1.一种高光谱图像去噪方法，其特征在于，包括：获取待去噪的高光谱图像数据；

将待去噪的高光谱图像数据输入预训练优化好的高光谱图像去噪模型，得到输出的经过去噪的高光谱图像结果；

其中所述高光谱图像去噪模型的构建方法包括：

1)、利用低秩张量分解分离噪声项，得到高光谱退化模型；

2)、在步骤1)得到的高光谱退化模型中加入改进的加权的全变分正则器,充分表征高光谱图像波段之间的空间和光谱相关性；

3)、在步骤2)得到的模型中，用L1范数来规范稀疏噪声，用F范数来规范高斯噪声，确定约束条件；

4)、利用增广拉格朗日乘子法求解步骤3)得到的模型，通过输入带有稀疏噪声和高斯噪声的训练集图像对模型进行迭代优化，得到训练优化好的高光谱图像去噪模型。

2.根据权利要求1所述的高光谱图像去噪方法，其特征在于，所述高光谱退化模型，包括：Y＝X+N+S

1 1 B i h×w

其中，Y表示有噪声的三阶张量的高光谱立方体Y＝{Y ,Y ,…Y}，其中Y ∈R ，h表示高度，i为频带，宽度为w，B表示频带个数；X代表干净的图像，N表示高斯噪声，S表示稀疏噪声，X、N、S和Y有着相同的张量大小。

3.根据权利要求1或2所述的高光谱图像去噪方法，其特征在于，利用低秩张量分解分离噪声项，包括：将高光谱图像分割成重叠的三维块，对于一个n阶张量，通过Tucker分解分解为n个因子矩阵和一个核心张量充分利用图像的光谱和空间低秩特性；每一模态上的因子矩阵称为张量的基矩阵或主分量；Tucker分解方程表示为：T

X＝C×1U1×2U2×…×nUn,UnUn＝I其中，C是控制因子矩阵 之间相互作用的核心张量；U是系数矩阵。

4.根据权利要求1所述的高光谱图像去噪方法，其特征在于，在高光谱退化模型中加入改进的加权的全变分正则器，包括：||X||SSTV＝w1||DxX||+w2||DyX||+w3||DzX||其中，||X||SSTV为加权的全变分模型，Dx,Dy,Dz分别表示沿空间水平方向x、空间垂直方向y和光谱方向z的一阶正向有限差分算子；w1，w2，w3分别代表x,y,z三个方向上的加权差分算子；

Dx＝X(i+1,j,k)‑X(i,j,k)Dy＝X(i,j+1,k)‑X(i,j,k)Dz＝X(i,j,k+1)‑X(i,j,k)X(i,j,k)中i、j分别表示图像X的水平方向、垂直方向的空间位置，k表示图像X的第k个波段。

5.根据权利要求1所述的高光谱图像去噪方法，其特征在于，用L1范数来规范稀疏噪声，用F范数来规范高斯噪声，确定约束条件，包括：s.t.Y＝X+S+N,

T

X＝C×1U1×2U2×3U3,UnUn＝I其中X代表干净的图像，N表示高斯噪声，S表示稀疏噪声，τ，λ，β分别表示X,S,N各自的控制系数因子，s.t.表示模型的约束条件；C是控制因子矩阵U1、U2、U3之间相互作用的核心张量；U是系数矩阵。

6.根据权利要求5所述的高光谱图像去噪方法，其特征在于，利用增广拉格朗日乘子法求解，包括：令X＝Z,Dw(Z)＝F,Dw是经过加权的三维差分算子，存在三个不同方向的一阶差分算子，Z和F都表示增广拉格朗日乘子法中引入的辅助变量；增广拉格朗日函数L表达式如下：其中μ为惩罚参数，μ1，μ2，μ3，表示增广拉格朗日乘子。

7.根据权利要求6所述的高光谱图像去噪方法，其特征在于，通过输入带有稀疏噪声和高斯噪声的训练集图像对模型进行迭代优化，包括：先输入带有稀疏噪声和高斯噪声的训练集图像，矩阵的秩r,权重值w1，w2，w3，初始化高光谱图像X，根据增广拉格朗日乘子法令X＝Z＝S＝N＝0,μ1＝μ2＝μ3＝0，k＝0，然后再分别更新X、Z、F、S、N以及更新增广拉格朗日乘子μ1，μ2，μ3，，对模型进行k+1次迭代优化直至满足迭代停止条件。

8.一种高光谱图像去噪装置，其特征在于，包括：包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1至7任一项所述方法的步骤。

9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。