CN115908180B 一种耦合深度先验和低秩张量分解的高光谱遥感影像去噪方法 （大连海事大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115908180B(45)授权公告日2025.07.04

(21)申请号202211449281.X

(22)申请日2022.11.18

(65)同一申请的已公布的文献号申请公布号CN115908180A

(43)申请公布日2023.04.04

(73)专利权人大连海事大学

地址116026辽宁省大连市高新园区凌海

路1号

(72)发明人张强董羽帅郑亚明宋梅萍于浩洋王玉磊

(74)专利代理机构大连东方专利代理有限责任公司21212

专利代理师李馨

(51)Int.CI.

GO6T5/70(2024.01)

GO6V10/58(2022.01)

GO6V10/82(2022.01)

(56)对比文件

CN106097321A,2016.11.09CN114220007A,2022.03.22审查员刘欢

权利要求书2页说明书4页附图1页

(54)发明名称

噪声高光谱影像深度先验去噪子网络一低秩张量奇异值分解初始化因子

噪声高光谱影像

深度先验去噪子网络一

低秩张量奇异值分解

初始化因子

深度先验去噪子网络二

空间缩减因子

塔克张量分解

干净高光谱影像

初步去噪结果

光谱正交基

(57)摘要

CN115908180B本发明公开了一种耦合深度先验和低秩张量分解的高光谱遥感影像去噪方法，包括：采用深度去噪先验子网络一优化初始的噪声高光谱影像；采用低秩张量对优化后的高光谱影像进行分解生成光谱正交基；通过深度去噪先验子网络二估计空间缩减因子；基于光谱正交基和空间缩减因子利用张量塔克分解方法获取高光谱影像去噪结果。本方法考虑高光谱影像空间和光谱邻域信息，耦合深度学习网络和低秩张量分解，对

CN115908180B

CN115908180B权利要求书1/2页

2

1.一种耦合深度先验和低秩张量分解的高光谱遥感影像去噪方法，其特征在于包括：

采用深度去噪先验子网络一优化初始的噪声高光谱影像；

采用低秩张量对优化后的高光谱影像进行分解生成光谱正交基；

通过深度去噪先验子网络二估计空间缩减因子，具体为：重构初步去噪高光谱影像的三阶张量折叠形式和光谱正交基，获得初始化因子，基于深度残差学习策略使用深度去噪先验子网络二对初始化因子逐波段进行特征提取，消除初始化因子中的噪声，获得空间缩减因子；

基于光谱正交基和空间缩减因子利用张量塔克分解方法获取高光谱影像去噪结果。

2.根据权利要求1所述的耦合深度先验和低秩张量分解的高光谱遥感影像去噪方法，其特征在于：优化初始的噪声高光谱影像时：

逐个波段的提取噪声高光谱数据当前波段的空间数据及当前波段对应上下邻域波段的光谱数据，使用深度去噪先验子网络一对空间数据和光谱数据进行卷积滤波处理，得到高光谱影像优化后的初步去噪结果：

(1)

其中，I(·)表示子深度去噪先验子网络一中的逐波段遍历过程，为初步去噪结果，Y为噪声高光谱影像中的第i波段，3为Y对应的相邻光谱梯度。

3.根据权利要求2所述的耦合深度先验和低秩张量分解的高光谱遥感影像去噪方法，其特征在于：采用如下方式生成光谱正交基：

基于三阶张量的低秩先验将高光谱影像的初步去噪结果通过奇异值分解得到估计的光谱正交基：

(2)

其中，A为光谱正交积，3表示张量含的3阶折叠形式，SVD(·)表示在奇异值分解模式下秩参数r的截取结果。

4.根据权利要求2所述的耦合深度先验和低秩张量分解的高光谱遥感影像去噪方法，其特征在于：通过深度去噪先验子网络二估计空间缩减因子时具体采用如下算法：

(3)

其中，reshapen,w,(·)函数表示维度重塑操作，B为初始化因子，重塑后产生的初始化因子仍然含有噪声，使用深度去噪先验子网络二的特征提取能力估计空间缩减因子：

(4)

其中，N(·)函数表示对B的每一个波段进行归一化，IN(·)函数为N(·)的归一化逆运算。

5.根据权利要求4所述的耦合深度先验和低秩张量分解的高光谱遥感影像去噪方法，其特征在于：获取高光谱影像去噪结果时：

基于低秩张量分解策略，将高光谱影像的全局谱低秩性质表示为塔克分解，根据求得

CN115908180B权利要求书