HSI去噪论文分享之四

题目：
Hyperspectral Image Denoising via Subspace-Based Nonlocal Low-Rank and Sparse Factorization
作者：
Chunhong Cao,Jie yu,Chengyao Zhou,Kai Hu,Fen Xiao,Xieping Gao
关键字：
Denoising,hyperspectral image(HSI),low-dimension subspace,low-rank factorization,nonlocal selfsimilarity

解决问题：
1.传统方法（BM3D,NCSR,WNNM）将每个波段的光谱独立处理，这样忽视了各个波段的联系，没有充分利用高光谱图像的高冗余强关联性的特点。
2.基于稀疏理论的去噪方法虽然利用考虑了光谱间的关联性，但是在去噪性能上，只对高斯噪声有较为明显的效果。
3.基于低秩理论的去噪技术虽然解决了上述两种方法的弊端，但是存在计算量大，参数需要提前设定的弊端，这对极大的限制了去噪的灵活性。并且大多数方法不能和很好的处理较为严重的高斯噪声。
4.基于子空间的去噪的方法提出体现了很好的去噪效果，但是在边界仍然存在污染。

创新思路：
本文的出发点是基于子空间开始的，由于光谱的低秩特征存在于低维子空间。此外非局部低秩分解将空间的非局部自相似性加以考虑。

模型：
1、利用子空间表示实现低秩性：
clean HSI matrix=small-size orthonormal matrix * small-size coefficient marix
2、利用空间非局部自相关特性的非局部低秩分解：
3-D patches --> 3-D tensoer
3、l1 范数处理稀疏噪声

推导：
1、Original model：
Observed HSI cube: y =mxnxl (l :#spectral bands)
Reshaped size of y: Y =hxl
Degradation modle：Y=X+S+N
2.Traditional denoising model:

3.Spectral global low-rank factorization:
**X=EZ ** (E:lk,basis of the subspace Sk,Z:kh,coefficient)
Y=EZ+S+N

4、Spatial nonlocal low-rank factorization:

(Z:m*n ,eigen-image)
All eigen-images compose representation coefficients image (RCI).There are two important properties inherent in RCI, namely the nonlocal self-similarity of each eigen-image and the correlation among the eigen-images, benefit the image denoising task.

5、Constracting 3-D tensor:

subspace identification (SI);
grouping similar 3-D patches;
unfolding each 3-D patch;
stacking all 3-D patches.

we define a binary operator Ri to extract nonlocal similar overlapping 3-D-patches from the RCI:

Zi ∈ Rs×s×k represent 3-D patches of RCI,where s is the spatial size of the 3-D patch, and i is the indexof the top-left pixel.
The operator Ri consists of two steps: first, all and reference 3-D patches are extracted by sweeping all across the RCI with overlaps of step size 1 and 3, respectively; second, given a reference 3-D patch, a set of simi- lar overlapping 3-D patches are found in a neighborhood region according to the Euclidean distance.
we desire to estimate the clean tensor li from the zi through solving the following problem:

κ(Li ) = q j |σj (Li )|1 is the sum of the singular values of matrices unfolded by 3-D tensor

求解：
Based on the above-mentioned analysis, the proposed HSI denoising model with subspace-based nonlocal low-rank and sparse regularization can be written as：

Using ALM to solve the above problem .

HSI去噪论文分享之四相关推荐

CVPR 2022论文分享会来了！ResNet/Swin/DenseNet等作者重磅嘉宾探讨好论文是怎么炼成的？...
点击下方卡片,关注"CVer"公众号 AI/CV重磅干货,第一时间送达 4 月 23 日,CVPR 2022 论文分享会等你准时线上赴约!为了让更多感兴趣的朋友参与到精彩的分享会中 ...
CVPR 2021论文分享会日程公布！
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale学术活动:CVPR 2021论文分享会随着人工智能的火热,AAAI.Neu ...
CVPR 2020最佳学生论文分享回顾：通过二叉空间分割（BSP）生成紧凑3D网格
机器之心发布机器之心编辑部在近日举行的 CVPR 2020 大会上,最佳论文.最佳学生论文等奖项悉数公布.加拿大西蒙弗雷泽大学陈之钦(Zhiqin Chen )等人的「BSP-Net」相关研究获得 ...
4个Keynote、12篇论文分享、40个Poster，CVPR 2021论文分享会全日程公布
随着人工智能的火热,AAAI.NeurIPS.CVPR 等顶级学术会议的影响力也愈来越大,每年接收论文.参会人数的数量连创新高.但受疫情影响,近两年国外举办的学术会议都转为了线上,无法满足学者们现场交 ...
dbscan论文_论文分享：Linkage Based Face Clustering via GCN
本文要解决的问题是人脸聚类,这类任务的目的是将一批无标记的人脸通过聚类使得自同一个人的人脸聚在一起.作者将这个问题转换为链路预测的问题,当两个人脸属于同一个人时,那么他们之间存在一条边.作者发现特征空 ...
新星云集！CVPR 论文分享会圆桌论坛：计算机视觉科研之“路”
微软亚洲研究院 2021 CVPR 论文分享会各个主题已分享完毕 CVPR 2021 目标检测.跟踪和姿态估计最新进展分享 CVPR 2021 机器学习及多模态最新进展分享 CVPR 2021 3D视 ...
CVPR 2021 图像生成最新进展，论文分享会回放
微软亚洲研究院 2021 CVPR 论文分享会已完美结束.今日起,CV君将根据不同类别的分享主题进行逐一分享,欢迎查收! 首先分享的主题为:图像生成论文名称论文一:Information Bott ...
预告｜CVPR 2021 论文分享会日程公布！与计算机视觉领域学者一起收获“立体”参会体验...
微软亚洲研究院 2021 CVPR 论文分享会将于 4 月 22 日 9:00 至 18:00 在线上举行,对计算机视觉领域感兴趣的你是否已经安排好时间等待各位"大佬"的分享了呢? ...
预告｜ 4月22日，CVPR 2021论文分享会详细介绍，学术新星云集！
国际计算机视觉与模式识别会议(CVPR)是人工智能领域最有学术影响力的顶级会议之一.根据 CVPR 2021 官方公布的论文收录结果,今年一共有 1663 篇论文被接收,接收率为 23.7%,相较于去 ...

HSI去噪论文分享之四

HSI去噪论文分享之四相关推荐

最新文章

热门文章