基于低秩矩陣恢復的高光譜圖像去噪與降維算法研究.pdf

1、高光譜圖像分類是高光譜圖像處理與分析的主要研究內(nèi)容，目前在資源探測、軍事指揮、環(huán)境檢測、測繪制圖以及生態(tài)研究等眾多領域都具有廣泛的應用。高光譜圖像去噪與降維算法是高光譜圖像分類的關鍵環(huán)節(jié)，其好壞對高光譜圖像分類具有重要的影響。
　　研究者們圍繞著去噪與降維算法展開大量的研究工作，并取得了可喜的進展。但目前大多數(shù)去噪算法對于包含多種噪聲的高光譜圖像的去噪效果仍不理想，且降維算法處理過的高光譜圖像存在冗余度較高或者分類精度下降的問題。

2、而低秩矩陣恢復是能將受稀疏數(shù)據(jù)干擾的低秩矩陣進行有效恢復的模型。為此，本文基于低秩矩陣恢復理論，圍繞高光譜圖像去噪與降維算法展開研究，提出了兩種去噪算法和一種降維算法。論文的主要研究工作如下:
　　1.提出兩種基于低秩矩陣恢復的高光譜圖像去噪算法。兩種算法的主要思路都是基于低秩矩陣恢復的理論利用高光譜圖像本身具有的低秩結構性進行去噪。
　　1)提出了結合空間鄰域相似性和RPCA的高光譜圖像去噪算法（S_IRPCA）。提出的S

3、_RPCA以RPCA為基礎，并采用以下策略:(1)嵌入高斯噪聲的判別項，使算法在處理椒鹽噪聲、條帶噪聲的同時也能有效地去除高斯噪聲;(2)利用空間鄰域相似信息，有效地并入隱含在數(shù)據(jù)空間的流形結構信息。S_IRPCA算法運用增廣拉格朗日乘子法(ALM)，交替迭代依次求解出模型中的變量參數(shù)。實驗驗證了S_IRPCA的有效性。
　　2)提出了基于Fisher字典學習和低秩表示的高光譜圖像去噪算法(LRR_FDL)。提出的LRR_FDL以

4、低秩表示(LRR)為理論基礎。LRR_FDL有以下特點:(1)運用Fisher字典學習得到判別字典，替換LRR中的字典，以此克服直接用數(shù)據(jù)本身作為字典時LRR對參數(shù)敏感的不足;(2)LRR相對于RPCA，從單子空間擴展到了多子空間，有利于恢復出數(shù)據(jù)空間的精細結構;(3)LRR_FDL嵌入高斯噪聲的判別項，使算法能夠處理多種類型的噪聲。LRR_FDL實驗結果表明LRR_FDL算法是有效的。
　　2.提出了結合低秩表示和圖像融合的高光

5、譜圖像降維算法(IF_LRR)。提出的IF_LRR算法分成兩個步驟:(1)采用LRR對高光譜圖像進行顯著性檢測，將圖像分解成一個低秩的主要特征部分L=AZ和一個稀疏的顯著特征部分E;(2)低秩系數(shù)矩陣Z的元素的絕對值越大表征更為顯著的特征，因此采用絕對值選大法對最相似波段的低秩系數(shù)Zi和Zj進行融合，并采用相同的融合規(guī)則對E(i)和Ej進行融合。在經(jīng)過降維處理的Indian Pines數(shù)據(jù)集上采用的兩種分類器進行分類實驗，實驗驗證了IF