基于张量分解的遥感图像恢复及常用高光谱遥感数据集

原创

已于 2022-09-27 09:40:08 修改 · 6.6k 阅读

72 ·

CC 4.0 BY-SA版权

于 2022-09-26 20:19:39 首次发布

本文综述了高光谱图像的噪声类型及其影响，介绍了基于张量分解的图像恢复方法，包括CP、Tucker和T-SVD等模型，并讨论了图像质量评估指标如PSNR、SSIM和MSAM。

本文为初期学习总结，本篇文章总结了遥感高光谱图像研究背景、高光谱图像噪声的分类，介绍了基于张量的图像恢复方法及近年来对于张量分解的相关研究，总结了几个常用的图像评价指标，总结了高光谱遥感图像常用的数据集。仍有很多不足，如有错误请指正，本文为方便文献查阅，引用文献将列于被引用章节下方。

4.Low-Fibered-Rank Regularization

5.TT分解

6.Tensor Train Rank and Total Variation

一、高光谱图像及噪声介绍

1.高光谱图像恢复背景

高光谱成像（HSI）在遥感领域快速发展，因为它在军事、地质、环境和农业等领域有着广泛的应用。然而由于成像设备、成像环境以及传输、储存条件等限制，HSI通常会受到种不同类型的噪声的影响，例如高斯噪声、条带噪声、椒盐噪声等，而高光谱图像的噪声往往由两种或多种噪声的混合噪声组成，使得图像不适合进一步的应用。因此，HSI去噪已成为提高后续应用性能的重要预处理步骤，影像信息复原的目标就是从观测的退化影像中反向求解出真实的影像。HSI去噪旨在从其退化观测值估计干净的HSI，这是许多后续应用的关键预处理步骤，核心问题是利用HSI的空间和光谱先验知识。典型的HSI先验包括分段平滑、非局部自相似和低秩。近年来，基于张量分解的去噪方法越来越多的被研究人员所关注，基于张量的分解模型去噪方法是把高光谱图像视作三阶张量数据，而把二维图像去噪算法进行高阶推广，在满足不同张量分解模型的前提下进行去噪，这些方法考虑到了空间域与光谱维之间的联系[1]。

2.噪声分类

（一）云和阴影

成像过程中由于气候原因，目标区域上方天空中频繁出现的云雾,获取到的大部分多时相影像极大可能地在某些时间段上会受到云及云在地面上投射的阴影所造成的污染。此外，影像中云和阴影的干扰情况也会因天气的恶劣程度而受到影响。[2]

图 1-1 不同传感器获取到的影像展示。(a)SPOT-5卫星获取到的云和阴影影像；(b)Hyperion成像仪获取到的条带噪声影像； (c)AVIRIS成像仪获取到的高斯噪声影像；(d)HYDICE成像仪获取到的混合噪声影像

（二）条带噪声

高光谱影像产生条带噪声的主要原因是由成像光谱仪的工作原理、成像仪器及外界成像环境等多种因素所造成的。遥感影像成像仪的核心部件是电荷耦合器件探测元件，在该元件阵列中，存在很多个线状排列的探测元件。自身成像仪器性能的限制或者外界成像环境的影响下，不同探测单元在扫描地物成像的过程中，经常出现对同一辐射能量带来不一致的响应，从而使得收集到的影像受到条带噪声的污染。条带噪声不同于其他噪声，它具有特殊的线性结构和方向性。如图1-1(b)展示了Hyperion高光谱成像仪获取到的高光谱影像中的某个条带波段。

（三）高斯噪声

高斯噪声一般指服从高斯分布的噪声。在高光谱成像的过程中，电荷耦合器件把获取到的电磁波能量转化成图像信息时会带来不同形式的噪声包括暗噪声和读出噪声等。由于这两类噪声频繁地出现在高光谱成像过程中且通常满足高斯分布，因此研究学者将该类噪声定义为高斯噪声，并且假设不同波段上的噪声强弱一致。图1-1(c)展示的是AVIRIS高光谱成像仪获取到的高光谱影像中的某个高斯噪声波段。