多属性联合约束的高光谱图像混合噪声去除算法研究

发布时间：2023-04-10 03:06

　　高光谱图像(HSI)是由几十至几百个连续的波段信息组成,具有光谱分辨率高、纹理信息丰富等优点。其图谱合一的特性,为深度挖掘地物信息提供了有利条件,被广泛应用于资源勘探、城市规划、军事监测等不同领域。然而,在高光谱图像捕获和传输过程中,受仪器故障与大气环境等因素的干扰,导致高光谱图像被各种噪声污染,限制了后续的分析与应用性能。因此,如何有效地恢复高光谱图像是遥感图像处理领域的一个重点研究方向。高光谱图像去噪是根据观测图像以及高光谱图像自身的空间几何结构特点,从噪声图像中恢复出原始图像的过程。通过利用高光谱图像的先验信息构建合理的正则化约束项是高光谱图像去噪的有效方法之一。本文充分挖掘高光谱图像的多个先验属性,如局部(全局)低秩性、分段光滑性、高光谱影像稀疏性,针对高光谱图像的混合噪声去除问题展开研究,并设计了相应的去噪算法。本文的主要内容包括:1.受L₀梯度映射方法的启发,将L₀梯度约束模型推广到高光谱图像稀疏度衡量问题,提出联合局部低秩矩阵恢复与L₀梯度约束的高光谱图像去噪算法。该方法通过局部低秩性有效的提取高光谱图像的...

【文章页数】：107 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状及发展趋势
        1.2.1 传统去噪算法研究现状
        1.2.2 基于先验约束的去噪算法研究现状
        1.2.3 现状解析及难点分析
    1.3 主要工作与创新
    1.4 本文的主要内容和章节安排
第二章 高光谱图像去噪基本理论与模型
    2.1 高光谱图像降噪模型
    2.2 图像去噪基本理论
        2.2.1 全变差先验模型
        2.2.2 稀疏和低秩先验模型
    2.3 影像质量评价方法
    2.4 公开实验数据集
    2.5 本章小结
第三章 联合局部低秩矩阵恢复和L₀范数的去噪方法
    3.1 基于局部低秩矩阵分解的高光谱去噪方法
    3.2 基于L₀梯度约束的稀疏分解方法
        3.2.1 L₀梯度最小化模型
        3.2.2 L₀梯度约束模型描述
    3.3 联合L₀梯度约束与局部低秩分解的高光谱去噪方法
        3.3.1 L₀梯度约束与局部低秩分解模型构建
        3.3.2 L₀梯度约束与局部低秩分解模型求解
    3.4 实验结果及分析
        3.4.1 仿真数据实验
        3.4.2 真实数据实验
        3.4.3 参数影响分析
    3.5 本章小结
第四章 联合局部低秩和Moreau增强全变分的去噪方法
    4.1 基于全变差的高光谱去噪方法
    4.2 Moreau增强全变分去噪方法
        4.2.1 Moreau增强全变分模型构建
        4.2.2 Moreau增强全变分模型求解
    4.3 联合局部低秩和Moreau增强全变分的高光谱去噪方法
        4.3.1 局部低秩和Moreau增强全变分模型构建
        4.3.2 模型优化求解
    4.4 实验结果对比分析
        4.4.1 仿真数据实验结果
        4.4.2 真实数据实验结果
    4.5 本章小结
第五章 基于子空间Moreau增强全变分和稀疏分解的去噪方法
    5.1 基于子空间的高光谱图像去噪算法
    5.2 基于子空间Moreau增强全变分和稀疏分解的去噪模型
        5.2.1 子空间Moreau增强全变分和稀疏分解模型描述
        5.2.2 子空间Moreau增强全变分和稀疏分解模型求解
    5.3 实验结果及分析
        5.3.1 仿真数据实验结果
        5.3.2 真实数据实验结果
        5.3.3 参数分析
    5.4 本章小结
第六章 结论与展望
    6.1 研究工作总结
    6.2 研究展望
参考文献
致谢
作者简介
    1 作者简历
    2 攻读博士学位期间发表的学术论文
    3 参与的科研项目及获奖情况
    4 发明专利
学位论文数据集



本文编号：3788214