×

用于计算性高光谱成像的自适应维数鉴别低阶张量恢复。 (英语) Zbl 1483.68448号

摘要:利用先验信息是计算高光谱成像(CHI)中图像重建的基础。现有的方法通常将三维信号展开为一维向量,然后以无差别的方式处理不同维之间的先验信息,这不可避免地忽略了高光谱图像(HSI)的高维性,从而导致重建性能较差。本文提出了一种基于高阶张量优化的重建方法,以提高CHI的质量。具体地说,我们首先提出了一种自适应的维数鉴别低秩张量恢复(ADLTR)模型,以忠实地利用HSI的高维先验。在ADLTR模型中,我们利用三维张量作为基本元素,从根本上保留了空间和谱维的结构信息,引入了一种维数鉴别低秩模型,以充分表征基本元素中的先验信息,并提出了一种自适应利用各维差异的权值估计策略。然后,我们将ADLTR中的结构先验知识与系统成像原理相结合,建立了一个CHI重建的优化框架,并通过交替最小化方案进行了求解。在合成数据和真实数据上进行的大量实验表明,我们的方法优于最先进的方法。

MSC公司:

68T45型 机器视觉和场景理解
68单位10 图像处理的计算方法
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 弧,GR;DJ Brady;Carin,L。;阿圭略,H。;Kittle,DS,《压缩编码孔径光谱成像:简介》,IEEE Signal Processing Magazine,31,1,105-115(2014)·doi:10.10109/MSP.2013.2278763
[2] Baraniuk,RG,压缩传感[课堂讲稿],IEEE Signal Processing Magazine,24,4,118-121(2007)·doi:10.1109/MSP.2007.4286571
[3] Basedow,RW;卡默特区;安德森,ME,《Hydice系统:实施和性能》,成像光谱法,2480,258-268(1995)·数字对象标识代码:10.1117/12.1210881
[4] Bioucas-Dias,JM;Figueiredo,MAT,《一个新的转折点:图像恢复的两步迭代收缩/阈值算法》,IEEE图像处理汇刊,16,12,2992-3004(2007)·doi:10.1109/TIP.2007.909319
[5] 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)·Zbl 1229.90122号 ·doi:10.1561/220000016
[6] 坎迪斯,EJ,压缩抽样,《国际数学家大会论文集》,31433-1452(2006)·Zbl 1130.94013号
[7] 坎迪斯,EJ;埃尔达,YC;Needell,D。;Randall,P.,《使用相干和冗余字典的压缩传感》,《应用和计算谐波分析》,31,1,59-73(2011)·Zbl 1215.94026号 ·doi:10.1016/j.acha.2010.10.002
[8] 曹伟。;Wang,Y。;杨,C。;Chang,X。;韩,Z。;Xu,Z.,张量补全的折迭惩罚方法,神经计算,152,261-273(2015)·doi:10.1016/j.neucom.2014.10.069
[9] 曹,X。;杜,H。;唐,X。;戴奇。;Lin,S.,多光谱视频采集棱镜系统,IEEE模式分析和机器智能汇刊,33,12,2423-2435(2011)·doi:10.1109/TPAMI.2011.80
[10] 曹,X。;Yue,T。;林,X。;Lin,S。;袁,X。;戴奇。;Carin,L。;Brady,DJ,《计算快照多光谱相机:朝向光谱世界的动态捕捉》,IEEE Signal Processing Magazine,33,5,95-108(2016)·doi:10.10109/MSP.2016.2582378
[11] Chakrabarti,A.和Zickler,T.(2011年)。真实世界高光谱图像的统计。IEEE计算机视觉和模式识别会议(第193-200页)。
[12] Chang,Y.,Yan,L.,&Zhong,S.(2017)。用于多光谱图像去噪的超正则单向低阶张量恢复。IEEE计算机视觉和模式识别会议(第5901-5909页)。
[13] Choi,我。;Jeon,DS;Nam,G。;古铁雷斯,D。;Kim,MH,使用光谱先验的高质量高光谱重建,ACM图形交易,36,6,218(2017)·doi:10.1145/313080.3130810
[14] Descour,M。;Derenik,E.,计算机层析成像光谱仪:实验校准和重建结果,应用光学,34,22,4817-26(1995)·doi:10.1364/AO.34.004817
[15] Dian,R.、Fang,L.和Li,S.(2017)。基于非局部稀疏张量分解的高光谱图像超分辨。IEEE计算机视觉和模式识别会议(第5344-5353页)。
[16] 多诺霍,DL;Maleki,A。;Montanari,A.,《压缩感知的消息传递算法》,《国家科学院学报》,106、45、18914-18919(2009)·doi:10.1073/pnas.0909892106
[17] 马萨诸塞州菲格雷多;罗德岛诺瓦克;Wright,SJ,《稀疏重建的梯度投影:在压缩传感和其他逆问题中的应用》,IEEE信号处理选定主题期刊,1,4,586-597(2007)·doi:10.1109/JSTSP.2007.910281
[18] Fu,Y.,Zheng,Y.、Sato,I.和Sato,Y.(2016)。利用光谱空间相关性进行编码高光谱图像恢复。IEEE计算机视觉和模式识别会议(第3727-3736页)。
[19] Fu,Y。;Lam,A。;佐藤,I。;Sato,Y.,《用于高光谱图像恢复的自适应空间光谱字典学习》,《国际计算机视觉杂志》,122,2,228-245(2017)·Zbl 1458.68270号 ·doi:10.1007/s11263-016-0921-6
[20] 高,L。;Wang,LV,《快照多维光学成像综述:平行测量光子标签》,《物理报告》,616,1-37(2016)·doi:10.1016/j.physrep.2015.12.004
[21] Gevers,T。;Stokman,HMG,多光谱图像中稳健的光度不变区域检测,国际计算机视觉杂志,53,2,135-151(2003)·Zbl 1477.68356号 ·doi:10.1023/A:1023095923133
[22] Giryes,R。;Elad,M.,基于稀疏性的泊松去噪与字典学习,IEEE图像处理汇刊,23,12,5057-5069(2014)·兹比尔1374.94123 ·doi:10.1109/TIP.2014.2362057
[23] Gregor,K.和LeCun,Y.(2010年)。学习稀疏编码的快速近似。在机器学习国际会议上(第399-406页)。
[24] 他,KS;Rocchini,D。;内特勒,M。;Nagendra,H.,高光谱遥感在跟踪植物入侵、多样性和分布方面的益处,17,3,381-392(2011)·文件编号:10.1111/j.1472-4642.2011.00761.x
[25] He,R。;曹,J。;宋,L。;孙,Z。;Tan,T.,NIR-VIS人脸识别的对抗性跨光谱人脸完成,IEEE模式分析和机器智能汇刊,421025-1037(2019)·doi:10.1109/TPAMI.2019.2961900
[26] 犹豫,MR;Stiefel,E.,求解线性系统的共轭梯度方法,国家标准局研究杂志,49,409-436(1953)·Zbl 0048.09901号 ·doi:10.6028/jres.049.044
[27] 黄,C。;丁,X。;方,C。;Wen,D.,通过自适应低阶近似和联合核回归实现鲁棒图像恢复,IEEE图像处理汇刊,23,12,5284-5297(2014)·Zbl 1374.94149号 ·doi:10.10109/TIP.2014.2363734
[28] Kittle,D。;Choi,K。;Wagadarikar,A。;Brady,DJ,编码孔径快照光谱成像仪的多帧图像估计,应用光学,49,36,6824(2010)·doi:10.1364/AO.49.006824
[29] 科尔达,TG;Bader,BW,张量分解与应用,SIAM Review,51,3,455-500(2009)·Zbl 1173.65029号 ·doi:10.1137/07070111X
[30] Kwon,H。;Nasrabadi,NM,高光谱图像的核光谱匹配滤波器,国际计算机视觉杂志,71,2,127-141(2007)·doi:10.1007/s11263-006-6689-3
[31] 李,C。;马云(Ma,Y.)。;黄,J。;梅,X。;Ma,J.,使用鲁棒低阶张量恢复的高光谱图像去噪,美国光学学会杂志A,32,9,1604-1612(2015)·doi:10.1364/JOSAA.32.001604
[32] 林,X。;刘,Y。;吴杰。;Dai,Q.,空间光谱编码压缩高光谱成像,ACM图形汇刊,33,6,1-11(2014)·doi:10.1145/2661229.2661262
[33] 林,X。;韦茨坦,G。;刘,Y。;Dai,Q.,双编码压缩高光谱成像,《光学快报》,39,7,2044-2047(2014)·doi:10.1364/OL.39.002044
[34] 刘,J。;穆西亚尔斯基,P。;旺卡,P。;Ye,J.,估计视觉数据中缺失值的张量补全,IEEE模式分析和机器智能学报,35,1,208-220(2013)·doi:10.1109/TPAMI.2012.39
[35] 刘,Y。;袁,X。;苏,J。;Brady,D。;Dai,Q.,快照压缩成像的秩最小化,IEEE模式分析和机器智能汇刊,41,12,2990-3006(2018)·doi:10.1109/TPAMI.2018.2873587
[36] Llull,P。;廖,X。;袁,X。;杨,J。;基特尔,D。;Carin,L。;萨皮罗,G。;Brady,DJ,编码孔径压缩时间成像,Optics Express,21,9,10526-10545(2013)·doi:10.1364/OE.21.010526
[37] 马,C。;曹,X。;唐,X。;戴奇。;Lin,S.,用混合相机系统获取高空间和光谱分辨率视频,《国际计算机视觉杂志》,110,2,141-155(2014)·doi:10.1007/s11263-013-0690-4
[38] Mejía,Y.、Arguello,H.、Costa,F.、Tourneret,J.和Batatia,H.(2017年)。通过使用压缩传感测量和局部结构化先验对高光谱图像进行贝叶斯重建。IEEE声学、语音和信号处理国际会议(第3116-3120页)。
[39] Miao,X.,Yuan,X.、Pu,Y.和Athitsos,V.(2019年)。lambda-net:从快照测量重建高光谱图像。IEEE计算机视觉国际会议(第4058-4068页)。
[40] Nguyen,H.V.、Banerjee,A.和Chellappa,R.(2010年)。使用高光谱摄像机通过物体反射率进行跟踪。在IEEE计算机视觉和模式识别研讨会上(第44-51页)。
[41] 冈本,T。;山口,I.,光谱图像信息的同时采集,《光学快报》,16,16,1277-1279(1991)·doi:10.1364/OL.16.001277
[42] 潘,Z。;希利,G。;Prasad,M。;Tromberg,B.,高光谱图像中的人脸识别,IEEE模式分析和机器智能汇刊,25,12,1552-1560(2003)·doi:10.1109/TPAMI.2003.1251148
[43] Peng,Y.、Meng,D.、Xu,Z.、Gao,C.、Yang,Y.和Zhang,B.(2014)。用于多光谱图像去噪的可分解非局部张量字典学习。IEEE计算机视觉和模式识别会议(第2949-2956页)。
[44] WM波特;Enmark,HT,机载可见/红外成像光谱仪(AVIRIS)系统概述,成像光谱学II,834,22-32(1987)·数字对象标识代码:10.1117/12.942280
[45] Rajwade,A。;Rangarajan,A。;Banerjee,A.,使用高阶奇异值分解进行图像去噪,IEEE模式分析和机器智能学报,35,4,849-862(2013)·doi:10.1109/TPAMI.2012.140
[46] Romera--Paredes,B.和Pontil,M.(2013)。张量补全的一种新的凸松弛方法。《神经信息处理系统进展》(第2967-2975页)。
[47] 沙门,J。;Harmany,Z。;加利福尼亚州Deledale;Willett,R.,非局部PCA的泊松降噪,《数学成像与视觉杂志》,48,2279-294(2014)·Zbl 1365.94050号 ·doi:10.1007/s10851-013-0435-6
[48] Salzenstein,F。;Collet,C.,多光谱图像分割的模糊马尔可夫随机场与链,IEEE模式分析与机器智能汇刊,28,11,1753-1767(2006)·doi:10.1109/TPAMI.2006.228
[49] Schechner,YY;Nayar,SK,广义镶嵌:宽视场多光谱成像,IEEE模式分析和机器智能汇刊,24,10,1334-1348(2002)·doi:10.1109/TPAMI.2002.1039205
[50] Shewchuk J.R.等人(1994年)。介绍无痛苦的共轭梯度法。
[51] Sun,J.,Li,H.,&Xu,Z.等人(2016)。用于压缩传感MRI的Deep ADMM-net。《神经信息处理系统进展》(第10-18页)。
[52] Tan,J。;马云(Ma,Y.)。;Rueda,H。;Baron,D。;Arce,GR,通过近似消息传递的压缩高光谱成像,IEEE信号处理主题选刊,10,2,389-401(2016)·doi:10.1109/JSTSP.2015.2500190
[53] 塔拉巴尔卡,Y。;查努索特,J。;Benediktsson,JA,使用从自动选择的标记生长的最小跨度森林对高光谱图像进行分割和分类,IEEE系统、人类和控制论汇刊,B部分(控制论),40,5,1267-1279(2009)·doi:10.1109/TSMCB.2009.2037132
[54] 塔克,LR,《关于三模式因子分析的一些数学注释》,《心理测量学》,31,3,279-311(1966)·doi:10.1007/BF02289464
[55] Wagadarikar,A。;约翰·R。;Willett,R。;Brady,D.,编码孔径快照光谱成像的单分散器设计,应用光学,47,10,B44-B51(2008)·doi:10.1364/AO.47.000B44
[56] Wald,L.(2002)。数据融合:定义和架构:不同空间分辨率图像的融合。矿业出版社。
[57] Wang,L。;熊,Z。;高,D。;Shi,G。;Wu,F.,编码孔径快照光谱成像的双相机设计,应用光学,54,4,848-58(2015)·doi:10.1364/AO.54.000848
[58] Wang,L.,Xiong,Z.,Gao,D.,Shi,G.,Zeng,W.,&Wu,F.(2015b)。采用双摄像头架构的高速高光谱视频采集。IEEE计算机视觉和模式识别会议(第4942-4950页)。
[59] Wang,L。;熊,Z。;Shi,G。;Wu,F。;Zeng,W.,双重压缩高光谱成像的自适应非局部稀疏表示,IEEE模式分析与机器智能汇刊,39,10,2104-2111(2017)·doi:10.1109/TPAMI.2016.2621050
[60] 王,L。;张,T。;Fu,Y。;Huang,H.,Hyperrechenet:压缩高光谱成像的联合编码孔径优化和图像重建,IEEE成像处理汇刊,28,5,2257-2270(2018)·doi:10.1109/TIP.2018.2884076
[61] Wang,L.、Sun,C.、Fu,Y.、Kim,M.H.和Huang,H.(2019年)。使用深度空间光谱先验知识进行高光谱图像重建。IEEE计算机视觉和模式识别会议(第8032-8041页)。
[62] 王,Z。;博维克,AC;Sheikh,人力资源部;Simoncelli,EP,《图像质量评估:从错误可见性到结构相似性》,IEEE图像处理汇刊,13,4,600-612(2004)·doi:10.1109/TIP.2003.819861
[63] Wu,Y。;IO米尔扎;弧,GR;Prather,DW,基于数字微镜设备的多快照光谱成像系统的开发,《光学快报》,36,14,2692-2694(2011)·doi:10.1364/OL.36.002692
[64] Xie,Q.,Zhao,Q.、Meng,D.、Xu,Z.、Gu,S.、Zuo,W.和Zhang,L.(2016)。基于内禀张量稀疏正则化的多光谱图像去噪。IEEE计算机视觉和模式识别会议(第1692-1700页)。
[65] 谢奇。;赵(Q.Zhao)。;孟,D。;Xu,Z.,基于Kronecker-bases-representation的张量稀疏性及其在张量恢复中的应用,IEEE模式分析和机器智能汇刊,40,8,1888-1902(2018)·doi:10.10109/TPAMI.2017.2734888
[66] 谢涛。;李,S。;方,L。;Liu,L.,通过非局部低阶正则化实现张量补全,IEEE控制论汇刊,49,2344-2354(2018)·doi:10.1109/TCYB.2018年2825598
[67] 熊,Z.、石,Z.,李,H.,王,L.,刘,D.,&吴,F.(2017)。Hscnn:基于Cnn的光谱欠采样投影高光谱图像恢复。IEEE计算机视觉研讨会国际会议(第518-525页)。
[68] Xue,S.,Qiu,W.,Liu,F.,&Jin,X.(2018)。通过截断核范数正则化实现低秩张量补全。在模式识别国际会议上(第2600-2605页)。
[69] 山口M.、羽石H.、福田H.、岸本J.、金泽H.、筑田M.、岩马R.和大山N.(2006)。基于光谱信息的高精度视频和静态图像通信:自然视觉系统及其应用。光谱成像:第八届多光谱颜色科学国际研讨会(第6062卷,第60620G页)。
[70] Yasuma,F。;Mitsunaga,T。;Iso,D。;Nayar,SK,广义分类像素相机:分辨率、动态范围和光谱的捕获后控制,IEEE图像处理汇刊,19,9,2241-53(2010)·Zbl 1371.94437号 ·doi:10.1109/TIP.2010.2046811
[71] Yokoya,N.和Iwasaki,A.(2016年)。chikusei上空的机载高光谱数据。技术报告;空间应用实验室-2016-05-27。
[72] Yuan,X.、Llull,P.、Liao,X.,Yang,J.、Brady,D.J.、Sapiro,G.和Carin,L.(2014)。彩色视频和深度的低成本压缩传感。在IEEE关于计算机视觉和模式识别的会议上(第3318-3325页)·Zbl 1374.94424号
[73] Zhang,J.和Ghanem,B.(2018年)。Ista-net:用于图像压缩传感的可解释优化的深层网络。IEEE计算机视觉和模式识别会议(第1828-1837页)。
[74] 张,M。;Wang,L。;张,L。;Huang,H.,非零平均噪声下的压缩高光谱成像,《光学快报》,27,13,17449-17462(2019)·doi:10.1364/OE.27.017449
[75] 张,S。;Hua,H。;Fu,Y.,双摄像头压缩高光谱成像系统的快速并行实现,IEEE视频技术电路和系统汇刊,2933404-3414(2018)·doi:10.1109/TCSVT.2018.2879983
[76] Zhang,S.,Wang,L.,Fu,Y.,&Huang,H.(2018b)。Gpu有助于双相机压缩高光谱成像的实时重建。太平洋沿岸多媒体会议(第711-720页)。斯普林格。
[77] Zhang,Ely,G.,Aeron,S.,Hao,N.,&Kilmer,M.(2014)。基于张量svd的多线性数据补全和去噪新方法。IEEE计算机视觉和模式识别会议(第3842-3849页)。
[78] 赵伟。;Du,S.,高光谱图像分类的光谱空间特征提取:降维和深度学习方法,IEEE地球科学和遥感汇刊,54,8454-4554(2016)·doi:10.1109/TGRS.2016.2543748
[79] Zontak,M.和Irani,M.(2011年)。单个自然图像的内部统计。IEEE计算机视觉和模式识别会议(第977-984页)。
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。