基于低秩矩阵近似的高光谱图像去噪框架的不确定性量化
图像与视频处理
2022-05-09 v4 计算机视觉与模式识别
摘要
基于滑动窗口的低秩矩阵近似（LRMA）是一种广泛应用于高光谱图像（HSI）去噪或补全的技术。然而，迄今为止，恢复 HSI 的不确定性量化尚未得到解决。去噪 HSI 的准确不确定性量化有助于多源或多尺度数据融合、数据同化以及产品不确定性量化等应用，因为这些应用需要准确的方法来描述输入数据的统计分布。因此，我们提出了一种基于 LRMA 的 HSI 恢复的无先验闭式逐元素不确定性量化方法。我们的闭式算法克服了传统 LRMA 过程中使用的滑动窗口策略所导致的 HSI 图像块混合问题。所提方法仅需观测 HSI 的不确定性，并以与 LRMA 技术相似的计算复杂度相对快速地提供不确定性结果。我们进行了大量实验以验证所提闭式不确定性方法的估计精度。该方法对至少 10% 的随机脉冲噪声具有鲁棒性，代价是比 LRMA 增加 10-20% 的额外处理时间。实验表明，与计算成本高昂的基线蒙特卡洛测试相比，所提闭式不确定性量化方法更适用于真实世界应用。代码包含在附件中，将在本文被接受后发布。
引用
@article{arxiv.2004.10959,
title = {Uncertainty Quantification for Hyperspectral Image Denoising Frameworks based on Low-rank Matrix Approximation},
author = {Jingwei Song and Shaobo Xia and Jun Wang and Mitesh Patel and Dong Chen},
journal= {arXiv preprint arXiv:2004.10959},
year = {2022}
}
备注
Accepted for publication by IEEE Transactions on Geoscience and Remote Sensing. IEEE Transactions on Geoscience and Remote Sensing (TGRS)