一种用于多光谱图像去噪的低秩张量字典学习方法
图像与视频处理
2018-12-10 v1
摘要
作为三阶张量，多光谱图像（MSI）具有数十个光谱波段，可为真实场景传递更多信息。然而，真实MSI常在感知过程中被噪声污染，这将进一步恶化更高层次分类与识别任务的性能。本文提出一种用于MSI去噪的低秩张量字典学习（LTDL）方法。首先，我们从MSI中提取块并将其聚类为组。然后，不同于使用精确低秩模型，我们考虑一种近低秩近似，其更贴近真实MSI干净组的潜在低秩结构。此外，我们提出学习一个空间字典和一个光谱字典，它们分别包含整个MSI的空间特征与光谱特征，并在不同组间共享。因此，LTDL方法同时利用了每组的潜在低秩先验和通过共享字典实现的不同组间的相关性。在合成数据上的实验验证了LTDL进行字典学习的有效性。在真实MSI上的实验表明，与最先进（SOTA）方法相比，所提方法具有更优的去噪性能。
引用
@article{arxiv.1812.02871,
title = {A Low-rank Tensor Dictionary Learning Method for Multi-spectral Images Denoising},
author = {Xiao Gong and Wei Chen},
journal= {arXiv preprint arXiv:1812.02871},
year = {2018}
}