[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

本發明公開了一種高光譜圖像的去噪模型訓練方法及去噪方法。其去噪模型訓練方法包括如下步驟：(1)對獲取的高光譜圖像數據集做預處理，獲得無噪數據集，然后加入不同方差的高斯白噪聲，生成有噪數據集；(2)對方差擴充維度，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。本發明采用了訓練子網絡的方法估計噪聲方差，使得去噪模型不僅對高光譜圖像去噪效果顯著，而且實現了處理不同噪聲方差的盲去噪效果。

技術領域

本發明涉及人工智能領域，特別涉及一種高光譜圖像去噪模型的訓練方法，以及利用去噪模型對高光譜圖像進行去噪的方法。

背景技術

高光譜圖像由于其豐富的光譜信息，不僅引起了遙感界的廣泛關注，同時也引起了其他領域(如醫學，農學，食品等)的極大興趣。然而，高光譜圖像在成像和傳輸過程中受限于成像設備以及外部環境等因素的干擾，會受到大量噪聲污染，其中以高斯噪聲為主。噪聲的影響往往會嚴重干擾高光譜圖像后續的分析和應用，因此高光譜去噪方法的研究至關重要。

在相關現有技術中，四維塊匹配濾波(Block-Matching 4D filtering，BM4D)算法利用傳統濾波的方式能取得很好的效果，但面對數據量大的高光譜圖像，會損失較多的細節以及優化過程耗時過長。隨著卷積神經網絡在圖像處理領域的極大應用，利用訓練網絡的方式進行高光譜圖像去噪的方法發展迅速，但此類方法都只能處理單一方差的噪聲，并且需要人為預先對其噪聲方差進行估計。

發明內容

為了解決上述現有技術中存在的缺陷，本發明提供一種高光譜圖像的去噪模型訓練方法及去噪方法。

本發明采用的技術方案如下：

一種高光譜圖像的去噪模型訓練方法，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。

進一步地，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。

進一步地，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。

進一步地，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。

進一步地，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。