[發明專利]一種高光譜圖像的去噪模型訓練方法及去噪方法

在審

• 申請號: 202011591947.6
• 申請日: 2020-12-29
• 公開（公告）號: CN112598599A
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 曹汛;王琛;姚一楊;張焱;王紅凱;毛航銀;鄧智威
• 申請（專利權）人: 南京大學;國網浙江省電力有限公司;國網浙江省電力有限公司信息通信分公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/50;G06N3/04;G06N3/08
• 代理公司: 江蘇法德東恒律師事務所 32305
• 代理人: 李媛媛

1.一種高光譜圖像的去噪模型訓練方法，其特征在于，該方法包括如下步驟：

(1)對獲取的高光譜圖像數據集做預處理，獲得無噪數據集，然后加入不同方差σ的高斯白噪聲，生成有噪數據集；

(2)對方差σ擴充維度，得到與圖像同等大小的噪聲水平圖

(3)將有噪數據集和噪聲水平圖構成樣本數據組進行訓練，得到噪聲估計子網絡模型；

(4)利用所述噪聲估計子網絡模型預測得到噪聲水平圖并將噪聲水平圖和有噪數據合并，與所述無噪數據集作為樣本數據組進行訓練，得到高光譜圖像去噪模型。

2.根據權利要求1所述的一種高光譜圖像的去噪模型訓練方法，其特征在于，所述步驟(1)中，預處理的具體步驟為：將高光譜圖像數據集裁剪至相同維度大小，并選取相同波段的高光譜圖像數據，最后通過歸一化處理，組成無噪數據集。

3.根據權利要求1所述的一種高光譜圖像的去噪模型訓練方法，其特征在于，所述步驟(1)中，生成有噪數據集的具體步驟為：

根據所述無噪數據集的高光譜圖像維度，產生相同維度大小的高斯白噪聲；其中，對于每張高光譜圖像，其對應的高斯白噪聲方差σ不同；將高光譜圖像與高斯白噪聲相加，得到有噪數據集。

4.根據權利要求1所述的一種高光譜圖像的去噪模型訓練方法，其特征在于，所述步驟(2)中，對方差σ擴充維度的具體步驟為：

對于高光譜圖像(m,n,λ)，將該圖像加入的方差σ乘以維度大小為(m,n,λ)的單位矩陣；經過擴維操作的噪聲方差是代表了像素級的噪聲水平圖其中，m,n,λ分別代表了高光譜圖像的維度大小。

5.根據權利要求1所述的一種高光譜圖像的去噪模型訓練方法，其特征在于，所述步驟(3)中，訓練的具體步驟為：

通過將n組由所述有噪數據和對應的噪聲水平圖組成的樣本數據組，利用卷積神經網絡進行迭代優化訓練；在達到一定的迭代次數后，損失函數經過收斂后得到噪聲估計子網絡模型；其中，噪聲水平圖應與高光譜圖像維度大小保持一致。

6.根據權利要求1所述的一種高光譜圖像的去噪模型訓練方法，其特征在于，所述步驟(4)中，訓練的具體步驟為：

將有噪數據與噪聲水平圖在光譜維度進行合并操作，組成含噪聲水平圖的有噪圖像，其維度為(m,n,2λ)；

將n組含噪聲水平圖的有噪數據集與無噪數據集作為樣本數據組，采用UNet結構卷積神經網絡進行迭代優化訓練；在迭代到一定次數后，損失函數經過收斂后得到最后的高光譜圖像去噪模型。

7.一種高光譜圖像的去噪方法，其特征在于，該方法包括如下步驟：

(1)獲取待去噪的高光譜圖像，將其輸入到噪聲估計子網絡；其中，噪聲估計子網絡為通過樣本數據進行訓練后得到的模型，所述樣本數據中包括n組有噪數據集和對應的噪聲水平圖；

(2)對噪聲估計子網絡生成的噪聲水平圖引入松弛因子k；

(3)將待去噪的高光譜圖像和噪聲估計子網絡生成的含松弛因子k的噪聲水平圖進行合并，再輸入到高光譜圖像去噪模型，得到去除噪聲的高光譜圖像；其中，高光譜圖像去噪模型為通過樣本數據進行訓練后得到的模型，所述樣本數據中包括n組含噪聲水平圖的有噪數據集和無噪數據集。

8.根據權利要求7所述的一種高光譜圖像的去噪方法，其特征在于，所述步驟(1)中，待去噪的高光譜圖像和子網絡訓練樣本的光譜維度保持一致。

9.根據權利要求7所述的一種高光譜圖像的去噪方法，其特征在于，所述步驟(2)中，引入松弛因子k，允許用戶交互式調整去噪結果，增強去噪結果的魯棒性：

其中，為調整后的噪聲水平圖，k為松弛因子，為調整前的噪聲水平圖。