高光譜圖像因含有十分豐富的光譜特征信息,在諸多領域都有著非常重要的應用。而由于傳感器以及自然環(huán)境的原因,實際采集到的高光譜圖像常含有非常復雜的混合噪聲,比如高斯噪聲、脈沖噪聲以及死線噪聲等其他類型的噪聲,這不僅會影響高光譜圖像的目視效果,更會直接影響到其后續(xù)應用。因此,高光譜圖像的去噪是一項必不可少的過程。從高光譜圖像光譜間的低秩性出發(fā),可以很好地建立基于低秩、稀疏矩陣分解的去噪模型,但該模型把高光譜圖像的光譜空間看成是一個單一的低秩子空間,事實上由真實的地物種類,其光譜向量可以分成不同的類別,即高光譜圖像的光譜空間應看成是多個低秩子空間的聯(lián)合。而探究數據潛在的聯(lián)合低秩結構,子空間低秩表示模型是十分有效的,并且已經成功應用于高光譜圖像的去噪領域。本文基于傳統(tǒng)子空間低秩表示模型,針對高光譜圖像的混合噪聲去除問題,提出了以下三種新的去噪方法:（1）基于非局部相似聯(lián)合的子空間低秩表示（NLSJ-SLRR）的高光譜圖像去噪方法:傳統(tǒng)的子空間低秩表示模型缺乏對圖像中空間信息的有效利用,針對這一問題,該方法首先對高光譜圖像進行分塊處理,以加強圖像中的局部相關性,然后通過聚類方式將相似的圖像塊聯(lián)合以... 

【文章來源】：南京郵電大學江蘇省

【文章頁數】：53 頁

【學位級別】：碩士

【部分圖文】：

高光譜遙感原理[3]

南京郵電大學碩士研究生學位論文第一章緒論5些列向量拼在一起記得到圖1.2(d)所示的矩陣，則該矩陣的行代表的是高光譜圖像每個像素的光譜特征信息。圖1.2高光譜圖像矩陣數據模型若將圖1.2(d)中所示的矩陣記為∈R×，其中×代表高光譜圖像的像素數，代表波段數，則高光譜圖像的線性光譜混合模型表示如下：=(1.1)∈R×為端元矩陣，為端元個數，∈R×為豐度矩陣，代表每個端元在像素中所占的比例系數。大部分情況下，干凈的高光譜圖像中端元的個數要遠小于波段數或者像素個數[38]，即(,)，又由于是和的乘積，所以的秩滿足：()≤((),())(1.2)而顯然((),())≤，所以得到如下結論：()≤((),())≤(,)(1.3)這也就意味著矩陣是低秩的�；诘椭染仃嚨膫鹘y(tǒng)去噪模型高光譜圖像中含有的復雜類型噪聲包括高斯噪聲、脈沖噪聲以及死線噪聲，其中，高斯噪聲可以看成是普遍存在的微小擾動，脈沖噪聲以及死線噪聲則同屬于稀疏噪聲�；趫D1.2展示的變換方式，對于含有噪聲的高光譜圖像，其退化模型的矩陣表達形式為：=++(1.4)其中為含有噪聲的高光譜圖像數據；為低秩成分，對應于希望得到的干凈圖像；代表稀疏噪聲（脈沖噪聲和死線噪聲）；代表高斯噪聲。魯棒主成分分析(RobustPrincipalComponentAnalysis,RPCA)框架[39]，又被稱為低秩與稀疏矩陣分解，對應到去噪問題上，該框架中的稀疏矩陣就代表了稀疏噪聲，低秩矩陣則為在噪聲影響下的低秩數據，其優(yōu)化模型可由式(1.5)來描述：,()+‖‖0,..=+(1.5)

南京郵電大學碩士研究生學位論文第二章基于非局部相似聯(lián)合的子空間低秩表示13除了通過直觀的目視效果對去噪結果進行評估外，采取峰值信噪比(PeakSignal-to-Noise,PSNR)和結構相似度(StructuralSimilarity,SSIM)[50]作為定量評價指標。對各方法的去噪結果圖像逐波段計算出PSNR值和SSIM值，然后取結果的平均值得到平均PSNR(MeanPSNR,MPSNR)和平均SSIM(MeanSSIM,MSSIM)值來對整體的去噪性能進行評估，各指標定義如下：PSNR=10×∑∑||2=1=1(2.18)SSIM=(2()()+1)(2()()+2)((,)+3)(2()+2()+1)(2()+2()+2)(()()+3)(2.19)MPSNR=1∑PSNR=1(2.20)MSSIM=1∑SSIM=1(2.21)其中，和分別代表第個波段的無噪圖像和去噪后圖像；()和()代表對應的均值，()和()代表對應的方差，(,)則代表協(xié)方差。總的來說，PSNR值和SSIM值越大，去噪效果就越好本小節(jié)模擬實驗中，對模擬IndianPines數據集添加三種類型的噪聲：（1）對每個波段均添加σ=0.03的高斯噪聲，模擬實際情況下的熱噪聲；（2）選取3，15，27，54，76，98，110共7個波段添加20%的椒鹽噪聲來模擬實際中的像元壞死；（3）添加3條死線噪聲，模擬傳感器故障，這種類型的噪聲是高光譜圖像中特有的。圖2.1模擬IndianPines數據集第28波段的實驗結果


本文編號：3264558