伴隨著遙感技術(shù)的進步,對高光譜圖像的研究引起越來越多人的重視。高光譜圖像在食品安全、醫(yī)療圖像以及生物測定等很多方面都得到了廣泛應(yīng)用。但受限于硬件以及成像過程中的噪聲,高光譜圖像不可避免的會被噪聲污染。對于高光譜圖像去噪,相比于從硬件入手,更具可行性的方法是從去噪算法入手。因此高光譜圖像去噪算法得到了廣泛的研究。本文首先對高光譜圖像去噪算法的發(fā)展進行了整理和介紹。在介紹完去噪算法的必要性后,對稀疏表示和加權(quán)核范數(shù)進行了介紹。這二者都是我們所提出去噪模型的基礎(chǔ)。低秩性是圖像處理中經(jīng)常會運用到的性質(zhì),加權(quán)核范數(shù)作為核范數(shù)的改進,可以提供更好的低秩約束。而我們將加權(quán)核范數(shù)運用到了高光譜圖像的處理中。稀疏表示是利用盡量少的基對原信號進行表示。由于高光譜圖像本身的特性,稀疏表示在高光譜圖像去噪中得到了深入研究和廣泛應(yīng)用。而我們發(fā)現(xiàn),高光譜圖像具有很強的局部低秩性。相比于全局低秩性,局部低秩性可以更好的利用高光譜圖像的光譜-空間信息。這更有利于對高光譜圖像進行去噪�；诖�,我們在稀疏表示框架的基礎(chǔ)上提出了基于局部低秩和稀疏表示的高光譜圖像去噪模型。相應(yīng)的,我們設(shè)計了一種交替極小化的算法來求解這個模型...

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究工作的背景與意義
        1.1.1 高光譜圖像概述
        1.1.2 研究背景及意義
        1.1.3 研究現(xiàn)狀
    1.2 本文的主要工作
    1.3 本論文研究內(nèi)容及組織結(jié)構(gòu)
        1.3.1 研究內(nèi)容與創(chuàng)新
        1.3.2 論文組織結(jié)構(gòu)
第二章 高光譜圖像去噪基礎(chǔ)
    2.1 預(yù)備知識
        2.1.1 稀疏表示
            2.1.1.1 稀疏表示理論
            2.1.1.2 基于稀疏表示的圖像去噪
            2.1.1.3 K-SVD算法簡介
        2.1.2 加權(quán)核范數(shù)
    2.2 常見高光譜圖像去噪模型
        2.2.1 BM4D模型
        2.2.2 LRTV模型
        2.2.3 SRLR模型
    2.3 評價指標
        2.3.1 仿真圖像質(zhì)量評價指標
            2.3.1.1 MPSNR
            2.3.1.2 MSSIM
            2.3.1.3 MSAD
        2.3.2 真實圖像質(zhì)量評價指標
        2.3.3 其他評價指標
            2.3.3.1 AccEgyR
            2.3.3.2 RelCha
    2.4 本章小結(jié)
第三章 基于局部低秩和稀疏表示的高光譜圖像去噪模型
    3.1 LLRSR模型
        3.1.1 稀疏表示框架
        3.1.2 模型提出
    3.2 算法
        3.2.1 算法設(shè)計
        3.2.2 計算復(fù)雜度分析
    3.3 實驗
        3.3.1 模擬實驗
            3.3.1.1 數(shù)據(jù)介紹
            3.3.1.2 參數(shù)設(shè)置
            3.3.1.3 與其它方法的比較
        3.3.2 實驗討論
            3.3.2.1 參數(shù)討論
            3.3.2.2 最大迭代次數(shù)設(shè)置
        3.3.3 真實實驗
    3.4 本章小結(jié)
第四章 全文總結(jié)與展望
    4.1 全文總結(jié)
    4.2 后續(xù)工作展望
致謝
參考文獻
攻碩期間取得的研究成果



本文編號：3964309