传统图像去噪法基于有用信息和噪声频率特性的差别实现去噪,实际中,有用信息和噪声在频带上往往存在重叠,因此,传统去噪法在抑制噪声的同时,往往损失了细节信息,使图像变模糊.本文引入稀疏与低秩矩阵分解模型描述图像去噪问题,基于该模...传统图像去噪法基于有用信息和噪声频率特性的差别实现去噪,实际中,有用信息和噪声在频带上往往存在重叠,因此,传统去噪法在抑制噪声的同时,往往损失了细节信息,使图像变模糊.本文引入稀疏与低秩矩阵分解模型描述图像去噪问题,基于该模型,采用交替方向法(Alternating direction method,ADM)得到复原图像.实验证明该方法比常用的中值滤波法更有效地抑制了椒盐噪声,同时更好地保持了原始图像的细节信息.展开更多
对高光谱图像解混的目的在于从低空间分辨率的高光谱图像中找到端元与对应的丰度.本文根据解混算法中的最小体积准则,提出了一种自适应鲁棒最小体积高光谱解混算法(Robust minimum volume based algorithm with automatically estimatin...对高光谱图像解混的目的在于从低空间分辨率的高光谱图像中找到端元与对应的丰度.本文根据解混算法中的最小体积准则,提出了一种自适应鲁棒最小体积高光谱解混算法(Robust minimum volume based algorithm with automatically estimating regularization parameters for hyperspectral unmixing,RMVHU).本算法通过引入负数惩罚正则项,替换了同类算法中的丰度非负性约束(Non-negativity constraint,ANC),使算法对图像中的噪声与异常值具有更强的鲁棒性;采用循环最小化方法,将非凸优化问题分解为凸优化子问题,然后应用交替方向乘子法解决随着像素点个数增大带来的求解困难问题;对于正则项系数,本算法提出了一种自适应调整策略,提高了算法的收敛性,并且通过定性分析,说明了该调整方法的合理性.将算法应用于合成数据与实际数据,实验结果表明,与同类算法相比,本文提出的算法能够取得更为优秀的效果.展开更多
文摘传统图像去噪法基于有用信息和噪声频率特性的差别实现去噪,实际中,有用信息和噪声在频带上往往存在重叠,因此,传统去噪法在抑制噪声的同时,往往损失了细节信息,使图像变模糊.本文引入稀疏与低秩矩阵分解模型描述图像去噪问题,基于该模型,采用交替方向法(Alternating direction method,ADM)得到复原图像.实验证明该方法比常用的中值滤波法更有效地抑制了椒盐噪声,同时更好地保持了原始图像的细节信息.
文摘对高光谱图像解混的目的在于从低空间分辨率的高光谱图像中找到端元与对应的丰度.本文根据解混算法中的最小体积准则,提出了一种自适应鲁棒最小体积高光谱解混算法(Robust minimum volume based algorithm with automatically estimating regularization parameters for hyperspectral unmixing,RMVHU).本算法通过引入负数惩罚正则项,替换了同类算法中的丰度非负性约束(Non-negativity constraint,ANC),使算法对图像中的噪声与异常值具有更强的鲁棒性;采用循环最小化方法,将非凸优化问题分解为凸优化子问题,然后应用交替方向乘子法解决随着像素点个数增大带来的求解困难问题;对于正则项系数,本算法提出了一种自适应调整策略,提高了算法的收敛性,并且通过定性分析,说明了该调整方法的合理性.将算法应用于合成数据与实际数据,实验结果表明,与同类算法相比,本文提出的算法能够取得更为优秀的效果.