【摘要】：高光譜遙感圖像包含同一空間位置較大數量的連續(xù)窄波段圖像,是由二維空間信息和一維光譜信息組成的三維數據,在環(huán)境監(jiān)測、地質調查等領域有著廣泛的應用。噪聲在高光譜圖像獲取的過程中不可避免地被引入,降低了圖像質量并影響著之后圖像處理應用的性能。因此,高光譜圖像去噪是非常重要的圖像預處理工作。最近,基于低秩近似和稀疏表達的高光譜圖像去噪方法吸引了很多的關注。在高光譜圖像中,全波段圖像塊(包含同一局部區(qū)域不同波段圖像的子立方體)中的光譜向量間存在著較大的聯系,同時相鄰波段間也具有較大的相關性。這樣的特點揭示著在純凈全波段圖像塊中的光譜向量可以被一小部分基元線性表示。非局部相似性,即一個圖像塊在圖像空間范圍內存在著與其相似的若干圖像塊,在高光譜圖像中也同樣存在。對于高光譜圖像中非局部相似的全波段圖像塊聯合進行去噪可以利用圖像在空間維的自相似性帶來的額外結構信息,有機會帶來更好的去噪效果。需要注意的是,非局部相似的全波段圖像塊由于來自不同的空間位置,它們之間在存在著相似結構的同時也存在著一些差異性�；谶@樣的考慮,本文提出了一個全新的基于組稀疏非負矩陣分解的高光譜圖像去噪方法用于同時反映這樣的相似性和差異性。在本文提出的方法中,全波段圖像塊中的光譜向量假設可以被較小數目的基元線性表示,且表示系數是稀疏的。每個全波段圖像塊對應分解中的一組,由于組稀疏正則化項的使用,同一個全波段圖像塊中的光譜向量在重構中共享完全相同的基元子集,體現出高光譜圖像中的強局部相關性。同時,不同全波段圖像塊的光譜向量部分共享一些基元,即每一個全波段圖像塊在分解中可能持有自己特有的基元,對應高光譜圖像中的非局部相似性和差異性。由此,通過組稀疏非負矩陣分解,高光譜圖像中共享+特有的結構同時得以體現。本文首先建立高光譜圖像噪聲模型,包括高斯噪聲模型和泊松高斯混合噪聲模型。對于泊松高斯混合噪聲的情況,使用方差穩(wěn)定化變換將其轉換為高斯噪聲的近似。然后,基于對高光譜結構特性的分析,給出基于組稀疏非負矩陣分解的高光譜圖像去噪方法的思想和詳細過程。對于模型優(yōu)化,本文給出了三種優(yōu)化算法的理論推導和優(yōu)化步驟,并通過實驗對算法的運行效率進行對比。最后,通過在高光譜數據集上的仿真實驗和真實實驗,把本文提出的去噪方法與相關方法進行對比,驗證了本文提出方法的有效性。
[Abstract]:Hyperspectral remote sensing images contain a large number of continuous narrow band images in the same spatial position. They are three-dimensional data composed of two-dimensional spatial information and one-dimensional spectral information. They are widely used in environmental monitoring geological survey and other fields. Noise is inevitably introduced in the process of hyperspectral image acquisition, which reduces the image quality and affects the performance of subsequent image processing applications. Therefore, hyperspectral image denoising is a very important work of image preprocessing. Recently, hyperspectral image denoising based on low rank approximation and sparse representation has attracted much attention. In hyperspectral images, the spectral vectors in the whole band image blocks (including sub-cubes of different waveband images in the same local region) are closely related, and there is also a great correlation between adjacent bands. This feature reveals that spectral vectors in a pure full band image block can be linearly represented by a small number of primitives. Non-local similarity, that is, there are several image blocks similar to them in the image space, and the same exists in hyperspectral images. For hyperspectral images with non-locally similar full-band image blocks de-noising can take advantage of the spatial dimension of the image self-similarity to bring additional structural information which has the opportunity to bring better denoising effect. It is important to note that there are some differences between the non-local similar full-band image blocks due to their different spatial positions. Based on this consideration, a novel hyperspectral image denoising method based on group sparse nonnegative matrix decomposition is proposed to reflect the similarity and difference simultaneously. In the proposed method, the spectral vectors in a full-band image block are assumed to be linearly represented by a small number of primitives, and the representation coefficients are sparse. Each full band image block corresponds to a set of decomposed images. Due to the use of sparse regularization terms, the spectral vectors in the same full band image block share exactly the same fundamental subsets in the reconstruction. It reflects the strong local correlation in hyperspectral images. At the same time, the spectral vectors of different full band image blocks share some elements, that is, each full band image block may hold its own unique elements in decomposition, corresponding to the non-local similarity and difference in hyperspectral images. Therefore, by sparse nonnegative matrix decomposition, the shared unique structure in hyperspectral images can be realized simultaneously. In this paper, the noise models of hyperspectral images are established, including Gao Si noise model and Poisson Gao Si mixed noise model. In the case of Poisson Gao Si mixed noise, the variance stabilization transformation is used to transform it into an approximation of Gao Si noise. Then, based on the analysis of the characteristics of hyperspectral structure, the idea and detailed process of hyperspectral image denoising method based on sparse nonnegative matrix decomposition are presented. For model optimization, the theoretical derivation and optimization steps of three optimization algorithms are given, and the efficiency of the algorithm is compared through experiments. Finally, the effectiveness of the proposed method is verified by comparing the proposed denoising method with the related methods through the simulation and real experiments on the hyperspectral data set.
【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP751

【相似文獻】

相關期刊論文 前10條

1 黃鋼石,張亞非,陸建江,徐寶文;一種受限非負矩陣分解方法[J];東南大學學報(自然科學版);2004年02期

2 于彬;;基于局部非負矩陣分解的人臉識別[J];科學技術與工程;2010年33期

3 高燕燕;;非負矩陣分解及其應用探討[J];硅谷;2011年23期

4 程明松;劉勺連;;一種實用快速非負矩陣分解算法[J];大連理工大學學報;2013年01期

5 盧進軍,楊杰,梁棟,常宇疇;基于非負矩陣分解的相關反饋圖像檢索算法[J];上海交通大學學報;2005年04期

6 呂亞麗;趙遼英;;基于約束非負矩陣分解的混合象元分解新方法[J];杭州電子科技大學學報;2009年04期

7 陳鷹;郭睿;;非負矩陣分解在遙感圖像融合中的應用[J];計算機工程與應用;2007年20期

8 張鳳斌;楊輝;;非負矩陣分解在入侵檢測中的應用[J];哈爾濱理工大學學報;2008年02期

9 李兵;米雙山;劉鵬遠;劉東升;張培林;;二維非負矩陣分解在齒輪故障診斷中的應用[J];振動.測試與診斷;2012年05期

10 李兵;徐榕;賈春寧;郭清晨;;基于自適應形態(tài)提升小波與改進非負矩陣分解的發(fā)動機故障診斷方法[J];兵工學報;2013年03期

相關會議論文 前10條

1 孫江明;李通化;;非平滑三維非負矩陣分解[A];第九屆全國計算（機）化學學術會議論文摘要集[C];2007年

2 蔣永鍇;葉東毅;;基于稀疏非負矩陣分解的自動多文摘方法[A];中國計算機語言學研究前沿進展（2007-2009）[C];2009年

3 馬帥;吳飛;楊易;邵健;;基于稀疏非負矩陣分解的圖像檢索[A];第七屆和諧人機環(huán)境聯合學術會議（HHME2011)論文集【oral】[C];2011年

4 徐利民;龔珊;余再軍;;奇異值分解與非負矩陣分解色在數據降維方面的特性分析[A];2010年通信理論與信號處理學術年會論文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非負矩陣分解和支持向量機的軸心軌跡圖識別[A];2008年全國振動工程及應用學術會議暨第十一屆全國設備故障診斷學術會議論文集[C];2008年

6 蔣霈霖;;KL散度下的非負矩陣分解[A];中國自動化學會中南六省（區(qū)）2010年第28屆年會·論文集[C];2010年

7 楊寶;朱啟兵;黃敏;;基于非負矩陣分解一稀疏表示分類的玻璃缺陷圖像識別[A];第24屆中國控制與決策會議論文集[C];2012年

8 錢樂樂;高雋;徐小紅;;非負性約束的圖像稀疏編碼[A];第七屆全國信息獲取與處理學術會議論文集[C];2009年

9 朱昊;黃源水;付夢印;;基于NMF的道路識別算法在野外環(huán)境感知中的應用[A];第九屆全國光電技術學術交流會論文集（下冊）[C];2010年

10 鄭能恒;蔡毅;李霞;Tan Lee;;基于非負矩陣分解和向量相似測度的語音與音樂分離算法[A];第十一屆全國人機語音通訊學術會議論文集（一）[C];2011年

相關博士學位論文 前10條

1 楊士準;基于樣本和特征的遷移學習方法及應用[D];國防科學技術大學;2013年

2 葉軍;基于正則化方法的非負矩陣分解算法及其應用研究[D];南京理工大學;2014年

3 陸玉武;圖像分類中流形回歸與非負矩陣分解研究[D];哈爾濱工業(yè)大學;2015年

4 張恩德;在線社會網絡分析與挖掘若干關鍵問題研究[D];東北大學;2014年

5 張翔;投影非負矩陣分解算法研究及其應用[D];國防科學技術大學;2015年

6 胡俐蕊;非負矩陣分解方法及其在選票圖像識別中的應用[D];安徽大學;2013年

7 殷海青;圖像分析中的非負矩陣分解理論及其最優(yōu)化和正則化方法研究[D];西安電子科技大學;2011年

8 楊洪禮;非負矩陣與張量分解及其應用[D];山東科技大學;2011年

9 史加榮;多尺度張量逼近及應用[D];西安電子科技大學;2012年

10 方蔚濤;人臉識別特征抽取算法的研究[D];重慶大學;2012年

相關碩士學位論文 前10條

1 謝昊;非負矩陣分解初始化及其應用[D];暨南大學;2015年

2 王一;凸與半非負矩陣分解的近點梯度方法研究[D];東北師范大學;2015年

3 項磊;基于乳腺癌計算機輔助診斷的病理圖像分析[D];南京信息工程大學;2015年

4 王丹;基于非負矩陣分解的腦電信號特征提取算法研究[D];燕山大學;2015年

5 馬春霞;非負矩陣分解及在基因表達數據分析中的應用研究[D];曲阜師范大學;2015年

6 崔艷榮;基于非負矩陣分解的高光譜遙感數據融合方法分析及應用[D];電子科技大學;2014年

7 賴淑珍;非負矩陣分解若干算法研究與應用[D];電子科技大學;2014年

8 趙龍;基于多流形正則化非負矩陣分解的多視圖聚類[D];大連理工大學;2015年

9 黃震;基于多視角非負矩陣分解的同名區(qū)分算法研究[D];大連理工大學;2015年

10 邵強;改進的非負矩陣分解算法及其在人臉識別中的應用[D];河北工業(yè)大學;2015年

，

本文編號：2268637