用于高光谱图像去噪与去条带的空间-光谱结构张量全变分
摘要
本文提出了一种新颖的正则化方法，命名为空间-光谱结构张量全变分（S3STV），用于高光谱（HS）图像的去噪和去条带。由于测量设备和环境的影响，HS 图像在采集过程中不可避免地受到各类噪声的污染。对于 HS 图像去噪和去条带任务，空间-光谱全变分（SSTV）作为一种强大的正则化方法而广为人知，它对空间-光谱分段平滑性进行建模。然而，由于 SSTV 仅涉及像素/波长的局部差异，在去噪过程中无法保留延伸至相邻像素之外的边缘和纹理。为了解决这个问题，我们新引入了 S3STV，其旨在保留 HS 图像的两个基本物理特征：半局部空间结构和跨所有波段的光谱相关性。具体而言，我们将 S3STV 定义为空间-光谱结构张量的核范数之和，这些张量是通过在半局部区域内排列二阶空间-光谱差分向量所形成的矩阵。此外，我们将 HS 图像去噪和去条带问题表述为涉及 S3STV 的约束凸优化问题，并开发了一种基于预条件原始对偶分裂方法的算法来高效求解该问题。最后，我们通过去噪和去条带实验，将 S3STV 与包括现有技术在内的现有方法进行比较，证明了 S3STV 的有效性。
引用
@article{arxiv.2404.03313,
title = {Spatio-Spectral Structure Tensor Total Variation for Hyperspectral Image Denoising and Destriping},
author = {Shingo Takemoto and Kazuki Naganuma and Shunsuke Ono},
journal= {arXiv preprint arXiv:2404.03313},
year = {2025}
}
备注
Accepted for publication in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing (JSTARS). The source code is available at https://github.com/MDI-TokyoTech/Spatio-Spectral-Structure-Tensor-Total-Variation-for-Hyperspectral-Image-Denoising-and-Destriping. The project page is https://www.mdi.c.titech.ac.jp/publications/s3ttv