基于子空间和低秩学习的高光谱影像去噪研究

发布时间：2021-06-29 14:34

　　高光谱影像通常由搭载在不同空间平台上的成像光谱仪,从空间和光谱两个维度对地物同时成像所得,拥有结构丰富的空间图像和几十到数百个连续的光谱波段。高光谱影像具有十分广泛的应用,如环境监测、军事安全、矿物开采和食物安全检测。相对于自然图像,高光谱影像对成像设备的质量要求更高,其成像过程也更加复杂,尽管研究人员不断地改进成像设备和优化成像过程,但仍然不可避免地受到不同类型的噪声以及其他因素的干扰,对影像的视觉质量造成影响,降低影像后续处理的精度,如分类、解混和目标探测。高光谱影像中存在不同类型的噪声,包括高斯噪声、脉冲噪声、条带噪声和死线等,而且不同类型的噪声在影像中的分布不同,这给去噪任务带来了巨大的挑战。目前高光谱去噪的主要方式是充分利用影像的空间-光谱先验信息,设计符合数据特点的去噪模型,然后利用学习算法进行优化求解。基于此,本文开展的主要工作如下:1)从稀疏表示、矩阵分解、张量分解和子空间表示四个方面综述了目前高光谱影像去噪的研究现状,介绍了高光谱影像的先验信息,包括光谱波段相关性、空间非局部相似性和平滑特性,并且对高光谱影像的稀疏、低秩和全变分先验模型进行了阐述。2)提出了一种基于子... 

【文章来源】：湘潭大学湖南省

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

高光谱影像(IndianPines)数据示意图

还给高光谱影像后续的处理，如地物分类[5,6]、目标探测[7]任务带来较大的影响。目前去除高光谱影像中的噪声通常有两种方式，一种方式是改进成像光谱仪，优化成像过程，虽然能够从一定程度上抑制噪声，但是成像设备设计复杂，价格昂贵，且需要搭载在航空平台上，这种方式难以有效提升去噪性能。另一种方式是基于高光谱影像的数据和噪声特点，利用先进的计算设备和机器学习算法，设计普适性强的去噪算法，这是目前最有效的去噪方式。此外，高光谱影像中噪声类型复杂，比如高斯噪声、脉冲噪声、条带噪声和泊松噪声，而且不同光谱波段中的噪声强度和类型都不同，如图 1.2 所示。高光谱影像去噪是一项极具挑战性的任务，研究能够从最大程度上保持影像原始信息、快速和稳定的去噪算法具有非常重要的现实意义。

解的核心思想是将矩阵分解为两个维度较小的矩阵乘积的形的高光谱影像处理中发挥着巨大的作用。如果对分解后的矩约束，可以得到非负矩阵分解和低秩矩阵分解。基于这两类出了很多方法用于高光谱影像去噪。矩阵分解：许多真实的高光谱影像数据本身就具有非负性质谱影像去噪中具有重要意义。Ye 等人最早将非负矩阵分解用的基础上，还进行了稀疏约束。该方法分别对每个光谱波段信息，然后对所有块组成的矩阵进行稀疏非负矩阵分解，另的相关性，将多任务学习技术引入到去噪模型中，使得所有阵[17]。在此基础上，Fan 等人对每个光谱波段分别提取非局部多任务稀疏非负矩阵分解的去噪方法，取得了更佳的去噪法不同，Xu 和 Qian 则是直接对高光谱影像提取非局部相似矩阵，再使用稀疏非负矩阵分解方法建立去噪模型，这种方光谱影像的空间和光谱信息[19]。

【参考文献】：
期刊论文
[1]当代遥感科技发展的现状与未来展望[J]. 张兵.  中国科学院院刊. 2017(07)
[2]高光谱图像稀疏信息处理综述与展望[J]. 张良培,李家艺.  遥感学报. 2016(05)

博士论文
[1]基于权重核范数的高光谱图像去噪与解混方法研究[D]. 吴钊君.哈尔滨工业大学 2018
[2]高光谱影像多类型噪声分析的低秩与稀疏方法研究[D]. 贺威.武汉大学 2017



本文编号：3256618