采用张量子空间的高光谱影像多维滤波算法

测绘学报 ›› 2013, Vol. 42 ›› Issue (2): 253-267.

采用张量子空间的高光谱影像多维滤波算法

郭贤¹,黄昕¹,张乐飞¹,张良培²

1. 武汉大学
2. 武汉大学测绘遥感信息工程国家重点实验室

收稿日期:2011-08-08 修回日期:2011-12-25 出版日期:2013-04-20 发布日期:2014-01-23
通讯作者: 黄昕 E-mail:huang_whu@163.com
基金资助:
国家重点基础研究发展计划(973计划);国家自然科学基金项目;国家自然科学基金项目

Multi-Dimensional Filtering Algorithm for Hyperspectral Images Based on Tensor Subspace

Received:2011-08-08 Revised:2011-12-25 Online:2013-04-20 Published:2014-01-23

摘要/Abstract

摘要：

本文提出了一种基于张量子空间的多维滤波算法，将其应用于高光谱遥感影像降噪。该方法将高光谱影像数据视为三阶张量，引入张量数据表达，通过张量子空间分解将含噪影像投影到信号子空间，根据影像信号与噪声在子空间中分布的不同滤除噪声并保留原始影像的信号成分。利用该算法作用于多组含噪高光谱数据，对比逐波段二维维纳滤波算法、小波降噪算法等传统数字图像降噪算法的结果，实验证明了这种新型降噪算法的有效性。

关键词: 高光谱影像, 降噪, 张量子空间, 特征值分解

Abstract:

In this paper, we propose a novel algorithm for hyperspectral image (HSI) denoising which is based on the tensor subspace. Considering the HSI as 3 order tensor data, our approach introduce a data representation involving multidimensional processing and project such data into the signal subspace by tensor subspace decomposition. The optimization criterion used in this algorithm is the minimization of mean square error between the estimated signal and the desired signal, then the alternating projection algorithm is adopted to determine the optimal filter in each dimension. Comparative studies with conventional denoising methods such as 2-D Wiener filtering and channel-by-channel wavelet thresholding show that our algorithm provides better performance using AVIRIS and PHI datasets.

Key words: hyperspectral image, denoising, tensor subspace, eigenvalue decomposition

郭贤黄昕张乐飞张良培. 采用张量子空间的高光谱影像多维滤波算法[J]. 测绘学报, 2013, 42(2): 253-267.

[1]	王蓝星, 王群明, 童小华. 融合多光谱影像的高光谱影像厚云去除方法[J]. 测绘学报, 2022, 51(4): 612-621.
[2]	黄远程, 薛园园, 李朋飞. 高光谱影像子空间分析孤立森林异常目标探测方法[J]. 测绘学报, 2021, 50(3): 416-425.
[3]	左溪冰, 刘冰, 余旭初, 张鹏强, 高奎亮, 朱恩泽. 高光谱影像小样本分类的图卷积网络方法[J]. 测绘学报, 2021, 50(10): 1358-1369.
[4]	刘冰, 左溪冰, 谭熊, 余岸竹, 郭文月. 高光谱影像分类的深度少样例学习方法[J]. 测绘学报, 2020, 49(10): 1331-1342.
[5]	余岸竹, 刘冰, 邢志鹏, 杨帆, 杨其淼. 面向高光谱影像分类的显著性特征提取方法[J]. 测绘学报, 2019, 48(8): 985-995.
[6]	刘冰, 余旭初, 张鹏强, 谭熊. 联合空-谱信息的高光谱影像深度三维卷积网络分类[J]. 测绘学报, 2019, 48(1): 53-63.
[7]	刘韬, 徐爱功, 隋心. 惯性导航EEMD区间阈值降噪方法[J]. 测绘学报, 2018, 47(7): 907-915.
[8]	黄鸿, 郑新磊. 高光谱影像空-谱协同嵌入的地物分类算法[J]. 测绘学报, 2016, 45(8): 964-972.
[9]	田彦平, 陶超, 邹峥嵘, 杨钊霞, 何小飞. 主动学习与图的半监督相结合的高光谱影像分类[J]. 测绘学报, 2015, 44(8): 919-926.
[10]	杨钊霞, 邹峥嵘, 陶超, 田彦平, 何小飞. 空-谱信息与稀疏表示相结合的高光谱遥感影像分类[J]. 测绘学报, 2015, 44(7): 775-781.
[11]	谭熊, 余旭初, 秦志远, 张鹏强, 魏祥坡. 高光谱影像信息向量机分类[J]. 测绘学报, 2015, 44(11): 1227-1234.
[12]	张磊邵振峰周熙然丁霖. 聚类特征和SVM组合的高光谱影像半监督协同分类[J]. 测绘学报, 2014, 43(8): 855-861.
[13]	王毓乾邵振峰. 高光谱影像稀疏解混的空间同质分析法[J]. 测绘学报, 2014, 43(6): 607-612.
[14]	孙伟伟. 基于流形学习的高光谱影像降维理论与方法研究[J]. 测绘学报, 2014, 43(4): 439-439.
[15]	施蓓琦刘春孙伟伟陈能. 应用稀疏非负矩阵分解聚类实现高光谱影像波段的优化选择[J]. , 2013, 42(3): 0-0.