Hyperspectral Mixed Noise Image Restoration Based on Non-Convex Low-Rank Tensor Decomposition and Group Sparse Total Variation
-
摘要:
高光谱图像（Hyperspectral Image，HSI）在采集的过程中会被大量混合噪声污染，会影响遥感图像后续应用的性能，因此从混合噪声中恢复干净的HSI成为了重要的预处理过程。在本文中，提出了一种基于非凸低秩张量分解和群稀疏总变分正则化的高光谱混合噪声图像恢复模型；一方面，采用对数张量核范数来逼近HSI的低秩特性，可以利用高光谱数据固有的张量结构，同时减少对较大奇异值的收缩以保留图像更多细节特征；另一方面，采用群稀疏总变分正则化来增强HSI的空间稀疏性和相邻光谱间的相关性。并采用ADMM（Alternating Direction Multiplier Method）算法求解，实验证明该算法易于收敛。在模拟和真实的高光谱图像实验中，与其他方法相比，该方法在去除HSI混合噪声方面具有更好的性能。
Abstract:Hyperspectral images (HSIs) are polluted by a large amount of mixed noise during the acquisition process, which affects the performance of subsequent applications of remote sensing images. Therefore, restoring clean HSI from the mixed noise is an important preprocessing step. In this study, a hyperspectral mixed noise image restoration model based on nonconvex low-rank tensor decomposition and group-sparse total variational regularization is proposed. On the one hand, by using logarithmic tensor nuclear norm to approximate the low-rank characteristics of the HSI, the inherent tensor structure of hyperspectral data can be utilized, and the shrinkage of larger singular values can be reduced to preserve more detailed features of the image. On the other hand, the group sparse total variational regularization can be used to enhance the spatial sparsity of the HSI and correlation between adjacent spectra. ADMM algorithm is used to solve the problem, and an experiment shows that the algorithm converges easily. In simulated and real hyperspectral image experiments, this method performs better in removing HSI mixed noise when compared to other methods.
-
0. 引言
近年来，随着红外制冷探测器朝尺寸小、重量轻、功耗低、成本低即低SWaP-C（size, weight and power, cost）方向快速发展，集成小型制冷机的该类中波红外探测器国外已大量应用于武器热瞄镜、便携式手持热像仪、小型无人机、无人车、遥控狙击手和遥控武器站、导弹导引头等空间受限的红外系统[1]。针对该类小型探测器设计一款仅由4片透镜组成的尺寸小、重量轻、成本低的中波红外连续变焦光学系统进而生产结构紧凑、低功耗和低成本的红外变焦热像仪将在手持观瞄具、边防监视系统、小型无人系统等平台得到广泛应用。
目前采用四片式的红外变焦光学多为双视场变焦系统。文献[2]为四片式非制冷双视场，文献[3]为四片制冷型长波双视场系统，文献[4]为4片制冷型中波双视场系统，目前仅采用4片透镜实现连续变焦的制冷型红外光学系统未见报道。
从变焦理论分析，一般常用的机械补偿变焦系统由典型的前固定组、变倍组、补偿组、后固定组4组透镜组成。变倍组一般是负透镜，而补偿组可以是正透镜组也可以是负透镜组，前者为正组补偿系统，后者称为负组补偿系统。从光学系统像差校正难易程度、减少透镜数量、降低光学透镜成本考虑，本文采用无后固定组正组补偿变焦系统，即变焦部分由会聚目标光线的前固定组正透镜、变倍负透镜、补偿正透镜构成。为压缩前固定组物镜口径并满足100%冷屏效率，系统采用二次成像方案，利用单片正光焦度透镜将一次像再次中继成像到探测器焦平面。为压缩轴向尺寸，采用二片平面反射镜将光路U型折转，最终实现仅由4片透镜构成的轻小型中波红外连续变焦光学系统。
1. 连续变焦理论计算模型
机械补偿连续变焦光学系统参数求解就是确定变焦系统在满足像面稳定和焦距在一定范围内连续变化的条件下系统中各组元的焦距、间隔、位移量等参数。通过建立数学模型能方便地计算和分析变焦过程、确定变焦系统高斯光学参数[5]。二组元正组补偿连续变焦系统运动方式如图 1所示。
![]()
图 1 正组补偿光学系统变焦模型Figure 1. Principle diagrams of continuous zoom optical system with mechanical compensation变焦系统由于只有运动组才产生像面位移，只需抽出变倍组、补偿组加以分析。
因变倍组f2′的移动，引起整个运动组分的像面移动为m32(1－m22)dq，因补偿组f3′的移动，引起整个运动组分的像面移动为(1－m32)dΔ。为达到像面稳定，两个运动组像面移动量的代数和必为零。
$$ m_3^2\left(1-m_2^2\right) \mathrm{d} q+\left(1-m_3^2\right) \mathrm{d} \varDelta=0$$ (1) 而变倍组f2′、补偿组f3′微分移动量dq、dΔ与其倍率变化dm2、dm3之间的关系为：
$$ \mathrm{d} q = \frac{{{f_2}'}}{{m_2^2}}\mathrm{d}{m_2} $$ (2) $$ \mathrm{d} \varDelta=f_3{ }^{\prime} \mathrm{d} m_3 $$ (3) 将(2)、(3)代入(1)，经整理得到二组元连续变焦微分方程如下：
$$ \frac{{1 - m_2^2}}{{m_2^2}}{f_2}'\mathrm{d}{m_2} + \frac{{1 - m_3^2}}{{m_3^2}}{f_3}'\mathrm{d}{m_3} = 0 $$ (4) 式(4)是多变量全微分型微分方程，设U(m2, m3)为原函数，则有dU(m2, m3)＝0。
其通解为：
$$ U({m_2}, {m_3}) = {f_2}'(\frac{1}{{{m_2}}} + {m_2}) + {f_3}'(\frac{1}{{{m_3}}} + {m_3}) = C $$ (5) 式中：C为常量；设变倍组f2′、补偿组f3′初始状态都处于系统长焦位置，则：
$$ m_{2}＝m_{2l}\text{；}m_{3}＝m_{3l} $$ (6) 同样有：
$$ {f_2}'(\frac{1}{{{m_{2l}}}} + {m_{2l}}) + {f_3}'(\frac{1}{{{m_{3l}}}} + {m_{3l}}) = C $$ (7) 消去常量C，得到方程的特解：
$$ {f_2}'(\frac{1}{{{m_2}}} - \frac{1}{{{m_{2l}}}} + {m_2} - {m_{2l}}) + {f_3}'(\frac{1}{{{m_3}}} - \frac{1}{{{m_{3l}}}} + {m_3} - {m_{3l}}) = 0 $$ (8) 将(8)式整理得到补偿组f3′的倍率m3构成的二次方程：
$$ m_3^2 - b{m_3} + 1 = 0 $$ (9) 其中
$$ b = - \frac{{{f_2}'}}{{{f_3}'}}(\frac{1}{{{m_2}}} - \frac{1}{{{m_{2l}}}} + {m_2} - {m_{2l}}) + (\frac{1}{{{m_{3l}}}} + {m_{3l}}) $$ (10) 解得m3的两根为：
$$ {m_{31}} = \frac{{b + \sqrt {{b^2} - 4} }}{2} $$ (11) $$ {m_{32}} = \frac{{b - \sqrt {{b^2} - 4} }}{2} $$ (12) 系统参数求解过程如下：
1）将(2)式积分并整理得到变倍组f2′的倍率m2；
$$ {m_2} = \frac{1}{{\frac{1}{{{m_{2l}}}} + \frac{{{q_2}}}{{{f_2}'}}}} $$ (13) 2）根据求得的m2按照公式(10)求出系数b，再由(11)、(12)式解得补偿组f3′满足运动方程的两个解m31和m32。
3）根据补偿组的两个解求出满足运动方程补偿像面位移的移动量Δ1和Δ2：
$$ \varDelta_{1}＝f_{3}′(m_{31}－m_{3l})$$ (14) $$ \varDelta_{2}＝f_{3}′(m_{32}－m_{3l}) $$ (15) 4）求出系统的总变倍比
$$ {\varGamma _1} = \frac{{{m_{2l}}{m_{3l}}}}{{{m_2}{m_{31}}}} $$ (16) $$ {\varGamma _2} = \frac{{{m_{2l}}{m_{3l}}}}{{{m_2}{m_{32}}}} $$ (17) 变倍组f2′每移动q2对应着Γ1和Γ2，变倍组和补偿组一起同步运动直到预定的总变倍比为止，到达变倍比的要求的最终状态为系统短焦位置。根据上述连续变焦微分模型，利用(10)~(17)式，可解得各组分光焦度分配及间隔位置关系。
2. 连续变焦系统设计流程
针对复杂的变焦光学系统，建立模型是至关重要的环节，尽管根据(10)~(17)式可推导求解变焦系统高斯参数，但是当光学系统初始参数选择不合适, 会使得系统光焦度分配不合理导致系统像差校正难度大、间隔不合适导致各组件运动中相互碰撞等情况发生。鉴于连续变焦系统的复杂性，系统建模难度大，因此根据连续变焦理论模型编制连续变焦参数计算程序，辅助建立理想光学模型。建模后，设计工作的重点将放在选型以及评价函数的设置和动态修改上，使得设计系统快速收敛[6]。连续变焦光学系统设计流程如图 2所示。
首先，根据设计指标要求需要建立理想光学模型，确定每个组元的参数；再合理选型选材、设定评价函数，进入优化和全局优化；最后根据设计结果评价成像质量。其中函数优化和像质评价环节反复多次迭代，直至达到设计技术指标要求。
3. 连续变焦光学系统设计
3.1 设计指标
中波制冷型连续变焦光学系统采用昆明物理研究所研制生产的长度方向仅119 mm的小型化制冷型中波红外640×512焦平面探测器组件，该探测器具体参数如表 1所示。连续变焦光学系统主要设计指标见表 2。
表 1 探测器参数Table 1. Parameters of detectorDetector HgCdTe Array size 640×512 Pixel dimension/μm 15 NETD/mK ≤22 Spectral response/μm 3.7−4.8 μm Weight ≤380 g 表 2 光学系统设计指标Table 2. Parameters of optical system designWorking waveband/μm 3.7 to 4.8 Zoom 10:01 Field of view 20°×16° to 2.0°×1.6° F# 4 Focal length/mm 27.0~275 Working temperature/℃ -40 to 60 3.2 设计过程
首先，按照系统指标要求，根据连续变焦理论模型编制连续变焦正组补偿参数计算程序求解变焦光学系统各组元光焦度分配及位置间隔关系。在系统初始参数取值上主要考虑以下几点：
1）系统采用二次成像，既可以压缩前固定组直径又可以满足100%冷屏效率。中继组初始倍率取为－1×，前端变焦核心按照系统实际变焦范围进行取值，无需缩放；
2）系统无后固定组，在理论求解中将后固定组倍率取为1×即将后固定组定为无光焦度的虚拟面；
3）为压缩系统变焦过程中变倍组、补偿组位移量，变倍组长焦初始倍率取较大的倍率值，以符合最速变焦理论；
4）考虑光路U型折转，补偿组和中继组之间需较大的空间安置两片平面反射镜，则补偿组取较大的焦距值；
5）系统处于短焦位置时前固定组与变倍组应留出足够的间隔，使两组透镜不至于相碰，初始值设为0.55，补偿组与无光焦度后固定组虚拟面距离初始设为0.55。
利用计算程序，通过反复调整系统初始参数，观察组元间隔、光焦度分配是否合适，最终确定系统初始值为：
$$ \begin{gathered} f_{2}′＝－1、f_{3}′＝1.62、m_{2l}＝－1.45、\\m_{3l}＝－1.34、d_{12d}＝0.55、d_{34d}＝0.55 \end{gathered} $$ 表 3为连续变焦光学系统参数简易计算程序按照上述初始值计算得到的5个视场位置的变焦间隔参数分配结果。
表 3 变焦系统初始间隔参数Table 3. Initial spacing parameters of optical systemFocal length/mm 275 215 150 78.6 25.9 f1/f2 spacing/mm 83.49 80.06 74.56 59.44 18.90 f2/f3 spacing/mm 13.02 24.01 38.57 68.69 125.94 f3/f4 spacing/mm 67.23 59.67 50.61 35.61 18.90 其次，将上述程序计算的变焦光学系统各组元光焦度及间隔位置参数输入ZEMAX光学设计程序，得到系统近轴光学结构，如图 3所示。通过近轴光学结构分析，系统在各位置的焦距值与计算值吻合、总长一致、间隔布局合理、变焦曲线连续，验证程序计算结果正确，可进入下一步选型工作。
再次，考虑各组元材料与调焦镜的选取，由于系统需满足－40℃~+60℃工作环境下成像清晰要求，按照光学系统无热化设计理论，系统的光焦度分配、材料选取、元件间隔都要满足光焦度、消色差、消热差3个方程[7]。
$$ \sum\limits_{i = 1}^j {{h_i}{\varphi _i}} = \varphi $$ (18) $$ {\left( {\frac{1}{{{h_1}\varphi }}} \right)^2}\sum\limits_{i = 1}^j {h_i^2{\varphi _i}{\theta _i}} = 0 $$ (19) $$ {\left( {\frac{1}{{{h_1}\varphi }}} \right)^2}\sum\limits_{i = 1}^j {h_i^2{\varphi _i}{\chi _i}} = \sum\limits_{i = 1}^j {{\alpha _i}{L_i}} $$ (20) 式中：hi、ϕi、θi、χi分别为系统各透镜组近轴光线高度、光焦度、色差系数及热差系数；h1为第一透镜近轴光线高；ϕ为系统总光焦度；αi为各透镜间隔镜筒材料的线膨胀系数；Li为各间隔镜筒长度。
该系统采用分步设计技术实现系统连续变焦无热化。首先选取满足上述(18)(19)公式的光焦度和材料分配，实现系统常温状态连续变焦成像清晰及高低温情况下离焦量的线性变化，系统光学材料主要选用硅单晶、锗单晶及硒化锌。其次利用主动补偿技术使系统满足(20)式要求，由于系统透镜数量少，变倍组、补偿组采用凸轮轨道变焦，中继组的轴向移动会产生变倍效果即系统视场焦距发生变化，因此采用前固定组轴向移动来进行主动调焦消热。通过上述无热化设计方法，光学系统在－40℃~+60℃温度范围内保持其性能基本不变。
最后，设置多重结构，合理设计像差评价函数，不断调整优化。为提升连续变焦系统各视场成像清晰度要求，通过设置多个高次非球面和二元衍射面，以提供更多的自由度，有利于球差、色差、像散等各类像差的校正。
3.3 设计结果
轻小型中波红外连续变焦光学系统最终设计结果如图 4所示，从上到下依次为长焦275 mm、中焦100 mm、短焦27 mm的系统图。
系统前固定组采用硅单晶材料用于会聚目标景物光线、压缩变倍组透镜尺寸；变倍组采用锗单晶材料，利用锗单晶高折射率、高色散的特性实现大倍率的变焦；补偿组采用硒化锌材料主要利用其较低的温度折射率系数使其在高低温工作环境只产生较小的离焦量以便实时补偿；中继组选择具有低的温度折射率系数、低色散的硅单晶材料平衡前端变焦核的残留色差。
整个光学系统由4片透镜、两个平面反射镜组成，其中最大透镜为第一透镜其加工直径为71 mm，平面反射镜U型折转后光学系统轴向尺寸长度172 mm，横向尺寸宽度108 mm，光学零件总重量为64 g。该系统光学透镜数量少、重量轻，光路紧凑体积小，冷屏效率100%，适配小型化制冷探测器符合连续变焦光学系统轻小型设计理念。
3.4 二元衍射面分析
由于二元衍射面在消热差、消色差方面的优异特性，系统采用了两个二元衍射面用于减少透镜数量、简化系统设计、提高系统成像质量。
在补偿组透镜硒化锌材料上引入的二元衍射面参数为Norm Radius＝15 mm，A1＝－33.416，A2＝4.580。经计算得到二元衍射面环带深度随透镜径向的变化如图 5所示。硒化锌二元面环带数为4，最大环带深度2.918 μm，最小环带间隔宽度为2.06 mm。该面型环带间隔宽、加工环带数量少，易于单点金刚石车削加工。
![]()
图 5 硒化锌基底二元面环带与半径的关系Figure 5. Relationship between the ring depth and radius of the ZnSe binary optical element在中继组硅单晶材料引入的二元衍射面参数为Norm Radius＝16 mm，A1＝－60.402，A2＝－1.254。其环带深度随透镜径向的变化如图 6所示。硅透镜二元面环带数为9，最大环带深度1.72 μm，最小环带间隔宽度为0.86 mm。该透镜由于材料硬、环带多相对加工难度大，目前昆明物理所光学中心采用单点金刚石车削加工工艺，能制造出满足指标要求的硅基底二元光学元件。
![]()
图 6 硅基底二元面环带与半径的关系Figure 6. Relationship between the ring depth and radius of the silicon binary optical element3.5 凸轮曲线计算
本文应用动态光学理论[8]，根据像移补偿公式计算补偿组运动曲线。由于变焦组和补偿组均为沿光轴的一维移动，稳像方程为：
$$ {\beta _{2m}}{\beta _2}(1 - {\beta _{1m}}{\beta _1}){q_1} + (1 - {\beta _{2m}}{\beta _2}){q_2} = 0 $$ (21) 式中：β1为变倍组初始位置的垂轴放大率；β1m为变倍组运动后的垂轴放大率；β2为补偿组初始位置的垂轴放大率；β2m补偿组运动后的垂轴放大率；q1为变倍组沿光轴位移量；q2为补偿组沿光轴位移量。
式中：
$$ {\beta _{1m}} = \frac{{{\beta _1}{f_1}'}}{{{f_1}' - {\beta _1}{q_1}}} $$ (22) $$ {\beta _{2m}} = \frac{{{\beta _2}{f_2}'}}{{{f_2}' + (1 - {\beta _1}{\beta _{1m}}){\beta _2}{q_2} - {\beta _2}{q_2}}} $$ (23) 由(21)式~(23)式可得出q1和q2的运动关系，即：
$$ Aq_{2}^{2}+Bq_{2}+C＝0$$ (24) 式中：
$$ A＝(f_{1}′－β_{1}q_{1})β_{2}\text{；} $$ $$ \begin{align} B＝&β_{1}β_{2}q_{1}^{2}+[f_{2}′(1－β_{2}^{2})β_{1}－f_{1}′(1－β_{1}^{2})β_{2}]q_{1}－ \\&f_{1}′f_{2}′(1－β_{1}^{2}) \end{align}$$ $$ C＝β_{2}^{2}f_{2}′[β_{1}q_{1}－f_{1}′(1－β_{1}^{2})]q_{1} $$ 得到：
$$ {q_2} = \frac{{ - B \pm \sqrt {{B^2} - 4AC} }}{{2A}} $$ (25) 根据上述求解公式计算该变焦系统凸轮曲线如图 7所示。变倍组最大行程为28.6 mm、补偿组最大行程35 mm；补偿组曲线变化平滑，有利于凸轮轨道加工。
4. 系统像质评价
4.1 光学传递函数
系统3个焦距状态下的光学传递函数（MTF）如图 8所示。在3个焦距状态下的系统MTF满足使用要求，光学系统成像质量清晰。
4.2 点列图
系统3个焦距状态下的点列图如图 9所示。各视场RMS（root mean square）均小于一个像素，最大弥散斑RMS半径为12.6 μm，小于像元尺寸；最大弥散斑几何半径为24.5 μm，与系统艾里斑半径20.9 μm相当。系统成像质量良好，满足使用要求。
4.3 畸变
系统畸变情况如图 10所示，在长焦端小视场位置时，最大畸变量为1.2%，在短焦端大视场位置时的最大畸变量为2.4%，该变焦系统畸变对连续成像无明显影响。
4.4 系统高低温成像质量
在高低温工作环境中，系统采用轴向移动前固定组进行主动调焦消热。系统长焦端受环境温度变化，成像质量影响较大，本文主要分析长焦275 mm在高低温下经补偿后的系统成像质量。图 11为系统在高低温下长焦经补偿后的系统调制传递函数。图 12为系统在高低温下长焦经补偿后的系统点列图。从高低温传函图及点列图中看出系统在－40℃~60℃范围内成像质量良好，满足使用要求。
![]()
图 11 系统长焦时高低温下光学传递函数Figure 11. MTF curves of continuous zoom optical system at high and low temperatures![]()
图 12 系统长焦时高低温下点列图Figure 12. Spot diagrams of continuous zoom optical system at high and low temperatures5. 结论
基于小型化制冷中波640×512、像元间距15 μm的焦平面探测器，设计一款具有SWaP-C特征的正组补偿连续变焦光学系统。系统由4片透镜两片平面反射镜组成，F#为4、视场变化范围为20°×16°~2.0°×1.6°，变倍比为10×、U型折叠后系统包络尺寸为172 mm×108 mm、最大物镜口径71 mm、光学零件总重量64 g、零件加工工艺成熟，变焦凸轮曲线平滑，在－40℃~60℃范围内保持较好的成像质量。该轻小型中波红外连续变焦光学系统在导航、搜索、跟踪、警戒、侦察等领域具有广阔的市场前景。
-
![]()
图 1 Case1中各种算法去噪后第20波段对比
Figure 1. Comparison of the 20th band after denoising of various algorithms in Case1
![]()
图 2 Case2中各种算法去噪后第58波段对比
Figure 2. Comparison of the 58th band after denoising of various algorithms in Case2
![]()
图 6 HYDICE Urban数据第109波段恢复图像比较
Figure 6. Comparison of restored images in the 109th band of HYDICE Urban data
![]()
图 7 HYDICE Urban数据第109波段水平平均剖面比较
Figure 7. Comparison of the 109th band horizontal mean profile in HYDICE Urban data
表 1 Pavia city center数据集的不同去噪方法的定量评价结果
Table 1 Quantitative evaluation results of different denoising methods in Pavia city center data sets
Case Indexes Noise LRMR LRTV LRTDTV LRTDGS FRCTR-PnP NCLRGSTV Case 1 MPSNR 14.144 33.336 34.356 34.743 35.380 34.557 36.369 MSSIM 0.2143 0.9341 0.9444 0.9457 0.9506 0.9370 0.9637 MFSIM 0.5985 0.9590 0.9626 0.9646 0.9647 0.9630 0.9761 MSAM 0.6676 0.0833 0.0545 0.0495 0.0637 0.1331 0.0514 ERGAS 707.54 74.698 65.280 70.351 61.441 109.32 51.975 Time/s - 43.046 23.234 61.463 47.482 371.04 71.641 Case 2 MPSNR 14.118 33.175 34.291 34.710 35.294 34.251 36.232 MSSIM 0.2142 0.9332 0.9439 0.9457 0.9496 0.9348 0.9632 MFSIM 0.5976 0.9588 0.9627 0.9643 0.9710 0.9608 0.9757 MSAM 0.6687 0.0846 0.0547 0.0494 0.0625 0.1304 0.0519 ERGAS 707.93 75.787 65.678 61.582 59.506 108.85 52.485 Time/s - 43.294 22.994 61.906 44.786 397.41 72.997 Case 3 MPSNR 14.092 33.083 34.193 34.652 35.220 34.338 35.969 MSSIM 0.2114 0.9330 0.9437 0.9454 0.9491 0.9356 0.9619 MFSIM 0.5955 0.9587 0.9624 0.9641 0.9707 0.9618 0.9746 MSAM 0.6720 0.0855 0.0553 0.0493 0.0641 0.1207 0.0538 ERGAS 709.14 76.431 66.452 61.936 60.275 100.18 54.261 Time/s - 43.680 22.733 61.790 45.851 373.44 77.096 
下载: 导出CSV
-
[1] Bioucas Dias J M, Plaza A, Camps Valls G, et al. Hyperspectral remote sensing data analysis and future challenges[J]. IEEE Trans. Geosci. Remote Sens. , 2013, 1: 6-36.
[2] LI Hengchao, WANG Weiye, PAN Lei, et al. Robust capsule network based on maximum correntropy criterion for hyperspectral image classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 738-751. DOI: 10.1109/JSTARS.2020.2968930
[3] DIAN R, LI S, FANG L. Learning a low tensor-train rank representation for hyperspectral image super-resolution[J]. IEEE Trans. Neural Netw. Learn. , Syst. , 2019, 30(9): 2672-2683. DOI: 10.1109/TNNLS.2018.2885616
[4] Bioucas Dias J M, Plaza A, Dobigeon N, et al. Hyperspectral unmixing overview: geometrical, statistical, and sparse regression-based approaches[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(2): 354-379. DOI: 10.1109/JSTARS.2012.2194696
[5] ZHANG Pengdan, NING Jifeng. Hyperspectral image denoising via group sparsity regularized hybrid spatio-spectral total variation[J]. Remote. Sens., 2022, 14: 2348. DOI: 10.3390/rs14102348
[6] Elad M, Aharon M. Image denoising via sparse and redundant representations over learned dictionaries[J]. IEEE Trans. Image Process., 2006, 15(12): 3736-3745. DOI: 10.1109/TIP.2006.881969
[7] Green A A, Berman M, Switzer P, et al. A transformation for ordering multispectral data in terms of image quality with implications for noise removal[J]. IEEE Transactions on Geoscience and Remote Sensing, 1988, 26(1): 65-74. DOI: 10.1109/36.3001
[8] Candès E J, LI X, MA Y, et al. Robust principal component analysis?[J]. J. ACM, 2011, 58: 1-37.
[9] GU S, ZHANG L, ZUO W, et al. Weighted nuclear norm minimization with application to image denoising[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2014: 2862–2869.
[10] HE W, ZHANG H, ZHANG L, et al. Hyperspectral image denoising via noise-adjusted iterative low-rank matrix approximation[J]. IEEE J. Sel. Top. Appl. Earth Observ. Remote Sens, . 2015, 8: 3050-3061.
[11] Karami A, Yazdi M, Asli A Z. Noise reduction of hyperspectral images using kernel non-negative tucker decomposition[J]. IEEE J. Sel. Topics Signal Process. , 2011, 5(3): 487-493. DOI: 10.1109/JSTSP.2011.2132692
[12] FAN H, CHEN Y, GUO Y, et al. Hyperspectral image restoration using low-rank tensor recovery[J]. IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens. , 2017, 10(10): 4589-4604. DOI: 10.1109/JSTARS.2017.2714338
[13] HE W, ZHANG H, ZHANG L, et al. Total-variation-regularized low-rank matrix factorization for hyperspectral image restoration[J]. IEEE Trans. Geosci. Remote Sens. , 2016, 54(1): 178-188. DOI: 10.1109/TGRS.2015.2452812
[14] WANG Y, PENG J, ZHAO Q, et al. Hyperspectral image restoration via total variation regularized low-rank tensor decomposition[J]. IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens., 2018, 11(4): 1227-1243. DOI: 10.1109/JSTARS.2017.2779539
[15] FAN H, LI C, GUO Y, et al. Spatial–spectral total variation regularized low-rank tensor decomposition for hyperspectral image denoising[J]. IEEE Trans. Geosci. Remote Sens. , 2018, 56(10): 6196-6213. DOI: 10.1109/TGRS.2018.2833473
[16] CHEN Y, HE W, Yokoya N, et al. Hyperspectral image restoration using weighted group sparsity-regularized low-rank tensor decomposition[J]. IEEE Transactions on Cybernetics, 2020, 50(8): 3556-3570. DOI: 10.1109/TCYB.2019.2936042
[17] SHI Q, TANG X, YANG T, et al. Hyperspectral image denoising using a 3-D attention denoising network[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(12): 10348-10363. DOI: 10.1109/TGRS.2020.3045273
[18] WANG Z, SHAO Z, HUANG X, et al. SSCAN: a spatial–spectral cross attention network for hyperspectral image denoising[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 1-5.
[19] ZHENG Y B, HUANG T Z, ZHAO X L, et al. Mixed noise removal in hyperspectral image via low-fibered-rank regularization[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(1): 734-749. DOI: 10.1109/TGRS.2019.2940534
[20] Fazel M, Hindi H, Boyd S P. Log-det heuristic for matrix rank minimization with applications to Hankel and Euclidean distance matrices[C]//Proc. IEEE Amer. Control Conf., 2003, 3: 2156-2162.
[21] Mohan K, Fazel M. Iterative reweighted algorithms for matrix rank minimization[J]. J. Mach. Learn. Res., 2012, 13(1): 3441-3473.
[22] DENG Y, DAI Q, LIU R, et al. Low-rank structure learning via nonconvex heuristic recovery[J]. IEEE Trans. Neural Netw. Learn. Syst., 2013, 24(3): 383-396. DOI: 10.1109/TNNLS.2012.2235082
[23] DONG W, SHI G, HU X, et al. Nonlocal sparse and low-rank regularization for optical flow estimation[J]. IEEE Trans. Image Process. , 2014, 23(10): 4527-4538. DOI: 10.1109/TIP.2014.2352497
[24] JI T Y, HUANG T Z, ZHAO X L, et al. A non-convex tensor rank approximation for tensor completion[J]. Applied Mathematical Modelling, 2017, 48: 410-422. DOI: 10.1016/j.apm.2017.04.002
[25] Boyd S, Parikh N, CHU E, et al. Distributed optimization and statistical learning via the alternating direction method of multipliers[J]. Found. Trends Mach. Learn., 2011, 3(1): 1-122.
[26] ZHANG Z, LIU D, Aeron S, et al. An online tensor robust PCA algorithm for sequential 2D data[C]//Proc. Int. Conf. Acoust., Speech, Signal Process., 2016: 2434-2438.
[27] LU C, FENG J, CHEN Y, et al. Tensor robust principal component analysis: exact recovery of corrupted low-rank tensors via convex optimization[C]//IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016: 5249-5257.
[28] GU S, ZHANG L, ZUO W, et al. Weighted nuclear norm minimization with application to image denoising[C]//Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), 2014: 2862-2869.
[29] Aggarwal H K, Majumdar A. Hyperspectral image denoising using spatio-spectral total variation[J]. IEEE Geosci. Remote Sens. Lett. , 2016 13(3): 442-446.
[30] HE W, ZHANG H, SHEN H, et al. Hyperspectral image denoising using local low-rank matrix recovery and global spatial–spectral total variation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(3): 713-729. DOI: 10.1109/JSTARS.2018.2800701
[31] XIE Q, ZHAO Q, MENG D, et al., Multispectral images denoising by intrinsic tensor sparsity regularization[C]//Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), 2016: 1692-1700.
[32] LIU Y Y, ZHAO X L, ZHENG Y B, et al. Hyperspectral image restoration by tensor fibered rank constrained optimization and plug-and-play regularization[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1-17.
[33] Eckstein J, YAO W. Understanding the convergence of the alternating direction method of multipliers: theoretical and computational perspectives[J]. Pacific Journal of Optimization, 2015, 11(4): 619-644.
[34] LUO Y S, ZHAO X L, JIANG T X, et al. Hyperspectral mixed noise removal via spatial-spectral constrained unsupervised deep image prior[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 9435-9449. DOI: 10.1109/JSTARS.2021.3111404
[35] LAI Z, WEI K, FU Y. Deep plug-and-play prior for hyperspectral image restoration[J]. Neurocomputing, 2022, 481: 281-293. DOI: 10.1016/j.neucom.2022.01.057
计量
- 文章访问数: 55
- HTML全文浏览量: 4
- PDF下载量: 21
