CN111951183A - 基于近端交替惩罚算法的低秩全变分高光谱图像修复方法 - Google Patents
基于近端交替惩罚算法的低秩全变分高光谱图像修复方法 Download PDFInfo
- Publication number
- CN111951183A CN111951183A CN202010673807.7A CN202010673807A CN111951183A CN 111951183 A CN111951183 A CN 111951183A CN 202010673807 A CN202010673807 A CN 202010673807A CN 111951183 A CN111951183 A CN 111951183A
- Authority
- CN
- China
- Prior art keywords
- low
- hyperspectral image
- matrix
- rank
- algorithm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 21
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 241001442654 Percnon planissimum Species 0.000 description 9
- GTUJJVSZIHQLHA-XPWFQUROSA-N pApA Chemical compound C1=NC2=C(N)N=CN=C2N1[C@@H]([C@@H]1O)O[C@H](COP(O)(O)=O)[C@H]1OP(O)(=O)OC[C@H]([C@@H](O)[C@H]1O)O[C@H]1N1C(N=CN=C2N)=C2N=C1 GTUJJVSZIHQLHA-XPWFQUROSA-N 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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 Processing (AREA)
Abstract
Description
技术领域
本发明涉及一种基于近端交替惩罚算法的低秩全变分高光谱图像修复方法。
背景技术
高光谱遥感图像(Hyperspectral Imagery,HSI)由于其丰富的光谱信息,有着广泛的应用。特别是在精准农业、植被生态、地址矿产、大气环境检测等领域中有较大的应用价值。但是,高光谱图像在经由传感器采集过程中,不可避免地会损失部分像素点,这会严重降低图像质量,并影响后续处理。因此高光谱图像的修复是一个很重要的数据预处理过程。
全变分(Total Variation,TV)正则项是图像处理中广泛应用的修复模型,其能很好地保护图像边缘信息和保留平滑空间分段。近几年,基于TV的图像修复方法已被扩展至HSI修复领域。Kuiteing等人提出了用于HSI重构的迭代TV架构,Yuan等人提出了一个采用频谱空间自适应TV的HSI修复算法。
低秩矩阵分解(Low Rank Matrix Factorization,LRMF)也已被广泛用作图像分析,网页搜索和计算机视觉等领域。低秩模型描述了在高维数据中发现和利用低维结构的问题。对于HSI,光谱上的相邻波段通常表现出很强的相关性,并且HSI中的相邻像素通常也具有高度空间相关性,这两者都揭示了高光谱图像的低秩结构。基于此,LRMF已被广泛应用于HSI修复领域。
He等人提出了低秩全变分(Low Rank and Total Varaition,LRTV)模型,提出将TV正则项与LRMF结合起来,利用低秩模型获取HSI数据的频谱相关性,使用TV正则化保留HSI数据平滑空间分段。LRTV模型在高光谱图像修复领域获得了很好的效果。
求解LRTV模型,作为一个凸优化问题,可以用许多经典的凸优化算法对其求解,如交替方向乘子法(Alternating Direction Method of Multipliers,ADMM),原始对偶分裂法(Primal-dual Splitting Algorithm,PDS)等。本发明使用了一个新的算法,即近端交替惩罚算法(Proximal Alternating Penalty Algorithm,PAPA)来对LRTV模型进行求解并将其应用于高光谱图像修复。PAPA算法主要使用经典二次惩罚法,交替最小化方法,内斯特罗夫的加速方法和参数自适应策略方法的新颖组合,来有效求解不光滑的约束凸优化问题,并且在非遍历意义上获得了著名的收敛,k是迭代次数。二次惩罚法是处理约束问题的经典优化框架,此方法单独使用时通常效率不高,但当其与交替策略结合起来,却可以获得很好的效果。应用交替最小化方法解耦联合变量z=(x,y),在x和y之间进行交替求解,此方法已被广泛应用于非约束问题的求解。PAPA算法的关键之处在于内斯特罗夫的加速方案中的参数自适应策略,这个方法可以加快PAPA的收敛速度,并且可以自动更新惩罚项参数和其他参数,无需手动调整。因此,在求解效率方面,PAPA算法显著高于ADMM,PDS等算法。
发明内容
本发明针对ADMM,PDS等算法求解LRTV模型计算效率低下,修复效果差等问题,提出了使用一个新的算法PAPA来有效求解LRTV模型,并将其应用到高光谱图像修复领域。实验结果表明,其修复效果与计算效率都得到了显著提升。
本发明解决其技术问题所采用的技术方案是:
基于近端交替惩罚算法的低秩全变分模型求解并将其应用于高光谱图像修复领域,包括以下步骤:
步骤2,构建LRTV修复模型;
步骤3,使用近端交替惩罚算法求解;
步骤4,输出修复后的高光谱图像。
本发明的效果表现在:高光谱图像的修复具有一定的挑战性,通过LRTV模型可以有效的对高光谱图像进行修复,但用一般的基于原始-对偶分裂的算法如ADMM,PDS等,求解效率过低,修复效果较差,因此本发明提出了用近端交替惩罚算法来求解LRTV模型,并将其应用于高光谱图像的修复。实验结果表明,本发明提出的方法可以有效的修复损失大量像素点的高光谱图像,并且其求解效率明显高于ADMM,PDS,ALM等算法。
附图说明
图1是损失85%像素点的高光谱图像。
图2是本发明的流程图。
图3是使用ADMM算法求解LRTV模型修复后的高光谱图像及其所消耗时间。
图4是使用PDS算法求解LRTV模型修复后的高光谱图像及其所消耗时间。
图5是使用PAPA算法求解LRTV模型修复后的高光谱图像及其所消耗时间。
具体实施方式
下面结合附图,进一步说明本发明的技术方案。
基于近端交替惩罚算法的低秩全变分高光谱图像修复方法,包括以下步骤:
步骤2)针对高光谱图像修复的LRTV模型定义如下:
是输入的丢失像素点的图像,表示输出的HSI数据矩阵。||Y||LR表示低秩项。根据在信号和图像处理中对于使用低秩正则项的研究,本发明使用核范数来表示低秩项,其定义为:||Y||LR≈||Y||*。||Y||tv表示全变分正则项,其定义为:
||·||F为Frobenius范数。其定义为: 是一个索引矩阵,0表示输入数据的丢失元素,1表示输入数据T的可观测元素。支持集Ω定义为{(i,j)|qi,j=1}。α与β则分别表示低秩项与TV正则项的参数。而δ的值取决于T中观察到的元素丢失率。
步骤3)使用PAPA算法求解LRTV模型
31)优化低秩全变分模型:
32)令f(X)=||X||1,g(Y)=||Y||*,h(Y)=||pΩ(Y-T)||2 F;
34)开始迭代,其中k表示迭代次数,初始值为0;
341)更新Xk+1:
342)更新Yk+1:
344)更新ρk+1:
ρk+1:=(k+2)ρ0 (6)
其中这一步使用了经典的二次惩罚方法,是一个二次惩罚函数,Ax+By+c=0是目标函数的约束项,projκ(·)表示凸集上的投影算子,ρ是惩罚参数,prox表示函数的近似算子。其定义为:表示对函数中的变量y求梯度,其值为其中在开始迭代前,首先给X与Y赋初值,同时使低秩项参数α与全变分参数β分别设置为0.009与1.2。ρ0的初值设为0.5。
根据近似算子的定义,可以将式(3)表示为:
用软阈值求解式(7)得到:
对于式(4),可以通过引入以下引理1来求解:
W=UErVT,Er=diag({σi}1≤i≤r) (9)
diag({σi}1≤i≤r)表示对角矩阵,其i行对应的对角元素为σi,σi是矩阵W的第i个奇异值。U为左奇异矩阵,VT为右奇异矩阵。
然后,奇异值收缩运算符将服从
其中
Jξ(W)=UJξ(W)VT,Jξ(Er)=diag{max((σi-ξ),0)} (11)
ξ为输入的阈值,通过引理1,可以得到式7的解:
算法1:
1.输入:含有损失像素点的高光谱图像T
3.根据(3)计算Xk+1;
4.根据(4)计算Yk+1;
6.根据(6)更新ρk+1;
7.收敛之后输出Yk+1
步骤4)输出修复后的高光谱图像,如图3所示。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (2)
1.基于近端交替惩罚算法的低秩全变分高光谱图像修复方法,包括以下步骤:
步骤2)针对高光谱图像修复的低秩全变分模型定义如下:
||·||F为Frobenius范数,其定义为:Xi,j为X的元素值,θ∈{0,1}mn×p是一个索引矩阵,0表示输入数据的丢失元素,1表示输入数据T的可观测元素;支持集Ω定义为{(i,j)|qi,j=1},表示未丢失的像素集;α与β分别表示低秩项与TV正则项的参数;而δ的值取决于T中观察到的元素丢失率;
步骤3)使用近端交替惩罚算法求解低秩全变分模型;
步骤4)输出修复后的高光谱图像。
2.如权利要求1所述的一种基于近端交替惩罚算法的低秩全变分高光谱图像修复方法,其特征在于:步骤3)具体包括:
31)优化低秩全变分模型:
32)令f(X)=||X||1,g(Y)=||Y||*,h(Y)=||pΩ(Y-T)||2 F;
34)开始迭代,其中k表示迭代次数,初始值为0;
341)更新Xk+1:
对于l1范数的近似算子,可用软阈值求解,得到:
342)更新Yk+1:
对于式(7),通过引入引理1来求解:
W=UErVT,Er=diag({σi}1≤i≤r) (8)
diag({σi}1≤i≤r)表示对角矩阵,其i行对应的对角元素为σi,σi表示矩阵W的第i个奇异值,U为矩阵W的左奇异矩阵,VT为矩阵W的右奇异矩阵;
然后,奇异值收缩运算符将服从
其中
Jξ(W)=UJξ(W)VT,Jξ(Er)=diag{max((σi-ξ),0)} (10)
ξ为输入的阈值,通过引理1,可以得到式7的解:
344)更新ρk+1:
ρk+1:=(k+2)ρ0 (13)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010673807.7A CN111951183B (zh) | 2020-07-14 | 2020-07-14 | 基于近端交替惩罚算法的低秩全变分高光谱图像修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010673807.7A CN111951183B (zh) | 2020-07-14 | 2020-07-14 | 基于近端交替惩罚算法的低秩全变分高光谱图像修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951183A true CN111951183A (zh) | 2020-11-17 |
CN111951183B CN111951183B (zh) | 2024-03-29 |
Family
ID=73341086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010673807.7A Active CN111951183B (zh) | 2020-07-14 | 2020-07-14 | 基于近端交替惩罚算法的低秩全变分高光谱图像修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951183B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950500A (zh) * | 2021-02-25 | 2021-06-11 | 桂林电子科技大学 | 一种基于边缘检测低秩全变分模型的高光谱去噪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102477A (zh) * | 2018-08-31 | 2018-12-28 | 哈尔滨工业大学 | 一种基于非凸低秩稀疏约束的高光谱遥感图像恢复方法 |
CN110298798A (zh) * | 2019-06-20 | 2019-10-01 | 浙江工业大学 | 一种基于低秩张量补全与离散全变分的图像修复方法 |
CN111028172A (zh) * | 2019-12-10 | 2020-04-17 | 浙江工业大学 | 基于无参数的非凸低秩矩阵逼近的高光谱图像去噪方法 |
-
2020
- 2020-07-14 CN CN202010673807.7A patent/CN111951183B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102477A (zh) * | 2018-08-31 | 2018-12-28 | 哈尔滨工业大学 | 一种基于非凸低秩稀疏约束的高光谱遥感图像恢复方法 |
CN110298798A (zh) * | 2019-06-20 | 2019-10-01 | 浙江工业大学 | 一种基于低秩张量补全与离散全变分的图像修复方法 |
CN111028172A (zh) * | 2019-12-10 | 2020-04-17 | 浙江工业大学 | 基于无参数的非凸低秩矩阵逼近的高光谱图像去噪方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950500A (zh) * | 2021-02-25 | 2021-06-11 | 桂林电子科技大学 | 一种基于边缘检测低秩全变分模型的高光谱去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111951183B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109903236B (zh) | 基于vae-gan与相似块搜索的人脸图像修复方法及装置 | |
CN111652899B (zh) | 一种时空部件图的视频目标分割方法 | |
Simon et al. | A blockwise descent algorithm for group-penalized multiresponse and multinomial regression | |
CN110287819B (zh) | 动态背景下基于低秩及稀疏分解的动目标检测方法 | |
Zhussip et al. | Extending stein's unbiased risk estimator to train deep denoisers with correlated pairs of noisy images | |
CN107464228A (zh) | 一种基于自适应正则化的图像分析方法 | |
CN112634238B (zh) | 一种基于注意力模块的图像质量评价方法 | |
CN110060219B (zh) | 一种基于低秩近似的真实图降噪方法 | |
CN112132760B (zh) | 基于可学习可微分矩阵逆及矩阵分解的图像恢复方法 | |
CN110139046B (zh) | 一种基于张量的视频帧合成方法 | |
CN104732566B (zh) | 基于非分离稀疏先验的高光谱图像压缩感知方法 | |
CN112686817B (zh) | 一种基于不确定性估计的图像补全方法 | |
Jia et al. | Stacked denoising tensor auto-encoder for action recognition with spatiotemporal corruptions | |
CN111147863B (zh) | 基于张量的视频快照压缩成像恢复方法 | |
CN111951183A (zh) | 基于近端交替惩罚算法的低秩全变分高光谱图像修复方法 | |
Mai et al. | Deep unrolled low-rank tensor completion for high dynamic range imaging | |
CN107292855A (zh) | 一种结合自适应非局部样本和低秩的图像去噪方法 | |
CN108171124B (zh) | 一种相似样本特征拟合的人脸图像清晰化方法 | |
CN112200752B (zh) | 一种基于er网络多帧图像去模糊系统及其方法 | |
CN113935917A (zh) | 一种基于云图运算和多尺度生成对抗网络的光学遥感影像薄云去除方法 | |
Huang et al. | Image restoration from patch-based compressed sensing measurement | |
CN110136164B (zh) | 基于在线透射变换、低秩稀疏矩阵分解去除动态背景的方法 | |
Liu et al. | Optimization-derived learning with essential convergence analysis of training and hyper-training | |
CN111062888B (zh) | 一种基于多目标低秩稀疏及空谱全变分的高光谱影像去噪方法 | |
CN108347549B (zh) | 一种基于视频帧的时间一致性来改善视频抖动的方法 |
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 |