基于低秩约束的高光谱图像去噪算法研究

发布时间：2024-04-25 22:08

　　伴随着遥感技术的进步,对高光谱图像的研究引起越来越多人的重视。高光谱图像在食品安全、医疗图像以及生物测定等很多方面都得到了广泛应用。但受限于硬件以及成像过程中的噪声,高光谱图像不可避免的会被噪声污染。对于高光谱图像去噪,相比于从硬件入手,更具可行性的方法是从去噪算法入手。因此高光谱图像去噪算法得到了广泛的研究。本文首先对高光谱图像去噪算法的发展进行了整理和介绍。在介绍完去噪算法的必要性后,对稀疏表示和加权核范数进行了介绍。这二者都是我们所提出去噪模型的基础。低秩性是图像处理中经常会运用到的性质,加权核范数作为核范数的改进,可以提供更好的低秩约束。而我们将加权核范数运用到了高光谱图像的处理中。稀疏表示是利用尽量少的基对原信号进行表示。由于高光谱图像本身的特性,稀疏表示在高光谱图像去噪中得到了深入研究和广泛应用。而我们发现,高光谱图像具有很强的局部低秩性。相比于全局低秩性,局部低秩性可以更好的利用高光谱图像的光谱-空间信息。这更有利于对高光谱图像进行去噪。基于此,我们在稀疏表示框架的基础上提出了基于局部低秩和稀疏表示的高光谱图像去噪模型。相应的,我们设计了一种交替极小化的算法来求解这个模型...

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究工作的背景与意义
        1.1.1 高光谱图像概述
        1.1.2 研究背景及意义
        1.1.3 研究现状
    1.2 本文的主要工作
    1.3 本论文研究内容及组织结构
        1.3.1 研究内容与创新
        1.3.2 论文组织结构
第二章 高光谱图像去噪基础
    2.1 预备知识
        2.1.1 稀疏表示
            2.1.1.1 稀疏表示理论
            2.1.1.2 基于稀疏表示的图像去噪
            2.1.1.3 K-SVD算法简介
        2.1.2 加权核范数
    2.2 常见高光谱图像去噪模型
        2.2.1 BM4D模型
        2.2.2 LRTV模型
        2.2.3 SRLR模型
    2.3 评价指标
        2.3.1 仿真图像质量评价指标
            2.3.1.1 MPSNR
            2.3.1.2 MSSIM
            2.3.1.3 MSAD
        2.3.2 真实图像质量评价指标
        2.3.3 其他评价指标
            2.3.3.1 AccEgyR
            2.3.3.2 RelCha
    2.4 本章小结
第三章 基于局部低秩和稀疏表示的高光谱图像去噪模型
    3.1 LLRSR模型
        3.1.1 稀疏表示框架
        3.1.2 模型提出
    3.2 算法
        3.2.1 算法设计
        3.2.2 计算复杂度分析
    3.3 实验
        3.3.1 模拟实验
            3.3.1.1 数据介绍
            3.3.1.2 参数设置
            3.3.1.3 与其它方法的比较
        3.3.2 实验讨论
            3.3.2.1 参数讨论
            3.3.2.2 最大迭代次数设置
        3.3.3 真实实验
    3.4 本章小结
第四章 全文总结与展望
    4.1 全文总结
    4.2 后续工作展望
致谢
参考文献
攻硕期间取得的研究成果



本文编号：3964309