基于图信号处理和超像素分割的大规模高光谱图像分布式恢复方法及系统

1.本发明涉及高光谱数据处理、图信号处理技术领域，特别是一种基于图信号处理和超像素分割的大规模高光谱图像分布式恢复方法及系统。


背景技术：

2.高光谱图像(hsi)由对应于光谱通道的数十个甚至数百个灰度图像组成，具有高的光谱分辨率和丰富的纹理信息。基于这些hsi特征，空间图像和光谱带的组合可以为目标特征的提取提供有利的条件。因此，它广泛应用于食品质量和安全评估、医学诊断和图像引导手术、精准农业等领域。然而，hsi在采集和传输过程中经常受到各种噪声的干扰。这些噪声给后续分析带来了很大的挑战，尤其是在特征提取和目标识别方面，这将大大降低处理的可靠性。因此，如何有效地去除hsi噪声已成为一个关键问题。
3.目前，已经提出了各种去噪方法来恢复hsi。hsi去噪的传统方法是将每个带描述为灰度图像，然后应用二维去噪方法逐带去除噪声，例如bm3d。然而，这些方法忽略了光谱带或空间像素之间的高度相关性，导致恢复性能相对较差。鉴于这一点，人们提出了许多hsi去噪方法来考虑这些相关性，例如hssnr，一种混合空间谱导数域小波收缩模型，该模型考虑了信号规则性在空间和谱维度上的差异；ctv、ssahtv将称为全变分(tv)的图像算子应用于hsi恢复，该算子很好的刻画了hsi的空间分段平滑(pws)特性；lrmr基于低秩(lr)矩阵近似的方法来利用高维数据中的低维结构去除噪声；tslrln、lrtdtv基于张量分解的方法来利用hsi的lr特性；glf结合不同的lr属性表示的方法等。这些方法有效地代表了hsi的空间和光谱间的相关性。此外，还有一些基于非局部的方法，如nltr和ngmeet，可以分块的对hsi进行去噪，但这类只考虑非局部自相似性，而忽略了组中的pws特性。tvnlrtd非局部自相似性视为模型中的正则化项，并将正则化项与其他全局正则化项(如tv)相结合，通过组合正则化项实现了良好的恢复性能，但它不能简单地分块恢复，在大规模的hsi下具有单计算节点高复杂度的劣势。与基于非局部的方法不同，基于超像素分割的方法，如sssb，将hsi的像素分组一系列均匀区域，其形状取决于边界信息，是不规则的。因此，基于超像素分割的方法可以有效地保留边界信息，而非局部方法由于使用基于正方体分块策略而无法保留边界信息。然而，现有的基于超像素分割的方法，如sssb，在hsi恢复方面表现不佳，部分原因是它们没有考虑hsi的pws特性和超像素之间的相似性。鉴于这些算法的不足，鉴于图信号处理(gsp)，一个多学科交织融合的研究领域，它采用图拓扑来描述网络数据之间的相关性，全面构建了网络数据处理的理论框架，大大扩展了经典信号处理的理论边界。因此，可以基于此发明一种基于gsp和超像素分割的技术的新高光谱混合噪声去噪方法。
4.此外，现有方法通常集中于小hsi或大规模hsi的一个子区域，并且由于通常采用集中式算子，因此在大hsi上的可扩展性较差。而且，许多恢复方法将三维hsi数据集转换为二维矩阵，由于其空间维度远大于光谱维度，是一种病态矩阵，会导致去噪结果中的模糊和细节损失。对于大规模hsi，边界信息和纹理细节的丢失将更加严重。
5.现有的高光谱图像(hsi)经常受到各种噪声的干扰，给后续应用带来了很大的挑战。许多现有的恢复算法不能很好地适用于大规模hsi，因此，如何提高恢复方法的可扩展性是一个关键问题。


技术实现要素：

6.有鉴于此，本发明的目的在于提供一种基于图信号处理和超像素分割的大规模高光谱图像分布式恢复方法，该方法利用基于超像素分割的技术和基于图形信号处理的分布式算法，提出了一种大规模hsi混合噪声去除方法。
7.为达到上述目的，本发明提供如下技术方案：
8.本发明提供的基于图信号处理和超像素分割的大规模高光谱图像分布式恢复方法，包括以下步骤：
9.(10)构建输入信号模型：对高光谱数据进行线性归一化处理；
10.(11)预去噪：选择一个波段的高光谱图像，对所述波段图像进行预去噪；
11.(12)超像素分割：对预去噪后的高光谱图像使用slic超像素分割算法，将高光谱图像分割为一系列超像素区域；
12.(13)根据超像素区域构建骨架图；
13.(14)局部图构建：对每个超像素区域的所有元素进行构建局部图；
14.(15)子图构建：基于骨架图和局部图，构建重叠划分的子图，每个子图对应一个计算节点；在每个子图中采用交换分布式方式进行对高光谱图像进行分布式去噪，并求解子图优化模型；
15.(16)在每个子图中采用交换分布式方式进行对高光谱图像进行分布式去噪；
16.(17)基于子图，对每个子图建立优化模型；
17.(18)重复上述迭代，每次迭代采用步骤(7)中交换分布式方式迭代求解步骤(8)中优化模型，当每个子图满足迭代收敛条件时停止迭代，且满足该条件的子图在其他子图继续迭代求解时结束更新迭代。
18.进一步，所述步骤(4)中的骨架图构建按照以下步骤进行：
19.将每个超像素区域建模成一个骨架图节点，每个节点的图信号为该超像素区域内所有像素的平均值，坐标为超像素区域内的一个像素强度值最接近图信号像素点的坐标；
20.采用修正knn算法构造骨架图其中，表示由所有的超像素节点构成的节点集合，为由所有边构成的集合，表示骨架图邻接矩阵，用来刻画边的相关性权重矩阵；
21.所述的元素a
i,j
由公式(1)计算：
[0022][0023]
其中，ii表示第i个超像素的坐标；ij表示第j个超像素的坐标；xi表示第i个超像素的图信号；xj表示第h个超像素的图信号；σ
l
，σ
x
为两个常数参数；
[0024]
得到后，将每行前k个大的值设为1，其余的设为0，再对处理后的矩阵进行对称化和修正为无权矩阵，即可得到最终的
[0025]
进一步，所述步骤(5)中的局部图构建按照以下步骤进行：
[0026]
对每个超像素区域的所有元素进行构建局部图，设第m个超像素区域内有km个像素，将所有的像素点建模成节点，构成的局部图
[0027]
其中，表示由第m个超像素中所有像素节点构成的节点集合，表示由每个节点与其周围四邻域连接的边的集合，为无权四邻域邻接矩阵；
[0028]
局部图上图信号为向量第b个波段的高光谱图像的图信号为将局部图应用到每一个波段的高光谱图像；
[0029]
将所有波段的图信号拼成矩阵得到高光谱图像的图信号表示：
[0030][0031]
其中，xm(i,b)表示高光谱图像在b个波段的第i个图信号；x
m,b
表示高光谱图像在b个波段的第m个图信号；表示该矩阵的维度是km×
p。
[0032]
进一步，所述步骤(6)中的子图构建按照以下步骤进行：
[0033]
基于骨架图和局部图，构建重叠划分的子图，每个子图对应一个计算节点，将高光谱恢复问题转换为求解一系列小规模问题，每个小规模问题位于一个子图上，并且每个子图以骨架图的一个节点为中心；
[0034]
所述第f个子图按照以下公式进行定义：
[0035][0036]
其中，
[0037]
表示第f个子图；表示由所有的子图节点构成的节点集合；表示节点之间边的集合；ms表示子图的总个数；f表示第f个子图；
[0038]
表示的是节点f的d跳以内所有邻居节点的集合；
[0039]
ρ(f,j)表示从节点f到达节点j所需的最短路径；
[0040]
每个子图中包含多个局部图，第m个局部图是节点f的d跳以内所有邻居节点的集合的一个一节，即
[0041]
其中，d表示d跳以内的邻居；m表示第m个局部图，亦是第f个子图的节点；表示由第m个超像素中所有像素节点构成的节点集合；表示图的节点f的d跳以内所有邻居节点的集合；
[0042]
所述边的集合按照以下步骤进行定义：
[0043]
如果局部图和在对应的超像素区域内有边界连接，那么边界节点与其四邻域节点相连，且两个局部图的坐标节点间有一条边相连；否则，两局部图之间只有一条边，即两个局部图的坐标节点间有一条边相连；
[0044]
获取的拉普拉斯矩阵对与子图对应的高光谱图像区域的所有频带使用相同的子图；
[0045]
将第f个子图上节点上图信号映射成向量形式：
[0046][0047]
其中，xf(i,b)表示在第b个波段的子图在第i个节点的图信号；xf(1,b)表示第f个子图上第b个波段的第1个图信号；km表示第f个子图上第m个局部图的节点总数第f个子图上第m个局部图对应的超像素包含的像素个数；x表示第x个波段；
[0048]
按照以下公式将所有波段的图信号拼到矩阵中：
[0049][0050]
获得子图上的高光谱图像的图信号表示。
[0051]
进一步，所述步骤(7)按照以下方式对高光谱图像进行分布式去噪：
[0052]
设置若干个计算单元，每个计算单元对应于子图每个计算单元基于骨架图的边缘与其相邻计算单元建立传输链接，所述计算单元在每次迭代子图的优化模型时，接收其邻居的计算结果；
[0053]
将在其相邻节点处计算的接收结果与自己计算的上一次计算结果进行融合并平均；
[0054]
通过每个基于子图的计算优化模型计算其自身及其邻居的新结果；
[0055]
将其新的计算结果和新结果的相应部分分别传输给其相应的邻居；
[0056]
重复上次步骤进行迭代求解子图优化模型。
[0057]
进一步，所述步骤(8)中的优化模型按照以下步骤建立：
[0058][0059]
其中，km表示第m个超像素中的像素数，α和β是两个参数，用来调节核范数、glr、l1范数的占比，sf表示第f个子图中对稀疏噪声的建模；of表示第f个子图中原始输入的高光谱图像数据；ε表示一个很小的阈值；r是一个常数，表示对高光谱信号秩的约束；f表示第f个子图；
[0060]
所述glr定义为：
[0061][0062]
glr的矩阵形式定义为：
[0063]
||x||
glr
＝[||x1||
glr
，
…
，||xb||
glr
，
…
，||x
p
||
glr
]
ꢀꢀꢀꢀ
(5)
[0064]
其中，表示第f个子图的拉普拉斯矩阵；a
i，j
表示第f个子图的邻接矩阵的第(i，j)个元素；xi表示第f个子图第i个图信号；||xb||
glr
表示第b个波段的glr定义。
[0065]
进一步，所述步骤(8)中的优化模型按照以下方式求解：
[0066]
采用增广拉格朗日乘子法求解；
[0067]
将公式(3)等效转换为：
[0068][0069]
其中，hf表示引入的辅助变量，hf＝xf；
[0070]
所述公式(6)的增广拉格朗日函数为：
[0071][0072]
其中，γ(γ＞0)是罚变量，cf和df是拉格朗日乘子，
[0073]
按照以下步骤对公式(7)进行交替优化，具体更新如下：
[0074]
2)更新hf：
[0075][0076]
其中，(k+1)表示第(k+1)次迭代，表示第f个子图第k次迭代的去噪后的高光谱图像；表示第f个子图第k次迭代的稀疏噪声；表示第f个子图第k次迭代的拉格朗日乘子结果；
[0077]
对于给定的矩阵及其秩为r，使用奇异值分解对其进行分解，得到：
[0078]
z＝ue
rvh
，er＝diag(σi)
ꢀꢀꢀ
(9)
[0079]
其中，和是正交矩阵，er表示由奇异值构成的对角矩阵；奇异值σ
i(1≤i≤r)
≥0，给定一个阈值φ≥0，奇异值阈值算子被定义为：
[0080][0081]
其中，η＝σ
i-φ，η表示第i个奇异值与阈值差值构成的向量；σi表示奇异值分解后第i个奇异值；φ是一个常数，表示阈值；d
φ
(
·
)表示奇异值收缩算子的解；则奇异值收缩算子(10)是以下问题的解：
[0082][0083]
通过使用奇异值收缩算子(10)，优化公式(8)的解为：
[0084][0085]
5)更新xf：
[0086][0087]
其中，根据(5)中的矩阵形式glr，公式(13)等效为：
[0088][0089]
公式(14)分解为p个子问题，逐波段求解，第j个子问题是：
[0090][0091]
公式(15)是一个最小二乘问题，它的解析解为：
[0092][0093]
通过组合每个波段的解(16)来获得(14)的解：
[0094][0095]
公式(17)重写为矩阵形式：
[0096][0097]
通过推导，公式(13)等效地转换以下公式和求解：
[0098][0099]
6)更新sf[0100][0101]
通过引入软阈值算子：
[0102][0103]
其中，δ＞0，公式(20)的解可以表示为：
[0104][0105]
7)更新拉格朗日乘子及参数γ：
[0106][0107]
其中，ρ为增长步长，γ
max
为一个常数。
[0108]
进一步，所述步骤(9)中每个子图满足迭代收敛条件按照以下公式计算：
[0109][0110]
其中，ε1，ε2是两个常数，表示引入的辅助变量，hf＝xf在(k+1)迭代后的解；表示第f个子图在(k+1)迭代后稀疏噪声的解；表示第f个子图在(k+1)迭代后干净高光谱图像的解。
[0111]
本发明提供的基于图信号处理和超像素分割的大规模高光谱图像分布式恢复系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现上述方法。
[0112]
本发明的有益效果在于：
[0113]
本发明提供的基于图信号处理和超像素分割的大规模高光谱图像分布式恢复方法，首先，hsi的底层结构由两层架构图建模。上层为骨架图，是使用k-最近邻算法构建的粗化图，其节点对应于hsi分割形成的一系列超像素。骨架图可以有效地表征超像素之间的相互关系，同时保留边界信息并降低计算复杂度。下层为详细图，由一系列子图组成，这些子图用于建模像素之间的相似性。其次，基于两层图结构，将hsi恢复问题表述为一系列优化问题，每个优化问题都对应于一个子图。第三，利用骨架图和子图节点之间的信息交互，为恢复问题量身定制了一种收-发-融合的分布式算法。本方法克服了高光谱图像(hsi)经常受到各种噪声的干扰问题，以及给后续应用带来了很大的挑战。
[0114]
基于图信号处理的分布式算法可以作为解决这一问题提供新的思路。在图信号处
理框架下，这些的分布式方法在每次迭代期间总是与邻居交换信息，有潜力比基于非局部或超像素分割的方法实现更好的去噪性能。通过合成数据集和真实数据集上进行的数值实验表明，与现有方法相比，该恢复算法是有效的。
[0115]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0116]
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
[0117]
图1是本发明提供的干净的原图。
[0118]
图2是本发明提供的加噪后的图像。
[0119]
图3是本发明提供的lrmr去噪后的图像。
[0120]
图4是本发明提供的lrtv去噪后的图像。
[0121]
图5是本发明提供的sssb去噪后的图像。
[0122]
图6是本发明提供的本技术方案glrssda去噪后的图像。
[0123]
图7是本发明提供的各波段psnr对比图。
[0124]
图8是本发明提供的各波段ssim对比图。
具体实施方式
[0125]
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
[0126]
实施例1
[0127]
本实施例提供的基于图信号处理和超像素分割的大规模高光谱图像分布式恢复方法，包括如下步骤：
[0128]
(1)构建输入信号模型：对高光谱数据进行线性归一化至[0，1]范围内，构建输入信号模型y＝x+s+n，其中，y表示输入的噪声信号；x表示干净的原图；s表示稀疏噪声，用来刻画脉冲噪声、坏点、条纹噪声等；n表示高斯噪声。
[0129]
(2)预去噪：选择特定地或者随机的一个波段的高光谱图像，使用中值滤波器对该波段图像进行预去噪。
[0130]
(3)超像素分割：对预去噪后的一个波段的高光谱图像使用slic超像素分割算法，将该波段的高光谱图像分割为一系列超像素区域。
[0131]
(4)骨架图构建：基于分割后的超像素，可以定义骨架图。假设通过超像素分割后，存在ms个超像素区域。将每个超像素区域建模成一个骨架图节点，每个节点的图信号为该超像素区域内所有像素的平均值，坐标为超像素区域内的一个像素强度值最接近图信号像素点的坐标。然后采用修正knn算法构造骨架图其中表示由所有的超像素节点构成的节点集合，为由所有边构成的集合，的元素a
i，j
由公式(1)计算：
[0132][0133]
其中，ii和xi分别表示第i个超像素的坐标和图信号，σ
l
，σ
x
为两个常数参数。得到后，将每行前k个大的值设为1，其余的设为0，再对处理后的矩阵进行对称化和修正为无权矩阵，即可得到最终的
[0134]
(5)局部图构建：对每个超像素区域的所有元素进行构建局部图，设第m个超像素区域内有km个像素，将其中所有的像素点建模成节点，构成的局部图定义为其中表示由第m个超像素中所有像素节点构成的节点集合，表示由每个节点与其周围四邻域连接的边的集合，为无权四邻域邻接矩阵，该矩阵是稀疏矩阵。由此局部图上图信号可以表示为一个向量那么第b个波段的hsi的图信号可以表示为将局部图应用到每一个波段的hsi，因此，可以通过将所有波段的图信号拼成矩阵得到hsi的图信号表示
[0135]
(6)子图构建：基于骨架图和局部图，构建重叠划分的子图，每个子图对应一个计算节点，由此高光谱恢复问题就可以转换为求解一系列小规模问题，每个小规模问题位于一个子图上，并且每个子图以骨架图的一个节点为中心。第f个子图的定义如下：
[0136][0137]
其中表示的是节点f的d跳以内所有邻居节点的集合，ρ(f，j)表示从节点f到达节点j所需的最短路径(跳数)。可以看出每个子图中包含了第m个局部图，且表示边的集合，定义如下：如果局部图和在对应的超像素区域内有边界连接，那么边界节点与其四邻域节点相连，且两个局部图的坐标节点间有一条边相连。否则，两局部图之间只有一条边，即两个局部图的坐标节点间有一条边相连。因此，可以获得的拉普拉斯矩阵，表示为注意，对与子图对应的hsi区域的所有频带使用相同的子图。将第f个子图上节点上图信号映射成向量形式，即其中xf(i，b)表示在第b个波段的子图在第i个节点的图信号。然后，通过将所有波段的图信号拼到矩阵中，即可以获得子图上的hsi的图信号表示。
[0138]
(7)在每个子图中应用接收-传输-融合(又称交换)分布式方式进行对hsi进行分布式去噪。具体来说，假设有ms计算单元，每个计算单元对应于子图每个计算单元基于骨架图的边缘与其相邻计算单元建立传输链接。该ms计算单元在每次迭代子图的优化模
型时，接收其邻居的计算结果。然后，该节点将在其相邻节点处计算的接收结果与自己计算的上一次计算结果进行融合并平均。然后，通过每个基于子图的计算优化模型计算其自身及其邻居的新结果。最后，节点将其新的计算结果和新结果的相应部分分别传输给其相应的邻居。重复上次步骤进行迭代求解子图优化模型。
[0139]
(8)基于子图，对每个子图建立优化模型，第f个子图对应的优化模型如下：
[0140][0141]
其中，km表示第m个超像素中的像素数，α和β是两个参数，用来调节核范数、glr、l1范数的占比，其中glr定义为：
[0142][0143]
glr的矩阵形式定义为：
[0144]
||x||
glr
＝[||x1||
glr
，
…
，||xb||
glr
，
…
，||x
p
||
glr
]
ꢀꢀꢀꢀ
(5)
[0145]
因此可以将其视为glr的组合向量形式。glr是矩阵的二次型，具有许多优良的特性，其中二次问题的解可以通过简单的标准线性代数求解。此外由于优化模型中的秩约束，公式(3)是非凸的，可以采用增广拉格朗日乘子法(alm)求解该问题。
[0146]
首先引入辅助变量hf，公式(3)可以等效转换为：
[0147][0148]
然后，公式(6)的增广拉格朗日函数为：
[0149][0150]
其中γ(γ＞0)是罚变量，cf和df是拉格朗日乘子，可以优化一个变量的同时固定其他变量，对公式(7)进行交替优化。因此，在第(k+1)次迭代中，公式(7)中的变量具体更新如下：
[0151]
1)更新hf：
[0152][0153]
对于给定的矩阵及其秩为r，使用奇异值分解对其进行分解，得到：
[0154]
z＝ue
rvh
，er＝diag(σi)
ꢀꢀꢀꢀ
(9)
[0155]
其中和是正交矩阵，奇异值σ
i(1≤i≤r)
≥0，给定一个阈值φ≥0，奇异值阈值(也称为奇异值收缩)算子可以被定义为：
[0156][0157]
其中η＝σ
i-φ。则奇异值收缩算子(10)是以下问题的解：
[0158][0159]
通过使用奇异值收缩算子(10)，优化公式(8)的解为：
[0160][0161]
2)更新xf：
[0162][0163]
为方便起见，记根据(5)中的矩阵形式glr，公式(13)可以等效为
[0164][0165]
然后，公式(14)可以分解为p个子问题，可以逐波段求解。公式(14)的第j个子公式是：
[0166][0167]
公式(15)是一个最小二乘问题，它的解析解为：
[0168][0169]
因此，可以通过组合每个波段的解(16)来获得(14)的解：
[0170][0171]
很明显，公式(17)可以重写为矩阵形式：
[0172][0173]
通过推导，公式(13)可以等效地转换以下公式和求解：
[0174][0175]
3)更新sf[0176][0177]
通过引入软阈值算子：
[0178][0179]
其中δ＞0，公式(20)的解可以表示为
[0180][0181]
4)更新拉格朗日乘子及参数γ：
[0182][0183]
其中ρ为增长步长，γ
max
为一个常数。
[0184]
(9)重复上述迭代，每次迭代采用步骤(5)中分布式接收-传输-融合方式迭代求解步骤(6)中优化模型方程，当每个子图满足迭代收敛条件时：
[0185][0186]
停止迭代，且满足该条件的子图在其他子图继续迭代求解时结束更新迭代。其中ε1，ε2是两个常数。
[0187]
其中，ε1，ε2是两个常数，表示引入的辅助变量，hf＝xf在(k+1)迭代后的解；表示第f个子图在(k+1)迭代后稀疏噪声的解；表示第f个子图在(k+1)迭代后干净高光谱图像的解。
[0188]
实施例2
[0189]
本实施例中输入的高光谱图像为干净的华盛顿购物中心的高光谱图像即x，其有191个波段，其维度为1280*307*191。为其人为加噪，加入的噪声有稀疏噪声(包含椒盐噪
声、死区噪声)、高斯噪声，加噪后输出即为y，将加噪后的三维高光谱图像送入本方法的模型，即可得到去噪后的高光谱图像。
[0190]
在本实例中，具体步骤的参数设置如下：步骤(2)中选择特定的高光谱波段，取第50个波段的高光谱数据，中值滤波采用的窗为[3，3]；步骤(3)中slic超像素分割的参数中区域大小设置为30，正则参数设置为0.05；步骤(4)中，σ
l
＝100，σ
x
＝0.2，k＝3；步骤(6)中d＝1；步骤(8)中α＝0.5，β＝0.23，ε＝ε1＝ε2＝1e-6，r＝3，ρ＝1.5，γ
max
＝1e6，为全0矩阵，γ
(0)
＝1e-2。最后将去噪后的高光谱图像x与未加噪的干净图片进行峰值信噪比(psnr)、结构相似性(ssim)参数计算，评估对比去噪效果的优良性。
[0191]
将加噪后的三维高光谱图像送入本专利设定好参数的技术方案模型，并将本专利方案glrssda与hongyan zhang提出的基于低秩矩阵恢复的高光谱图像恢复的方法(lrmr)、wei he提出的基于全变分正则低秩矩阵分解的高光谱图像恢复的方法(lrtv)及yaru fan提出的基于平滑波段的超像素分割的高光谱图像恢复方法(sssb)进行对比，得到的去噪前后对比图如图1-6所示，图1-6是灰度图，表示黑色的深度，越黑则灰度图灰度值越小；其中，图1中干净的原图，图2为加噪后的图像，图3为lrmr方法去噪后的图像，图4为lrtv方法去噪后的图像，图5为sssb方法去噪后的图像，图6为本技术方案glrssda去噪后的图像；根据图1与图2的对比，可以观察到本实验加入了较为严重的噪声，更可以体现本技术方案的有效性。根据图3和图5的框内可以观察到图像中存在细节丢失，图4存在过平滑现象，而图6表现出很好的去噪能力，不仅很好的去除了噪声，还在边缘细节方面表现出色，即可以观察得本技术方案模型去噪效果好。将本技术方案去噪后的各波段psnr、ssim参数与上述现有技术方案对比，得到图7-8，观察两图，图像中带圆圈实线为本技术glrssda方案曲线、带
‘
.’号实线为lrmr技术方案曲线、带
‘
+’号虚线为lrmr技术方案曲线、带五角星虚线为sssb技术方案曲线，在图像的左上方有线型与技术方案对应脚注；psnr和ssim数值越高代表着去噪效果越好；根据图7-8观察得，本技术方案psnr和ssim在绝大多数波段的去噪效果均优于lrmr、lrtv和sssb。
[0192]
综上可以观察得本技术方案优于上述现有的技术方案。将本技术方案及上述现有方案各波段psnr、ssim取平均值得到mpsnr和mssim指标，结果形成如表1所示，可以观察得本技术方案优于上述现有方案。
[0193]
表1各方案去噪效果对比表
[0194][0195]
本方法提供的基于图信号处理和超像素分割的大规模高光谱图像分布式恢复方法，克服了高光谱图像(hsi)经常受到各种噪声的干扰问题。
[0196]
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。