一种高光谱图像的去噪模型训练方法及去噪方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112598599A(43)申请公布日2021.04.02(21)申请号202011591947.6G06T5/50(2006.01)(22)申请日2020.12.29G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人南京大学地址210046江苏省南京市栖霞区仙林大道163号申请人国网浙江省电力有限公司国网浙江省电力有限公司信息通信分公司(72)发明人曹汛王琛姚一杨张焱王红凯毛航银邓智威(74)专利代理机构江苏法德东恒律师事务所32305代理人李媛媛(51)Int.Cl.G06T5/00(2006.01)权利要求书2页说明书5页附图5页(54)发明名称一种高光谱图像的去噪模型训练方法及去噪方法(57)摘要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。CN112598599ACN112598599A权利要求书1/2页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(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)利用所述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；2CN112598599A权利要求书2/2页(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