关键词:
高光谱图像去噪
全变分
张量
低秩矩阵恢复
摘要:
高光谱图像同时携带地物信息和光谱信息,可以更好地对地物进行判别与分类,在诸如军事侦察、农业生产、目标检测等领域都获得了广泛的关注。但在其通过成像光谱仪进行成像、以及数据传输的过程中经常会产生多种噪声,如高斯噪声、椒盐噪声、死线和条纹等,噪声的存在不仅会降低图像质量,还会影响后续工作。因此,作为高光谱图像数据应用的预处理步骤,给高光谱图像数据进行去噪处理具有重要的学术意义和研究价值。本文将围绕高光谱图像去噪算法进行重点研究,主要工作如下:阅读大量文献,分析了高光谱图像去噪算法的研究现状,并对基于全变分(Total Variation,TV)、低秩矩阵和张量的高光谱图像去噪算法进行了深入研究,总结出现有算法的优势和不足。现有的高光谱图像去噪算法未能充分探索图像的结构信息和细节信息,使得结果图像过平滑,并且在高斯噪声强度较大的情况下去噪性能不佳。针对以上问题,提出了一种新的高光谱图像去噪算法——基于中心差分全变分和局部低秩特性的高光谱图像混合噪声去噪算法(Hybrid Noise Denoising Model For Hyperspectral Images Based On Local Low-rank Properties and Central Difference Total Variation,LLCDTV)。该算法提出了能够探索图像结构信息的中心差分全变分模型(Central Difference Total Variation,CDTV),并对高斯噪声进行了约束。仿真实验表明,该算法对于去除高光谱图像中的混合噪声而言,具备良好的性能。在基于中心差分全变分和局部低秩特性的高光谱图像混合噪声去噪算法中,中心差分全变分模型对噪声较为敏感,导致算法的鲁棒性较弱。针对以上问题,提出了一种新的高光谱图像去噪算法——基于空间中心差分全变分和波段融合策略的高光谱图像混合噪声去噪算法(Hybrid Noise Denoising Algorithm for Hyperspectral Images Based on Spatial Center Difference Total Variation and Band Fusion Strategy,SCDTVBF)。该算法将中心差分全变分模型优化为空间中心差分全变分模型(Spatial Center Difference Total Variation,SCDTV),并提出了用于二次去噪的波段融合策略。仿真结果表明,该算法克服了基于中心差分全变分和局部低秩特性的高光谱图像混合噪声去噪算法的不足,表现出更加优越的去噪结果。对于现有的基于低秩特性的高光谱图像去噪方法而言,仍存在一些普遍的弊端,如较容易丢失图像的细节内容,并且算法鲁棒性较弱,并且对于现有的基于张量的算法而言,也存在耗时较长等弊端。针对以上问题,提出一个新的高光谱图像去噪算法——基于空间-光谱因子正则化的低秩张量高光谱图像加权混合噪声去噪算法(Low-rank Tensor Hyperspectral Image Weighted Hybrid Noise Denoising Algorithm Based on Space-spectral Factor Regularization,WSSFR)。该算法将低秩张量去噪模型和高斯噪声约束模型相结合,提出了一个去噪效果佳、具备较强的鲁棒性的高光谱图像去噪模型。经过一系列实验,仿真结果表明,该算法能够克服上文提到的现有的基于低秩矩阵恢复的高光谱图像混合噪声去噪算法的不足,能够更好地实现图像信号与噪声的分离。