【技术实现步骤摘要】
本专利技术属于图像处理、遥感和深度学习，特别涉及一种基于超权重网络的高光谱图像去噪方法。
技术介绍
1、高光谱图像(hsi)是通过测量一个场景在多个波段上的电磁频谱而获得的一种图像，它提供了比典型rgb图像更丰富的信息，可广泛应用于遥感、农业、食品工业和生物学等多个领域。然而，受到各种噪声源的影响，高光谱传感器采集到的高光谱图像往往带有不同程度的噪声，包括散粒噪声、暗噪声和热噪声等等。这种图像退化将不可避免地影响后续的高光谱图像应用，因此高光谱图像去噪通常是改善用于下游任务的图像质量的重要预处理步骤。
2、现有的高光谱去噪方法通常可以分为两大类。一类是深度学习类方法，这类方法通过构建复杂的网络结构，利用大量成对的训练数据来学习从带噪图像到干净图像的映射，往往缺少解释性，并且泛化能力不具有保障。另一类是基于模型的去噪方法，这类方法通过对高光谱图像和噪声分布的数学刻画，建立一个优化问题，该问题的求解结果就是所需的复原干净图像。相比于深度学习类方法，基于模型的方法具有很好的解释性，并且往往有更好的泛化保障。这类方法中所建立的优化问题一般可以分成两个部分，其中一个是针对高光谱图像本身的数学刻画，称为正则项，常用的高光谱图像数学刻画包括低秩矩阵/张量分解、图像梯度平滑等等。优化问题的另一项是针对噪声分布的刻画，被称为数据保真项或者损失项。常用的保真项为l1损失或者l2损失，从最大后验的角度看，这两项损失分别对应的噪声分布形态为独立同分布的拉普拉斯分布和高斯分布。然而现实中的噪声分布形态是更加复杂的，单一的噪声刻画往往达不到很好
技术实现思路
1、为了克服上述现有技术的缺点，本专利技术的目的在于提供一种基于超权重网络的高光谱图像去噪方法，通过自动加权预测权重张量，以实现去噪模型在复杂场景中对不同噪声的自适应。
2、为了实现上述目的，本专利技术采用的技术方案是：
3、一种基于超权重网络的高光谱图像去噪方法，包括如下步骤：
4、步骤1，构建训练数据，所述训练数据是高光谱数据与该高光谱数据的带噪数据组成的数据对，所述数据对有多组；
5、步骤2，构建能够自适应学习加权去噪模型中权重的超权重网络，所述超权重网络的输入为所述带噪数据，输出为预测的权重；
6、步骤3，将所述超权重网络输出的权重插入加权去噪模型，或者，对于不含加权数据保真项的去噪模型，用带有所述权重的数据保真项替代该去噪模型的数据保真项；获得能够自适应赋值权重的加权去噪模型；
7、步骤4，采用双边优化方法学习所述超权重网络的参数，训练超权重网络；
8、步骤5，根据步骤3建立能够自适应赋值权重的加权去噪模型，其中超权重网络为已经训练好的超权重网络；将需要去噪的高光谱数据输入到该能够自适应赋值权重的加权去噪模型中，求解得到复原出的高光谱图像。
9、与现有技术相比，本专利技术的有益效果是：
10、本专利技术通过在加权去噪模型中插入构建的超权重网络来实现自适应地从数据中学习权重。超权重网络在双层优化的框架下进行训练，该双层优化框架可以包含单个/多个能够自适应赋值权重的加权去噪模型，用数据驱动的方式从模型和数据中自动学习加权方法。因此本专利技术可以使原有的加权去噪模型的性能有显著的提高，且继承了模型方法的泛化保障，能够让原有加权去噪模型更灵活更合适地应对复杂场景下的高光谱带噪图像。
本文档来自技高网...【技术保护点】
1.一种基于超权重网络的高光谱图像去噪方法，其特征在于，包括如下步骤：
2.根据权利要求1所述基于超权重网络的高光谱图像去噪方法，其特征在于，所述步骤1，将高质量的高光谱图像数据集归一到[0，1]之间，然后切割成若干小块，所述小块为干净数据，记作生成与小块相同大小的噪声数据，加到小块上，得到的新的小块为对应的带噪数据，记作噪声生成的方式是沿着第三个维度，即光谱维度，为每个谱段加上强度不同的复杂噪声；最终，获得的带噪/干净数据对组成训练数据集N表示训练数据对的总数，表示第i个干净数据，表示与对应的带噪数据。
3.根据权利要求1所述基于超权重网络的高光谱图像去噪方法，其特征在于，所述步骤2，超权重网络为被设计为一个四层卷积神经网络，其前三层形式为3×3×1卷积+ReLU激活函数+1×1×3卷积，所述3×3×1卷积指卷积核大小为3×3×1，每一层后面都有ReLU激活函数，网络中不使用批归一化，最后一层采用完整的3×3×3大小的卷积，最后一层卷积层的输出由softmax函数激活，然后乘以图像的空间长度×空间宽度×谱段长度，从而预测的权重的平均值都为1。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。