基于子空间低秩表示的高光谱图像去噪方法研究
发布时间：2021-07-04 09:49
高光谱图像因含有十分丰富的光谱特征信息,在诸多领域都有着非常重要的应用。而由于传感器以及自然环境的原因,实际采集到的高光谱图像常含有非常复杂的混合噪声,比如高斯噪声、脉冲噪声以及死线噪声等其他类型的噪声,这不仅会影响高光谱图像的目视效果,更会直接影响到其后续应用。因此,高光谱图像的去噪是一项必不可少的过程。从高光谱图像光谱间的低秩性出发,可以很好地建立基于低秩、稀疏矩阵分解的去噪模型,但该模型把高光谱图像的光谱空间看成是一个单一的低秩子空间,事实上由真实的地物种类,其光谱向量可以分成不同的类别,即高光谱图像的光谱空间应看成是多个低秩子空间的联合。而探究数据潜在的联合低秩结构,子空间低秩表示模型是十分有效的,并且已经成功应用于高光谱图像的去噪领域。本文基于传统子空间低秩表示模型,针对高光谱图像的混合噪声去除问题,提出了以下三种新的去噪方法:（1）基于非局部相似联合的子空间低秩表示（NLSJ-SLRR）的高光谱图像去噪方法:传统的子空间低秩表示模型缺乏对图像中空间信息的有效利用,针对这一问题,该方法首先对高光谱图像进行分块处理,以加强图像中的局部相关性,然后通过聚类方式将相似的图像块联合以...
【文章来源】：南京邮电大学江苏省
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
高光谱遥感原理[3]
南京邮电大学硕士研究生学位论文第一章绪论5些列向量拼在一起记得到图1.2(d)所示的矩阵，则该矩阵的行代表的是高光谱图像每个像素的光谱特征信息。图1.2高光谱图像矩阵数据模型若将图1.2(d)中所示的矩阵记为∈R×，其中×代表高光谱图像的像素数，代表波段数，则高光谱图像的线性光谱混合模型表示如下：=(1.1)∈R×为端元矩阵，为端元个数，∈R×为丰度矩阵，代表每个端元在像素中所占的比例系数。大部分情况下，干净的高光谱图像中端元的个数要远小于波段数或者像素个数[38]，即(,)，又由于是和的乘积，所以的秩满足：()≤((),())(1.2)而显然((),())≤，所以得到如下结论：()≤((),())≤(,)(1.3)这也就意味着矩阵是低秩的。基于低秩矩阵的传统去噪模型高光谱图像中含有的复杂类型噪声包括高斯噪声、脉冲噪声以及死线噪声，其中，高斯噪声可以看成是普遍存在的微小扰动，脉冲噪声以及死线噪声则同属于稀疏噪声。基于图1.2展示的变换方式，对于含有噪声的高光谱图像，其退化模型的矩阵表达形式为：=++(1.4)其中为含有噪声的高光谱图像数据；为低秩成分，对应于希望得到的干净图像；代表稀疏噪声（脉冲噪声和死线噪声）；代表高斯噪声。鲁棒主成分分析(RobustPrincipalComponentAnalysis,RPCA)框架[39]，又被称为低秩与稀疏矩阵分解，对应到去噪问题上，该框架中的稀疏矩阵就代表了稀疏噪声，低秩矩阵则为在噪声影响下的低秩数据，其优化模型可由式(1.5)来描述：,()+‖‖0,..=+(1.5)
南京邮电大学硕士研究生学位论文第二章基于非局部相似联合的子空间低秩表示13除了通过直观的目视效果对去噪结果进行评估外，采取峰值信噪比(PeakSignal-to-Noise,PSNR)和结构相似度(StructuralSimilarity,SSIM)[50]作为定量评价指标。对各方法的去噪结果图像逐波段计算出PSNR值和SSIM值，然后取结果的平均值得到平均PSNR(MeanPSNR,MPSNR)和平均SSIM(MeanSSIM,MSSIM)值来对整体的去噪性能进行评估，各指标定义如下：PSNR=10×∑∑||2=1=1(2.18)SSIM=(2()()+1)(2()()+2)((,)+3)(2()+2()+1)(2()+2()+2)(()()+3)(2.19)MPSNR=1∑PSNR=1(2.20)MSSIM=1∑SSIM=1(2.21)其中，和分别代表第个波段的无噪图像和去噪后图像；()和()代表对应的均值，()和()代表对应的方差，(,)则代表协方差。总的来说，PSNR值和SSIM值越大，去噪效果就越好本小节模拟实验中，对模拟IndianPines数据集添加三种类型的噪声：（1）对每个波段均添加σ=0.03的高斯噪声，模拟实际情况下的热噪声；（2）选取3，15，27，54，76，98，110共7个波段添加20%的椒盐噪声来模拟实际中的像元坏死；（3）添加3条死线噪声，模拟传感器故障，这种类型的噪声是高光谱图像中特有的。图2.1模拟IndianPines数据集第28波段的实验结果
本文编号：3264558
【文章来源】：南京邮电大学江苏省
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
高光谱遥感原理[3]
南京邮电大学硕士研究生学位论文第一章绪论5些列向量拼在一起记得到图1.2(d)所示的矩阵，则该矩阵的行代表的是高光谱图像每个像素的光谱特征信息。图1.2高光谱图像矩阵数据模型若将图1.2(d)中所示的矩阵记为∈R×，其中×代表高光谱图像的像素数，代表波段数，则高光谱图像的线性光谱混合模型表示如下：=(1.1)∈R×为端元矩阵，为端元个数，∈R×为丰度矩阵，代表每个端元在像素中所占的比例系数。大部分情况下，干净的高光谱图像中端元的个数要远小于波段数或者像素个数[38]，即(,)，又由于是和的乘积，所以的秩满足：()≤((),())(1.2)而显然((),())≤，所以得到如下结论：()≤((),())≤(,)(1.3)这也就意味着矩阵是低秩的。基于低秩矩阵的传统去噪模型高光谱图像中含有的复杂类型噪声包括高斯噪声、脉冲噪声以及死线噪声，其中，高斯噪声可以看成是普遍存在的微小扰动，脉冲噪声以及死线噪声则同属于稀疏噪声。基于图1.2展示的变换方式，对于含有噪声的高光谱图像，其退化模型的矩阵表达形式为：=++(1.4)其中为含有噪声的高光谱图像数据；为低秩成分，对应于希望得到的干净图像；代表稀疏噪声（脉冲噪声和死线噪声）；代表高斯噪声。鲁棒主成分分析(RobustPrincipalComponentAnalysis,RPCA)框架[39]，又被称为低秩与稀疏矩阵分解，对应到去噪问题上，该框架中的稀疏矩阵就代表了稀疏噪声，低秩矩阵则为在噪声影响下的低秩数据，其优化模型可由式(1.5)来描述：,()+‖‖0,..=+(1.5)
南京邮电大学硕士研究生学位论文第二章基于非局部相似联合的子空间低秩表示13除了通过直观的目视效果对去噪结果进行评估外，采取峰值信噪比(PeakSignal-to-Noise,PSNR)和结构相似度(StructuralSimilarity,SSIM)[50]作为定量评价指标。对各方法的去噪结果图像逐波段计算出PSNR值和SSIM值，然后取结果的平均值得到平均PSNR(MeanPSNR,MPSNR)和平均SSIM(MeanSSIM,MSSIM)值来对整体的去噪性能进行评估，各指标定义如下：PSNR=10×∑∑||2=1=1(2.18)SSIM=(2()()+1)(2()()+2)((,)+3)(2()+2()+1)(2()+2()+2)(()()+3)(2.19)MPSNR=1∑PSNR=1(2.20)MSSIM=1∑SSIM=1(2.21)其中，和分别代表第个波段的无噪图像和去噪后图像；()和()代表对应的均值，()和()代表对应的方差，(,)则代表协方差。总的来说，PSNR值和SSIM值越大，去噪效果就越好本小节模拟实验中，对模拟IndianPines数据集添加三种类型的噪声：（1）对每个波段均添加σ=0.03的高斯噪声，模拟实际情况下的热噪声；（2）选取3，15，27，54，76，98，110共7个波段添加20%的椒盐噪声来模拟实际中的像元坏死；（3）添加3条死线噪声，模拟传感器故障，这种类型的噪声是高光谱图像中特有的。图2.1模拟IndianPines数据集第28波段的实验结果
本文编号：3264558
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3264558.html
