基于自适应可学习子空间系数张量低秩先验的高光谱图像去噪与去条带处理

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Hyperspectral Image Denoising and Destriping With Adaptive Learnable Subspace Coefficient Tensor Low-Rank Prior

　　

摘要：

为了从含有混合噪声和条纹噪声的嘈杂高光谱图像（HSI）中获取纯净的高光谱图像，本文提出了一种新的、有效的自适应可学习子空间系数张量低秩（ALSCTLR）模型，用于HSI的去噪和去条纹处理。该模型基于统一的张量建模和子空间表示方法，创新性地提出了一个自适应可学习的子空间表示系数张量核范数（SRCTNN）用于HSI，以及一个针对条纹噪声的双模张量低纤维秩先验项。首先，利用HSI固有的强光谱低秩特性，我们将HSI进行光谱低秩分解，得到子空间表示系数（SRC）。这个系数不仅是一个三阶张量，而且可以通过一种新的广义变换方法（利用可学习的行正交光谱基矩阵ROSBM）重新理解，从而被视为HSI的广义变换结果。接下来，我们进一步利用SRC的三阶张量低纤维秩先验来建模其全局三维结构相关性，这被创新性地定义为SRCTNN先验项。与基于傅里叶变换矩阵的著名TNN模型相比，后者不具备数据适应性、不可学习且计算复杂度高，而基于ROSBM的SRCTNN模型具有数据适应性、可学习性以及更低的计算复杂度等优势。此外，为了在统一的张量建模框架中同时利用条纹噪声的物理结构特性和方向特性，我们特别采用了条纹噪声的二阶和三阶张量低纤维秩先验，这些先验被创新性地定义为双模张量低纤维秩先验项。最后，通过交替方向乘子法（ADMM）求解所提出的ALSCTLR模型。实验结果充分证明了该模型的优越性...

显示更多