基于张量字典及全变分的高维图像去噪方法.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CN108399608A(43)申请公布日2018.08.14(21)申请号201810172326.0(22)申请日2018.03.01(71)申请人桂林电子科技大学地址541004广西壮族自治区桂林市七星区金鸡路1号(72)发明人陈利霞杨彬王学文欧阳宁首照宇莫建文林乐平(74)专利代理机构桂林市持衡专利商标事务所有限公司45107代理人陈跃琳(51)Int.Cl.G06T5/00(2006.01)G06K9/62(2006.01)权利要求书2页说明书5页附图3页(54)发明名称基于张量字典及全变分的高维图像去噪方法(57)摘要本发明公开一种基于张量字典及全变分的高维图像去噪方法，在高维图像处理研究的基础上，将张量字典学习结合全变分正则项，提出一种张量字典学习结合TV正则项的高维图像去噪模型，然后用交替迭代方法求解模型，得到迭代更新后重建的MSI图像。本发明的优点是将高维图像看成一个张量整体处理，不会损失图像的立体结构信息，同时也考虑了各波段之间的相关性，并且张量字典学习的方式提高了算法的精确度；在不失高维图像空间结构的前提下，利用高阶TV正则项，很好地保存了较完善的边缘信息，取得良好的重建效果。实验结果在主观视觉和客观评价指标两方面均取得较好的效果，能够保留较多的纹理信息和轮廓信息。CN108399608ACN108399608A权利要求书1/2页1.基于张量字典及全变分的高维图像去噪方法，其特征是，具体包括步骤如下：步骤1、对加噪高维图像进行分块，得到全波段图像块；步骤2、对全波段图像块进行聚类，得到K类相似的全波段图像块，每类相似的全波段图像块形成1个张量步骤3、对每个张量进行分解，得到空间宽字典空间长字典谱字典和核心系数张量并据此得到整个图像的空间宽字典DW，空间长字典DH，谱字典DS和核心系数步骤4、对整个图像的空间宽字典DW，空间长字典DH，谱字典DS和核心系数进行整合得到整合张量并得到整合张量的卡索拉蒂矩阵U；步骤5、初始化，令初始的迭代次数t＝0和初始的二维矩阵q(0)＝0；步骤6、基于上次即第t次迭代的二维矩阵q(t)，通过下求解式①的优化问题，得到当前即第t+1次迭代的二维矩阵q(t+1)；步骤7、根据当前迭代得到的q(t+1)，利用式②计算当前迭代的重建图像步骤8、判断是否达到预设的迭代次数阈值：若没有达到，则迭代次数t加1，并返回步骤6；若达到，则迭代停止，并将当前迭代的重建图像为最终恢复的图像输出；上述，q为所需更新的二维矩阵，qi,r为q的第i行r列元素，分别是qi,r在两个方向的梯度，▽为梯度算子，为映射算子，xj(t)为第t次重建图像的第j个波段的向量，<·>为内积运算，β为常数，divq为散度算子，λ为平衡参数，uj为整合张量的卡索拉蒂矩阵U的第j个波段的向量，j＝SS1,2,…,d，d是波段数，I为单位矩阵；k＝1,2,...,K，K为聚类的数量。2.根据权利要求1所述的基于张量字典及全变分的高维图像去噪方法，其特征是，步骤2中，使用改进的K均值聚类算法对全波段图像块进行聚类。3.根据权利要求1或2所述的基于张量字典及全变分的高维图像去噪方法，其特征是，步骤2中，K均值聚类算法中聚类的数量K通过聚类最优选取准则或多光谱字典学习确定。4.根据权利要求1所述的基于张量字典及全变分的高维图像去噪方法，其特征是，步骤3中，使用塔克分解算法对每个张量进行分解。5.根据权利要求1所述的基于张量字典及全变分的高维图像去噪方法，其特征是，步骤4中，整个图像的空间宽字典DW，空间长字典DH，谱字典DS和核心系数分别为：2CN108399608A权利要求书2/2页其中，为第k个张量的空间宽字典，为第k个张量的空间高字典，为第k个张量的谱字典，为第k个张量的核心系数，k＝1,2,...,K，K为聚类的数量。6.根据权利要求1所述的基于张量字典及全变分的高维图像去噪方法，其特征是，步骤4中，整合张量为：其中，DW为整个图像的空间宽字典，DH为整个图像空间长字典，DS为整个图像谱字典，为整个图像的核心系数。3CN108399608A说明书1/5页基于张量字典及全变分的高维图像去噪方法技术领域[0001]本发明涉及数字图像处理技术领域，具体涉及一种基于张量字典及全变分的高维图像去噪方法。背景技术[0002]图像处理的范围逐渐从二维图像拓展到三维甚至高维图像领域，在传输过程中，图像会因受到各种各样的噪声干扰而质量下降，如何从噪声图中恢复出质量较高的高维图像成为近几年来的研究热点之一。[0003]针对这一问题，已经有众多文献提出了一些不同解决方案。例如Wang提出利用分组低秩表示对高光谱图像进行去噪，(参考文献：M.Wang，J.Yu，J.H.Xu