高光谱图像压缩传感重建的非局部张量稀疏表示和低秩正则化
摘要
1.简介
据我们所知,我们是第一个利用GCS和NSS来构建HSI的非局部结构稀疏性的人,这是HSI-CSR任务的忠实结构稀疏性表示形式。 对于通过分组非局部相似立方体而形成的每个立方体,引入基于张量稀疏和低秩近似的张量表示来编码固有的空间谱相关性。
2.HSI-CS的符号和背景
2.1. 符号
2.2. HSI-CS背景
3.通过NTSRLR拟定HSI-CSR
3.1. 结构稀疏性的非局部张量公式
3.1.1. 非局部结构稀疏性分析
3.1.2. 非局部结构稀疏建模
3.2. 建议的模型
3.3. 优化算法
(a) (b) 子问题: 它可以重写为 (c) 子问题: 它可以简单地重新表述为: 哪里 ,其等效形式为 (d) x个 子问题: 很容易观察到优化 L(左) 关于 x个 可以视为求解以下线性系统: 哪里 , 表示矩阵或张量的矢量化算子,以及 表示的伴随词 显然,这个线性系统可以用众所周知的预处理共轭梯度法求解。 (e) 更新乘数 哪里 是一个与值为[1.05–1.1]时的收敛速度相关的参数。 提出的HSI-CSR模型的整个优化过程可以概括为算法1,我们将提出的方法缩写为NTSRLR。
4.实验结果与分析
4.1. 定量指标
4.2. 无噪声HSI数据集实验
4.2.1. 视觉质量评估
4.2.2. 定量评估
4.2.3. 分类性能 印度松树 数据集
4.3. HSI-CSR期间噪声抑制的鲁棒性
4.4. 单NTSR或NTLR约束的有效性分析
4.5. 计算复杂性分析
4.6. 收敛性分析
4.7. 参数分析
5.结论
作者贡献
基金
利益冲突
工具书类
Yang,J.等人。; Zhao,Y。; Chan,J.C.-W.学习并传输用于高光谱分类的深部联合光谱空间特征。 IEEE传输。 地质科学。 远程传感器。 2017 , 55 , 4729–4742. [ 谷歌学者 ] [ 交叉参考 ] 袁,Y。; 林,J。; Wang,Q.通过多任务联合稀疏表示和逐步MRF优化进行高光谱图像分类。 IEEE传输。 赛博。 2016 , 46 , 2966–2977. [ 谷歌学者 ] [ 交叉参考 ] 刘,Y。; 施,Z。; 张,G。; 陈,Y。; 李,S。; Y.Hong。; Shi,T。; Wang,J。; Liu,Y.应用光谱衍生土壤类型作为辅助数据,利用中国土壤可见-红外光谱库改进土壤有机碳估算。 远程传感器。 2018 , 10 , 1747. [ 谷歌学者 ] [ 交叉参考 ] Khelifi,F。; 布瑞丹,A。; Kurugollu,F.加入光谱树,用于可扩展的基于spiht的多光谱图像压缩。 IEEE传输。 Multimed公司。 2008 , 10 , 316–329. [ 谷歌学者 ] [ 交叉参考 ] 克里斯托夫,E。; Mailhes,C。; Duhamel,P.高光谱图像压缩:将spiht和ezw适应于各向异性三维小波编码。 IEEE传输。 图像处理。 2008 , 17 , 2334–2346. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 特雷恩,B.U。; O.Yilmaz。; 莫特,Y.M。; 蒂尔克,F.使用基于小波变换的光谱去相关进行高光谱图像无损压缩。 2015年6月16日至19日在土耳其伊斯坦布尔举行的IEEE第七届空间技术最新进展国际会议(RAST)会议记录; 第251-254页。 [ 谷歌学者 ] Wang,L。; 吴杰。; Jiao,L。; Shi,G.基于无乘数可逆整数TDLT/KLT的无损高光谱图像压缩。 IEEE地理学会。 遥感快报。 2009 , 6 , 587–591. [ 谷歌学者 ] [ 交叉参考 ] Mielikainen,J。; Toivanen,P.聚类DPCM用于高光谱图像的无损压缩。 IEEE传输。 地质科学。 远程传感器。 2003 , 41 , 2943–2946. [ 谷歌学者 ] [ 交叉参考 ] 杜琪。; Fowler,J.E.使用JPEG2000和主成分分析进行高光谱图像压缩。 IEEE地理学会。 遥感快报。 2007 , 4 , 201–205. [ 谷歌学者 ] [ 交叉参考 ] 杜琪。; Ly,N。; Fowler,J.E.高光谱图像PCA+JPEG2000压缩的操作方法。 IEEE J.选择。 顶部。 申请。 地球观测站。 远程传感器。 2014 , 7 , 2237–2245. [ 谷歌学者 ] [ 交叉参考 ] Donoho,D.L.压缩传感。 IEEE传输。 Inf.理论 2006 , 52 , 1289–1306. [ 谷歌学者 ] [ 交叉参考 ] Boufounos,D。; 刘,D。; Boufounos,P.T.关于压缩传感的讲座。 IEEE信号处理。 美格。 2007 , 24 , 1–9. [ 谷歌学者 ] 黄,J。; 张,T。; Metaxas,D.结构化稀疏学习。 J.马赫。 学习。 物件。 2011 , 12 , 3371–3412. [ 谷歌学者 ] Tan,M。; Tsang,I.W。; Wang,L.匹配追求LASSO第一部分:大字典的稀疏恢复。 IEEE传输。 信号处理。 2015 , 63 , 727–741. [ 谷歌学者 ] [ 交叉参考 ] 坎迪斯,E.J。; Wakin,医学学士。; Boyd,S.P.通过加权增强稀疏性 我 1 最小化。 J.傅里叶分析。 申请。 2008 , 14 , 877–905. [ 谷歌学者 ] [ 交叉参考 ] Chartrand,R。; Yin,W.压缩传感的迭代重加权算法。 IEEE国际声学会议论文集。 语音信号处理,美国内华达州拉斯维加斯,2008年3月31日至4月4日; 第3869–3872页。 [ 谷歌学者 ] Dong,W。; 吴,X。; Shi,G.小波域稀疏性微调及其在压缩图像重建中的应用。 IEEE传输。 图像处理。 2014 , 23 , 5249–5262. [ 谷歌学者 ] [ 交叉参考 ] Dong,W。; Shi,G。; 李,X。; 马云(Ma,Y.)。; Huang,F.通过非局部低阶正则化进行压缩传感。 IEEE传输。 图像处理。 2014 , 23 , 3618–3632. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] Dong,W。; 李,X。; 张,L。; Shi,G.Sparsity基于字典学习和结构聚类的图像去噪。《计算机视觉和模式识别学报》,科罗拉多州斯普林斯,美国科罗拉多州,2011年6月20日至25日; 第457-464页。 [ 谷歌学者 ] Mairal,J。; 巴赫,F。; 彭斯,J。; 萨皮罗,G。; Zisserman,A.图像恢复的非局部稀疏模型。 2009年9月29日至10月2日在日本京都举行的IEEE第十二届计算机视觉国际会议记录; 第2272-2279页。 [ 谷歌学者 ] 张,L。; 魏伟(Wei,W.)。; Zhang,Y。; Yan,H。; 李,F。; Tian,C.使用分解的基于局部相似稀疏性的高光谱压缩传感。 IEEE传输。 计算。 成像 2016 , 2 , 86–100. [ 谷歌学者 ] [ 交叉参考 ] Wang,L。; Feng,Y。; 高,Y。; 王,Z。; He,M.基于光谱分解的高光谱图像压缩传感重建。 IEEE J.选择。 主题应用。 地球观测站。 远程传感器。 2018 , 11 , 1266–1284. [ 谷歌学者 ] [ 交叉参考 ] 李,C。; Sun,T。; 凯利,K.F。; Zhang,Y.高光谱数据处理的压缩传感和分解方案。 IEEE传输。 图像处理。 2012 , 21 , 1200–1210. [ 谷歌学者 ] 张,L。; 魏伟(Wei,W.)。; 田,C。; 李,F。; Zhang,Y.在高光谱压缩传感之前通过重加权拉普拉斯探索结构稀疏性。 IEEE传输。 图像处理。 2016 , 25 , 4974–4988. [ 谷歌学者 ] [ 交叉参考 ] 张,L。; 魏伟(Wei,W.)。; Zhang,Y。; 沈,C。; A.V.D.亨格尔。; Shi,Q.促进高光谱压缩传感中结构稀疏性的字典学习。 IEEE传输。 地质科学。 远程传感器。 2016 , 54 , 7223–7235. [ 谷歌学者 ] [ 交叉参考 ] 傅伟(Fu,W.)。; 李,S。; 方,L。; Benediktsson,J.A.稀疏表示的高光谱图像的自适应光谱空间压缩。 IEEE传输。 地理科学。 远程传感器。 2017 , 55 , 671–682. [ 谷歌学者 ] [ 交叉参考 ] 林,X。; 刘,Y。; 吴杰。; Dai,Q.空间光谱编码压缩高光谱成像。 ACM事务处理。 图形(TOG) 2014 , 33 , 233. [ 谷歌学者 ] [ 交叉参考 ] 张,L。; 魏伟(Wei,W.)。; Zhang,Y。; 沈,C。; A.V.D.亨格尔。; Shi,Q.集群稀疏场:重建前的内部高光谱图像。 国际期刊计算。 视觉。 2015 , 11 , 1–25. [ 谷歌学者 ] [ 交叉参考 ] 梅扎,P。; 奥尔蒂斯,I。; 维拉,E。; Martinez,J.通过空间光谱非局部方法正则化实现压缩高光谱成像恢复。 选择。 快递 2018 , 26 , 7043–7055. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 魏杰。; 黄,Y。; 卢克。; Wang,L.基于非局部低阶压缩感知的遥感图像重建。 IEEE地理学会。 遥感快报。 2016 , 13 , 1557–1561. [ 谷歌学者 ] [ 交叉参考 ] Khan,Z。; 沙法特,F。; Mian,A.压缩高光谱成像联合组稀疏主成分分析。 IEEE传输。 图像处理。 2015 , 24 , 4934–4942. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] Eason,D.T。; Andrews,M.通过连续化进行总变差正则化,以恢复压缩的高光谱图像。 IEEE传输。 图像处理。 2015 , 24 , 284–293. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 贾毅。; 罗,Z。高光谱推扫压缩成像的加权全变差迭代重建。 J.图像处理。 理论应用。 2016 , 1 , 6–10. [ 谷歌学者 ] Golbabaee,M。; Vandergheynst,P.联合跟踪/TV范数最小化:光谱压缩成像的一种新的有效方法。 2012年9月30日至10月3日在美国佛罗里达州奥兰多举行的第19届IEEE图像处理国际会议(ICIP)会议记录; 第933-936页。 [ 谷歌学者 ] 卡拉米,A。; 亚兹迪,M。; Mercier,G.使用离散小波变换和Tucker分解对高光谱图像进行压缩。 IEEE J.选择。 顶部。 申请。 地球观测。 远程传感器。 2012 , 5 , 444–450. [ 谷歌学者 ] [ 交叉参考 ] Wang,L。; Bai,J。; 吴杰。; 基于重叠变换和塔克分解的高光谱图像压缩。 信号处理。 图像通信。 2015 , 36 , 63–69. [ 谷歌学者 ] [ 交叉参考 ] 张,L。; 张,L。; 陶,D。; 黄,X。; Du,B.用张量方法压缩高光谱遥感图像。 神经计算 2015 , 147 , 358–363. [ 谷歌学者 ] [ 交叉参考 ] 方,L。; He,N。; Lin,H.CP基于张量的高光谱图像压缩。 J.选项。 图像科学。 视觉。 2017 , 34 , 252. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] Yang,S。; 王,M。; 李,P。; Jin,L。; 吴,B。; Jiao,L.通过稀疏张量和非线性压缩传感进行压缩高光谱成像。 IEEE传输。 地质科学。 远程传感器。 2015 , 53 , 5943–5957. [ 谷歌学者 ] [ 交叉参考 ] Wang,Y。; 林,L。; 赵(Q.Zhao)。; Yue,T。; 孟,D。; Leung,Y.通过联合张量-塔克分解和加权总变差正则化对高光谱图像进行压缩感知。 IEEE地理学会。 遥感快报。 2017 , 14 , 2457–2461. [ 谷歌学者 ] [ 交叉参考 ] 杜,B。; 张,M。; 张,L。; 胡,R。; Tao,D.PLTD:用于高光谱图像的基于补丁的低秩张量分解。 IEEE传输。 Multimed公司。 2016 , 19 , 67–79. [ 谷歌学者 ] [ 交叉参考 ] 谢奇。; 赵(Q.Zhao)。; 孟,D。; 徐,Z。; 顾S。; 左,W。; Zhang,L.基于内禀张量稀疏正则化的多光谱图像去噪。 2016年6月27日至30日,美国内华达州拉斯维加斯,IEEE计算机视觉和模式识别会议记录; 第1692-1700页。 [ 谷歌学者 ] 彭,Y。; 孟,D。; 徐,Z。; 高,C。; Yang,Y。; Zhang,B.用于多光谱图像去噪的可分解非局部张量字典学习。 2014年6月23日至28日,美国俄亥俄州哥伦布市,IEEE计算机视觉和模式识别会议记录; 第2949–2956页。 [ 谷歌学者 ] 博伊德,S。; 北卡罗来纳州帕里赫。; 朱,E。; 佩莱托,B。; Eckstein,J.通过交替方向乘数法进行分布式优化和统计学习。 已找到。 趋势马赫数。 学习。 2011 , 三 , 1–122. [ 谷歌学者 ] [ 交叉参考 ] 薛,J。; Zhao,Y。; Hao,J.用于恢复压缩高光谱图像的张量非局部低秩正则化。 2017年9月17日至20日,中国北京,IEEE图像处理国际会议(ICIP)会议记录; 第3046–3050页。 [ 谷歌学者 ] T.G.科尔达。; Bader,B.W.张量分解和应用。 SIAM版本。 2009 , 51 , 455–500. [ 谷歌学者 ] [ 交叉参考 ] Schwab,H。对于大多数大型欠定线性方程组,最小值 我 1 解也是最稀疏的解。 Commun公司。 采购申请。 数学。 2006 , 59 , 797–829. [ 谷歌学者 ] Daubechies,I。; Defrise,M。; Mol,C.D.具有稀疏约束的线性反问题的迭代阈值算法。 Commun公司。 纯应用程序。 数学。 2004 , 57 , 1413–1457. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 张,X。; 汉堡,M。; 布雷松,X。; Osher,S.Bregmaized非局部正则化用于反褶积和稀疏重建。 SIAM J.图像。 科学。 2010 , 三 , 253–276. [ 谷歌学者 ] [ 交叉参考 ] 薛,J。; Zhao,Y。; Liao,W。; Kong,S.G.联合空间和光谱低阶正则化用于高光谱图像去噪。 IEEE传输。 地质科学。 远程传感器。 2018 , 56 , 1940–1958. [ 谷歌学者 ] [ 交叉参考 ] 刘杰。; 穆西亚尔斯基,P。; Wonka,P。; Ye,J.Tensor完成视觉数据中缺失值的估计。 IEEE传输。 模式分析。 机器。 智力。 2013 , 35 , 208–220. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] Quan,Y。; 黄,Y。; Ji,H.基于正交张量字典学习的动态纹理识别。 2015年12月7日至13日在智利圣地亚哥举行的IEEE计算机视觉国际会议(ICCV)会议记录; 第73-81页。 [ 谷歌学者 ] 齐,N。; Shi,Y。; 太阳,X。; Yin,B.张量:多维张量稀疏表示。 2016年6月27日至30日,美国内华达州拉斯维加斯,IEEE计算机视觉和模式识别会议记录; 第5916–5925页。 [ 谷歌学者 ] 齐,N。; Shi,Y。; 太阳,X。; Wang,J。; 尹,B。; Gao,J.多维稀疏模型。 IEEE传输。 模式分析。 机器。 智力。 2017 , 40 , 163–178. [ 谷歌学者 ] [ 交叉参考 ] 多诺霍,D.L。; Tsaig,Y。; 德罗里,I。; Starck,J.L.通过分段正交匹配追踪获得欠定线性方程组的稀疏解。 IEEE传输。 Inf.理论 2012 , 58 , 1094–1121. [ 谷歌学者 ] [ 交叉参考 ] Ji,S。; 薛,Y。; Carin,L.Bayesian压缩感知。 IEEE传输。 信号处理。 2008 , 56 , 2346–2356. [ 谷歌学者 ] [ 交叉参考 ] 杜阿尔特,M.F。; Baraniuk,R.G.Kronecker压缩传感。 IEEE传输。 图像处理。 2012 , 21 , 494–504. [ 谷歌学者 ] [ 交叉参考 ] 李,C。; 尹,W。; 姜浩。; Zhang,Y.一种有效的增广拉格朗日方法及其在总变差最小化中的应用。 计算。 最佳方案。 申请。 2013 , 56 , 507–530. [ 谷歌学者 ] [ 交叉参考 ] 王,Z。; 博维克,A.C。; 谢赫,H.R。; Simoncelli,E.P.图像质量评估:从错误可见性到结构相似性。 IEEE传输。 图像处理。 2004 , 13 , 600–612. [ 谷歌学者 ] [ 交叉参考 ] 张,L。; 张,L。; 牟某。; Zhang,D.Fsim:用于图像质量评估的特征相似性指数。 IEEE传输。 图像处理。 2011 , 20 , 2378–2386. [ 谷歌学者 ] [ 交叉参考 ] 瓦尔德,L。 数据融合:定义和体系结构:不同空间分辨率图像的融合 ; 矿业出版社:法国巴黎,2002年。 [ 谷歌学者 ] Yuhas,R.H。; Boardman,J.W。; Goetz,A.F.使用凸几何光谱分解技术确定半干旱景观末端成员和季节趋势。 在 第四届喷气推进实验室航空地球科学研讨会综述 ; 美国国家航空航天局:华盛顿特区,美国,1993年; 第4卷,第205-208页。 [ 谷歌学者 ] Melgani,F。; Bruzzone,L.用支持向量机对高光谱遥感图像进行分类。 IEEE传输。 地质科学。 远程传感器。 2004 , 42 , 1778–1790. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 顾S。; 谢奇。; 孟,D。; 左,W。; X·冯。; Zhang,L.加权核范数最小化及其在低水平视觉中的应用。 国际期刊计算。 视觉。 2017 , 121 , 183–208. [ 谷歌学者 ] [ 交叉参考 ]