用于高光谱图像去噪的保持空间 - 光谱纹理的超拉普拉斯全变分
《Pattern Recognition》:Spatial-spectral texture preserved hyper-Laplacian total variation for hyperspectral image denoising
【字体:
大
中
小
】
时间:2026年10月24日
来源:Pattern Recognition 9.1
编辑推荐:
**摘要**
- 在梯度子空间中开发了一种加权超拉普拉斯全变分模型。
- 基于LLBP的纹理权重可自适应地保留空谱纹理。
- 引入张量低秩先验用于条纹噪声去除。
**引言**
与传统彩色图像相比,高光谱图像是具有两个空间维度和一个光谱维度的三维数据立方体。高光谱图像由数
**摘要**
- 在梯度子空间中开发了一种加权超拉普拉斯全变分模型。
- 基于LLBP的纹理权重可自适应地保留空谱纹理。
- 引入张量低秩先验用于条纹噪声去除。
**引言**
与传统彩色图像相比,高光谱图像是具有两个空间维度和一个光谱维度的三维数据立方体。高光谱图像由数百个连续光谱波段组成,提供了关于地球表面丰富的、有价值的空间与光谱信息。它们在目标检测、环境监测、分类和军事监视等领域有着广泛的应用[1]。然而,在获取实际高光谱图像时,硬件和环境限制不可避免地会引入各种类型的噪声,包括高斯噪声、脉冲噪声、条纹噪声和死线[2]。这会对后续的高光谱图像目标检测[3]、分类[4]和反卷积[5]等应用产生不利影响。因此,高光谱图像去噪是应用高光谱图像前不可或缺的一步。
在过去的几年中,高光谱图像去噪方法大致可以分为三类:数据驱动方法、模型驱动方法和模型-数据驱动方法[6]。数据驱动方法通过设计深度神经网络来实现高光谱图像去噪,而模型驱动方法则通过应用人工设计的模型先验来实现。模型-数据驱动方法将两种范式集成在一起。受益于深度神经网络强大的特征学习和拟合能力,数据驱动方法已成为高光谱图像去噪的主导研究方向,并产生了大量有效的算法。例如,Zhang等人提出了空谱频率双变换器(SSFDT),联合利用空谱依赖关系和频域信息进行高光谱图像去噪[7]。Zhu等人提出了一种基于Mamba的U-Net,将Mamba SSM集成到U-Net中以高效地捕获长距离空谱相关性,用于高光谱图像去噪[8]。Zhang等人进一步提出了三维空谱注意力变换器(TDSAT),将3D卷积与光谱-空间注意力模块相结合以捕获联合空谱相关性[9]。这些方法利用先进的深度学习,取得了令人满意的图像去噪性能。然而,它们通常需要配对的清晰-含噪数据集,而在实际中难以获得。此外,不同场景的高光谱图像在空间-光谱结构和统计特性上往往存在差异,这限制了跨场景的泛化能力。为了减少这种依赖性并提高跨场景泛化能力,研究人员探索了无监督和自我监督策略。例如,Zhang等人提出了一种结合光谱低秩先验和深度空间先验的自监督方法(SLRP-DSP)[10]。然而,这类方法仍需要足够的训练样本,并且可能对未见过的场景泛化效果不佳,这促使研究人员继续探索纯粹的模型驱动方法。
模型驱动方法通过应用人工设计的先验来实现高光谱图像去噪,例如非局部相似性、低秩和全变分先验。在早期研究中,由于高光谱图像的每个波段都可以被视为灰度图像,研究人员直接将已有的图像去噪算法应用于每个波段,例如BM3D[11]。虽然这些方法在高光谱图像去噪中展现了一定的有效性,但它们主要针对特定的噪声类型,并未充分利用高光谱图像的内在先验,限制了其在复杂噪声场景下的性能。随后,一些研究人员开发了基于非局部相似性先验的方法,以捕获高光谱图像不同波段之间的相似性,包括BM4D[12]和NGMeet[13]。然而,这些方法往往会导致图像边缘模糊和细节丢失。为了更好地利用高光谱图像的低秩特性,Zhang等人首先提出了低秩矩阵恢复(LRMR)方法[14],该方法利用低秩先验成功地将噪声与信号分离。然而,大多数低秩方法忽略了秩分量之间的差异,因此仅凭低秩先验无法保留精细细节。为了解决这一问题,Wang等人提出了一种迭代限幅重加权范数最小化方法,自适应地截断顺序奇异值[15],Tan等人提出了一种带有稀疏正则化器的广义非凸低秩逼近方法用于高光谱图像去噪[16]。然而,这些方法仍然无法捕获高光谱图像去噪所必需的局部平滑性。
He等人通过将低秩分解与全变分正则化相结合提出了LRTV方法,用于高光谱图像去噪[17]。然而,LRTV中的矩阵展开可能会削弱空间-光谱相关性,而LRTDTV则通过结合低秩张量分解和3DTV实现空间-光谱联合去噪来缓解这一问题[18]。最近,Zhang等人提出了一种低秩张量去噪与补全框架,协同利用张量去噪和补全来恢复具有不同退化模式的高光谱图像[19]。此外,还有几种基于全变分先验的代表性方法,例如立方体全变分(CTV)[20]、空间-光谱自适应高光谱全变分(SSAHTV)[21]、空间-光谱全变分(SSTV)[22]、增强型3D全变分(E3DTV)[23]和表示系数全变分(RCTV)[24],这些方法在高光谱图像去噪中都表现出具有竞争力的性能。然而,大多数全变分正则化方法使用L1范数对整个图像施加均匀的平滑惩罚。由于高光谱图像的局部结构复杂性在不同区域之间变化很大,这种空间上均匀的惩罚往往会对纹理区域进行过度平滑,使得在去噪过程中难以保留高光谱图像的纹理细节。为解决这一问题,Chen等人提出了纹理保持全变分(TPTV)方法,通过计算高光谱图像中不同梯度的均值来提取纹理特征[25]。这种方法有效地放宽了纹理区域的惩罚,部分解决了平衡问题;然而,在光谱维度上梯度权重的设计仍不够合理。为解决此问题,Zhao等人提出了空间-光谱纹理保持全变分(SSTPTV)方法[26]。该方法采用与物理特性更契合的梯度子空间设计,并结合空间-光谱均值滤波方法来提取纹理权重,进而指导高光谱图像去噪。然而,SSTPTV通过空间-光谱均值滤波获取纹理权重,这主要捕获的是粗粒度的、全局分布的纹理信息。该策略在捕获局部纹理变化、精细边缘结构和复杂空间细节方面效果较差,而这些细节在高光谱图像中经常出现。因此,估计的纹理权重可能无法准确反映不同区域的结构复杂性,导致正则化强度调整不够最优。结果是在去噪过程中精细纹理和边缘信息仍可能被部分平滑,使得噪声抑制与细节保留之间的平衡难以完全实现。
目前,超拉普拉斯全变分正则化(HLTV)也是高光谱图像去噪中常用的方法。高光谱数据集在各方向梯度上的分布呈现重尾特性,这与超拉普拉斯分布的特性相吻合,通过将张量稀疏表示与超拉普拉斯正则化相结合,可以实现更有效的噪声去除。Deng等人构建了一个有效的高光谱图像去噪框架[27]。随后,Xu等人提出了一种基于超拉普拉斯先验的低秩模型用于高光谱图像去噪[28]。Yang等人提出了一种基于超拉普拉斯和条纹状低秩先验的高光谱图像去噪方法[29]。Hu等人提出了一种增强型拉普拉斯全变分正则化器用于高光谱图像去噪[30]。尽管这些基于超拉普拉斯正则化的方法在建模高光谱图像的重尾梯度分布方面展现了卓越的能力,但大多数方法采用固定的正则化参数,对所有图像区域的梯度施加相同的稀疏约束。然而,在均匀区域和纹理丰富区域之间的梯度稀疏性存在显著差异,因为接近零的梯度主导平滑区域,而纹理区域则包含大量不可忽略的梯度。对所有梯度施加相同的超拉普拉斯惩罚可能会过度抑制有意义的纹理结构和边缘信息,同时未能充分利用平滑区域的强稀疏性。因此,这类方法难以在保留纹理和抑制噪声之间取得自适应平衡,导致精细空间-光谱细节的退化,并限制了其在处理复杂混合噪声场景时的有效性。
基于以上讨论,本研究提出了一种空间-光谱纹理保持超拉普拉斯全变分(SSTPHLTV)方法用于高光谱图像去噪。本文的主要贡献如下:
(1)我们提出了一种SSTPHLTV正则化方法,基于超拉普拉斯先验,为梯度子空间表示张量引入了加权超拉普拉斯正则化项,从而解决了传统全变分和固定尺度HLTV方法对整个图像施加均匀惩罚的问题。
(2)我们提出了一种新颖的空间-光谱纹理权重学习策略,能够更好地捕获纹理区域和平滑区域之间的稀疏性差异,从而在去噪时更有效地保留高光谱图像纹理细节。
(3)我们设计了一种高效的基于ADMM的优化算法,并在大量实验中取得了优异的性能,验证了SSTPHLTV在高光谱图像去噪中的有效性。
本文的组织结构如下。第2节提供初步说明及相关背景材料。第3节介绍所提出的模型及其优化方法。第4节报告了实验设计、结果以及针对模拟和实际实验的参数敏感性分析。最后,第5节总结了本文的内容和研究成果。
**各章节概要**
**符号与预备知识**
本节介绍相关的符号和概念。
**所提出的方法**
本节详细介绍了所提出的方法。
**实验与评估**
我们实施了一系列全面的实验来评估所提出的SSTPHLTV方法的性能。本节的实验设置、结果以及相应的分析将在下文呈现。实验在一台配备Intel Core i5-1035G1 CPU和16 GB RAM的笔记本电脑上进行,运行MATLAB R2022b。
**结论**
混合噪声去除和纹理保留仍然是高光谱图像去噪中的挑战性问题。为了解决这些问题,本文提出了一种空间-光谱纹理保持超拉普拉斯全变分(SSTPHLTV)模型,将空间-光谱纹理表征、超拉普拉斯梯度稀疏性和低秩条纹噪声建模集成到一个统一的优化框架中。具体来说,设计了一种空间-光谱纹理权重学习策略来表征局部
**CRediT作者贡献声明**
李鑫:写作——审阅与编辑、写作——初稿、可视化、验证、软件、方法论、调查、形式化分析、概念化。
陈红梅:写作——审阅与编辑、验证、监督、项目管理、方法论、调查、获取资金。
朱成龙:可视化、形式化分析。
李天瑞:验证、资源。
**利益冲突声明**
作者声明不存在已知的竞争性经济利益或个人关系,这些利益或关系可能影响本文所报告的工作。
**致谢**
本研究得到国家自然科学基金(项目编号:62376230、62306196、62306054和62476182)以及四川省科技计划(项目编号:2026NSFSC0783)的支持。
李鑫 | 陈红梅 | 朱成龙 | 李天瑞
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号