1.一种基于低秩和全变分约束的高光谱图像去噪方法,其特征在于,其具体操作步骤如下:步骤(1.1)、从遥感传感器中得到含有混合噪声的高光谱图像Y;利用提取矩阵Ri,j提取其中的图像块Yi,j,计算Yi,j的非局部滤波步骤(1.2)、采用非局部滤波的先验信息 引导图像块Yi,j低秩优化求解;其具体步骤如下:基于鲁棒主成分分析的非局部滤波为:其中,正则化系数λ1表示稀疏噪声的平衡系数,λ2表示非局部滤波的平衡系数,rank(Li,j)表示Li,j的秩,r表示期望秩约束,ε表示终止误差;
利用增广拉格朗日函数交替迭代优化求解Li,j子优化问题和Si,j子优化问题:Li,j子优化问题:
通过转化为求解核范数最小化问题:
其中,A表示: 式(3)通过奇异值阈值求解,即:
*
Li,j=UΣrV,Σr=diag({ηi}1≤i≤r) (4)*
其中,UΣrV 是A关于秩r约束的奇异值分解,U和V分别表示左右正交矩阵;Dδ表示软阈值求解算子,即:Dδ(Σr)=diag{max(ηi‑δ,0)} (5)Si,j子优化问题:使用软阈值算法求解式(6),即 表示拉格朗日乘子,表示软阈值操作,即:
更新拉格朗日乘子 μ表示惩罚系数,计算误差满足则输出去噪图像块Li,j;
步骤(1.3)、采用空‑谱全局全变分约束去除高光谱图像Y中含有的噪声,从而提高高光谱图像Y的去噪效果。
2.根据权利要求1所述的一种基于低秩和全变分约束的高光谱图像去噪方法,其特征在于,在步骤(1.1)中,所述含有混合噪声的高光谱图像Y的尺寸是M×N×B,其中,M×N表示噪声高光谱图像的空间维度,B表示噪声高光谱图像的波段数。
3.根据权利要求1所述的一种基于低秩和全变分约束的高光谱图像去噪方法,其特征在于,在步骤(1.1)中,利用提取矩阵Ri,j提取其中的图像块Yi,j,其计算Yi,j的非局部滤波的操作过程是:对于任意i,j(i∈[1,M‑m+1],j∈[1,N‑n+1]),利用提取矩阵Ri,j提取含有混合噪声的高光谱图像Y中第(i,j)位置的图像块Yi,j;
所述图像块Yi,j的尺寸是m×n×B,其中,m×n表示选取的噪声高光谱图像块的空间维度,通过欧几里得距离寻找Yi,j的非局部相似图像块 利用和 求得非局部相似图像块 与图像块Yi,j之间的权重 计算
4.根据权利要求1所述的一种基于低秩和全变分约束的高光谱图像去噪方法,其特征在于,在步骤(1.3)中,所述空‑谱全局全变分约束的具体产生过程:F O
初始化参数X=O=0,F=0,拉格朗日乘子 M ,M=0,μ=0.01;
全局空间‑谱间全变分约束求解为:
O子优化问题:
其优化解为:
其中 表示元素全为1的张量;
X子优化问题:
式(10)求解等式为:
其中,I表示单位张量,D表示光谱域和空间域的全变分乘子通过快速傅里叶变换求解:2
其中,ffn表示快速傅里叶变换,iffn表示快速傅里叶逆变换,· 表示元素平方,F子优化问题:其中, F=[F1,F2,F3];使用软阈值算法求解,即为:F O
通过 更新拉格朗日乘子 M ,M ,更新惩罚系数μ=min(ρμ,μmax),l+1 l+1 l+1 l+1
计算误差max(||O ‑X ||∞,||F ‑DX ||∞)≤ε,满足输出去噪后的图像L。