1.基于多通道截断核范数及全变差正则化的高光谱图像去噪方法,包括以下步骤:步骤1)获取带待去噪的高光谱数据图像Y=X+N,其中 N为加性高斯白噪声(AWGN),X为恢复出来的干净图像,其中m和n分别是高光谱图像空间维度的长和宽,p为谱带的数量;
步骤2)构建多通道截断核范数及全变差正则化的高光谱图像去噪模型;
步骤3)采用交替方向乘子算法(Alternating Direction Method of Multipliers,ADMM)对高光谱图像去噪模型进行优化;
步骤4)输出去噪后的高光谱图像。
2.如权利要求1所述的基于多通道截断核范数及全变差正则化的高光谱图像去噪方法,其特征在于:步骤(2)所述的多通道截断核范数及全变差正则化高光谱图像去噪模型的表达公式如下:其中W为权重矩阵, 为Frobenius范数,β,λ为正则项平衡参数,为给 定矩阵 的 截断核 范数 ,q =min (m ,n) ,是具有周期性边界条件的
有限差分算子;
权重矩阵 是单位矩阵,权重矩阵W是一个对
角矩阵,并且由每个波段的噪声方差决定,σ1,σ2,…,σp分别对应通道的噪声方差。
3.如权利要求1所述的基于多通道截断核范数及全变差正则化的高光谱图像去噪方法,其特征在于:步骤3)所述的高光谱图像去噪模型的优化求解具体包括:由于有权重矩阵W和有限差分算子的加入,所以采用变量分裂方法来解决新的模型,通过引入增广变量Q和Z,可将高光谱图像去噪模型重构为以下线性等约束问题:(3-1)公式(2)可采用交替方向乘子算法优化,对应的增广拉格朗日函数为:式中Λ1,Λ2为增广拉格朗日乘子,ρ1,ρ2>0为惩罚参数,<·>表示矩阵的迹。将矩阵变量X,Z,Q,Λ1,Λ2的初始值设为0,分别用Xk,Zk,Λ1k,Λ2k来表示迭代k次的优化变量,k的初始值为0。
(3-2)求解增广拉格朗日函数,可固定其中一个变量,交替地最小化其他变量。变量X的更新过程如下:其解为:
Xk+1=(2WTW+ρ1k-ρ2kDTD)-1(2WTWY+ρ1kZ+DTQρ2k+DTΛ2k) (5)其中DT为D的逆算子,WT为W的逆算子。
(3-3)变量Z的更新:
其解可通过Partial Singular Value Thresholding(PSVT)算法得到:(3-4)变量Q的更新:
其解可通过shrinkage算法得到:
(3-5)惩罚参数的更新:
Λ1k+1=Λ1k+ρ1(Xk+1-Zk+1) (10)Λ2k+1=Λ2k+ρ2(Qk+1-DXk+1) (11)(3-6)ρ1,ρ2的更新:
ρ1k:ρ1k+1=μ*ρ1k (12)ρ2k:ρ2k+1=μ*ρ2k (13)(3-7)满足迭代终止条件||Xk+1-Zk+1||F≤10-6,||DXk+1-Qk+1||F≤10-6时,终止迭代。