低秩张量嵌入的高光谱图像去噪神经网络
Low-rank tensor embedded deep neural network for hyperspectral image denoising作者机构:南京理工大学计算机科学与工程学院南京210094 中国酒泉卫星发射中心酒泉732750
出 版 物:《遥感学报》 (NATIONAL REMOTE SENSING BULLETIN)
年 卷 期:2024年第28卷第1期
页 面:121-131页
核心收录:
学科分类:0810[工学-信息与通信工程] 070801[理学-固体地球物理学] 07[理学] 08[工学] 0708[理学-地球物理学] 0816[工学-测绘科学与技术] 081002[工学-信号与信息处理]
基 金:国家自然科学基金(编号:62002169) 江苏省自然科学基金(编号:BK20200466)
主 题:高光谱图像去噪 深度神经网络 低秩张量表示 知识驱动深度学习 CP分解 U-Net
摘 要:随着遥感卫星技术的快速发展,高光谱图像在环境检测、资源管理、农业预警等领域得到了广泛应用。然而,由于设备误差和大气因素等原因,采集的高光谱图像中常常存在噪声,这会影响后续任务的准确性。因此,高光谱图像去噪成为了一个重要的研究方向。高光谱图像的空间关联、光谱关联和空间—光谱联合关联导致干净的高光谱图像存在低维子空间中。低秩先验是高光谱图像普遍的物理性质,然而基于低秩表示的方法通常需要复杂的参数设置和计算。基于深度学习方法直接从数据中学习到干净图像的先验信息,具有较强的表达能力,但依赖大量数据且缺乏对高光谱图像物理知识如低秩性的有效利用。为了解决这些问题,本文利用高光谱图像的空间—光谱低秩特性,提出一种低秩张量嵌入深度神经网络方法,可以有效去除高光谱图像中的噪声。该方法采用低秩张量分解模块对高光谱图像的特征图进行低秩表示,通过全局池化和卷积等操作完成秩一向量的生成和低秩张量的重构。同时,将低秩张量分解模块与Unet相结合,对浅层特征进行低秩张量表示,以捕捉高光谱图像的空间—光谱低秩特性,提高了模型的去噪能力。当噪声标准差在[0—95]时,算法可以取得41.02 dB的PSNR和0.9888的SSIM。仿真数据和真实数据实验结果表明,所提出的低秩深度神经网络方法去噪效果优于其他方法。