(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210913876.X (22)申请日 2022.08.01 (65)同一申请的已公布的文献号 申请公布号 CN 114998750 A (43)申请公布日 2022.09.02 (73)专利权人 四川工程职业 技术学院 地址 618099 四川省德阳市泰山 南路二段 801号 (72)发明人 孔祥阳　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 周俊 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/30(2022.01) G06V 10/762(2022.01) G06V 10/74(2022.01)(56)对比文件 CN 107993208 A,2018.0 5.04 CN 109636869 A,2019.04.16 CN 110811596 A,2020.02.21 AU 202010 0462 A4,2020.04.3 0 US 2018176 531 A1,2018.0 6.21 CN 111738937 A,2020.10.02 曾海金. 《基 于全变差与低秩分解的高光谱 图像复原》 . 《中国优秀硕士学位 论文全文数据库 (工程科技 Ⅱ辑)》 .202 2, Wenfei Cao , Yi C hang, Guodo ng Han, and Ju. 《Destripi ng Remote Sensi ng Image via Low-Rank Approximati on and Nonlocal Total Variati on》 . 《GEOSCIENC E AND RE MOTE SENSING LETTERS》 .2018, 孔祥阳， 徐保根， 李传伟， 赵家林. 《基 于双非 凸约束的遥感图像高密度条 带去除算法》 . 《传感 器与微系统》 .2021, (续) 审查员 梁晨陇 (54)发明名称 一种遥感图像随机长度条带去除方法、 装 置、 设备及 介质 (57)摘要 本申请提供一种遥感图像随机长度条带去 除方法、 装置、 设备及介质， 包括： 获得目标图像 对应的第一变量、 随机长度条带噪声图像对应的 第二变量和随机噪声图像对应的第三变量； 根据 非局部总变分正则化对第一变量进行正则化约 束， 获得非局部总变分正则项； 根据非局部低秩 分解和范数约束分别对第二变量进行正则化约 束， 获得对应的第一正则项和第二正则项； 根据 稀疏正则化对第三变量进行正则化约束， 获得数 据保真项； 构建目标模型； 求解目标模型， 以实现 从初始遥感图像中恢复目标图像。 本申请通过分 析随机条带噪声的非局部低秩性 以及目标图像 的局部和非局部的相似性， 能够 去除随机长度条 带噪声， 并恢复出目标图像的纹理信息， 从而有效地降低光谱畸变 。 [转续页] 权利要求书3页 说明书15页 附图3页 CN 114998750 B 2022.10.11 CN 114998750 B (56)对比文件 Xiang-yang KONG， Bao-gen XU， Jie ZHOU. 《Remote sensi ng images denoising based o n multi-linear weighted nuclear n orm minimization》 . 《MACHINE TOOL ＆ HYDＲ AULICS》 .2020,2/2 页 2[接上页] CN 114998750 B1.一种遥感图像随机 长度条带去除方法， 其特 征在于， 包括： 将初始遥感图像按照目标图像、 随机长度条带噪声图像和随机噪声图像进行分解， 以 获得所述目标图像对应的第一变量、 所述随机长度条带噪声图像对应的第二变量和所述随 机噪声图像对应的第三变量； 其中， 所述初始遥感 图像为被随机长度条带噪声污染的源图 像； 根据非局部总变分正则化对所述第一变量进行正则化约束， 获得非局部总变分正则 项； 其中， 所述非局部总变分正则项包括所述目标图像的局部与非局部的相似性； 根据非局部低秩分解和范数约束分别对所述第 二变量进行正则化约束， 获得对应的第 一正则项和第二 正则项； 根据稀疏正则化对所述第三变量进行正则化约束， 获得 数据保真项； 根据所述非局部总变分正则项、 所述第一正则项、 所述第 二正则项和所述数据保真项， 构建目标模型； 求解所述目标模型， 以实现从所述初始遥感图像中恢复所述目标图像。 2.根据权利要求1所述的方法， 其特征在于， 所述将初始遥感图像按照目标图像， 随机 长度条带噪声图像和随机噪声图像进行分解， 以获得所述 目标图像对应的第一变量、 所述 随机长度条带噪声图像对应的第二变量和所述随机噪声图像对应的第三变量， 包括： 根据如下公式， 将所述初始遥感图像按照目标图像、 随机长度条带噪声图像和随机噪 声图像分解： ； 其中， ， 为三阶张量数据， 为所述初始遥感图像， 为所述 第一变量， 为所述第二变量， 为所述第三变量， H为每一个波段图像的行数， V为每一 波段图像的列数， B为所述初始遥感图像的光谱总数。 3.根据权利要求2所述的方法， 其特征在于， 所述根据非局部总变分正则化对所述第 一 变量进行正则化约束， 获得非局部总变分正则项， 包括： 根据最小化所述第一变量非局部块的梯度值， 获取 所述非局部总变分正则项； 其中， 所述根据最小化所述第一变量非局部块的梯度值， 获取所述非局部总变分正则 项， 包括： 根据如下公式， 计算所述非局部总变分正则项： 其中， xr为第一中心参考元素， xo为第二中心参考元素， D1为以所述xr为中心的参考块的 预设个数的局部相似块的中心位置， D2为以所述xr为中心的参考块的非局部区域的元素集 合， wo为自适应权 重， o为相似块的序号， 为所述非局部总变分正则项。 4.根据权利要求2所述的方法， 其特征在于， 所述根据非局部低秩分解和范数约束分别 对所述第二变量进行正则化约束， 获得对应的第一 正则项和第二 正则项， 包括：权　利　要　求　书 1/3 页 2 CN 114998750 B 3