×
薛继泽;赵永强;廖文志;Chan，Jonathan Cheung-Wai先生

用于高光谱图像压缩传感重建的超拉普拉斯正则化非局部低秩矩阵恢复。 （英语） Zbl 1453.94022号

信息科学。 501, 406-420 (2019).
摘要：稀疏先验是高光谱图像压缩感知重建的有力工具。然而，传统的HSI-CSR策略并没有调整到提取细化空间和光谱稀疏先验。此外，这些CSR技术在保留边缘和抑制伪影方面很弱。为了缓解这些问题，本文首次尝试使用基于结构的稀疏先验来表征空间和光谱知识。具体来说，我们在编码空间结构稀疏性和谱结构稀疏性之前，分别引入了非局部低秩矩阵恢复模型和超拉普拉斯算子。该方法被称为超拉普拉斯正则化非局部低秩矩阵恢复（HyNLRMR），其主要优点是采用了深刻的特性，即跨空间域的非局部自相似性和沿谱域的一致性。然后，设计了交替方向乘法器方法（ADMM）来有效地实现所提出的算法。在各种HSI数据集上的实验结果证明，该算法可以显著优于现有的最新HSI-CSR方法。

引用于1文件

MSC公司：

94A08型 信息与通信理论中的图像处理（压缩、重建等）

关键词：

高光谱图像;压缩传感重建;低秩矩阵恢复;超拉普拉斯;非局部自相似;结构稀疏性;交替方向乘数法

软件：

TVAL3公司;FSIM公司
PDF格式BibTeX公司 XML格式引用
\textit{J.Xue}等人，《信息科学》。501、406--420（2019；Zbl 1453.94022）
全文： 内政部

参考文献：

[1] 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》，《机器学习的基础和趋势》，3，1，1-122（2011）·兹比尔1229.90122
[2] 蔡建芳（Cai，J.F.）。；坎迪斯，E.J。；Shen，Z.，矩阵补全的奇异值阈值算法，SIAM J.Optim。，20, 4, 1956-1982 (2008) ·Zbl 1201.90155号
[3] 坎迪斯，E.J。；Wakin，M.B。；Boyd，S.P.，通过加权1最小化增强稀疏性，傅里叶分析与应用杂志，14，5-6，877-905（2008）·Zbl 1176.94014号
[4] 坎迪斯，E.J。；罗姆伯格，J。；Tao，T.，《鲁棒不确定性原理：从高度不完整的频率信息重建精确信号》，IEEE Trans。《信息论》，52，2489-509（2006）·Zbl 1231.94017号
[5] 坎迪斯，E.J。；Wakin，M.B.，压缩采样简介，IEEE Signal Process Mag，25，2，21-30（2008）
[6] 克里斯托夫，E。；Mailhes，C。；Duhamel，P.，《高光谱图像压缩：将spiht和ezw应用于各向异性三维小波编码》，IEEE Trans。图像处理。，17, 12, 2334 (2008) ·Zbl 1371.94096号
[7] Daubechies，I。；Defriese，M。；Mol，C.D.，具有稀疏约束的线性反问题的迭代阈值算法，Commun Pure Appl Math，57，11，1413-1457（2004）·Zbl 1077.65055号
[8] Dilip，K。；Rob，F.，使用超最小二乘先验的快速图像反褶积，神经信息处理系统进展22——2009年会议论文集，1033-1041（2009）
[9] Dong，W。；Shi，G。；李，X。；马云（Ma，Y.）。；Huang，F.，通过非局部低阶正则化的压缩感知，IEEE Trans。图像处理。，23, 8, 3618-3632 (2014) ·兹比尔1374.94085
[10] Donoho，D.L.，压缩传感，IEEE Trans。《信息论》，52，4，1289-1306（2006）·Zbl 1288.94016号
[11] Donoho，D.L。；Tsaig，Y。；德罗里，I。；Starck，J.，通过分段正交匹配追踪求解欠定线性方程组的稀疏解，IEEE Trans。《信息论》，58，2，1094-1121（2012）·Zbl 1365.94069号
[12] 杜，B。；张，M。；张，L。；胡，R。；Tao，D.，Pltd：高光谱图像的基于补丁的低阶张量分解，IEEE Trans Multimedia，19，1，67-79（2017）
[13] 杜琪。；Ly，N。；Fowler，J.E.，高光谱图像pca+jpeg2000压缩的操作方法，IEEE J.Sel。顶部。申请。地球天体遥感，7，6，2237-2245（2014）
[14] 杜阿尔特，M.F。；Baraniuk，R.G.，Kronecker压缩传感，IEEE Trans。图像处理。，21, 2, 494-504 (2012) ·Zbl 1372.94379号
[15] Eason，D.T。；Andrews，M.，通过连续恢复压缩高光谱图像的总变差正则化，IEEE Trans。图像处理。，24, 1, 284-293 (2015) ·Zbl 1408.94158号
[16] Golbabaee，M。；Vandergheynst，P.，《联合跟踪/电视范数最小化：光谱压缩成像的新有效方法》，2012年IEEE第19届国际图像处理会议，933-936（2012）
[17] 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，国际计算机视觉杂志，121，2，183-208（2017）·Zbl 1458.68231号
[18] 季S。；薛，Y。；Carin，L.，贝叶斯压缩传感，IEEE Trans。信号处理。，第56页，第6页，第2346-2356页（2008年）·Zbl 1390.94231号
[19] 卡拉米，A。；亚兹迪，M。；Mercier，G.，《使用离散小波变换和塔克分解压缩高光谱图像》，IEEE J.Sel。顶部。申请。地球天体遥感，5，2，444-450（2012）
[20] Khan，Z。；沙法特，F。；Mian，A.，压缩高光谱成像的联合组稀疏主成分分析，IEEE Trans。图像处理。，24, 12, 4934 (2015) ·Zbl 1408.94302号
[21] Li，C。；Sun，T。；Kelly，K.F。；Zhang，Y.，高光谱数据处理的压缩传感和分解方案，IEEE Trans。图像处理。，21, 3, 1200-1210 (2012) ·Zbl 1372.94383号
[22] Li，C。；尹，W。；江，H。；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，计算优化应用，56，3，507-530（2013）·Zbl 1287.90066号
[23] 李，L。；Sun，C。；林，L。；李，J。；江，S。；Yin，J.，基于马氏距离度量学习的高光谱图像双核光谱空间分类方法，Inf Sci（Ny），429260-283（2018）
[24] Li，Z。；Tang，J.，用于社会形象理解的弱监督深度矩阵分解，IEEE Trans。图像处理。，26, 1, 276-287 (2017) ·Zbl 1409.94410号
[25] Li，Z。；Tang，J。；He，X.，图像表示的稳健结构非负矩阵分解，IEEE Trans Neural Netw Learn Syst，29，5，1947-1960（2018）
[26] Li，Z。；Tang，J。；Mei，T.，《深度协作嵌入促进社会形象理解》，IEEE Trans-Pattern Anal Mach-Intell，1-14（2018）
[27] Melgani，F。；Bruzzone，L.，使用支持向量机对高光谱遥感图像进行分类，IEEE Trans。地质科学。遥感，42，8，1778-1790（2004）
[28] 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恢复压缩高光谱成像。，Opt Express，26、6、7043（2018年）
[29] Osher，S。；尹，W。；Goldfarb，D。；Xu，J.，基于全变量图像恢复的迭代正则化方法，4（2005）·1090.94003赞比亚比索
[30] Ritter，G.X。；Urcid，G.，用于高光谱图像分解的晶格矩阵方法，Inf Sci（Ny），181，10，1787-1803（2011）·Zbl 1217.94018号
[31] Tan，M。；Tsang，I.W。；Wang，L.，匹配追踪套索第一部分：大字典上的稀疏恢复，IEEE Trans。信号处理。，63, 3, 727-741 (2015) ·Zbl 1394.94578号
[32] Wang，Y。；林，L。；赵（Q.Zhao）。；岳，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 Geosci。遥感快报。，14, 12, 2457-2461 (2017)
[33] 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 Trans。图像处理。，13, 4, 600-612 (2004)
[34] 薛，J。；Zhao，Y。；Liao，W。；Chan，J.C.W.，背景减法的总变差和等级1约束rpca，IEEE Access，649955-49966（2018）
[35] 薛，J。；Zhao，Y。；Liao，W。；Chan，J.C.W.，用于高光谱图像去噪的非局部低阶正则张量分解，IEEE Trans。地质科学。遥感，1-16（2019）
[36] 薛，J。；Zhao，Y。；Liao，W。；Chan，J.C.W.，高光谱图像压缩传感重建的非局部张量稀疏表示和低阶正则化。遥感，遥感（巴塞尔），11，2，193（2019）
[37] 薛，J。；Zhao，Y。；Liao，W。；Kong，S.G.，用于高光谱图像去噪的联合空间和光谱低阶正则化，IEEE Trans。地质科学。遥感，56，4，1940-1958（2018）
[38] Yang，J.X.（杨建新）。；赵永清。；Chan，J.C.W.，学习和传输深部联合光谱-高光谱分类的空间特征，IEEE Trans。地质科学。遥感，55，8，4729-4742（2017）
[39] Yang，S。；王，M。；李，P。；Jin，L.等人。；吴，B。；Jiao，L.，通过稀疏张量和非线性压缩传感的压缩高光谱成像，IEEE Trans。地质科学。遥感，53，11，5943-5957（2015）
[40] 张，C。；程，J。；Tian，Q.，视觉表示和分类的增量码本适配，IEEE Trans-Cybern，48，7，2012-2023（2018）
[41] 张，C。；程，J。；Tian，Q.，用于视觉表示和分类的多视图标签共享，IEEE Trans Multimedia，20，4，903-913（2018）
[42] 张，C。；程，J。；田强，面向视觉分类的结构化弱语义空间构建，IEEE跨神经网络学习系统，29，8，3442-3451（2018）
[43] 张，C。；Liang，C。；李，L。；刘杰。；黄，Q。；Tian，Q.，通过低秩稀疏编码与通用和特定类码本进行细粒度图像分类，IEEE Trans Neural Netw Learn Syst，28，7，1550-1559（2017）
[44] 张，C。；刘杰。；Liang，C。；薛，Z。；彭，J。；Huang，Q.，非负稀疏编码图像分类，相关约束低秩稀疏分解，计算。视觉图像理解，123，14-22（2014）
[45] 张，L。；魏伟（Wei，W.）。；田，C。；李，F。；Zhang，Y.，《通过重加权拉普拉斯先验探索高光谱压缩传感的结构稀疏性》，IEEE Trans。图像处理。，25, 10, 4974-4988 (2016) ·Zbl 1408.94802号
[46] 张，L。；魏伟（Wei，W.）。；Zhang，Y。；沈，C。；亨格尔，A。；Shi，Q.，《促进高光谱压缩传感中结构化稀疏性的字典学习》，IEEE Trans。地质科学。远程传感器，54、12、7223-7235（2016）
[47] 张，L。；张，L。；牟某。；Zhang，D.，Fsim：图像质量评估的特征相似性指数，IEEE Trans。图像处理。，20, 8, 2378-2386 (2011) ·Zbl 1373.62333号
[48] 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，147，1，358-363（2015）
[49] 张，X。；汉堡，M。；布列松，X。；Osher，S.，用于反褶积和稀疏重建的Bregmaized非局部正则化。，SIAM影像科学杂志，3，3，253-276（2010）·Zbl 1191.94030号
[50] 左，W。；孟，D。；张，L。；X·冯。；Zhang，D.，非凸稀疏编码的广义迭代收缩算法，2013年IEEE国际计算机视觉会议，217-224（2013）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。