1.一种基于三重低秩模型的高光谱图像去噪方法,其特征在于,包括如下步骤:步骤1:从高光谱图像中依次提取若干个图像块;
步骤2:构建三重低秩优化重构模型,所述三重低秩优化重构模型包括低秩部分约束、低秩部分与线性变换域噪声图像之间的约束以及低秩部分自相关性约束;
步骤3:将若干个图像块变换构成的矩阵作为三重低秩优化重构模型的输入,对三重低秩优化重构模型进行交替迭代依次求解,输出重构图像块;
步骤4:对重构图像块Li,j的重叠像素进行加权平均得到去噪的高光谱图像;
步骤2中所述三重低秩优化重构模型为:s.t.Xi,j=Li,j+Ei,j (1)其中, 为从噪声高光谱图像 中提取的图像块变换成的矩阵,i∈[1,M‑m+1],j∈[1,N‑n+1],m×n是图像块大小,Ai,j是矩阵Xi,j的线性变换矩阵,Bi,j是噪声高光谱图像X的低秩部分Li,j的自相关变换矩阵,||Li,j||*是表示关于Li,j的核范数,||Ei,j||1则是关于Ei,j的l1范数,||·||F表示矩阵的F‑范数,λv是平衡系数,v=1,2,3,4,5,为干净图像, 为稀疏噪声,M×N是高光谱图像的空间尺寸,B是高光谱图像的波段数。
2.根据权利要求1所述的一种基于三重低秩模型的高光谱图像去噪方法,其特征在于,步骤3中三重低秩优化重构模型的求解步骤包括:步骤3.1:引入辅助变量将问题(1)等价变换为:s.t.Xi,j=Li,j+Ei,j,Ai,j=Ni,j,Mi,j=Li,j‑AXi,j,Pi,j=Bi,j,Ki,j=Li,j (2)问题(2)的增广拉格朗日函数为:其中μ为惩罚参数,Y1,Y2,Y3,Y4,Y5为拉格朗日乘子;
步骤3.2:将增广拉格朗日函数(3)的最小优化问题分解为若干个子问题进行交替迭代优化,所述若干个子问题包括Li,j子优化问题、Ei,j子优化问题、Mi,j子优化问题、Bi,j子优化问题、Pi,j子优化问题、Ki,j子优化问题、Ai,j子优化问题、乘子更新;
步骤3.3:交替迭代循环所述若干个子优化问题,判断终止条件,{||xi,j‑Li,j‑Ei,j||∞<ε,||Mi,j+Ai,jXi,j‑Li,j||∞<ε,||Ai,j‑Ni,j||∞<ε,||Bi,j‑Pi,j||∞<ε,||Li,j‑Ki,j||∞<ε}如果满足终止条件则输出低秩部分Li,j。
3.根据权利要求2所述的一种基于三重低秩模型的高光谱图像去噪方法,其特征在于,步骤3.2中,所述若干个子优化问题分别为:
1)Li,j子优化问题
其中,
*
Ω(Γ)=US(∑Γ)V是关于矩阵Γ的奇异值阈值算子,∑Γ=diag({ηi}1≤i≤Γ)是将奇异值排列成一个对角矩阵,U和V分别为左右正交矩阵,Sε(x)=sgn(x)*max(|x|‑ε,0)是关于变量x在阈值ε下的软阈值函数;
2)Ei,j子优化问题
其中
3)Ni,j子优化问题
4)Mi,j子优化问题
5)Bi,j子优化问题
6)Pi,j子优化问题
7)Ki,j子优化问题
8)Ai,j子优化问题
其中
9)乘子更新
μ=min(ρμ,μmax) (13)其中ρ>1,μmax是常数。
4.根据权利要求2所述的一种基于三重低秩模型的高光谱图像去噪方法,其特征在于,步骤3.3中,所述终止条件为:{||Xi,j‑Li,j‑Ei,j||∞<θ,||Mi,j+Ai,jXi,j‑Li,j||∞<θ,||Ai,j‑Ni,j||∞<θ,||Bi,j‑Pi,j||∞<θ,||Li,j‑‑Ki,j||∞<θ} (14)θ为终止误差。