Graph Spatio-Spectral Total Variation Model for Hyperspectral Image Denoising

要約

空間スペクトル全変動（SSTV）モデルは、混合ノイズ除去などのさまざまなアプリケーションのハイパースペクトル画像（HSI）の効果的な正則化として広く使用されています。
ただし、SSTVは局所的な空間差を均一に計算するため、特にノイズ強度が高い状況では、エッジやテクスチャが細かい複雑な空間構造を維持しながらノイズを除去することは困難です。
この問題を解決するために、Graph-SSTV（GSSTV）と呼ばれる新しいTVタイプの正則化を提案します。これは、ノイズの多いHSIからターゲットHSIの空間構造を明示的に反映するグラフを生成し、このグラフに基づいて設計された重み付き空間差分演算子を組み込みます。
さらに、混合ノイズ除去問題をGSSTVを含む凸最適化問題として定式化し、この問題を解決するためにプライマルデュアル分割法に基づく効率的なアルゴリズムを開発します。
最後に、混合ノイズ除去の実験を通じて、既存のHSI正則化モデルと比較したGSSTVの有効性を示します。
ソースコードはhttps://www.mdi.c.titech.ac.jp/publications/gsstvで入手できます。

要約(オリジナル)

The spatio-spectral total variation (SSTV) model has been widely used as an effective regularization of hyperspectral images (HSI) for various applications such as mixed noise removal. However, since SSTV computes local spatial differences uniformly, it is difficult to remove noise while preserving complex spatial structures with fine edges and textures, especially in situations of high noise intensity. To solve this problem, we propose a new TV-type regularization called Graph-SSTV (GSSTV), which generates a graph explicitly reflecting the spatial structure of the target HSI from noisy HSIs and incorporates a weighted spatial difference operator designed based on this graph. Furthermore, we formulate the mixed noise removal problem as a convex optimization problem involving GSSTV and develop an efficient algorithm based on the primal-dual splitting method to solve this problem. Finally, we demonstrate the effectiveness of GSSTV compared with existing HSI regularization models through experiments on mixed noise removal. The source code will be available at https://www.mdi.c.titech.ac.jp/publications/gsstv.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google