Anterior|Siguiente

Despeje de imágenes hiperespectrales basado en la variación total asimétrica laplaciana en el espacio base

  • role： First author第一作者
  • Affiliation：

    School of Science, Nanjing University of Posts and Telecommunications, Nanjing 210023, China

  • Email：17201628783@163.com
  • Introduction：司伟纳，研究方向为模式识别、遥感图像处理和机器学习。E-mail：17201628783@163.com
SI Weina,  
  • role： Corresponding author通信作者
  • Affiliation：

    School of Science, Nanjing University of Posts and Telecommunications, Nanjing 210023, China

  • Email：yj8422092@163.com
  • Introduction：叶军，研究方向为模式识别、机器学习和图像处理。E-mail：yj8422092@163.com
YE Jun*,  
  • Affiliation：

    School of Science, Nanjing University of Posts and Telecommunications, Nanjing 210023, China

JIANG Bin

resumen

Las imágenes hiperespectrales HSI (imágenes hiperespectrales) son fácilmente dañadas por ruido mixto de alta intensidad, es crucial modelar con precisión el ruido para las tareas de procesamiento posterior. El método de modelado de ruido laplaciano asimétrico ofrece buenos resultados en la eliminación del ruido mixto. Su ventaja es tener en cuenta las colas pesadas y la asimetría del ruido, modelando el ruido diferente en diferentes bandas, pero descuida las características de distribución internas del espacio base del gradiente HSI, lo que resulta en un residuo de ruido. Para resolver este problema, este estudio propone un modelo de despeje HSI basado en la variación total asimétrica laplaciana BSALTV (Base Space Asymmetric Laplacian Total Variation). Además, el espacio base del gradienteUiconserva suficientemente la información a priori de la imagen de gradiente original, lo que permite reflejar mejor las características de distribución a priori dispersa del gradiente HSI, y muestra una distribución asimétrica única en diferentes bandas. Este estudio explora la distribución asimétrica de la base del gradienteUiy la distribución asimétrica del ruido, y explora con precisión la información de rango bajo global de la imagen y las diferentes distribuciones de ruido en diferentes bandas, lo que permite reducir el ruido mientras se conservan los bordes y las texturas de la imagen, evitando así la deformación excesiva de la imagen. Finalmente, el modelo se resuelve mediante el método de multiplicadores direcciones alternas ADMM (Alternating Direction Method of Multipliers), al comparar el modelo con otros métodos, los resultados experimentales en conjuntos de datos sintéticos y reales confirman la superioridad de este estudio sobre otros métodos avanzados de despeje.

palabra clave

Imágenes hiperespectrales; Despeje de ruido; Modelado de ruido; Distribución laplaciana asimétrica; Variación total; Espacio base del gradiente; Método de multiplicadores direcciones alternas; Información a priori dispersa

References

  1. 1.
    Cai J Y, He W and Zhang H Y. 2022. Anisotropic spatial-spectral total variation regularized double low-rank approximation for HSI denoising and destriping. IEEE Transactions on Geoscience and Remote Sensing, 60: 5536619
  2. 2.
    Cao X Y, Fu X Y, Xu C and Meng D Y. 2022. Deep spatial-spectral global reasoning network for hyperspectral image denoising. IEEE Transactions on Geoscience and Remote Sensing, 60: 5504714
  3. 3.
    Dong W S, Fu F Z, Shi G M, Cao X, Wu J J, Li G Y and Li X. 2016. Hyperspectral image super-resolution via non-negative structured sparse representation. IEEE Transactions on Image Processing, 25(5): 2337-2352
  4. 4.
    Fan H X, Li J, Yuan Q Q, Liu X X and Ng M. 2019. Hyperspectral image denoising with bilinear low rank matrix factorization. Signal Processing, 163: 132-152
  5. 5.
    Ma H W, Liu G C and Yuan Y. 2020. Enhanced non-local cascading network with attention mechanism for hyperspectral image denoising//2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). Barcelona: IEEE: 2448-2452
  6. 6.
    Peng J J, Wang Y, Zhang H Y, Wang J J and Meng D Y. 2023. Exact decomposition of joint low rankness and local smoothness plus sparse matrices. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(5): 5766-5781
  7. 7.
    Peng J J, Xie Q, Zhao Q, Wang Y, Yee L and Meng D Y. 2020. Enhanced 3DTV regularization and its applications on HSI denoising and compressed sensing. IEEE Transactions on Image Processing, 29: 7889-7903
  8. 8.
    Qian Y and Zhang L. 2024. Hyperspectral image denoising algorithm based on total variation weighted difference regularization. Journal of Hefei University of Technology (Natural Science), 47(1): 47-53, 76
  9. 9.
    Tao D P, Lin X, Jin L W and Li X L. 2016. Principal component 2-D long short-term memory for font recognition on single Chinese characters. IEEE Transactions on Cybernetics, 46(3): 756-765
  10. 10.
    Wang Y, Peng J J, Zhao Q, Leung Y, Zhao X L and Meng D Y. 2018. Hyperspectral image restoration via total variation regularized low-rank tensor decomposition. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(4): 1227-1243
  11. 11.
    Wang Y F, Xu S, Cao X Y, Ke Q, Ji T Y and Zhu X X. 2023. Hyperspectral denoising using asymmetric noise modeling deep image prior. Remote Sensing, 15(8): 1970
  12. 12.
    Wang Z, Bovik A C, Sheikh H R and Simoncelli E P. 2004. Image quality assessment: from error visibility to structural similarity. IEEE Transactions on Image Processing, 13(4): 600-612
  13. 13.
    Willett R M, Duarte M F, Davenport M A and Baraniuk R G. 2014. Sparsity and structure in hyperspectral imaging: sensing, reconstruction, and target detection. IEEE Signal Processing Magazine, 31(1): 116-126
  14. 14.
    Xu S, Cao X Y, Peng J J, Ke Q, Ma C and Meng D Y. 2022. Hyperspectral image denoising by asymmetric noise modeling. IEEE Transactions on Geoscience and Remote Sensing, 60: 5545214
  15. 15.
    Zhang H Y, Cai J Y, He W, Shen H F and Zhang L P. 2022a. Double low-rank matrix decomposition for hyperspectral image denoising and destriping. IEEE Transactions on Geoscience and Remote Sensing, 60: 5502619
  16. 16.
    Zhang L, Qian Y, Han J M, Duan P H and Ghamisi P. 2022b. Mixed noise removal for hyperspectral image with l0-l1-2 SSTV regularization. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 15: 5371-5387
  17. 17.
    Zheng Y B, Huang T Z, Zhao X L, Chen Y and He W. 2020. Double-factor-regularized low-rank tensor factorization for mixed noise removal in hyperspectral image. IEEE Transactions on Geoscience and Remote Sensing, 58(12): 8450-8464

Leer el texto completo

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website