CN106067165B - 基于聚类化稀疏随机场的高光谱图像去噪方法 - Google Patents
基于聚类化稀疏随机场的高光谱图像去噪方法 Download PDFInfo
- Publication number
- CN106067165B CN106067165B CN201610374506.8A CN201610374506A CN106067165B CN 106067165 B CN106067165 B CN 106067165B CN 201610374506 A CN201610374506 A CN 201610374506A CN 106067165 B CN106067165 B CN 106067165B
- Authority
- CN
- China
- Prior art keywords
- model
- matrix
- follows
- denoising
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001228 spectrum Methods 0.000 title abstract description 12
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000005381 potential energy Methods 0.000 claims abstract description 18
- 230000003595 spectral effect Effects 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 35
- 238000005457 optimization Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract 1
- 238000003384 imaging method Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于聚类化稀疏随机场的高光谱图像去噪方法,用于解决现有高光谱图像去噪方法去噪性能差的技术问题。技术方案是根据光谱特性将高光谱图像中的像素聚成若干个类别,利用马尔科夫随机场模型构造图像的先验模型。先验中定义的类内结构稀疏性势能函数和图结构势能函数,分别约束了类内像素光谱维上的相关性和空间维上的相似性。并且,采用正则化回归模型,联合表征了先验学习模型和去噪模型。由于联合考虑了高光谱图像光谱维上的相关性和空间维上的相似性,去噪性能得以提升。在CAVE数据集上的去噪实验表明,当噪声图像的信噪比为16.5分贝时,去噪结果获得的峰值信噪比达到了33.3分贝。
Description
技术领域
本发明涉及一种高光谱图像去噪方法,特别是涉及一种基于聚类化稀疏随机场的高光谱图像去噪方法。
背景技术
高光谱图像包含的光谱信息,反映了成像场景在不同电磁波段下的反射比,能够对场景进行更为全面和可靠的描述。因此,高光谱图像在目标探测、医疗诊断和农业监控等诸多方面发挥出了极大的优势。然而,在实际成像过程中,高光谱图像往往会不可避免地受到噪声的污染,导致图像质量下降,影响了高光谱图像在诸多应用上的性能发挥。因此,高光谱图像去噪成为了其应用中的关键步骤。
文献“Maggioni M,Katkovnik V,Egiazarian K,et al.Nonlocal transform-domain filter for volumetric data denoising and reconstruction[J].ImageProcessing,IEEE Transactions on,2013,Vol.22(1),p119-133.”公开了一种有效的高光谱图像去噪算法。该算法将相似的三维图像块聚集成数据组,通过同时挖掘组内的局部相似性和不同组之间的非局部相似性,并且利用变换域的滤波技术,实现高光谱图像的去噪。然而,该算法忽略了高光谱图像中光谱维上存在的强相关性,去噪性能有限。
发明内容
为了克服现有高光谱图像去噪方法去噪性能差的不足,本发明提供一种基于聚类化稀疏随机场的高光谱图像去噪方法。该方法根据光谱特性将高光谱图像中的像素聚成若干个类别,利用马尔科夫随机场模型构造图像的先验模型。先验中定义的类内结构稀疏性势能函数和图结构势能函数,分别约束了类内像素光谱维上的相关性和空间维上的相似性。并且,采用正则化回归模型,联合表征了先验学习模型和去噪模型。由于联合考虑了高光谱图像光谱维上的相关性和空间为维上的相似性,去噪性能得以提升。
本发明解决其技术问题所采用的技术方案是:一种基于聚类化稀疏随机场的高光谱图像去噪方法,其特点是包括以下步骤:
步骤一、建立噪声图像的观测模型F=X+N,其中表示噪声图像,表示噪声;假设噪声N为高斯白噪声,服从矩阵正太分布其中,Σn=diag(λ)表示以λ为对角线元素的对角矩阵,表示行间协方差矩阵;为列向量,控制不同波段的噪声程度;I为对应尺寸的单位矩阵,表示列间协方差矩阵;假设干净的高光谱图像X在光谱字典上稀疏表示为X=ΦY,表示稀疏表示系数矩阵,nd表示字典中原子的个数;结合噪声分布、观测模型以及图像的稀疏表示模型,获得似然函数,
其中,表示矩阵Q的加权迹范数,Q=ΦY-F;
步骤二、根据光谱特性将X中的像素聚为K个类别,表示第k个类别中所有像素的集合,nk表示该类别中像素的个数,k=1,...,K;Xk在字典Φ下的稀疏表示系数矩阵表示为针对X的稀疏表示系数矩阵Y设计聚类化稀疏随机场先验;首先,给出Y的马尔科夫随机场模型,如下
其中,Γk=diag(γk),Σk=diag(ηk);表示Yk自我表示的权重矩阵,其对角线元素全为0;为结构稀疏性势能函数,为图结构势能函数;其次,在结构稀疏性势能函数中,为了描述Yk内在的结构稀疏性,进一步对γk引入如下的伽马分布,
其中,接着,在图结构势能函数中,为了描述类内光谱自我表示误差的稀疏性,对ηk引入如下的伽马分布,
其中,最后,为了避免先验学习过程中的过拟合现象,对Wk中的每一列引入独立同分布的正太分布先验,如下
其中,表示Wk中的第i个列向量,∈为给定参数,∈=20;表示均值为0,协方差矩阵为∈-1I的正太分布;为了便于表示,将上述具有级联结构的先验模型,统一表示为如下的先验形式,
其中,变量表示先验模型中的所有参数,pcsf(Y|Θ)则表示聚类化稀疏随机场先验;
步骤三、将先验学习模型和去噪模型进行联合建模;首先,利用最大化后验概率估计从噪声图像中估计先验模型参数Θ和噪声程度参数λ,如下
然而,式子(7)无法求解;为此,对先验模型中的进行如下近似,
其中,Mk=Y′kWk,Y′k表示在前一次迭代中与Xk对应的稀疏表示系数矩阵;将式子(8)代入到式子(7)中,通过积分,并引入-2log运算,式子(7)简化为:
其中,tr(·)表示迹范数,Fk为与Xk对应的局部噪声图像;||·||F表示弗罗贝尼乌斯范数;进一步,将已知的数学关系,代入式子(9)中,得到联合先验学习模型和去噪模型的正则化回归模型,如下
步骤四、采用交替最小化方法将式子(10)分解为若干个子问题进行迭代求解,直至收敛;在每个子问题中仅优化一个变量而固定其他所有变量;具体步骤如下:
①初始化λ,为对应长度的全1向量,利用现有去噪算法的结果初始化X,计数变量初始化t=0;
②将X中的每一列看作一个样本,进行主成分分解,用得到的正交基构成字典Φ,并利用K-均值聚类方法依据光谱特性将X中的像素聚为K=30个类别;
③固定X,得到关于权重矩阵Wk的优化子问题,如下
求解得到更新所有的Wk,k=1,...,K;
④固定γk,ηk和λ,根据上一次迭代中得到的Xk,计算Mk=ΦTXkWk,然后得到关于Y的优化子问题,如下
求解得到更新所有的Yk,并根据聚类关系重新构成Y,然后更新高光谱图像X=ΦY;
⑤固定Yk,ηk和λ,得到关于γk的子问题,如下
求解得到γk中第j个元素γjk的更新形式,如下
其中,zj为向量中的第j个元素,为向量中的第j个元素;此处diag(·)表示取矩阵对角线元素组成列向量;表示中的第j个元素;根据关系式(14),更新γk中的所有元素;
⑥固定γk,得到的子问题
求解得到中第j个元素更新中的所有元素;
⑦固定Yk,Mk,νk和λ,得到关于ηk的优化子问题,如下
求解得到ηk中第j个元素ηjk的更新形式,如下
其中,αj为向量中的第j个元素,为向中的第j个元素;diag(·)表示取矩阵对角线元素组成列向量;νjk表示νk中的第j个元素;根据关系式(17),更新ηk中的所有元素;
⑧固定ηk,得到关于νk的优化子问题,如下
求解得到νk中第j个元素νjk=2/ηjk,更新νk中的所有元素;
⑨固定Yk,γk和ηk,得到关于λ的优化子问题,如下
求解得到λ中第j个元素λjk的更新形式,如下
其中,βjk是向量中的第j个元素,是向量中的第j个元素;diag(·)表示取矩阵对角线元素组成列向量;利用式子(20)更新λ中的所有元素;
⑩计数变量t加1,如果t<4,循环执行步骤②~⑩;否则,退出程序。
本发明的有益效果是:该方法根据光谱特性将高光谱图像中的像素聚成若干个类别,利用马尔科夫随机场模型构造图像的先验模型。先验中定义的类内结构稀疏性势能函数和图结构势能函数,分别约束了类内像素光谱维上的相关性和空间维上的相似性。并且,采用正则化回归模型,联合表征了先验学习模型和去噪模型。由于联合考虑了高光谱图像光谱维上的相关性和空间为维上的相似性,去噪性能得以提升。在CAVE数据集上的去噪实验表明,当噪声图像的信噪比为16.5分贝时,去噪结果获得的峰值信噪比达到了33.3分贝。
下面结合具体实施方式对本发明作详细说明。
具体实施方式
本发明基于聚类化稀疏随机场的高光谱图像去噪方法具体步骤如下:
对于包含nb个波段,每个波段空间上包含nr行和nc列的高光谱图像,将其每一个波段拉伸成为一个行向量,重新组成一个二维矩阵,(np=nr×nc表示一个波段上的像素数目)。X中的任一行对应特定波段下所有像素值;每一列则对应某个像素的光谱。本发明设计的图像去噪方法,具体包含以下四个步骤:
1、建立噪声图像的成像模型。
本发明主要处理与信号独立的加性噪声,对应的观测模型为F=X+N,其中表示噪声图像,表示噪声。假设噪声N为高斯白噪声,服从矩阵正太分布其中,Σn=diag(λ)表示以λ为对角线元素的对角矩阵,表示行间协方差矩阵。为列向量,控制不同波段的噪声程度。I为对应尺寸的单位矩阵,表示列间协方差矩阵。假设干净的高光谱图像X可以在光谱字典上稀疏表示为X=ΦY,表示稀疏表示系数矩阵,nd表示字典中原子的个数。结合噪声分布,观测模型,以及图像的稀疏表示模型,可以获得如下的似然函数,
其中,表示矩阵Q的加权迹范数,此处Q=ΦY-F。
2、建立聚类化稀疏随机场的高光谱图像先验模型。
根据光谱特性将X中的像素聚为K个类别,表示第k个类别中所有像素的集合,nk表示该类别中像素的个数,k=1,...,K。Xk在字典Φ下的稀疏表示系数矩阵则可以表示为本发明针对X的稀疏表示系数矩阵Y设计了聚类化稀疏随机场先验。首先,给出了Y的马尔科夫随机场模型,如下
其中,Γk=diag(γk),Σk=diag(ηk)。表示Yk自我表示的权重矩阵,其对角线元素全为0。为结构稀疏性势能函数,为图结构势能函数。其次,在结构稀疏性势能函数中,为了描述Yk内在的结构稀疏性,进一步对γk引入如下的伽马分布,
其中,接着,在图结构势能函数中,为了描述类内光谱自我表示误差的稀疏性,对ηk引入如下的伽马分布,
其中,最后,为了避免先验学习过程中的过拟合现象,对Wk中的每一列引入独立同分布的正太分布先验,如下
其中,表示Wk中的第i个列向量,∈为给定参数,本发明中∈=20。表示均值为0,协方差矩阵为∈-1I的正太分布。为了便于表示,将上述具有级联结构的先验模型,统一表示为如下的先验形式,
其中,变量表示先验模型中的所有参数,pcsf(Y|Θ)则表示本发明提出的聚类化稀疏随机场先验。
3、建立去噪模型。
本发明提出了一种统一的正则化回归模型,将先验学习模型和去噪模型进行联合建模。首先,利用最大化后验概率估计从噪声图像中估计先验模型参数Θ和噪声程度参数λ,如下
然而,式子(7)无法求解。为此,对先验模型中的进行如下近似,
其中,Mk=Y′kWk,Y′k表示在前一次迭代中与Xk对应的稀疏表示系数矩阵。将式子(8)代入到式子(7)中,通过积分,并引入-2log运算,式子(7)可简化为:
其中,tr(·)表示迹范数,Fk为与Xk对应的局部噪声图像。||·||F表示弗罗贝尼乌斯范数。进一步,将已知的数学关系,代入式子(9)中,得到联合先验学习模型和去噪模型的正则化回归模型,如下
4、模型求解。
本发明采交替最小化方法将式子(10)分解为若干个子问题进行迭代求解,直至收敛。在每个子问题中仅优化一个变量而固定其他所有变量。具体步骤如下:
①初始化λ,为对应长度的全1向量,利用现有去噪算法的结果初始化X,计数变量初始化t=0;
②将X中的每一列看作一个样本,进行主成分分解,用得到的正交基构成字典Φ,并利用K-均值聚类方法依据光谱特性将X中的像素聚为K=30个类别;
③固定X,得到关于权重矩阵Wk的优化子问题,如下
求解得到利用该规则更新所有的Wk,k=1,...,K;
④固定γk,ηk和λ,根据上一次迭代中得到的Xk,计算Mk=ΦTXkWk,然后得到关于Y的优化子问题,如下
求解得到利用该关系更新所有的Yk,并根据聚类关系重新构成Y,然后更新高光谱图像X=ΦY;
⑤固定Yk,ηk和λ,得到关于γk的子问题,如下
求解得到γk中第j个元素γjk的更新形式,如下
其中,zj为向量中的第j个元素,为向量中的第j个元素。此处diag(·)表示取矩阵对角线元素组成列向量。表示中的第j个元素。根据关系(14),更新γk中的所有元素;
⑥固定γk,得到的子问题
求解得到中第j个元素利用该关系更新中的所有元素;
⑦固定Yk,Mk,νk和λ,得到关于ηk的优化子问题,如下
求解得到ηk中第j个元素ηjk的更新形式,如下
其中,αj为向量中的第j个元素,为向中的第j个元素。此处diag(·)表示取矩阵对角线元素组成列向量。νjk表示νk中的第j个元素。根据关系式(17),更新ηk中的所有元素;
⑧固定ηk,得到关于νk的优化子问题,如下
求解得到νk中第j个元素νjk=2/ηjk,利用该关系更新νk中的所有元素;
⑨固定Yk,γk和ηk,得到关于λ的优化子问题,如下
求解得到λ中第j个元素λjk的更新形式,如下
其中,βjk是向量中的第j个元素,是向量中的第j个元素。此处diag(·)表示取矩阵对角线元素组成列向量。利用式子(20)更新λ中的所有元素;
⑩计数变量t加1,如果t<4,循环执行步骤②~⑩;否则,退出程序。
总之,本发明采用的图像先验同时描述了高光谱图像光谱维的相关性和空间维上的相似性,较现有的去噪方法,更加全面地表征了高光谱图像的三维特点,并且采用的联合去噪模型能够进行自适应的先验学习和图像去噪,最终实现了去噪性能的有效提升。在CAVE数据集上的去噪实验表明,当噪声图像的信噪比为16.5分贝时,本发明去噪结果获得的峰值信噪比达到了33.3分贝。
Claims (1)
1.一种基于聚类化稀疏随机场的高光谱图像去噪方法,其特征在于包括以下步骤:
步骤一、建立噪声图像的观测模型F=X+N,其中表示噪声图像,表示噪声;假设噪声N为高斯白噪声,服从矩阵正太分布其中,Σn=diag(λ)表示以λ为对角线元素的对角矩阵,表示行间协方差矩阵;为列向量,控制不同波段的噪声程度;I为对应尺寸的单位矩阵,表示列间协方差矩阵;假设干净的高光谱图像X在光谱字典上稀疏表示为X=ΦY,表示稀疏表示系数矩阵,nd表示字典中原子的个数;结合噪声分布、观测模型以及图像的稀疏表示模型,获得似然函数,
其中,表示矩阵Q的加权迹范数,Q=ΦY-F;
步骤二、根据光谱特性将X中的像素聚为K个类别,表示第k个类别中所有像素的集合,nk表示该类别中像素的个数,k=1,...,K;Xk在字典Φ下的稀疏表示系数矩阵表示为针对X的稀疏表示系数矩阵Y设计聚类化稀疏随机场先验;首先,给出Y的马尔科夫随机场模型,如下
其中,表示Yk自我表示的权重矩阵,其对角线元素全为0;为结构稀疏性势能函数,为图结构势能函数;其次,在结构稀疏性势能函数中,为了描述Yk内在的结构稀疏性,进一步对γk引入如下的伽马分布,
其中,接着,在图结构势能函数中,为了描述类内光谱自我表示误差的稀疏性,对ηk引入如下的伽马分布,
其中,最后,为了避免先验学习过程中的过拟合现象,对Wk中的每一列引入独立同分布的正太分布先验,如下
其中,表示Wk中的第i个列向量,∈为给定参数,∈=20;表示均值为0,协方差矩阵为∈-1I的正太分布;为了便于表示,将上述具有级联结构的先验模型,统一表示为如下的先验形式,
其中,变量表示先验模型中的所有参数,pcsf(Y|Θ)则表示聚类化稀疏随机场先验;
步骤三、将先验学习模型和去噪模型进行联合建模;首先,利用最大化后验概率估计从噪声图像中估计先验模型参数Θ和噪声程度参数λ,如下
然而,式子(7)无法求解;为此,对先验模型中的进行如下近似,
其中,Mk=Y′kWk,Y′k表示在前一次迭代中与Xk对应的稀疏表示系数矩阵;将式子(8)代入到式子(7)中,通过积分,并引入-2log运算,式子(7)简化为:
其中,tr(·)表示迹范数,Fk为与Xk对应的局部噪声图像;||·||F表示弗罗贝尼乌斯范数;进一步,将已知的数学关系,中,得到联合先验学习模型和去噪模型的正则化回归模型,如下
步骤四、采用交替最小化方法将式子(10)分解为若干个子问题进行迭代求解,直至收敛;在每个子问题中仅优化一个变量而固定其它所有变量;具体步骤如下:
①初始化λ,为对应长度的全1向量,利用现有去噪算法的结果初始化X,计数变量初始化t=0;
②将X中的每一列看作一个样本,进行主成分分解,用得到的正交基构成字典Φ,并利用K-均值聚类方法依据光谱特性将X中的像素聚为K=30个类别;
③固定X,得到关于权重矩阵Wk的优化子问题,如下
求解得到更新所有的Wk,k=1,...,K;
④固定γk,ηk和λ,根据上一次迭代中得到的Xk,计算Mk=ΦTXkWk,然后得到关于Y的优化子问题,如下
求解得到更新所有的Yk,并根据聚类关系重新构成Y,然后更新高光谱图像X=ΦY;
⑤固定Yk,ηk和λ,得到关于γk的子问题,如下
求解得到γk中第j个元素γjk的更新形式,如下
其中,zj为向量中的第j个元素,为向量中的第j个元素;此处diag(·)表示取矩阵对角线元素组成列向量;表示中的第j个元素;根据关系式(14),更新γk中的所有元素;
⑥固定γk,得到的子问题
求解得到中第j个元素更新中的所有元素;
⑦固定Yk,Mk,νk和λ,得到关于ηk的优化子问题,如下
求解得到ηk中第j个元素ηjk的更新形式,如下
其中,αj为向量中的第j个元素,为向量中的第j个元素;diag(·)表示取矩阵对角线元素组成列向量;νjk表示νk中的第j个元素;根据关系式(17),更新ηk中的所有元素;
⑧固定ηk,得到关于νk的优化子问题,如下
求解得到νk中第j个元素νjk=2/ηjk,更新νk中的所有元素;
⑨固定Yk,γk和ηk,得到关于λ的优化子问题,如下
求解得到λ中第j个元素λjk的更新形式,如下
其中,βjk是向量中的第j个元素,是向量中的第j个元素;diag(·)表示取矩阵对角线元素组成列向量;利用式子(20)更新λ中的所有元素;
⑩计数变量t加1,如果t<4,循环执行步骤②~⑩;否则,退出程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610374506.8A CN106067165B (zh) | 2016-05-31 | 2016-05-31 | 基于聚类化稀疏随机场的高光谱图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610374506.8A CN106067165B (zh) | 2016-05-31 | 2016-05-31 | 基于聚类化稀疏随机场的高光谱图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106067165A CN106067165A (zh) | 2016-11-02 |
CN106067165B true CN106067165B (zh) | 2018-11-30 |
Family
ID=57420950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610374506.8A Active CN106067165B (zh) | 2016-05-31 | 2016-05-31 | 基于聚类化稀疏随机场的高光谱图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106067165B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520495B (zh) * | 2018-03-15 | 2021-09-07 | 西北工业大学 | 基于聚类流形先验的高光谱图像超分辨重建方法 |
CN108765313B (zh) * | 2018-05-02 | 2021-09-07 | 西北工业大学 | 基于类内低秩结构表示的高光谱图像去噪方法 |
CN110377003B (zh) * | 2019-06-27 | 2020-09-15 | 浙江大学 | 一种基于稀疏化变量贡献的多回路性能诊断方法 |
CN110414530A (zh) * | 2019-07-22 | 2019-11-05 | 上海交通大学 | 基于黎曼流形优化的图像去混合冲激噪声方法及系统 |
CN111798382B (zh) * | 2020-05-27 | 2024-04-12 | 中汽数据有限公司 | 一种基于马尔科夫随机场的视觉传感器去噪方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354395A (zh) * | 2011-09-22 | 2012-02-15 | 西北工业大学 | 基于稀疏表示的模糊图像盲复原方法 |
CN103337058A (zh) * | 2013-07-05 | 2013-10-02 | 西北工业大学 | 基于模糊噪声图像对联合优化的图像盲复原方法 |
CN104091368A (zh) * | 2014-07-22 | 2014-10-08 | 西北工业大学 | 基于空谱三维稀疏先验的高光谱解混压缩感知方法 |
CN104734724A (zh) * | 2015-03-16 | 2015-06-24 | 西北工业大学 | 基于重加权拉普拉斯稀疏先验的高光谱图像压缩感知方法 |
CN104732566A (zh) * | 2015-03-16 | 2015-06-24 | 西北工业大学 | 基于非分离稀疏先验的高光谱图像压缩感知方法 |
US9159121B2 (en) * | 2014-02-18 | 2015-10-13 | Signal Processing, Inc. | Method for image denoising |
CN105427351A (zh) * | 2015-11-02 | 2016-03-23 | 西北工业大学 | 基于流形结构化稀疏先验的高光谱图像压缩感知方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9031354B2 (en) * | 2011-03-31 | 2015-05-12 | Raytheon Company | System and method for post-detection artifact reduction and removal from images |
US9607362B2 (en) * | 2014-05-16 | 2017-03-28 | North Carolina State University | Compressive imaging using approximate message passing with denoising |
-
2016
- 2016-05-31 CN CN201610374506.8A patent/CN106067165B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354395A (zh) * | 2011-09-22 | 2012-02-15 | 西北工业大学 | 基于稀疏表示的模糊图像盲复原方法 |
CN103337058A (zh) * | 2013-07-05 | 2013-10-02 | 西北工业大学 | 基于模糊噪声图像对联合优化的图像盲复原方法 |
US9159121B2 (en) * | 2014-02-18 | 2015-10-13 | Signal Processing, Inc. | Method for image denoising |
CN104091368A (zh) * | 2014-07-22 | 2014-10-08 | 西北工业大学 | 基于空谱三维稀疏先验的高光谱解混压缩感知方法 |
CN104734724A (zh) * | 2015-03-16 | 2015-06-24 | 西北工业大学 | 基于重加权拉普拉斯稀疏先验的高光谱图像压缩感知方法 |
CN104732566A (zh) * | 2015-03-16 | 2015-06-24 | 西北工业大学 | 基于非分离稀疏先验的高光谱图像压缩感知方法 |
CN105427351A (zh) * | 2015-11-02 | 2016-03-23 | 西北工业大学 | 基于流形结构化稀疏先验的高光谱图像压缩感知方法 |
Non-Patent Citations (6)
Title |
---|
Adaptive Spatial-Spectral Dictionary Learning for Hyperspectral Image Denoising;Ying Fu 等;《2015 IEEE International Conference on Computer Vision》;20151231;343-351 * |
Hyperspectral Compressive Sensing Using Manifold-Structured Sparsity Prior;Lei Zhang 等;《2015 IEEE International Conference on Computer Vision》;20151231;3550-3558 * |
Hyperspectral Imagery Restoration Using Nonlocal Spectral-Spatial Structured Sparse Representation With Noise Estimation;Yuntao Qian 等;《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》;20130430;第6卷(第2期);499-515 * |
Reweighted Laplace Prior Based Hyperspectral Compressive Sensing for Unknown Sparsity;Lei Zhang 等;《Computer Vision and Pattern Recognition (CVPR), 2015 IEEE Conference on》;20151231;2274-2281 * |
一种基于多粒子群协同进化的高光谱图像波段选择与分类方法;任越美 等;《计算机科学》;20141231;第41卷(第12期);283-287 * |
基于稀疏表示和词袋模型的高光谱图像分类;任越美 等;《计算机科学》;20141031;第41卷(第10期);113-116 * |
Also Published As
Publication number | Publication date |
---|---|
CN106067165A (zh) | 2016-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106067165B (zh) | 基于聚类化稀疏随机场的高光谱图像去噪方法 | |
CN108171762B (zh) | 一种深度学习的压缩感知同类图像快速重构系统与方法 | |
Liu et al. | Learning converged propagations with deep prior ensemble for image enhancement | |
Lin et al. | Hyperspectral image denoising via matrix factorization and deep prior regularization | |
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
Tarzanagh et al. | Fast randomized algorithms for t-product based tensor operations and decompositions with applications to imaging data | |
CN111951186B (zh) | 一种基于低秩和全变分约束的高光谱图像去噪方法 | |
CN110161499B (zh) | 改进的稀疏贝叶斯学习isar成像散射系数估计方法 | |
CN108734199B (zh) | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 | |
CN109190511B (zh) | 基于局部与结构约束低秩表示的高光谱分类方法 | |
CN111583230B (zh) | 一种基于局部特征的低秩稀疏分解高光谱异常目标检测方法 | |
CN109993208B (zh) | 一种有噪声图像的聚类处理方法 | |
CN110830043B (zh) | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 | |
CN109407046A (zh) | 一种基于变分贝叶斯推断的嵌套阵列波达方向角估计方法 | |
CN106886793B (zh) | 基于判别信息和流形信息的高光谱图像波段选择方法 | |
CN111598786A (zh) | 一种基于深度去噪自编码网络的高光谱图像解混方法 | |
CN113902622B (zh) | 基于深度先验联合注意力的光谱超分辨率方法 | |
CN111080555A (zh) | 一种基于三维拟递归神经网络的高光谱图像降噪方法 | |
CN106934398A (zh) | 基于超像素聚类和稀疏表示的图像去噪方法 | |
CN106296583B (zh) | 基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法 | |
CN104463245B (zh) | 一种目标识别方法 | |
Wen et al. | The power of complementary regularizers: Image recovery via transform learning and low-rank modeling | |
CN113920210A (zh) | 基于自适应图学习主成分分析方法的图像低秩重构方法 | |
Duchateau et al. | Adaptation of multiscale function extension to inexact matching: application to the mapping of individuals to a learnt manifold | |
CN111681156B (zh) | 一种应用于无线传感器网络的深度压缩感知图像重构方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |