基于多任务卷积稀疏编码网络的高光谱图像去噪方法技术

本发明专利技术公开了一种基于多任务卷积稀疏编码的通用高光谱图像去噪方法，包括：S1、获取待去噪的高光谱图像；S2、通过卷积稀疏表示模型对去噪任务建模，同时添加L1正则项对稀疏性进行约束；S3、通过迭代软阈值收缩(iterative soft

【技术实现步骤摘要】
基于多任务卷积稀疏编码网络的高光谱图像去噪方法


[0001]本专利技术属于遥感图像处理领域，具体涉及一种高光谱图像去噪方法。

技术介绍

[0002]高光谱图像是利用光谱分辨率极高的感应器件，在可见光
‑
近红外波长范围内捕获大量带宽狭窄的光谱图像，维度从几十到上百维不等，相较于常见的RGB三波段图像，高光谱图像具有更多的物体信息。在林业、农业、地质调查、环境监测、军事侦察等领域具有重要的作用。然而在图像采集过程中由于成像机理、设备误差和成像环境等因素，会导致采集到的高光谱数据中存在噪声，限制后续如目标检测、分类、解混等任务的精度。因此，高光谱图像去噪是高光谱图像处理中不可或缺的预处理步骤。
[0003]稀疏性是图像的重要性质，稀疏表示利用该性质采用过完备字典中原子的线性组合来恢复出干净的图像，然而其常见做法是将图像划分为小的图像块，在每个图像块中单独进行稀疏表示，忽略了图像块与图像块之间的空间关联。而且为了利用高光谱图像波段间的信息关系，需要对稀疏表示系数添加更强的约束，从而在高光谱图像去噪中取得更好的效果。

技术实现思路

[0004]本专利技术针对上述提到的缺点，提出了一种基于多任务卷积稀疏编码网络的高光谱图像去噪方法。
[0005]实现以上目的的技术解决方案如下：
[0006]一种基于多任务卷积稀疏编码网络的高光谱图像去噪方法，包括以下步骤：
[0007]S1、获取含有噪声的高光谱图像Y是一个波段数为B、长为h、宽为w的高光谱图像，噪声大小为对应的干净图像观察到的噪声图像对应的退化模型为：
[0008]Y＝X+N#(1)
[0009]S2、通过卷积稀疏表示模型对去噪任务建模，同时添加L1正则项对稀疏性进行约束；
[0010]S3、通过迭代软阈值收缩(iterative soft
‑
thresholding algorithm，ISTA)算法对去噪模型进行求解得到求解公式；
[0011]S4、将求解公式通过深度展开(deep unfolding)方式转化为端到端可学习深度神经网络进行优化，获得去噪后的图像；
[0012]进一步的，所述步骤S2具体实现方法为：
[0013]针对每个波段的图像，可以由卷积字典中卷积核稀疏表示而成，其公式如下：
[0014][0015][0016]其中代表卷积操作，表示字典，d
bm
是第b波段图像对应的第m个卷积核。代表稀疏表示系数，不同波段共用同一个卷积稀疏编码S，||s
m
||1表示对s
m
添加L1正则项保证稀疏性。将其带入到公式(1)中可以得到在多任务卷积稀疏先验下的高光谱图像去噪的目标表达式为：
[0017][0018]Y
b
代表输入噪声图像的第b波段图像，B代表高光谱图像的波段数目，λ是正则项系数。
[0019]进一步的，所述步骤S3具体实现方法为：
[0020]在字典D固定的情况下通过迭代阈值收缩(iterative soft
‑
thresholding algorithm，ISTA)算法对公式(3)进行求解：
[0021][0022]其中C为步长，soft(
·
)是软阈值收缩算子，其定义为soft
θ
(x)＝sign(x)
·
max(|x|
‑
θ，0)。经过K次迭代之后得到SK后，去噪后的图像其中第b波段图像可以由公式(5)获得：
[0023][0024]进一步的，所述步骤S4具体实现方法为：
[0025]令
[0026][0026]设置参数W
d
＝[D1，
…
，D
B
]，]，W
f
＝[D1，
…
，D
B
]更新公式(4)(5)得到多任务卷积稀疏编码网络：
[0027][0028][0029]其中W
d
和W
f
采用卷积实现，而W
e
采用转置卷积实现，通过ReLu(s
‑
θ
k
)
‑
ReLu(
‑
s
‑
θ
k
)实现，网络采用的loss是输出去噪图像和干净图像之间的均方误差，通过网络的反向传播对参数进行更新，最后输出得到去噪之后的高光谱图像。
[0030][0031]与现有技术相比，本专利技术的有益效果是：
[0032](1)本专利技术可以从完整的高光谱图像中提取特征，无需划分图像块，从而可以利用
到图像中不同位置图像块之间的空间关系。
[0033](2)本专利技术在高光谱波段间共享卷积稀疏表示系数，可以实现对波段间全局信息进行共享，从而提升去噪能力。
附图说明
[0034]图1是本专利技术的多任务卷积稀疏编码网络的网络结构图。
[0035]图2是ICVL数据集中图像ulm_0328
‑
1118第20波段的噪声图像。
[0036]图3是ICVL数据集中图像ulm_0328
‑
1118第20波段的噪声图像对应的去噪结果。
[0037]图4是本专利技术的流程图。
具体实施方式
[0038]下面结合说明书附图对本专利技术作进一步的详细描述。
[0039]如图1所示，一种基于多任务卷积稀疏编码网络的高光谱图像去噪方法，包括以下步骤：
[0040]S1、获取含有噪声的高光谱图像如图2所示是ICVL数据集中图像ulm_0328
‑
1118第20波段的噪声图像，Y是一个波段数为B、长为h、宽为w的高光谱图像，噪声大小为对应的干净图像噪声图像对应的退化模型为：
[0041]Y＝X+N#(1)
[0042]深度学习方法的最大优势在于从数据集中学习到更多的信息，为了训练网络，采用了ICVL数据集作为训练，ICVL数据集包括100幅图像构成的训练集，50幅图像构成的测试集。对其中的干净高光谱图像每个波段加入不同强度的高斯噪声以产生噪声
‑
干净图像对，并对图像进行了缩放、翻转等操作进行数据增强。
[0043]S2、通过卷积稀疏表示模型对去噪任务建模，同时添加L1正则项对稀疏性进行约束；
[0044]针对每个波段的图像，可以由卷积字典中卷积核稀疏表示而成，其公式如下：
[0045][0046][0047]其中代表卷积操作，表示字典，d
bm
是第b波段图像对应的第m个卷积核。代表稀疏表示系数，不同波段共用同一个卷积稀疏编码S，||s
m
||1表示对s
m
添加L1正则项保证稀疏性。将其带入到公式(1)中可以得到在多任务卷积稀疏先验下的高光谱图像去噪的目标表达式为：
[0048]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积稀疏编码的高光谱图像去噪方法，其特征在于，包括以下步骤：S1、获取含有噪声的高光谱图像Y是一个波段数为B、长为h、宽为w的高光谱图像，噪声大小为对应的干净图像噪声图像对应的退化模型为：Y＝X+N#(1)S2、通过卷积稀疏表示模型对去噪任务建模，同时添加L1正则项对稀疏性进行约束；S3、通过迭代软阈值收缩算法ISTA对去噪模型进行求解得到求解公式；S4、将求解公式通过深度展开方式转化为端到端可学习深度神经网络进行优化，获得去噪后的图像。2.根据权利要求1所述的基于多任务卷积稀疏编码的高光谱图像去噪方法，其特征在于，所述步骤S2具体实现方法为：针对每个波段的图像，由卷积字典中卷积核稀疏表示而成，其公式如下：针对每个波段的图像，由卷积字典中卷积核稀疏表示而成，其公式如下：其中代表卷积操作，表示M个字典的集合，d
bm
是第b波段图像对应的第m个卷积核，代表稀疏表示系数，不同波段共用同一个卷积稀疏编码S，‖s
m
‖1表示对s
m
添加L1正则项保证稀疏性；将其带入到公式(1)中得到在多任务卷积稀疏先验下的高光谱图像去噪的目标表达式为：Y
b
代表输入噪声图像的第b波段图像，B代表高光谱图像的波段数目，λ是正则项系数。3.根据权利要求1所述的基于卷积稀疏编码的高光谱图像去噪方法，其特征在于，所述步骤S3具体实现方法为：在字典D固定的情况下通过迭代阈值收缩ISTA算法...

【专利技术属性】
技术研发人员：熊凤超，涂坤，傅冠夷蛮，陆建峰，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：