1.一种基于低秩稀疏编码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,根据高光谱图像中的低秩先验信息,构建了基于低秩稀疏编码的图像去噪模型LRSC;
步骤2,采用迭代收缩软阈值算法和奇异值阈值算法对构建的低秩稀疏编码的图像去噪模型进行迭代求解;
步骤3,通过算法展开将低秩稀疏编码的图像去噪模型的优化解转化成对应的深度神经网络LRSC‑Net;
步骤4,对训练数据集添加不同等级的噪声并进行训练,得到已训练好的网络模型;
步骤5,输入测试数据集到训练后的网络模型得到去噪后的图像,并使用峰值信噪比对去噪后的图像质量进行评估。
2.根据权利要求1所述的一种基于低秩稀疏编码模型的高光谱图像去噪方法,其特征在于:步骤1中,具体操作包括如下步骤:n×m
步骤1.1,稀疏编码模型将输入信号y表示成字典D∈R 中原子 的稀疏线性模式,m其中稀疏系数a∈R通过l1范数最小优化问题来求得:其中, 表示l1范数,λ是正则化参数;
M×N×C
步骤1.2,针对含噪声的高光谱图像Y∈R 中,将整体图像数据进行分块处理,将每个包含光谱带的图像块作为一个具有两个空间模态和一个光谱模态的三阶张量,其中P表示所有图像块;然后,根据高光谱图像中的低秩先验信息,构建了基于低秩稀疏编码的图像去噪模型LRSC;
其中,||DA||*表示核范数,A表示稀疏系数,{λ1,λ2}是正则化参数。
3.根据权利要求2所述的一种基于低秩稀疏编码模型的高光谱图像去噪方法,其特征在于:步骤2中,迭代求解的具体过程为:引入辅助变量H=DA并构造拉格朗日函数,因此LRSC图像去噪模型公式(2)通过下面优化问题进行求解:其中,{λ1,λ2,λ3}为正则化参数;优化问题(3)通过A‑子问题和H‑子问题进行交替求解至到完成预设的迭代次数,从而获得最终结果。
4.根据权利要求3所述的一种基于低秩稀疏编码模型的高光谱图像去噪方法,其特征在于:第t次外层交替迭代下的A‑子问题:固定第t‑1次外层交替迭代下的H‑子问题优化解t‑1H ,关于第k+1个A的内层迭代优化子问题为进一步合并项,将问题(4)简化为
其中, 因此,问题(5)具有以下的优化解
t,k
其中,L是拉普拉斯常数,T为转置符号,A 表示第t次外层交替迭代下的第k(k=1,
2,...,K)次内层迭代值;Sλ/L是软阈值操作子,定义为:Sθ(α)=sign(α)·max(0,|α|‑θ) (7)。
其中,θ表示λ/L,即l1范数优化问题中的正则化参数与拉普拉斯常数相除,α表示变量。
5.根据权利要求3所述的一种基于低秩稀疏编码模型的高光谱图像去噪方法,其特征t,k+1在于:第t次外层交替迭代下的H‑子问题:固定A ,关于第t个H的优化子问题为:从而,问题(8)具有下面的优化解:
t,K T t,K t,K
其中,DA =UΣV表示奇异值分解,U表示DA 的左奇异值矩阵,Σ表示DA 的奇异值t,K矩阵,V表示DA 的右奇异值矩阵; 是一个奇异值阈值操作,通过阈值λ4消除小奇异值,迫使其低秩。
6.根据权利要求3所述的一种基于低秩稀疏编码模型的高光谱图像去噪方法,其特征在于:步骤3中的具体过程为:通过引入变量 将公式(6)转化为:
其中,表示卷积操作, 表示反卷积操作,#表示三维卷积,将Sλ/L作为激活函数;
然后,将公式(10)和公式(9)的每次交替迭代深度展开成深度神经网络;LRSC‑Net的每层都对应算法中的每一步迭代,网络的推理步骤和迭代优化步骤一致;网络参数与优化模型中参数具有相同的数学定义,从而网络参数都具有可解释性。
7.根据权利要求6所述的一种基于低秩稀疏编码模型的高光谱图像去噪方法,其特征在于:步骤4的具体操作如下:步骤4.1,将原始数据训练集中每一个场景的31张灰度图像视为一个三维张量,大小为
512×512×31,并按照32×32进行切割;将这些切割好的数据在归一化处理后按照6:4的比例划分成训练集及测试集;
步骤4.2,参数初始化,包括高光谱图像Y,随机初始化字典D,正则化参数{λ1,λ2,λ3}和阈值λ4;
步骤4.3,将加入噪声的训练图像输入到所述网络模型中进行训练,从而得到训练好的去噪网络模型。
8.根据权利要求7所述的一种基于低秩稀疏编码模型的高光谱图像去噪方法,其特征在于:步骤5中,峰值信噪比的计算公式为:其中,Q表示图像中最大灰度值; 为原图像与去噪图像的均方误差,m和n表示图像的宽高,I和K表示原始图像和去噪后的图像;PSNR值越大则表明失真程度越小,噪声越少,图像恢复结果越好。