CN107274360A - 一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法 - Google Patents

一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法 Download PDF

Info

Publication number
CN107274360A
CN107274360A CN201710377112.2A CN201710377112A CN107274360A CN 107274360 A CN107274360 A CN 107274360A CN 201710377112 A CN201710377112 A CN 201710377112A CN 107274360 A CN107274360 A CN 107274360A
Authority
CN
China
Prior art keywords
msub
mrow
dictionary
msubsup
fisher
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.)
Granted
Application number
CN201710377112.2A
Other languages
English (en)
Other versions
CN107274360B (zh
Inventor
杨明
俞珍秒
吕静
高阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Normal University
Original Assignee
Nanjing Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Normal University filed Critical Nanjing Normal University
Priority to CN201710377112.2A priority Critical patent/CN107274360B/zh
Publication of CN107274360A publication Critical patent/CN107274360A/zh
Application granted granted Critical
Publication of CN107274360B publication Critical patent/CN107274360B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开了一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法，包含如下步骤：变换数据空间；学习字典；替换字典；改进LRR；输入输出数据；逆变换出无噪图像；本发明能够有效地去除高光谱图像中的多种噪声，提高高光谱图像的数据质量与应用价值。此外，本发明中运用Fisher字典学习得到判别字典替换模型中的字典对模型中的参数具有鲁棒性，因此具有较高的使用价值。

Description

一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法
技术领域
本发明涉及高光谱图像处理技术领域，特别是一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法。
背景技术
近代遥感技术起源于上个世纪60年代。它是在不接触被研究的对象或目标的情况下，通过利用接收对象或目标反射或辐射的电磁波来观测或获取其的某些特征信息的一门学科和技术。遥感技术具有不受地理、人为和天气等因素的限制，能够不间断地提供动态、大尺度观测到的多种地表信息等优点，因此在资源探测、军事指挥、环境检测、测绘制图及生态研究等众多领域具有广泛的应用。但高光谱图像在采集和传输的过程中，往往会受到多种不同类型噪声的污染，很大程度降低了数据的可靠性，目前出现的基于光谱信号和二维图像去噪技术的高光谱图像去噪算法，都取得了不错的效果。但由于高光谱图像具有丰富的光谱信息和空间信息等特点，单一地利用光谱信息或者空间信息进行去噪，就其去噪效果而言是远远不够的。
发明内容
本发明所要解决的技术问题是克服现有技术的不足，而提供一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法，从而有效去除高光谱图像数据中含有的多种噪声。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法，包括如下步骤：
步骤1、将给定的高光谱图像X转换成空间光谱联合的二维数据矩阵D；
步骤2、通过Fisher判别准则获得新字典，该新字典作为判别字典；
步骤3、将步骤2学习得到的判别字典替换低秩表示LRR模型中的字典；
步骤4、改进LRR模型：在LRR模型中嵌入高斯噪声的判别项，在去除椒盐噪声、条带噪声的同时也能去除高斯噪声部分；
步骤5、将二维数据矩阵D代入改进后的LRR模型中进行去噪，得到低秩系数和噪声数据；
步骤6、利用字典和低秩系数得到无噪的二维数据矩阵，再逆变换出无噪的三维高光谱图像。
作为本发明所述的一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法进一步优化方案，所述步骤2具体如下：
假设A是通过Fisher字典学习得到的新字典，将D作为原始字典，设Di、Ai分别是学习前后的第i类子字典，K是类别总数，i＝1,2,…,K，设系数矩阵为Z＝[Z1,Z2,…,ZK]，Zi表示Di通过Ai变换的系数矩阵，将整个字典的学习过程表示为下面的优化问题：
其中，λ1为折中因子，‖Z‖1是稀疏约束项，r(Di,A,Zi)表示字典的判别保真项，构建该项时考虑以下三个方面：
表示了学习前后字典满足对应的变换关系，这项表示了新的各类子字典与原始字典之间的残差，则表示第i类新子字典表示第j类样本的能力，j≠i；
根据Fisher判别准则，采用了类内/间误差来定量描述，式(1)表示为：
其中，SW(Z)表示类内误差，SB(Z)则表示类间误差，tr(SW(Z)-SB(Z))是非凸函数，mi是Zi的均值，m是系数矩阵Z的均值，为惩罚项，η为常数，上标T为转置，zk∈Zi表示第i类别里面的第k个样本，ni表示第i类别里面的样本总数；
固定A，保持其他项类对应的系数矩阵不变时，逐类迭代来更新Zi：
其中，λ2是折中因子，Mi表示i类的平均系数矩阵，Mj表示j类的平均系数矩阵，M表示所有类的平均系数矩阵，用q表示全部的样本数目，当时，fi(Zi)是严格凸函数，通过迭代投影算法求出Zi；
当固定Z和其他类对应的子字典不变时，通过逐步更新得到Ai：
作为本发明所述的一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法进一步优化方案，所述步骤4具体如下：
对于一幅受到噪声污染的高光谱图像X∈Rm×n×b，Rm×n×b表示m×n×b维的实数空间，其对应的空间光谱联合的二维数据矩阵为D∈Rb×mn，Rb×mn表示b×mn维的实数空间，m、n分别是空间结构的行数和列数，b是波段数；
改进后的LRR模型为：
s.t.D＝AZ+E+N
其中，A∈Rb×mn，Z∈Rmn×mn，Rmn×mn表示mn×mn维的实数空间，E∈Rb×mn则表示椒盐噪声和条带噪声矩阵，矩阵N∈Rb×mn表示高斯噪声，λ、γ为折中因子，λ和γ均大于0。
作为本发明所述的一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法进一步优化方案，步骤2中Fisher判别准则采用Fisher判别式。
作为本发明所述的一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法进一步优化方案，Fisher判别式是融入有监督的类别信息并采用类内散度小而类间散度大的策略。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)运用Fisher字典学习得到判别字典，替换LRR中的字典，以此克服直接用数据本身作为字典时LRR对参数敏感的不足；
(2)LRR相对于RPCA，从单子空间扩展到了多子空间，有利于恢复出数据空间的精细结构；
(3)LRR_FDL嵌入高斯噪声的判别项，使算法能够处理多种类型的噪声；
(4)本发明能够有效地去除多种噪声，去除高光谱图像中的噪声能显著提高其分类精度，并且得益于多子空间结构以及性能更强的字典，其去噪性能更为出色，图片观感最好，因此具有较高的使用价值。
附图说明
图1是本发明流程图。
具体实施方式
如图1所示，本发明公开了一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法，包含如下步骤：
步骤1，变换数据空间：对给定的高光谱图像X，转换成空间光谱联合的二维矩阵D；
步骤2，学习字典：通过Fisher判别准则获得新字典，满足与类对应的子字典的线性表示该类样本的能力较强而表示其他类的能力较弱，Fisher判别式融入有监督的类别信息采用类内散度尽可能小而类间散度尽可能大的策略，使学到的字典具有更强的判别能力；
步骤3，替换字典：用学习得到的判别字典替换低秩表示(LRR)模型中的字典；
步骤4，改进LRR：在LRR模型中嵌入高斯噪声的判别项，在去除椒盐噪声、条带噪声的同时也能去除高斯噪声部分；
步骤5，输入数据：将二维数据矩阵D代入模型中进行去噪；
步骤6，输出数据：输出低秩系数和噪声数据；
步骤7，变换出无噪图像：利用字典和低秩系数得到无噪的二维数据矩阵，再逆变换出无噪的三维高光谱图像。
步骤1变换数据空间：对给定的高光谱图像X，转换成空间光谱联合的二维矩阵D。对于任一幅高光谱图像X∈Rm×n×b，其中m、n分别是其空间结构的行数和列数，b是波段数。将高光谱图像的每个像元在所有波段上的值记为向量dh∈Rb(h＝1,2,...,mn)，那么所有像元dh放在一起就构成了一个空间光谱联合的二维矩阵D＝[d1,d2,...,dmn]∈Rb×mn。
步骤2学习字典：通过Fisher判别准则获得新字典，满足与类对应的子字典的线性表示该类样本的能力较强而表示其他类的能力较弱，Fisher判别式融入有监督的类别信息采用类内散度尽可能小而类间散度尽可能大的策略，使学到的字典具有更强的判别能力。
现在假设A是通过Fisher字典学习得到的新字典，将D作为原始字典，设Di、Ai分别是学习前后的第i类子字典，K是类别总数，i＝1,2,…,K，设系数矩阵为Z＝[Z1,Z2,…,ZK]，Zi表示Di通过Ai变换的系数矩阵，将整个字典的学习过程表示为下面的优化问题：
其中，λ1为折中因子，‖Z‖1是稀疏约束项，r(Di,A,Zi)表示字典的判别保真项，构建该项时考虑以下三个方面：
表示了学习前后字典满足对应的变换关系，这项表示了新的各类子字典与原始字典之间的残差，则表示第i类新子字典表示第j类样本的能力，j≠i；
根据Fisher判别准则，采用了类内/间误差来定量描述，式(1)表示为：
其中，SW(Z)表示类内误差，SB(Z)则表示类间误差，tr(SW(Z)-SB(Z))是非凸函数，mi是系数矩阵Zi的均值，m是系数矩阵Z的均值，为惩罚项，η为常数，上标T为转置，zk∈Zi表示第i类别里面的第k个样本，ni表示第i类别里面的样本总数。
固定A，保持其他项类对应的系数矩阵不变时，逐类迭代来更新Zi：
其中λ2是折中因子，Mi表示i类的平均系数矩阵，M表示所有类的平均系数矩阵，用q表示全部的样本数目，当时，fi(Zi)是严格凸函数，通过迭代投影算法求出Zi；
当固定Z和其他类对应的子字典不变时，通过逐步更新得到Ai：
步骤3替换字典：用步骤2中学习得到的判别字典替换低秩表示(LRR)模型中的字典，以此克服直接用数据本身作为字典时LRR对参数敏感的不足。
步骤4改进LRR：在LRR模型中嵌入高斯噪声的判别项，在去除椒盐噪声、条带噪声的同时也能去除高斯噪声部分：
对于一幅受到噪声污染的高光谱图像X∈Rm×n×b，其对应的空间光谱联合的二维矩阵为D∈Rb×mn，那么它的多子空间去噪模型可以表示为：
D＝AZ+E
由于高光谱图像具有高度的低秩性，为了能达到去噪的目的，希望系数矩阵是低秩的。另外高光谱图像所含有的噪声往往只存在于若干个波段，并且比较稀疏。因此，需要求解下列优化问题：
s.t.D＝AZ+E
同样在这里也加入对高斯噪声的判别项，对上式做了改进，即模型变为：
D＝AZ+E+N
对于少量的高斯噪声同样采用矩阵的其去噪的优化模型如下所示：
s.t.D＝AZ+E+N
同理上式是一个高度非凸优化问题，是NP难的，因而需要对其进行松弛后求解。用矩阵Z的核范数来近似表示矩阵Z的秩函数。对于稀疏的椒盐噪声和条带噪声等，采用矩阵的l2,1范数。故优化问题转化为如下凸优化问题
s.t.D＝AZ+E+N
其中λ(>0)、γ(>0)为折中因子。对于模型中的字典A采用Fisher字典学习得到。
下面给出步骤4方法的求解方法：
首先为模型引入一个新矩阵J∈Rmn×mn，将其转换成如下等价问题：
s.t.D＝AZ+E+N，Z＝J
下面同样采用增广拉格朗日乘子法对其进行求解。先构造增广拉格朗日函数：
其中Y1∈Rb×mn和Y2∈Rmn×mn是拉格朗日乘子，μ(>0)是惩罚因子。下面交替求解其中的各个变量。
(1)首先固定Z，E，N，Y1，Y2和μ，更新J，即关于变量J的最小化子问题为：
其中Jk+1是J的第k+1次迭代，是Y2的第k次迭代，μk是μ的第k次迭代，Zk是Z的第k次迭代。
(2)首先固定J，E，N，Y1，Y2和μ，更新Z，即关于变量Z的最小化子问题为：
其中Zk+1是Z的第k+1次迭代，是Y1的第k次迭代，Ek是E的第k次迭代，Nk是N的第k次迭代。
(3)首先固定J，Z，N，Y1，Y2和μ，更新E，即关于变量E的最小化子问题为：
(4)首先固定J，Z，E，Y1，Y2和μ，更新N，即关于变量N的最小化子问题为：
(5)更新拉格朗日乘子Y1和Y2，其迭代公式为：
(6)更新惩罚因子μ：
μk+1＝min(ρμk,μmax)
其中ρ>1是常数。
步骤5，输入数据：将二维数据矩阵D代入模型中进行去噪；
步骤6，输出数据：输出低秩系数和噪声数据；
步骤7，变换出无噪图像：利用字典和低秩系数得到无噪的二维数据矩阵，再逆变换出无噪的三维高光谱图像。
实施例：
本实施例包括以下部分：
步骤1.变换数据空间：
为了方便数据的综合处理，需要将三维的高光谱图像数据转化为空间光谱联合的二维矩阵。
对于任一幅高光谱图像X∈Rm×n×b，其中m、n分别是其空间结构的行数和列数，b是波段数。将高光谱图像的每个像元在所有波段上的值记为向量dh∈Rb(h＝1,2,...,mn)，那么所有像元dh放在一起就构成了一个空间光谱联合的二维矩阵D＝[d1,d2,...,dmn]∈Rb×mn。
步骤2.学习字典：
通过Fisher判别准则获得新字典，满足与类对应的子字典的线性表示该类样本的能力较强而表示其他类的能力较弱，Fisher判别式融入有监督的类别信息采用类内散度尽可能小而类间散度尽可能大的策略，使学到的字典具有更强的判别能力。
现在假设A是通过Fisher字典学习得到的新字典，将D作为原始字典，设Di、Ai分别是学习前后的第i类子字典，K是类别总数，i＝1,2,…,K，设系数矩阵为Z＝[Z1,Z2,…,ZK]，Zi表示Di通过Ai变换的系数矩阵，将整个字典的学习过程表示为下面的优化问题：
其中，λ1为折中因子，‖Z‖1是稀疏约束项，r(Di,A,Zi)表示字典的判别保真项，构建该项时考虑以下三个方面：
表示了学习前后字典满足对应的变换关系，这项表示了新的各类子字典与原始字典之间的残差，则表示第i类新子字典表示第j类样本的能力，j≠i；
根据Fisher判别准则，采用了类内/间误差来定量描述，式(1)表示为：
其中，SW(Z)表示类内误差，SB(Z)则表示类间误差，tr(SW(Z)-SB(Z))是非凸函数，mi是系数矩阵Zi的均值，m是系数矩阵Z的均值，为惩罚项，η为常数，上标T为转置，zk∈Zi表示第i类别里面的第k个样本，ni表示第i类别里面的样本总数。
固定A，保持其他项类对应的系数矩阵不变时，逐类迭代来更新Zi：
其中λ2是折中因子，Mi表示i类的平均系数矩阵，M表示所有类的平均系数矩阵，用q表示全部的样本数目，当时，fi(Zi)是严格凸函数，通过迭代投影算法求出Zi；
当固定Z和其他类对应的子字典不变时，通过逐步更新得到Ai：
3.替换字典：
步骤3.用步骤2中学习得到的判别字典替换低秩表示(LRR)模型中的字典，以此克服直接用数据本身作为字典时LRR对参数敏感的不足。
步骤4.改进LRR：在LRR模型中嵌入高斯噪声的判别项，在去除椒盐噪声、条带噪声的同时也能去除高斯噪声部分：
对于一幅受到噪声污染的高光谱图像X∈Rm×n×b，其对应的空间光谱联合的二维矩阵为D∈Rb×mn，那么它的多子空间去噪模型可以表示为：
D＝AZ+E
其中A∈Rb×mn为字典矩阵，Z∈Rmn×mn是系数矩阵，E∈Rb×mn则代表噪声矩阵。由于高光谱图像具有高度的低秩性，为了能达到去噪的目的，希望系数矩阵是低秩的。另外高光谱图像所含有的噪声往往只存在于若干个波段，并且比较稀疏。因此，需要求解下列优化问题：
s.t.D＝AZ+E
同样在这里也加入对高斯噪声的判别项，对上式做了改进，即模型变为：
D＝AZ+E+N
对于少量的高斯噪声同样采用矩阵的其去噪的优化模型如下所示：
s.t.D＝AZ+E+N
同理上式是一个高度非凸优化问题，是NP难的，因而需要对其进行松弛后求解。用矩阵Z的核范数来近似表示矩阵Z的秩函数，对于稀疏的椒盐噪声和条带噪声等，采用矩阵的l2,1范数。故优化问题转化为如下凸优化问题
s.t.D＝AZ+E+N
其中λ(>0)、γ(>0)为折中因子。对于模型中的字典A采用Fisher字典学习得到。
首先为模型引入一个新矩阵J∈Rmn×mn，将其转换成如下等价问题：
s.t.D＝AZ+E+N，Z＝J
下面同样采用增广拉格朗日乘子法对其进行求解。先构造增广拉格朗日函数：
其中Y1∈Rb×mn和Y2∈Rmn×mn是拉格朗日乘子，μ(>0)是惩罚因子。下面交替求解其中的各个变量。
(1)首先固定Z，E，N，Y1，Y2和μ，更新J，即关于变量J的最小化子问题为：
其中Jk+1是J的第k+1次迭代，是Y2的第k次迭代，μk是μ的第k次迭代，Zk是Z的第k次迭代。
(2)首先固定J，E，N，Y1，Y2和μ，更新Z，即关于变量Z的最小化子问题为：
其中Zk+1是Z的第k+1次迭代，是Y1的第k次迭代，Ek是E的第k次迭代，Nk是N的第k次迭代。
(3)首先固定J，Z，N，Y1，Y2和μ，更新E，即关于变量E的最小化子问题为：
(4)首先固定J，Z，E，Y1，Y2和μ，更新N，即关于变量N的最小化子问题为：
(5)更新拉格朗日乘子Y1和Y2，其迭代公式为：
(6)更新惩罚因子μ：
μk+1＝min(ρμk,μmax)
其中ρ>1是常数。
步骤5，输入数据：将二维数据矩阵D代入模型中进行去噪；
步骤6，输出数据：输出低秩系数和噪声数据；
步骤7，变换出无噪图像：利用字典和低秩系数得到无噪的二维数据矩阵，再逆变换出无噪的三维高光谱图像。
本发明提供了一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (5)

1.一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法，其特征在于，包括如下步骤：
步骤1、将给定的高光谱图像X转换成空间光谱联合的二维数据矩阵D；
步骤2、通过Fisher判别准则获得新字典，该新字典作为判别字典；
步骤3、将步骤2学习得到的判别字典替换低秩表示LRR模型中的字典；
步骤4、改进LRR模型：在LRR模型中嵌入高斯噪声的判别项，在去除椒盐噪声、条带噪声的同时也能去除高斯噪声部分；
步骤5、将二维数据矩阵D代入改进后的LRR模型中进行去噪，得到低秩系数和噪声数据；
步骤6、利用字典和低秩系数得到无噪的二维数据矩阵，再逆变换出无噪的三维高光谱图像。
2.根据权利要求1所述的一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法，其特征在于，所述步骤2具体如下：
假设A是通过Fisher字典学习得到的新字典，将D作为原始字典，设Di、Ai分别是学习前后的第i类子字典，K是类别总数，i＝1,2,…,K，设系数矩阵为Z＝[Z1,Z2,…,ZK]，Zi表示Di通过Ai变换的系数矩阵，将整个字典的学习过程表示为下面的优化问题：
<mrow> <msub> <mi>J</mi> <mrow> <mo>(</mo> <mi>A</mi> <mo>,</mo> <mi>Z</mi> <mo>)</mo> </mrow> </msub> <mo>=</mo> <mi>arg</mi> <mi> </mi> <msubsup> <mi>min&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </msubsup> <mi>r</mi> <mrow> <mo>(</mo> <msub> <mi>D</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>A</mi> <mo>,</mo> <msub> <mi>Z</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&amp;lambda;</mi> <mn>1</mn> </msub> <mo>|</mo> <mo>|</mo> <mi>Z</mi> <mo>|</mo> <msub> <mo>|</mo> <mn>1</mn> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中，λ1为折中因子，‖Z‖1是稀疏约束项，r(Di,A,Zi)表示字典的判别保真项，构建该项时考虑以下三个方面：
<mrow> <mi>r</mi> <mrow> <mo>(</mo> <msub> <mi>D</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>A</mi> <mo>,</mo> <msub> <mi>Z</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>D</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>AZ</mi> <mi>i</mi> </msub> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> <mo>+</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>D</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <msub> <mi>Z</mi> <mi>i</mi> </msub> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> <mo>+</mo> <munderover> <munder> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> </munder> <mrow> <mi>j</mi> <mo>&amp;NotEqual;</mo> <mi>i</mi> </mrow> <mi>K</mi> </munderover> <mo>|</mo> <mo>|</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <msub> <mi>Z</mi> <mi>j</mi> </msub> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> </mrow>
表示了学习前后字典满足对应的变换关系，这项表示了新的各类子字典与原始字典之间的残差，则表示第i类新子字典表示第j类样本的能力，j≠i；
根据Fisher判别准则，采用了类内/间误差来定量描述，式(1)表示为：
<mrow> <msub> <mi>J</mi> <mrow> <mo>(</mo> <mi>A</mi> <mo>,</mo> <mi>Z</mi> <mo>)</mo> </mrow> </msub> <mo>=</mo> <mi>arg</mi> <mi> </mi> <mi>min</mi> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <mi>r</mi> <mo>(</mo> <mrow> <msub> <mi>D</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>A</mi> <mo>,</mo> <msub> <mi>Z</mi> <mi>i</mi> </msub> </mrow> <mo>)</mo> <mo>+</mo> <msub> <mi>&amp;lambda;</mi> <mn>1</mn> </msub> <mo>|</mo> <mo>|</mo> <mi>Z</mi> <mo>|</mo> <msub> <mo>|</mo> <mn>1</mn> </msub> <mo>+</mo> <mi>t</mi> <mi>r</mi> <mrow> <mo>(</mo> <msub> <mi>S</mi> <mi>W</mi> </msub> <mo>(</mo> <mi>Z</mi> <mo>)</mo> <mo>-</mo> <msub> <mi>S</mi> <mi>B</mi> </msub> <mo>(</mo> <mi>Z</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>+</mo> <mi>&amp;eta;</mi> <mo>|</mo> <mo>|</mo> <mi>Z</mi> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> </mrow>
<mrow> <msub> <mi>S</mi> <mi>W</mi> </msub> <mrow> <mo>(</mo> <mi>Z</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>z</mi> <mi>k</mi> </msub> <mo>&amp;Element;</mo> <msub> <mi>Z</mi> <mi>i</mi> </msub> </mrow> </munder> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>k</mi> </msub> <mo>-</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>k</mi> </msub> <mo>-</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mi>T</mi> </msup> </mrow>
<mrow> <msub> <mi>S</mi> <mi>B</mi> </msub> <mrow> <mo>(</mo> <mi>Z</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <msub> <mi>n</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>m</mi> <mo>)</mo> </mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>m</mi> <mo>)</mo> </mrow> <mi>T</mi> </msup> </mrow>
其中，SW(Z)表示类内误差，SB(Z)则表示类间误差，tr(SW(Z)-SB(Z))是非凸函数，mi是Zi的均值，m是系数矩阵Z的均值，为惩罚项，η为常数，上标T为转置，zk∈Zi表示第i类别里面的第k个样本，ni表示第i类别里面的样本总数；
固定A，保持其他项类对应的系数矩阵不变时，逐类迭代来更新Zi：
<mrow> <msub> <mi>J</mi> <mrow> <mo>(</mo> <msub> <mi>Z</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </msub> <mo>=</mo> <mi>arg</mi> <mi> </mi> <mi>min</mi> <mo>{</mo> <mi>r</mi> <mrow> <mo>(</mo> <msub> <mi>D</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>A</mi> <mo>,</mo> <msub> <mi>Z</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&amp;lambda;</mi> <mn>1</mn> </msub> <mo>|</mo> <mo>|</mo> <mi>Z</mi> <mo>|</mo> <msub> <mo>|</mo> <mn>1</mn> </msub> <mo>+</mo> <msub> <mi>&amp;lambda;</mi> <mn>2</mn> </msub> <msub> <mi>f</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>Z</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>}</mo> </mrow>
<mrow> <msub> <mi>f</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>Z</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>Z</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>M</mi> <mi>i</mi> </msub> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> <mo>-</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </msubsup> <mo>|</mo> <mo>|</mo> <msub> <mi>M</mi> <mi>j</mi> </msub> <mo>-</mo> <mi>M</mi> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> <mo>+</mo> <mi>&amp;eta;</mi> <mo>|</mo> <mo>|</mo> <msub> <mi>Z</mi> <mi>i</mi> </msub> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> </mrow>
其中，λ2是折中因子，Mi表示i类的平均系数矩阵，Mj表示j类的平均系数矩阵，M表示所有类的平均系数矩阵，用q表示全部的样本数目，当η>1-ni/q时，fi(Zi)是严格凸函数，通过迭代投影算法求出Zi；
当固定Z和其他类对应的子字典不变时，通过逐步更新得到Ai：
<mrow> <msub> <mi>J</mi> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </msub> <mo>=</mo> <mi>arg</mi> <mi> </mi> <mi>min</mi> <mo>|</mo> <mo>|</mo> <mi>D</mi> <mo>-</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <msub> <mi>Z</mi> <mi>i</mi> </msub> <mo>-</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>&amp;NotEqual;</mo> <mi>i</mi> </mrow> <mi>K</mi> </msubsup> <msub> <mi>A</mi> <mi>j</mi> </msub> <msub> <mi>Z</mi> <mi>j</mi> </msub> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> <mo>+</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>D</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <msub> <mi>Z</mi> <mi>i</mi> </msub> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>&amp;NotEqual;</mo> <mi>i</mi> </mrow> <mi>K</mi> </msubsup> <mo>|</mo> <mo>|</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <msub> <mi>Z</mi> <mi>j</mi> </msub> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> <mo>.</mo> </mrow>
3.根据权利要求2所述的一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法，其特征在于，所述步骤4具体如下：
对于一幅受到噪声污染的高光谱图像X∈Rm×n×b，Rm×n×b表示m×n×b维的实数空间，其对应的空间光谱联合的二维数据矩阵为D∈Rb×mn，Rb×mn表示b×mn维的实数空间，m、n分别是空间结构的行数和列数，b是波段数；
改进后的LRR模型为：
<mrow> <munder> <mi>min</mi> <mrow> <mi>Z</mi> <mo>,</mo> <mi>E</mi> <mo>,</mo> <mi>N</mi> </mrow> </munder> <mo>|</mo> <mo>|</mo> <mi>Z</mi> <mo>|</mo> <msub> <mo>|</mo> <mo>*</mo> </msub> <mo>+</mo> <mi>&amp;lambda;</mi> <mo>|</mo> <mo>|</mo> <mi>E</mi> <mo>|</mo> <msub> <mo>|</mo> <mrow> <mn>2</mn> <mo>,</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <mi>&amp;gamma;</mi> <mo>|</mo> <mo>|</mo> <mi>N</mi> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> </mrow>
s.t.D＝AZ+E+N
其中，A∈Rb×mn，Z∈Rmn×mn，Rmn×mn表示mn×mn维的实数空间，E∈Rb×mn则表示椒盐噪声和条带噪声矩阵，矩阵N∈Rb×mn表示高斯噪声，λ、γ为折中因子，λ和γ均大于0。
4.根据权利要求1所述的一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法，其特征在于，步骤2中Fisher判别准则采用Fisher判别式。
5.根据权利要求4所述的一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法，其特征在于，Fisher判别式是融入有监督的类别信息并采用类内散度小而类间散度大的策略。
CN201710377112.2A 2017-05-24 2017-05-24 一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法 Active CN107274360B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710377112.2A CN107274360B (zh) 2017-05-24 2017-05-24 一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710377112.2A CN107274360B (zh) 2017-05-24 2017-05-24 一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法

Publications (2)

Publication Number Publication Date
CN107274360A true CN107274360A (zh) 2017-10-20
CN107274360B CN107274360B (zh) 2019-11-08

Family

ID=60065576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710377112.2A Active CN107274360B (zh) 2017-05-24 2017-05-24 一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法

Country Status (1)

Country Link
CN (1) CN107274360B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359525A (zh) * 2018-09-07 2019-02-19 西安电子科技大学 基于稀疏低秩的判别谱聚类的极化sar图像分类方法
CN109522841A (zh) * 2018-11-16 2019-03-26 重庆邮电大学 一种基于群稀疏表示与低秩矩阵恢复的人脸识别方法
CN111091518A (zh) * 2019-12-31 2020-05-01 北京金山云网络技术有限公司 一种图像处理方法、装置、电子设备及存储介质
CN111951188A (zh) * 2020-08-12 2020-11-17 山东师范大学 一种基于低秩分析的图像去噪方法
CN113011321A (zh) * 2021-03-17 2021-06-22 中南大学 一种基于联合字典的光谱信号去噪方法、系统、终端及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101692125A (zh) * 2009-09-10 2010-04-07 复旦大学 基于Fisher判别零空间的高光谱遥感图像混合像元分解方法
CN102592280A (zh) * 2012-01-14 2012-07-18 哈尔滨工程大学 采用多窗口特征分析的高光谱图像异常检测方法
US20140185864A1 (en) * 2012-12-27 2014-07-03 The Mitre Corporation Probabilistic identification of solid materials in hyperspectral imagery
CN103971123A (zh) * 2014-05-04 2014-08-06 南京师范大学 基于线性回归与Fisher判别字典学习的高光谱图像分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101692125A (zh) * 2009-09-10 2010-04-07 复旦大学 基于Fisher判别零空间的高光谱遥感图像混合像元分解方法
CN102592280A (zh) * 2012-01-14 2012-07-18 哈尔滨工程大学 采用多窗口特征分析的高光谱图像异常检测方法
US20140185864A1 (en) * 2012-12-27 2014-07-03 The Mitre Corporation Probabilistic identification of solid materials in hyperspectral imagery
CN103971123A (zh) * 2014-05-04 2014-08-06 南京师范大学 基于线性回归与Fisher判别字典学习的高光谱图像分类方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359525A (zh) * 2018-09-07 2019-02-19 西安电子科技大学 基于稀疏低秩的判别谱聚类的极化sar图像分类方法
CN109359525B (zh) * 2018-09-07 2021-01-29 西安电子科技大学 基于稀疏低秩的判别谱聚类的极化sar图像分类方法
CN109522841A (zh) * 2018-11-16 2019-03-26 重庆邮电大学 一种基于群稀疏表示与低秩矩阵恢复的人脸识别方法
CN111091518A (zh) * 2019-12-31 2020-05-01 北京金山云网络技术有限公司 一种图像处理方法、装置、电子设备及存储介质
CN111091518B (zh) * 2019-12-31 2023-05-02 北京金山云网络技术有限公司 一种图像处理方法、装置、电子设备及存储介质
CN111951188A (zh) * 2020-08-12 2020-11-17 山东师范大学 一种基于低秩分析的图像去噪方法
CN113011321A (zh) * 2021-03-17 2021-06-22 中南大学 一种基于联合字典的光谱信号去噪方法、系统、终端及可读存储介质
CN113011321B (zh) * 2021-03-17 2022-05-06 中南大学 一种基于联合字典的光谱信号去噪方法、系统、终端及可读存储介质

Also Published As

Publication number Publication date
CN107274360B (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN107274360A (zh) 一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法
CN109272010B (zh) 基于卷积神经网络的多尺度遥感图像融合方法
CN108038445B (zh) 一种基于多视角深度学习框架的sar自动目标识别方法
CN109446877B (zh) 一种联合多维特征迁移融合的雷达辐射源信号调制识别方法
CN103488968B (zh) 遥感图像的混合像素物质构成精细化分解装置及方法
CN104166859B (zh) 基于ssae和fsals‑svm极化sar图像分类
CN103413151B (zh) 基于图正则低秩表示维数约简的高光谱图像分类方法
CN105931264B (zh) 一种海面红外小目标检测方法
CN105957026A (zh) 基于非局部相似图像块内部和块间隐性低秩结构的去噪方法
CN105046276A (zh) 基于低秩表示的高光谱图像波段选择方法
CN105787516A (zh) 一种基于空谱局部性低秩超图学习的高光谱图像分类方法
CN102567973A (zh) 基于改进的形状自适应窗口的图像去噪方法
CN107085835B (zh) 基于四元数加权核范数最小的彩色图像去噪方法
CN103440502A (zh) 基于混合高斯稀疏表示的红外小目标检测方法
CN103425995B (zh) 基于区域相似性低秩表示降维的高光谱图像分类方法
CN108108719A (zh) 一种加权核稀疏和协同表示系数的高光谱影像分类方法
CN111222442A (zh) 一种电磁信号分类方法和装置
CN107316309A (zh) 基于矩阵分解的高光谱图像显著性目标检测方法
CN108830130A (zh) 一种偏振高光谱低空侦察图像典型目标检测方法
CN109117880A (zh) 基于小波包分解选择系数加权重构的瓷砖图像分类算法
CN104268581A (zh) 一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法
CN110830043A (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
CN107301631B (zh) 一种基于非凸加权稀疏约束的sar图像降斑方法
Takeyama et al. A constrained convex optimization approach to hyperspectral image restoration with hybrid spatio-spectral regularization
CN116206214A (zh) 一种基于轻量化卷积神经网络和双注意力的自动识别滑坡方法、系统、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant