All of Low-rank and Sparse: A Recast Total Variation Approach to Hyperspectral Denoising

高光谱成像 秩(图论) 稳健性(进化) 模式识别(心理学) 先验概率 人工智能 数学 计算机科学 降噪 张量(固有定义) 算法 贝叶斯概率 几何学 生物化学 化学 组合数学 基因
作者
Haijin Zeng,Shaoguang Huang,Yongyong Chen,Hiêp Luong,Wilfried Philips
出处
期刊:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing [Institute of Electrical and Electronics Engineers]
卷期号:16: 7357-7373
标识
DOI:10.1109/jstars.2023.3301149
摘要

Hyperspectral image (HSI) processing tasks frequently rely on Spatial-Spectral Total Variation (SSTV) to quantify the local smoothness of image structures. However, conventional SSTV only considers a sparse structure of gradient maps computed along the spatial and spectral dimensions, while neglecting other correlations. To address this limitation, we introduce low-rank guided SSTV (LRSTV), which characterizes the sparsity and low-rank priors of the gradient map simultaneously. Firstly, we verify through numerical tests and theoretical analysis that the gradient tensors are not only sparse but also low-rank. Subsequently, to model the low-rankness of the gradient map, we use the tensor average rank to represent the low Tucker rank of gradient tensors. The convex envelope of the tensor average rank is then employed to penalize the rank on the gradient map after Fourier transform along the spectral dimension. By naturally encoding the sparsity and low-rank priors of the gradient map, LRSTV results in a more accurate representation of the original image. Finally, we demonstrate the effectiveness of LRSTV by integrating it into the HSI processing model, replacing conventional SSTV, and testing it on two public datasets with nine cases of mixed noise and two datasets with realistic noise. The results show that LRSTV outperforms conventional SSTV in terms of accuracy and robustness.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Ezio_sunhao完成签到,获得积分10
1秒前
思源应助知道采纳,获得10
1秒前
2秒前
HZY发布了新的文献求助10
3秒前
科目三应助zzy采纳,获得20
4秒前
bkagyin应助水尽云生处采纳,获得10
7秒前
李爱国应助跪求采纳,获得10
7秒前
8秒前
9秒前
10秒前
听话的醉冬完成签到 ,获得积分10
11秒前
lee_someone发布了新的文献求助30
12秒前
12秒前
幸福诗槐发布了新的文献求助10
14秒前
着急的傲菡完成签到,获得积分10
15秒前
elle发布了新的文献求助10
15秒前
15秒前
19秒前
19秒前
菜籽发布了新的文献求助10
19秒前
辛辛完成签到,获得积分10
20秒前
22秒前
温婉的靖儿完成签到,获得积分10
22秒前
充电宝应助elle采纳,获得10
22秒前
ll发布了新的文献求助30
22秒前
Shining_Wu发布了新的文献求助10
25秒前
研友_VZG7GZ应助jianhua采纳,获得10
25秒前
深情安青应助青4096采纳,获得20
26秒前
跪求发布了新的文献求助10
28秒前
科研通AI5应助LLLLLLL采纳,获得10
28秒前
29秒前
饱满若灵发布了新的文献求助10
31秒前
32秒前
33秒前
hkh发布了新的文献求助10
33秒前
傅英俊完成签到,获得积分10
35秒前
充电宝应助lw采纳,获得10
35秒前
xie完成签到,获得积分10
36秒前
孙不缺发布了新的文献求助10
38秒前
勿奈何完成签到,获得积分10
39秒前
高分求助中
【此为提示信息,请勿应助】请按要求发布求助,避免被关 20000
Encyclopedia of Geology (2nd Edition) 2000
Maneuvering of a Damaged Navy Combatant 650
Периодизация спортивной тренировки. Общая теория и её практическое применение 310
Mixing the elements of mass customisation 300
the MD Anderson Surgical Oncology Manual, Seventh Edition 300
Nucleophilic substitution in azasydnone-modified dinitroanisoles 300
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 物理 生物化学 纳米技术 计算机科学 化学工程 内科学 复合材料 物理化学 电极 遗传学 量子力学 基因 冶金 催化作用
热门帖子
关注 科研通微信公众号,转发送积分 3780028
求助须知:如何正确求助?哪些是违规求助? 3325388
关于积分的说明 10222846
捐赠科研通 3040559
什么是DOI,文献DOI怎么找? 1668897
邀请新用户注册赠送积分活动 798857
科研通“疑难数据库(出版商)”最低求助积分说明 758612