公开(公告)号：CN111915518B

公开(公告)日：2022-09-06

申请号：CN202010727755.7

申请日：2020-07-23

Applicant: 南京邮电大学

Inventor： 尹海涛 ,  余曦 ,  陈海涛

IPC: G06T5/00

Abstract: 本发明提供一种基于三重低秩模型的高光谱图像去噪方法，首先从含噪声的高光谱图像中依次提取图像块，再对提取的所有图像块分别进行三重低秩优化重构模型(即包括低秩部分约束、低秩部分与线性变换域噪声图像之间的约束以及低秩部分自相关性约束)，去除稀疏噪声，最后通过对重构图像块的重叠像素进行加权平均得到去噪的高光谱图像。低秩部分与线性变换域噪声图像之间的约束可以提高模型的鲁棒性以及图像去噪的精度，低秩部分自相关性约束可以使得该去噪模型相比较于其他去噪模型对死线噪声的去除效果更佳优越。

公开(公告)号：CN111951186B

公开(公告)日：2022-08-26

申请号：CN202010683866.2

申请日：2020-07-16

Applicant: 南京邮电大学

Inventor： 尹海涛 ,  陈海涛

IPC: G06T5/00

Abstract: 本发明公开了一种基于低秩和全变分约束的高光谱图像去噪方法。涉及图像处理领域；本发明的方法首先提取含噪声的高光谱图像的目标3‑D图像块，然后在给定像素区域内搜索目标图像块的相似图像块，这些相似图像块的加权平均作为目标图像块的先验信息引导其低秩优化求解。此外，构造空‑谱全局全变分全局约束，进一步提高高光谱图像去噪效果。

公开(公告)号：CN111951186A

公开(公告)日：2020-11-17

申请号：CN202010683866.2

申请日：2020-07-16

Applicant: 南京邮电大学

Inventor： 尹海涛 ,  陈海涛

IPC: G06T5/00

Abstract: 本发明公开了一种基于低秩和全变分约束的高光谱图像去噪方法。涉及图像处理领域；本发明的方法首先提取含噪声的高光谱图像的目标3-D图像块，然后在给定像素区域内搜索目标图像块的相似图像块，这些相似图像块的加权平均作为目标图像块的先验信息引导其低秩优化求解。此外，构造空-谱全局全变分全局约束，进一步提高高光谱图像去噪效果。

公开(公告)号：CN113421198B

公开(公告)日：2023-10-20

申请号：CN202110675265.1

申请日：2021-06-17

Applicant: 南京邮电大学

Inventor： 尹海涛 ,  陈海涛

IPC: G06T5/00

Abstract: 本发明揭示了一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法，高维高光谱图像在子空间中具有低秩特性，针对高光谱图像的子空间特征图，利用空间非局部自相似性以及张量Tucker分解对子空间特征图进行联合低秩约束。进一步提高了对混合噪声的去噪能力。该技术方案主要用于解决高光谱图像中的噪声干扰问题，能够去除高光谱图像中包含的高斯噪声和稀疏噪声。高维高光谱图像在子空间中具有低秩特性，针对高光谱图像的子空间特征图，利用空间非局部自相似性以及张量Tucker分解对子空间特征图进行联合低秩约束，进一步提高了对混合噪声的去噪能力。

公开(公告)号：CN113421198A

公开(公告)日：2021-09-21

申请号：CN202110675265.1

申请日：2021-06-17

Applicant: 南京邮电大学

Inventor： 尹海涛 ,  陈海涛

IPC: G06T5/00

Abstract: 本发明揭示了一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法，高维高光谱图像在子空间中具有低秩特性，针对高光谱图像的子空间特征图，利用空间非局部自相似性以及张量Tucker分解对子空间特征图进行联合低秩约束。进一步提高了对混合噪声的去噪能力。该技术方案主要用于解决高光谱图像中的噪声干扰问题，能够去除高光谱图像中包含的高斯噪声和稀疏噪声。高维高光谱图像在子空间中具有低秩特性，针对高光谱图像的子空间特征图，利用空间非局部自相似性以及张量Tucker分解对子空间特征图进行联合低秩约束，进一步提高了对混合噪声的去噪能力。

公开(公告)号：CN111915518A

公开(公告)日：2020-11-10

申请号：CN202010727755.7

申请日：2020-07-23

Applicant: 南京邮电大学

Inventor： 尹海涛 ,  余曦 ,  陈海涛

IPC: G06T5/00

Abstract: 本发明提供一种基于三重低秩模型的高光谱图像去噪方法，首先从含噪声的高光谱图像中依次提取图像块，再对提取的所有图像块分别进行三重低秩优化重构模型(即包括低秩部分约束、低秩部分与线性变换域噪声图像之间的约束以及低秩部分自相关性约束)，去除稀疏噪声，最后通过对重构图像块的重叠像素进行加权平均得到去噪的高光谱图像。低秩部分与线性变换域噪声图像之间的约束可以提高模型的鲁棒性以及图像去噪的精度，低秩部分自相关性约束可以使得该去噪模型相比较于其他去噪模型对死线噪声的去除效果更佳优越。