检索结果-南通市图书馆

理论数学 2023年第10期13卷 2877-2887页

作者：李欢唐科威辽宁师范大学数学学院辽宁大连

近年来,多视图子空间聚类是一个热点话题,基于低秩张量的方法受到广泛关注。为了更好地挖掘不同视图间的高阶关联性,本文采用最新基于t-SVD的张量核范数,使用系数矩阵的核范数和Frobenius范数作为正则项。在PIE、ORL、MSRA和MNIST四个... 详细信息

近年来,多视图子空间聚类是一个热点话题,基于低秩张量的方法受到广泛关注。为了更好地挖掘不同视图间的高阶关联性,本文采用最新基于t-SVD的张量核范数,使用系数矩阵的核范数和Frobenius范数作为正则项。在PIE、ORL、MSRA和MNIST四个数据集上与流行的子空间聚类算法的对比试验表明,本文提出的算法是一个有效的方法。

关键词：子空间聚类低秩张量表示 Frobenius范数张量核范数

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

低秩张量嵌入的高光谱图像去噪神经网络

引用

遥感学报 2024年第1期28卷 121-131页

作者：涂坤熊凤超侯雪强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

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... 详细信息

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。

关键词：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

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于知识驱动深度学习的高光谱图像去噪算法研究

基于知识驱动深度学习的高光谱图像去噪算法研究

引用

作者：涂坤南京理工大学

学位级别：硕士

高光谱图像在各种领域有着广泛的应用,比如环境监测、资源管理、农业预警等。但是由于设备误差和大气干扰等因素的影响,高光谱图像中通常存在噪声,这对后续分析不利。因此,高光谱图像去噪是一个必不可少的预处理步骤。近年来,基于深度... 详细信息

高光谱图像在各种领域有着广泛的应用,比如环境监测、资源管理、农业预警等。但是由于设备误差和大气干扰等因素的影响,高光谱图像中通常存在噪声,这对后续分析不利。因此,高光谱图像去噪是一个必不可少的预处理步骤。近年来,基于深度学习的高光谱图像去噪方法由于其强大的表达能力和数据驱动的特点得到了快速发展,但是这类方法也有一些问题,比如过分依赖数据集、缺乏先验知识指导、泛化能力弱等。本文借鉴了基于先验知识方法在物理解释性、灵活性方面的优势,研究知识驱动的深度学习去噪算法,利用低秩和稀疏知识指导深度学习网络的构建,实现高光谱图像去噪。本论文主要包括以下两个方面的研究工作:1.本文提出低秩约束深度神经网络,用于高光谱图像去噪。该网络利用低秩张量分解模块,根据高光谱图像的低秩特性,通过全局池化和卷积等操作,生成秩一张量并重构低秩张量。然后将低秩张量分解模块与Unet结合,对浅层特征进行低秩张量表示,从而捕获高光谱图像的低秩特性。通过消融实验和对比实验验证了该网络的可行性。2.本文将高光谱图像每个波段的去噪任务建模为卷积稀疏编码问题,并通过在波段间共享卷积稀疏编码系数,实现空间-光谱联合建模。本文利用深度展开技术将对应问题的迭代软阈值收缩优化方法转化为多任务卷积稀疏编码网络,并通过数据驱动的方式学习网络参数。由于卷积稀疏编码先验知识嵌入,所得到的网络具有很好的解释性。在不同数据集上的定量和定性分析证明了本算法具有良好的去噪效果。

关键词：高光谱图像去噪低秩张量表示卷积稀疏表示深度神经网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

高光谱图像去噪的子空间低秩学习方法研究

高光谱图像去噪的子空间低秩学习方法研究

引用

作者：何承迅南京信息工程大学

学位级别：硕士

高光谱遥感将被测地物的空间信息与极其丰富的光谱信息结合为一体,极大地拓宽了人类的视野,增强了探测物质属性的能力。在多种实际应用中,信息提取与处理的精度很大程度依赖于所采集的高光谱图像质量。然而,在信号采样和数字成像的过程... 详细信息

高光谱遥感将被测地物的空间信息与极其丰富的光谱信息结合为一体,极大地拓宽了人类的视野,增强了探测物质属性的能力。在多种实际应用中,信息提取与处理的精度很大程度依赖于所采集的高光谱图像质量。然而,在信号采样和数字成像的过程中,高光谱图像会不可避免地受多种类型混合噪声污染而退化。这种退化会极大降低后续应用的精度与效率。近年,低秩表示方法在图像恢复问题上获得了高度关注。但是,由于高光谱图像数据维度高、冗余性强,直接对其应用低秩恢复方法往往难以充分利用图像的空间与光谱先验信息,导致去噪精度不足;同时,由于高光谱图像波段数多、数据量大,基于模型优化的低秩表示方法通常运行效率较低。为应对上述挑战,本文在深入分析高光谱图像的性质、详细总结现有高光谱图像去噪方法的基础上,设计了新的恢复模型,提出了高精度、高性能的去噪方法,并通过充分的实验验证了其有效性与优越性。主要研究内容如下:(1)提出了一种基于子空间低秩学习与BM4D去噪器的去噪方法。与先前的低秩算法一般对整个高光谱图像进行低秩约束不同,该方法在低维子空间中刻画图像的光谱与空间低秩性,同时耦合了无参数的BM4D去噪器作为正则项以利用图像的非局部相似性。充分的实验验证了该方法不仅提升了去噪的精度和效率,还提高了实施的易用性。(2)提出了一种基于张量子空间低秩学习与非局部先验的去噪方法。与先前的子空间表示方法一般首先将三维高光谱图像张量展开为二维矩阵不同,该方法通过高阶张量线性表示来学习子空间的基张量和系数张量,实现了完全张量化的子空间低秩学习。充分的实验验证了该方法在继承子空间方法高效率的同时,还进一步增强了对高光谱图像高维结构相关性的保持,避免了张量展开造成的信息损失,实现了去噪精度的提升。(3)提出了一种基于差分连续正则化与串行张量分解的子空间低秩学习去噪方法。与先前的子空间低秩学习方法一般使用正交约束与即插即用去噪算子以分别更新子空间的基和系数不同,该方法通过差分连续正则化学习出了一个更连续、更平滑、更接近于真实端元光谱的基,并通过串行张量分解更有效地利用了系数图像张量在光谱模、非局部模和空间模的低秩性。充分的实验验证了该方法能更深入地利用高光谱图像本身的空谱特性,实现了去噪精度的进一步提升。

关键词：高光谱图像去噪图像恢复子空间低秩学习低秩矩阵恢复低秩张量表示

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：