高光谱图像(HSI)中的噪声去除是遥感技术中的一项基础而关键的任务,它对于图像的后续处理和分析至关重要。本项研究针对高光谱图像的去噪挑战,针对张量纤维秩约束优化与即插即用正则化的去噪技术对其中的不足进行了改进,即根据条带噪声...高光谱图像(HSI)中的噪声去除是遥感技术中的一项基础而关键的任务,它对于图像的后续处理和分析至关重要。本项研究针对高光谱图像的去噪挑战,针对张量纤维秩约束优化与即插即用正则化的去噪技术对其中的不足进行了改进,即根据条带噪声的组稀疏性质,通过L2-1范数对噪声中条带噪声组稀疏性质进行描述。有效提升了以往L1范数刻画条带噪声的去噪能力。最后通过应用乘子交替方向法(ADMM)来解决这一非凸优化问题。在多个遥感图像数据集上进行的实验验证了该方法在峰值信噪比(PSNR)和结构相似度(SSIM)等评价标准上的优越性,证明了其在处理复杂噪声条件下的高效性和广泛的应用前景。The noise removal in hyperspectral images (HSI) is a fundamental and crucial task in remote sensing technology, which is crucial for the subsequent processing and analysis of images. This study addresses the denoising challenge of hyperspectral images by improving the denoising techniques of tensor fiber rank constrained optimization and plug and play regularization. Based on the sparsity of band noise, the L2-1 norm is used to describe the band noise in the noise. It has improved the denoising ability of previous L1 norm characterization of stripe noise. Finally, by applying the Multiplier Alternating Directions Method (ADMM) to solve this non convex optimization problem, this method achieved a significant improvement in computational efficiency. Experiments conducted on multiple remote sensing image datasets have verified the superiority of this method in evaluation criteria such as peak signal-to-noise ratio (PSNR) and structural similarity (SSIM), demonstrating its efficiency and broad application prospects in dealing with complex noise conditions.展开更多
提出了一种基于全变分正则与L_(2,1)范数的视频去雨张量模型用于解决雨线遮挡问题。首先,对雨线成分与视频背景先验信息进行预处理,获取相应正则化条件的构建依据以增强各部分稀疏性,便于促进雨线分离。其次,考虑到视频图像存在不规则...提出了一种基于全变分正则与L_(2,1)范数的视频去雨张量模型用于解决雨线遮挡问题。首先,对雨线成分与视频背景先验信息进行预处理,获取相应正则化条件的构建依据以增强各部分稀疏性,便于促进雨线分离。其次,考虑到视频图像存在不规则动态对象,引入全变分正则项来抑制背景强度变化,缓解雨线的误判现象。采用交替方向乘子法(alternating direction method of multipliers,ADMM)可以有效地对所提出的张量模型进行求解,并在合成数据与真实数据集上开展大量实验。结果表明,所提方法在动态背景情况下有效去除视频图像雨线的同时,保留了更多背景细节信息。与相关先进方法相比,所提方法在峰值信噪比、结构相似性和残差三种综合性能量化指标上均具有较大的优势。展开更多
多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达在阵元故障时虚拟阵列输出数据矩阵会出现大量的整行数据丢失,由于阵列接收数据矩阵的不完整而导致对波达方向(Direction of Arrival,DOA)的估计性能恶化。大多数低秩矩阵填充算...多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达在阵元故障时虚拟阵列输出数据矩阵会出现大量的整行数据丢失,由于阵列接收数据矩阵的不完整而导致对波达方向(Direction of Arrival,DOA)的估计性能恶化。大多数低秩矩阵填充算法要求缺失数据随机分布于不完整的矩阵中,无法适用于整行缺失数据的恢复问题。为此,提出了一种基于低秩块Hankel矩阵正则化的阵元故障MIMO雷达DOA估计方法。首先,通过奇异值分解(Singular Value Decomposition,SVD)降低虚拟阵列输出矩阵的维度,以减少计算复杂度。然后,对降维数据矩阵建立基于块Hankel矩阵正则化的低秩矩阵填充模型,在该模型中将MIMO雷达降维数据矩阵排列成块Hankel矩阵并施加Schatten-p范数作为正则项。最后,结合交替方向乘子法(Alternate Direction Multiplier Method,ADMM)求解该模型,获得完整的MIMO雷达降维数据矩阵。仿真结果表明,所提方法能够有效恢复降维数据矩阵中的整行数据缺失,具有较高的DOA估计精度和实时性,在阵元故障率低于50.0%时DOA估计精度优于现有方法。展开更多
文摘高光谱图像(HSI)中的噪声去除是遥感技术中的一项基础而关键的任务,它对于图像的后续处理和分析至关重要。本项研究针对高光谱图像的去噪挑战,针对张量纤维秩约束优化与即插即用正则化的去噪技术对其中的不足进行了改进,即根据条带噪声的组稀疏性质,通过L2-1范数对噪声中条带噪声组稀疏性质进行描述。有效提升了以往L1范数刻画条带噪声的去噪能力。最后通过应用乘子交替方向法(ADMM)来解决这一非凸优化问题。在多个遥感图像数据集上进行的实验验证了该方法在峰值信噪比(PSNR)和结构相似度(SSIM)等评价标准上的优越性,证明了其在处理复杂噪声条件下的高效性和广泛的应用前景。The noise removal in hyperspectral images (HSI) is a fundamental and crucial task in remote sensing technology, which is crucial for the subsequent processing and analysis of images. This study addresses the denoising challenge of hyperspectral images by improving the denoising techniques of tensor fiber rank constrained optimization and plug and play regularization. Based on the sparsity of band noise, the L2-1 norm is used to describe the band noise in the noise. It has improved the denoising ability of previous L1 norm characterization of stripe noise. Finally, by applying the Multiplier Alternating Directions Method (ADMM) to solve this non convex optimization problem, this method achieved a significant improvement in computational efficiency. Experiments conducted on multiple remote sensing image datasets have verified the superiority of this method in evaluation criteria such as peak signal-to-noise ratio (PSNR) and structural similarity (SSIM), demonstrating its efficiency and broad application prospects in dealing with complex noise conditions.
文摘提出了一种基于全变分正则与L_(2,1)范数的视频去雨张量模型用于解决雨线遮挡问题。首先,对雨线成分与视频背景先验信息进行预处理,获取相应正则化条件的构建依据以增强各部分稀疏性,便于促进雨线分离。其次,考虑到视频图像存在不规则动态对象,引入全变分正则项来抑制背景强度变化,缓解雨线的误判现象。采用交替方向乘子法(alternating direction method of multipliers,ADMM)可以有效地对所提出的张量模型进行求解,并在合成数据与真实数据集上开展大量实验。结果表明,所提方法在动态背景情况下有效去除视频图像雨线的同时,保留了更多背景细节信息。与相关先进方法相比,所提方法在峰值信噪比、结构相似性和残差三种综合性能量化指标上均具有较大的优势。
文摘多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达在阵元故障时虚拟阵列输出数据矩阵会出现大量的整行数据丢失,由于阵列接收数据矩阵的不完整而导致对波达方向(Direction of Arrival,DOA)的估计性能恶化。大多数低秩矩阵填充算法要求缺失数据随机分布于不完整的矩阵中,无法适用于整行缺失数据的恢复问题。为此,提出了一种基于低秩块Hankel矩阵正则化的阵元故障MIMO雷达DOA估计方法。首先,通过奇异值分解(Singular Value Decomposition,SVD)降低虚拟阵列输出矩阵的维度,以减少计算复杂度。然后,对降维数据矩阵建立基于块Hankel矩阵正则化的低秩矩阵填充模型,在该模型中将MIMO雷达降维数据矩阵排列成块Hankel矩阵并施加Schatten-p范数作为正则项。最后,结合交替方向乘子法(Alternate Direction Multiplier Method,ADMM)求解该模型,获得完整的MIMO雷达降维数据矩阵。仿真结果表明,所提方法能够有效恢复降维数据矩阵中的整行数据缺失,具有较高的DOA估计精度和实时性,在阵元故障率低于50.0%时DOA估计精度优于现有方法。
基金Supported by the Youth Foundation of Jiangxi Provincial Education Department(GJJ13376)the Foundation of the Jiangxi University of Science and Technology(jxxj12073)
