买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨工业大学

摘要：基于光谱分离的长波红外遥感图像恢复方法，涉及长波红外遥感图像恢复技术领域。本发明的提出是为解决现有的长波红外遥感图像空间信噪比低的问题。具体包括：输入受噪声污染的长波红外遥感图像、中波红外图像和对应的可见光近红外遥感图像，并初始化参数；建立基于低秩约束和稀疏约束的中波红外光谱分离模型；引入辅助变量并构造光谱分离模型的代价函数，利用交替方向乘子法分别迭代求解各个辅助变量以及中波红外的辐射和反射分量；循环迭代直至满足收敛条件；获得中波红外的辐射和反射分量；将中波红外的辐射分量输入联合去噪模型，输出修复的长波红外图像。本发明去条带和死线的效果明显，并能恢复损失信息。

主权项：1.一种基于光谱分离的长波红外遥感图像恢复方法，其特征在于，所述方法包含以下步骤：步骤一、获取受噪声污染的长波红外遥感图像xLWIR，以及获取同时间、同平台不同传感器采集并配准的中波红外图像x和可见光近红外遥感图像xVNIR；这三种图像在空间中的长为m个像素，宽为n个像素；将中波红外图像进行线性分解，即x＝x1+x2；其中，x1代表中波红外辐射分量，x2代表中波红外反射分量，x代表中波红外图像；建立基于低秩约束和稀疏约束的中波红外光谱分离模型；初始化参数，其中包括平衡参数λ1、λ2和惩罚参数β1、β2，收敛判定阈值ε；步骤二、利用变量分离算法引入辅助变量z1和z2，并重构模型；然后，利用交替方向乘子法分别迭代求解并更新辅助变量z1和z2以及中波红外辐射分量x1和反射分量x2，并计算光谱分离模型的代价函数；步骤三、判断相邻两次迭代的代价函数的输出是否小于预定的收敛阈值；如果满足，则继续向下执行算法；如果不满足，则返回步骤三继续迭代循环；步骤四、输出中波红外辐射分量x1与反射分量x2；步骤五、建立联合去噪模型：该模型利用中波红外辐射分量与长波红外在频域空间内梯度的相似性，恢复长波红外图像内由于死线噪声影响而损失的信息；然后，在空间域内利用一维引导滤波算法去除长波红外图像中的条带噪声；步骤六、将输出的中波红外辐射分量与有噪声的长波红外图像同时输入到联合去噪模型中，最终得到修复的长波红外图像；所述步骤一的具体过程为：步骤一一、将中波红外图像进行线性分解并建立中波红外辐射能量与反射能量的线性混合模型：x＝x1+x21其中，x1代表中波红外辐射分量，x2代表中波红外反射分量，x代表中波红外图像；这两种图像在空间中的长为m个像素，宽为n个像素；步骤一二、构建利用核范数约束的中波红外辐射分量与长波红外图像差值的低秩正则项ε1，如下所示 其中，xLWIR代表受噪声污染的热红外图像，||·||*代表矩阵的核范数，其为低秩约束的凸松弛形式；Y1是中波红外辐射分量与长波红外图像的差值，||Y1||*的定义为差值图像Y1的奇异值的累加和；步骤一三、构建利用全变分约束的中波红外反射分量与近红外波段图像差值的梯度稀疏正则项ε2，ε2定义为ε2＝||Y||TV＝||x2-xVNIR||TV3其中，Y是中波红外反射分量与可见光近红外图像的差值，xVNIR代表可见光近红外遥感图像，||·||TV代表全变分约束，其定义为： 其中，Dx，Dy分别表示差值图像Y在x，y轴方向上的差分算子，Yi,j表示Y的第i行，第j列的灰度值；步骤一四、结合中波红外反射分量与近红外波段差值的梯度稀疏性和中波红外辐射分量与长波红外波段差值的低秩特性，建立中波红外光谱分离模型如下： 其中，λ1和λ2为平衡两个正则项的平衡参数；所述步骤二的具体过程为：步骤二一、利用变量分离方法高效地求解公式5中的各个变量，则公式5可以改写为 其中，z1和z2是求解中所引入的辅助变量，在每次迭代中进行更新计算，Dx2-xVNIR＝[Dxx2-xVNIR，Dyx2-xVNIR]表示差值图像x2-xVNIR在x，y轴方向上的差分算子；步骤二二、根据式6构建优化问题的代价函数如下所示： 其中，β1和β2是惩罚参数，||·||1表示1-范数，是各个像素值绝对值的和；||·||2表示2-范数，是各个像素值平方和的算术平方根；步骤二三、为求解上述优化问题，利用交替方向乘子法，依次迭代更新四个变量x1，x2，z1和z2，在更新其中一个变量时，固定其他三个变量，并对每一个变量进行逐一求解；定义变量z1，z2，x1，x2经历n次迭代后的值分别为z1,n，z2,n，x1,n，x2,n，则在n次迭代后，在第n+1次迭代中求解下述四个子问题： 步骤二四、求解变量z1,n+1，利用奇异值阈值算法对式8进行求解； 其中，τi、ui、是x1,n-xLWIR的奇异值分解的结果，即步骤二五、利用阈值收缩算法对式9进行求解 步骤二六、由于式10和式11是二次多项式，通过求二次多项式的偏导来求解x1,n+1和x2,n+1，则可得到 其中，E表示单位矩阵；所述步骤五的具体过程为：步骤五一、对长波红外图像和中波红外辐射分量进行分块；定义一个宽度为N×N的窗口在长波红外和相应的中波红外辐射分量图像内滑动，每次滑动的步长δ为窗口宽度的一半，即，δ＝N2；则计算得到图像块的数量K是 步骤五二、筛选包含噪声的图像块；计算每个图像块在长波红外和中波红外辐射分量中的灰度平均值，分别表示为和i∈K表示第i个图像块；和的差值的绝对值定义为DEi： 步骤五三、在图像块中没有噪声的情况下，和的差值较小，DEi接近于0；当图像块中包含条带噪声时，DEi大于所有DEi的和的平均值；因此，利用式18将灰度值差值较大的图像块提取出来； 其中，代表所有差值图像块的均值，Di是提取出的包含噪声的图像块；再利用长波红外和中波红外辐射分量在频域内梯度的相似性，实现在频域内恢复因噪声损失的信息；步骤五四、利用频域去噪算法修复后的长波红外图像去除了死线噪声，但其中仍然包含一般条带噪声，将其表示为干净的长波红外图像与条带噪声叠加的形式，具体如下：I＝q+s19其中，I是频域去噪算法恢复的长波红外图像，q是长波红外图像恢复后的最终结果，s是一般条带噪声；步骤五五、利用一维引导滤波进行滤波，此时，以中波红外辐射分量x1作为引导图像；设定滤波滑动窗口wk，引导滤波一般假设引导图像和输出图像是局部线性的，则得到qk＝akx1,k+bk20其中，ak和bk是第k个窗口的权重系数，qk是第k个窗口滤波输出结果；x1,k代表第k个窗口内的引导图像；对于窗口内的局部图像，恢复后的图像q的梯度和引导图像x1的梯度之间存在线性相关性，即Dq＝aDx1；步骤五六、将滤波窗口内的损失函数S表示为 其中，εh是一个正则化参数以避免ak过大；步骤五七、分别对ak和bk求偏导，即得到 其中，在窗口wk内，μk和分别是参考图像x1,k的均值和方差，代表窗口wk内的噪声图像Ik的均值，|w|是窗口wk内的像素数量；步骤五八、除边缘区域像素外，对于步长为1的滑动窗，原始滤波图像每一个像素都会被包含在|w|个滑动窗中；将式22和式23代入式20，对于不同的窗口，将会得到|w|个qk值，对所有的值取平均，得到最终q的值，即长波红外图像恢复结果： 其中，k|i∈wk是包含像素i的第k个重叠的滑动窗；是各个窗口系数的平均值。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 一种基于光谱分离的长波红外遥感图像恢复方法