高光谱图像修复算法的自适应稀疏编码实现

doi:10.3969/j.issn.1001-506X.2019.09.02

系统工程与电子技术 ›› 2019, Vol. 41 ›› Issue (9): 1922-1929.doi: 10.3969/j.issn.1001-506X.2019.09.02

高光谱图像修复算法的自适应稀疏编码实现

宋晓瑞¹, 吴玲达¹, 郝红星¹, 孔舒亚²

1. 航天工程大学复杂电子系统仿真实验室, 北京 101416; 2. 中国人民解放军66135部队, 北京 100144

出版日期:2019-08-27 发布日期:2019-08-20

Hyperspectral image inpainting based on adaptive sparse coding

SONG Xiaorui¹, WU Lingda¹, HAO Hongxing¹, KONG Shuya²

1. Science and Technology on Complex Electronic System Simulation Laboratory, Space Engineering University,
Beijing 101416, China; 2. Unit 66135 of the PLA, Beijing 100144, China

Online:2019-08-27 Published:2019-08-20

摘要/Abstract

摘要：

针对高光谱图像(hyperspectral images,HSI)中缺损像元及条带影响图像后续处理及应用的问题,应用稀疏表示理论,将HSI修复问题建模为不完整观测下的信号稀疏重建问题,提出自适应稀疏编码实现的HSI修复算法。首先,对加性噪声假设下的HSI观测模型进行研究。然后,通过引入基于随机近似的在线学习优化方法,提出新的从高光谱数据中直接构造字典的算法,从而获取光谱字典。之后,应用变量分解和增广拉格朗日稀疏回归方法对图像进行稀疏编码求解。最后通过稀疏重构求得修复后的HSI。实验结果表明,相对于现有算法,在不同噪声条件下,所提算法均能够更有效地修复缺损的HSI,且与其他字典学习类修复算法相比计算耗时更短。

关键词: 图像处理, 高光谱图像, 图像修复, 光谱字典, 稀疏编码

Abstract:

Aiming to the problem that the corrupted pixels and strips in hyperspectral image (HSI) limit the subsequent processing and applications, the sparse representation theory is applied to model HSI inpainting as an image reconstruction problem from incomplete observations, and an HSI inpainting algorithm is proposed based on adaptive sparse coding. First, an HSI incomplete observation model under the additive noise assumption is studied. Then, by introducing an online learning optimization method based on stochastic approximation, an algorithm for constructing a dictionary directly from the hyperspectral data is proposed to obtain a spectral dictionary. After that, the corrupted HSI is sparsely encoded by applying the sparse regression by variable splitting and augmented Lagrangian. Finally, the inpainted HSI is obtained by sparse reconstruction. Experiments illustrate that, compared with the state-of-the-art algorithms, the proposed algorithm can yield better inpainted results under different noise conditions, with shorter time consumption than other dictionary learning based inpainting algorithms.

Key words: image processing, hyperspectral image (HSI), image inpainting, spectral dictionary, sparse coding

宋晓瑞, 吴玲达, 郝红星, 孔舒亚. 高光谱图像修复算法的自适应稀疏编码实现[J]. 系统工程与电子技术, 2019, 41(9): 1922-1929.

SONG Xiaorui, WU Lingda, HAO Hongxing, KONG Shuya. Hyperspectral image inpainting based on adaptive sparse coding[J]. Systems Engineering and Electronics, 2019, 41(9): 1922-1929.

[1]	赵晓枫, 吴飞, 徐叶斌, 牛家辉, 蔡伟, 张志利. 基于背景还原的红外伪装效果评价方法[J]. 系统工程与电子技术, 2022, 44(8): 2554-2561.
[2]	陈善学, 王欣欣. 基于空间预处理联合稀疏表示高光谱图像分类[J]. 系统工程与电子技术, 2021, 43(9): 2422-2429.
[3]	陈善学, 陈雯雯. 基于二级字典的联合稀疏表示高光谱图像分类[J]. 系统工程与电子技术, 2020, 42(3): 550-556.
[4]	许宁, 孙康, 胡玉新, 耿修瑞. 高光谱图像快速Gram行列式端元提取优化方法[J]. 系统工程与电子技术, 2019, 41(9): 1913-1921.
[5]	王殿伟, 陈鹏, 李大湘, 刘颖, 许志杰, 王晶. 融合纹理信息的深度图像修复[J]. 系统工程与电子技术, 2019, 41(8): 1720-1725.
[6]	王得成, 陈向宁, 李志亮, 吴止锾. 面向星上的云层探测与规避算法[J]. 系统工程与电子技术, 2019, 41(3): 515-522.
[7]	陈善学, 周艳发, 漆若兰. 基于核函数的联合稀疏表示高光谱图像分类[J]. 系统工程与电子技术, 2018, 40(3): 692-698.
[8]	朱源才, 王红, 谭贤四, 曲智国. 目标回波不连通的慢速小目标探测方法[J]. 系统工程与电子技术, 2018, 40(12): 2675-2682.
[9]	孟令博, 耿修瑞. 改进的主峭度分析算法及其在高光谱图像小目标检测中的应用[J]. 系统工程与电子技术, 2018, 40(12): 2855-2861.
[10]	王彩云, 胡允侃, 李晓飞, 魏文怡, 赵焕玥. 基于卷积稀疏编码与多分类器融合的雷达HRRP目标识别方法[J]. 系统工程与电子技术, 2018, 40(11): 2433-.
[11]	陈善学, 桂成名, 王一宁. 基于紧耦合像元的自适应增强类内稀疏表示高光谱图像分类[J]. 系统工程与电子技术, 2017, 39(3): 655-661.
[12]	白宏阳1,2, 马军勇2, 熊凯3, 胡福东1. 图像修复中的加权矩阵补全模型设计[J]. 系统工程与电子技术, 2016, 38(7): 1703-1708.
[13]	邓淇元, 曲长文, 江源. 基于圆环模板的改进Harris角点检测算法[J]. 系统工程与电子技术, 2016, 38(4): 949-954.
[14]	陈善学, 屈龙瑶, 胡灿. 基于空间约束加权条件稀疏表示高光谱图像分类[J]. 系统工程与电子技术, 2016, 38(2): 442-449.
[15]	廖斌, 付忠旺. 基于边缘敏感递归滤波的彩色航拍图像云检测[J]. 系统工程与电子技术, 2015, 37(12): 2879-2886.

高光谱图像修复算法的自适应稀疏编码实现

Hyperspectral image inpainting based on adaptive sparse coding

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价