留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

结合张量空间与倒易晶胞的高光谱影像去噪去混叠

张爱武 赵江华 赵宁宁 康孝岩 郭超凡

张爱武, 赵江华, 赵宁宁, 康孝岩, 郭超凡. 结合张量空间与倒易晶胞的高光谱影像去噪去混叠[J]. 红外与激光工程, 2018, 47(10): 1026002-1026002(10). doi: 10.3788/IRLA201847.1026002
引用本文: 张爱武, 赵江华, 赵宁宁, 康孝岩, 郭超凡. 结合张量空间与倒易晶胞的高光谱影像去噪去混叠[J]. 红外与激光工程, 2018, 47(10): 1026002-1026002(10). doi: 10.3788/IRLA201847.1026002
Zhang Aiwu, Zhao Jianghua, Zhao Ningning, Kang Xiaoyan, Guo Chaofan. Hyperspectral image denoising and antialiasing based on tensor space and reciprocal cell[J]. Infrared and Laser Engineering, 2018, 47(10): 1026002-1026002(10). doi: 10.3788/IRLA201847.1026002
Citation: Zhang Aiwu, Zhao Jianghua, Zhao Ningning, Kang Xiaoyan, Guo Chaofan. Hyperspectral image denoising and antialiasing based on tensor space and reciprocal cell[J]. Infrared and Laser Engineering, 2018, 47(10): 1026002-1026002(10). doi: 10.3788/IRLA201847.1026002

结合张量空间与倒易晶胞的高光谱影像去噪去混叠

doi: 10.3788/IRLA201847.1026002
基金项目: 

国家自然科学基金面上项目(41571369);国家重点研发计划项目(2016YFB0502500);青海省科技计划项目(2016-NK-138)

详细信息
    作者简介:

    张爱武(1972-),女,教授,博士,主要从事空间信息获取与处理、计算机视觉与模式识别、图像处理等方面的研究。Email:zhangaw98@163.com

  • 中图分类号: TP751.1

Hyperspectral image denoising and antialiasing based on tensor space and reciprocal cell

  • 摘要: 传统去噪去混叠算法大多针对单波段图像,针对于高光谱影像的特点以及噪声、混叠对于图像的影响,提出了一种结合张量与倒易晶胞的多维滤波算法,并将其应用在高光谱影像的去噪和去混叠中。该方法引入张量,将高光谱影像数据视为三阶的张量表达,以倒易晶胞获取影像混叠和噪声较小的频谱覆盖,从最小均方误差的角度交替迭代求解三个方向的滤波器,最终完成影像滤波,在保证影像空间和光谱信息一致性的前提下,有效地减少影像混叠和噪声,提高图像的质量。通过与二维维纳滤波算法、张量多维去噪算法的多组高光谱数据对比实验,证明了文中算法的有效性。
  • [1] Chang C, Du Q. Estimation of number of spectrally distinct signal sources in hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(3):608-619.
    [2] Xu Ping, Xiao Chong, Zhang Jingcheng, et al. Determination of plant hyperspectral data based on grouped three-dimensional discrete cosine transform dictionary[J]. Acta Optica Sinica, 2017(6):0630003. (in Chinese)
    [3] Xu Dong, Sun Lei, Luo Jianshu. Hetero-spectral hyperspectral remote sensing image denoising combined with NAPCA and complex wavelet transform[J]. Infrared and Laser Engineering, 2015, 44(1):327-334.
    [4] Huang Wei, Gao Taichang, Liu Lei, et al. A method for noise reduction of hyperspectral data based on improved cumulative variance[J]. Spectroscopy and Spectral Analysis, 2016, 36(11):3625-3629. (in Chinese)
    [5] Yu Zhenmiao, Yang Ming. High spectral image denoising algorithm combining spatial similarity and RPCA[J]. Journal of Nanjing University (Natural Science), 2017, 53(3):518-524. (in Chinese)
    [6] Zhang H, He W, Zhang L, et al. Hyperspectral image restoration using low-rank matrix recovery[J]. IEEE Transactions on Geoscience Remote Sensing, 2014, 52(8):4729-4743.
    [7] Almansa A, Durand S, Roug B. Measuring and improving image resolution by adaptation of the reciprocal cell[J]. Journal of Mathematical Imaging and Vision, 2004, 21(3):235-279.
    [8] Zhang Zhi, Xia Deshen. Image restoration of reciprocal cell combining with complex wavelet[J]. Acta Electronica Sinica, 2008, 36(10):1979-1985. (in Chinese)
    [9] Zhang Yuhui, Tang Yang, Chen Qiang, et al. Improve the effective resolution of oblique-mode remote sensing image[J]. Journal of Computer-Aided Design and Graphics, 2009, 21(2):243-249. (in Chinese)
    [10] Zhang Aiwu, Du Nan, Kang Xiaoyan, et al. Non-linear transformation and information-related hyperspectral adaptive band selection[J]. Infrared and Laser Engineering, 2017, 46(5):0538001. (in Chinese)
    [11] Wu Z, Wang Q, Jin J, et al. Structure tensor total variation-regularized weighted nuclear norm minimization for hyperspectral image mixed denoising[J]. Signal Processing, 2017, 131(1):202-219.
    [12] Yang Xinfeng, Hu Xunuo, Nian Yongjian. High-spectral image compression algorithm based on classification[J]. Infrared and Laser Engineering, 2016, 45(2):0228003.
    [13] Tang Zhongqi, Fu Guangyuan, Chen Jin, et al. Sparse representation and classification of hyperspectral images based on multi-scale segmentation[J]. Optical Precision Engineering, 2015, 23(9):2708-2714. (in Chinese)
    [14] Chen Z, Karim M A, Hayat M M. Elimination of higher order aliasings by multiple interlaced sampling[J]. Optical Engineering, 1999, 38(38):879.
    [15] He Yanfei. Remote sensing image restoration based on sparse representation and adaptive inverse cell[D]. Nanjing:Nanjing University of Information Science and Technology, 2015.
    [16] Zhang Zhi, Xia Deshen. Image resolution based on hybrid reciprocal cell-wavelet[J]. Journal of Computer-Aided Design and Computer Graphics, 2008, 20(4):512-519. (in Chinese)
    [17] Damien Muti, Salah Bourennane. Multidimensional filtering based on a tensor approach[J]. Signal Process, 2005, 85(12):2338-2353.
    [18] Damien Muti, Salah Bourennane. Noise removal from hyperspectral images by multidimensional filtering[J]. IEEE Geoscience and Remote Sensing Letters, 2008, 46(7):2061-2069.
    [19] Wang Zhongmei, Yang Xiaomei, Gu Xingfa. High-spectral image denoising algorithm of tensor groups[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(5):614-622. (in Chinese)
  • [1] 张帅台, 李国元, 周晓青, 么嘉棋, 郭金权, 唐新明.  基于多特征自适应的单光子点云去噪算法 . 红外与激光工程, 2022, 51(6): 20210949-1-20210949-11. doi: 10.3788/IRLA20210949
    [2] 王亚平, 周裕丰, 张宝华.  基于去雾增强和张量恢复的红外小目标检测 . 红外与激光工程, 2022, 51(4): 20210417-1-20210417-9. doi: 10.3788/IRLA20210417
    [3] 李鹏举, 张雅声, 方宇强, 殷智勇.  基于改进马尔可夫随机场的事件相机去噪算法 . 红外与激光工程, 2021, 50(10): 20210294-1-20210294-8. doi: 10.3788/IRLA20210294
    [4] 王新伟, 孙亮, 王敏敏, 杨于清, 周燕.  水下二维及三维距离选通成像去噪技术研究 . 红外与激光工程, 2020, 49(2): 0203002-0203002. doi: 10.3788/IRLA202049.0203002
    [5] 李宁, 赵永强, 潘泉.  时空自适应的分焦平面偏振视频PCA去噪 . 红外与激光工程, 2019, 48(10): 1026001-1026001(7). doi: 10.3788/IRLA201948.1026001
    [6] 许艺腾, 李国元, 邱春霞, 薛玉彩.  基于地形相关和最小二乘曲线拟合的单光子激光数据处理技术 . 红外与激光工程, 2019, 48(12): 1205004-1205004(10). doi: 10.3788/IRLA201948.1205004
    [7] 张爱武, 张希珍, 赵江华.  斜模超分辨率成像最佳角度 . 红外与激光工程, 2019, 48(8): 826001-0826001(7). doi: 10.3788/IRLA201948.0826001
    [8] 叶华, 谭冠政, 李广, 刘晓琼, 李晋, 周聪, 朱会杰.  基于稀疏表示与粒子群优化算法的非平稳信号去噪研究 . 红外与激光工程, 2018, 47(7): 726005-0726005(8). doi: 10.3788/IRLA201847.0726005
    [9] 申艳, 解颐, 娄淑琴, 王鑫, 赵彤彤.  基于Contourlet变换和压缩感知的实际光子晶体光纤光 . 红外与激光工程, 2017, 46(3): 321001-0321001(7). doi: 10.3788/IRLA201746.0321001
    [10] 申艳, 解颐, 娄淑琴.  结合全变差和小波变换的PCF光特性评估方法 . 红外与激光工程, 2016, 45(7): 722001-0722001(6). doi: 10.3788/IRLA201645.0722001
    [11] 高雅, 周佳霖, 侯雪, 王晓飞, 王霄衣.  基于高斯拟合的高光谱影像配准算法 . 红外与激光工程, 2016, 45(S2): 126-131. doi: 10.3788/IRLA201645.S223002
    [12] 崔珊珊, 李琦.  基于小波变换的太赫兹数字全息再现像去噪研究 . 红外与激光工程, 2015, 44(6): 1836-1840.
    [13] 蒋立辉, 符超, 刘雯箐, 熊兴隆.  基于自适应多尺度形态滤波与EMD的激光雷达回波信号去噪方法 . 红外与激光工程, 2015, 44(5): 1673-1679.
    [14] 徐冬, 孙蕾, 罗建书.  结合NAPCA 和复小波变换的高光谱遥感图像去噪 . 红外与激光工程, 2015, 44(1): 327-334.
    [15] 张红英, 罗晓清, 吴小俊.  基于CHMM 的尖锐频率局部化Contourlet 域图像去噪 . 红外与激光工程, 2014, 43(7): 2341-2348.
    [16] 刘涛, 张文平, 陈慧芳, 冯桂兰, 刘月明.  卡尔曼滤波在分布式拉曼光纤温度传感系统去噪中的应用 . 红外与激光工程, 2014, 43(5): 1643-1647.
    [17] 马媛花, 胡炳樑, 李然, 孙朗, 孙念, 王峥杰.  采用Gyrator变换的泰伯效应及图像去噪 . 红外与激光工程, 2014, 43(2): 665-670.
    [18] 蒋立辉, 李猛, 熊兴隆, 冯帅.  探测因子优化的多尺度形态滤波器去噪方法 . 红外与激光工程, 2014, 43(2): 654-658.
    [19] 葛明达, 孙剑峰, 王天骄, 王骐.  基于对比度调制法对条纹管激光雷达距离像的去噪方法 . 红外与激光工程, 2013, 42(6): 1448-1452.
    [20] 熊兴隆, 李猛, 蒋立辉, 冯帅.  极点均值型经验模式分解及其去噪应用 . 红外与激光工程, 2013, 42(6): 1628-1634.
  • 加载中
计量
  • 文章访问数:  354
  • HTML全文浏览量:  53
  • PDF下载量:  31
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-05-07
  • 修回日期:  2018-06-12
  • 刊出日期:  2018-10-25

结合张量空间与倒易晶胞的高光谱影像去噪去混叠

doi: 10.3788/IRLA201847.1026002
    作者简介:

    张爱武(1972-),女,教授,博士,主要从事空间信息获取与处理、计算机视觉与模式识别、图像处理等方面的研究。Email:zhangaw98@163.com

基金项目:

国家自然科学基金面上项目(41571369);国家重点研发计划项目(2016YFB0502500);青海省科技计划项目(2016-NK-138)

  • 中图分类号: TP751.1

摘要: 传统去噪去混叠算法大多针对单波段图像,针对于高光谱影像的特点以及噪声、混叠对于图像的影响,提出了一种结合张量与倒易晶胞的多维滤波算法,并将其应用在高光谱影像的去噪和去混叠中。该方法引入张量,将高光谱影像数据视为三阶的张量表达,以倒易晶胞获取影像混叠和噪声较小的频谱覆盖,从最小均方误差的角度交替迭代求解三个方向的滤波器,最终完成影像滤波,在保证影像空间和光谱信息一致性的前提下,有效地减少影像混叠和噪声,提高图像的质量。通过与二维维纳滤波算法、张量多维去噪算法的多组高光谱数据对比实验,证明了文中算法的有效性。

English Abstract

参考文献 (19)

目录

    /

    返回文章
    返回