用于高光谱图像恢复的加权低秩张量恢复
计算机视觉与模式识别
2017-09-04 v1
摘要
高光谱成像能同时提供丰富的空间和光谱信息，近年来引起了广泛关注。不幸的是，由于硬件限制，高光谱图像（HSI）易受各种退化影响，如噪声（随机噪声，HSI去噪）、模糊（高斯和均匀模糊，HSI去模糊）和下采样（光谱和空间双向下采样，HSI超分辨率）。以往的HSI恢复方法仅针对单一特定任务设计。此外，大多数方法基于一维向量或二维矩阵模型，无法充分利用三维HSI中结构化的光谱-空间相关性。为克服这些局限，本文提出了一个统一的低秩张量恢复模型用于综合HSI恢复任务，其中光谱-空间立方体间的非局部相似性和光谱相关性通过三阶张量同时捕捉。进一步地，为提高能力和灵活性，我们通过区别对待奇异值将其表述为加权低秩张量恢复（WLRTR）模型，并研究其解析解。我们还将HSI中的独特条纹噪声视为粗大误差，通过将WLRTR扩展为鲁棒主成分分析（WLRTR-RPCA）来处理。大量实验表明，所提出的WLRTR模型在典型的低级视觉HSI任务中（包括去噪、去条纹、去模糊和超分辨率）持续优于最先进方法。
引用
@article{arxiv.1709.00192,
title = {Weighted Low-rank Tensor Recovery for Hyperspectral Image Restoration},
author = {Yi Chang and Luxin Yan and Houzhang Fang and Sheng Zhong and Zhijun Zhang},
journal= {arXiv preprint arXiv:1709.00192},
year = {2017}
}
备注
22 pages, 22 figures