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN114998750B (zh) 一种遥感图像随机长度条带去除方法、装置、设备及介质
Wu et al. Occluded face recognition using low-rank regression with generalized gradient direction
Gong et al. Image enhancement by gradient distribution specification
Wang et al. Hyperspectral image mixed noise removal based on multidirectional low-rank modeling and spatial–spectral total variation
Xu et al. Spectral–spatial classification of hyperspectral image based on low-rank decomposition
US20210334531A1 (en) Generating shift-invariant neural network feature maps and outputs
Dong et al. Sparse analysis model based multiplicative noise removal with enhanced regularization
CN106663315B (zh) 用于对含噪图像去噪的方法
Liu et al. Adaptive robust principal component analysis
Zhang et al. Kernel Wiener filtering model with low-rank approximation for image denoising
CN108470192B (zh) 一种高光谱分类方法及装置
Chen et al. Hyperspectral image denoising by total variation-regularized bilinear factorization
Li et al. Sparse unmixing of hyperspectral data with bandwise model
Xu et al. Hyperspectral image denoising by low-rank models with hyper-Laplacian total variation prior
CN115527117A (zh) 基于高阶张量表示的高光谱图像异常检测方法
Zou et al. Restoration of hyperspectral image contaminated by poisson noise using spectral unmixing
Mohammadi et al. A robust correntropy-based method for analyzing multisample aCGH data
Han et al. Deep low-rank graph convolutional subspace clustering for hyperspectral image
Bukenya A hybrid approach for stain normalisation in digital histopathological images
CN113935925A (zh) 气动光学效应空变模糊图像复原方法及系统
Mandal et al. Employing structural and statistical information to learn dictionary (s) for single image super-resolution in sparse domain
Sun et al. Hyperspectral classification employing spatial–spectral low rank representation in hidden fields
CN112784747A (zh) 高光谱遥感图像多尺度本征分解方法
CN116310452B (zh) 一种多视图聚类方法及系统
CN111488811A (zh) 人脸识别方法、装置、终端设备及计算机可读介质

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