高光谱图像去噪方法、装置、系统及介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115965542A(43)申请公布日2023.04.14(21)申请号202211415529.0G06T5/50(2006.01)(22)申请日2022.11.11(66)本国优先权数据202211197346.62022.09.29CN(71)申请人深圳大学地址518000广东省深圳市南山区南海大道3688号申请人南方科技大学(72)发明人鲁坚涂志辉徐晨王跃飞陈之兵张进(74)专利代理机构深圳中一联合知识产权代理有限公司44414专利代理师姚泽鑫(51)Int.Cl.G06T5/00(2006.01)权利要求书2页说明书16页附图11页(54)发明名称高光谱图像去噪方法、装置、系统及介质(57)摘要本申请涉及高光谱图像去噪方法、装置、系统及介质，方法包括：基于Tucker分解下构造γ范数；根据所述γ范数表示的非凸低秩张量、l1范数表示的稀疏噪声分量和F范数的平方表示的高斯噪声分量，构建非凸的低秩张量逼近模型；根据所述非凸的低秩张量逼近模型对受破坏的高光谱图像进行去噪处理。本申请通过非凸的低秩张量逼近模型，更好地捕捉高光谱图像沿不同模态展开的低秩特性，以不同的方式减少奇异值，达到保留干净的HSIs内在结构和抑制噪声的效果。CN115965542ACN115965542A权利要求书1/2页1.一种高光谱图像去噪方法，其特征在于，包括：基于Tucker分解构造γ范数，所述γ范数用于近似张量的非凸秩函数；根据所述γ范数表示的非凸的低秩张量、l1范数表示的稀疏噪声分量和F范数的平方表示的高斯噪声分量，构建非凸的低秩张量逼近模型；根据所述非凸的低秩张量逼近模型对待去噪高光谱图像进行去噪处理。2.根据权利要求1所述的一种高光谱图像去噪方法，其特征在于，所述基于Tucker分解构造γ范数，包括：基于Tucker分解构造用于近似张量的非凸秩函数的γ范数，其中，所述γ范数为：其中，表示张量的γ范数，表示实数域，m表示张量展开的模态的数量，s表示分解后的奇异值的个数，fγ表示γ函数，σ(A)表示张量的奇异值，γ表示参数，wi表示沿不同模态展开的数据的权重。3.根据权利要求2所述的一种高光谱图像去噪方法，其特征在于，所述根据所述γ范数表示的非凸的低秩张量、l1范数表示的稀疏噪声分量和F范数的平方表示的高斯噪声分量，构建非凸的低秩张量逼近模型，包括：获取含有噪声的待去噪高光谱图像其中，n1、n2、n3分别表示高光谱图像展开的第一模态、第二模态和第三模态；根据所述γ范数表示的非凸的低秩张量、l1范数表示的稀疏噪声分量和F范数的平方表示的高斯噪声分量，构建非凸的低秩张量逼近模型为：其中，表示含有噪声的待去噪高光谱图像，表示不含噪声的高光谱图像，表示稀疏噪声，表示高斯噪声，α和β表示用于平衡和的正则化参数。4.根据权利要求3所述的一种高光谱图像去噪方法，其特征在于，在所述构建非凸的低秩张量逼近模型之后，还包括：引入辅助变量根据所述辅助变量推导出所述非凸的低秩张量逼近模型的增广拉格朗日函数为：其中，和为拉格朗日乘子，Ki(i)为展开矩阵，是由以的模向量为其列组成的，μi和η为惩罚参数；根据所述增广拉格朗日函数更新2CN115965542A权利要求书2/2页5.根据权利要求4所述的一种高光谱图像去噪方法，其特征在于，所述根据所述增广拉格朗日函数更新包括：根据所述增广拉格朗日函数得到的关系式为：根据关系式分别求解：6.根据权利要求3所述的一种高光谱图像去噪方法，其特征在于，γ＝0.01～0.03,α＝0.1和β＝1.25。7.根据权利要求1所述的一种高光谱图像去噪方法，其特征在于，在所述根据所述非凸的低秩张量逼近模型对待去噪高光谱图像进行去噪处理之后，还包括：选取峰值信噪比、结构相似度和特征相似度对去噪处理后的高光谱图像进行定量评价。8.一种高光谱图像去噪装置，其特征在于，包括：构造模块，用于基于Tucker分解构造γ范数，所述γ范数用于近似张量的非凸秩函数；构建模块，用于根据所述γ范数表示的非凸的低秩张量、l1范数表示的稀疏噪声分量和F范数的平方表示的高斯噪声分量，构建非凸的低秩张量逼近模型；去噪模块，用于根据所述非凸的低秩张量逼近模型对待去噪高光谱图像进行去噪处理。9.一种高光谱图像去噪系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。3CN115965542A说明书1/16页高光谱图像去噪方法、装置、系统及介质技术领域[000