公开(公告)号：CN114897737B

公开(公告)日：2024-11-12

申请号：CN202210572277.6

申请日：2022-05-25

Applicant: 南京邮电大学

Inventor： 朱虎 ,  刘宏波 ,  邓丽珍

IPC: G06T5/70 ,  G06T5/60 ,  G06T5/10 ,  G06N3/0464 ,  G06N3/088 ,  G06V10/77 ,  G06V10/80

Abstract: 本发明公开了一种基于非配对无监督神经网络的高光谱图像去噪方法，具体包括：高光谱图像通过仿真生成含噪数据集，并进行矩阵分解操作形成低维投影矩阵；基于对低维投影矩阵最小化均方误差的无偏风险估计，进行无监督网络损失函数的计算；针对低维投影矩阵构建U‑net网络；取另外高质量干净数据集，构建三维小波变换网络；将上述构建的U‑net网络与三维小波变换网络联合，基于U‑net网络的损失函数和三维小波变换网络的重构损失函数得到总损失函数，训练非配对无监督神经网络模型。本发明通过输入不同内容的数据形成非配对输入，利用额外信息引导增强恢复出的高光谱图像，能够恢复出边缘更加清晰的干净图像，解决了无监督方法较难学习良好映射的问题。

公开(公告)号：CN114897737A

公开(公告)日：2022-08-12

申请号：CN202210572277.6

申请日：2022-05-25

Applicant: 南京邮电大学

Inventor： 朱虎 ,  刘宏波 ,  邓丽珍

IPC: G06T5/00 ,  G06T5/10 ,  G06N3/04 ,  G06N3/08 ,  G06V10/77 ,  G06V10/80

Abstract: 本发明公开了一种基于非配对无监督神经网络的高光谱图像去噪方法，具体包括：高光谱图像通过仿真生成含噪数据集，并进行矩阵分解操作形成低维投影矩阵；基于对低维投影矩阵最小化均方误差的无偏风险估计，进行无监督网络损失函数的计算；针对低维投影矩阵构建U‑net网络；取另外高质量干净数据集，构建三维小波变换网络；将上述构建的U‑net网络与三维小波变换网络联合，基于U‑net网络的损失函数和三维小波变换网络的重构损失函数得到总损失函数，训练非配对无监督神经网络模型。本发明通过输入不同内容的数据形成非配对输入，利用额外信息引导增强恢复出的高光谱图像，能够恢复出边缘更加清晰的干净图像，解决了无监督方法较难学习良好映射的问题。