欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022103658313
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种高光谱图像去噪方法,其特征在于,包括:获取待去噪的高光谱图像数据;

将待去噪的高光谱图像数据输入预训练优化好的高光谱图像去噪模型,得到输出的经过去噪的高光谱图像结果;

其中所述高光谱图像去噪模型的构建方法包括:

1)、利用低秩张量分解分离噪声项,得到高光谱退化模型;

2)、在步骤1)得到的高光谱退化模型中加入改进的加权的全变分正则器,充分表征高光谱图像波段之间的空间和光谱相关性;

3)、在步骤2)得到的模型中,用L1范数来规范稀疏噪声,用F范数来规范高斯噪声,确定约束条件;

4)、利用增广拉格朗日乘子法求解步骤3)得到的模型,通过输入带有稀疏噪声和高斯噪声的训练集图像对模型进行迭代优化,得到训练优化好的高光谱图像去噪模型。

2.根据权利要求1所述的高光谱图像去噪方法,其特征在于,所述高光谱退化模型,包括:Y=X+N+S

其中,Y表示有噪声的三阶张量的高光谱立方体Y={Y

3.根据权利要求1或2所述的高光谱图像去噪方法,其特征在于,利用低秩张量分解分离噪声项,包括:将高光谱图像分割成重叠的三维块,对于一个n阶张量,通过Tucker分解分解为n个因子矩阵和一个核心张量充分利用图像的光谱和空间低秩特性;每一模态上的因子矩阵称为张量的基矩阵或主分量;Tucker分解方程表示为:X=C×

其中,C是控制因子矩阵

4.根据权利要求1所述的高光谱图像去噪方法,其特征在于,在高光谱退化模型中加入改进的加权的全变分正则器,包括:||X||

其中,||X||

D

D

D

X(i,j,k)中i、j分别表示图像X的水平方向、垂直方向的空间位置,k表示图像X的第k个波段。

5.根据权利要求1所述的高光谱图像去噪方法,其特征在于,用L1范数来规范稀疏噪声,用F范数来规范高斯噪声,确定约束条件,包括:s.t.Y=X+S+N,

X=C×

其中X代表干净的图像,N表示高斯噪声,S表示稀疏噪声,τ,λ,β分别表示X,S,N各自的控制系数因子,s.t.表示模型的约束条件;C是控制因子矩阵U

6.根据权利要求5所述的高光谱图像去噪方法,其特征在于,利用增广拉格朗日乘子法求解,包括:令X=Z,D

其中μ为惩罚参数,μ

7.根据权利要求6所述的高光谱图像去噪方法,其特征在于,通过输入带有稀疏噪声和高斯噪声的训练集图像对模型进行迭代优化,包括:先输入带有稀疏噪声和高斯噪声的训练集图像,矩阵的秩r,权重值w

8.一种高光谱图像去噪装置,其特征在于,包括:包括处理器及存储介质;

所述存储介质用于存储指令;

所述处理器用于根据所述指令进行操作以执行根据权利要求1至7任一项所述方法的步骤。

9.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。