申请/专利权人：浙江工业大学

申请日：2020-07-14

公开（公告）日：2024-03-29

公开（公告）号：CN111951181B

主分类号：G06T5/70

分类号：G06T5/70

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2020.12.04#实质审查的生效;2020.11.17#公开

摘要：基于非局部相似性的加权截断核范数高光谱图像去噪方法，包括以下步骤：1获取包含均值为零，方差为σ2的高斯噪声的待去噪的高光谱图像数据利用投影技术将干净高光谱图像进行降维处理，表示为M为降维后的图像,E为正交矩阵，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；2构建基于非局部相似性及加权截断核范数的高光谱图像去噪模型；3对变量与参数进行迭代细化。4输出去除噪声后的高光谱图像。本发明的优点是：将高光谱图像的空间低秩性与光谱低秩性相结合探索空间域与光谱域上的丰富信息，所集成的空间光谱模型不仅有效改进了传统非局部去噪方法速度慢的缺点并且在抑制噪声效果上有很强的鲁棒性。

主权项：1.基于非局部相似性及加权截断核范数的高光谱图像去噪方法，包括以下步骤：步骤1获取待去噪的高光谱图像数据利用投影技术将干净高光谱图像进行降维处理，表示为为降维后的图像,E为正交矩阵，M和N分别为高光谱图像空间维度的长和宽，P为谱带的数量；步骤2构建基于非局部相似性及加权截断核范数的高光谱图像去噪模型；具体包括：2-1给定矩阵X∈Rm×n，加权截断核范数低秩正则项的定义如下： 其中r为目标秩，q＝minm,n，σiX表示X第i个奇异值，w＝[wi,…,wq]为非负递增的权值向量；2-2将步骤2-1中加权截断核范数结合到去噪模型中并对此模型进行求解： 其中为带噪图像在低维子空间的表示，可分为多组非局部相似张量组，分别对每个非局部相似组进行去噪，最后将每个复原后的张量组还原成2-2-1针对2-2中的非局部相似张量组进行去噪，去噪模型为： 其中表示带噪矩阵，表示干净矩阵；2-2-2采用近端加速梯度算法可有效求解模型3，在求解过程中可更新M为： 参数βk可以加快收敛速度，λ是在L-Lipschitz常数L上满足特定条件的步长，式3的解为M*＝Udiagσ*MVT，其中U和V分别为G的左右奇异值矩阵,当i≤r时，当i＞r时，步骤3对变量与参数进行迭代细化；步骤4输出去除噪声后的高光谱图像。

全文数据：

权利要求：

百度查询： 浙江工业大学 基于非局部相似性及加权截断核范数的高光谱图像去噪方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD