Fast Noise Removal in Hyperspectral Images via Representative Coefficient Total Variation

要約

ハイパースペクトル画像（HSI）ノイズ除去において、データ中の構造的事前分布をマイニングする手法は広く認知されており、その代表的な手法にはモデルベース手法とデータベース手法がある。モデルベース手法は汎化能力に優れているが、HSIデータのサイズが大きいため、実用的な高速処理の要求に対応できない。データベース手法は、一度学習させれば新しいテストデータに対して非常に高速に処理することができます。しかし、その汎化能力は常に不十分である。本論文では，モデルベースの高速なHSIノイズ除去法を提案する．具体的には，低ランクと局所的な滑らかさを同時に特徴付ける代表係数全変動(RCTV)と名付けた新しい正則化器を提案する．RCTV正則化器は、代表係数行列$mathbf{U} in\mathbb{R}^{MNtimes R｝(R*** B)$は、元のHSI $mathbf{X}$を直交変換して得られる、$mathbf{X}$の強い局所滑らかな事前分布を継承することが可能である。RCTV正則化器を用いたHSIノイズ除去モデルは、$R/B$が非常に小さいため、時間複雑度が低くなる。また、代表係数行列$mathbf{U}$はノイズに対して頑健であり、RCTV正則化器はHSIノイズ除去モデルの頑健性をある程度促進できることがわかった。混合ノイズ除去に関する広範な実験により，提案手法が他の最先端手法と比較して，ノイズ除去性能とノイズ除去速度の両方において優れていることが示された．驚くべきことに、提案手法のノイズ除去速度は、全てのモデルベース手法を上回り、深層学習ベースのアプローチと同程度である。

要約(オリジナル)

Mining structural priors in data is a widely recognized technique for hyperspectral image (HSI) denoising tasks, whose typical ways include model-based methods and data-based methods. The model-based methods have good generalization ability, while the runtime cannot meet the fast processing requirements of the practical situations due to the large size of an HSI data $ \mathbf{X} \in \mathbb{R}^{MN\times B}$. For the data-based methods, they perform very fast on new test data once they have been trained. However, their generalization ability is always insufficient. In this paper, we propose a fast model-based HSI denoising approach. Specifically, we propose a novel regularizer named Representative Coefficient Total Variation (RCTV) to simultaneously characterize the low rank and local smooth properties. The RCTV regularizer is proposed based on the observation that the representative coefficient matrix $\mathbf{U}\in\mathbb{R}^{MN\times R} (R\ll B)$ obtained by orthogonally transforming the original HSI $\mathbf{X}$ can inherit the strong local-smooth prior of $\mathbf{X}$. Since $R/B$ is very small, the HSI denoising model based on the RCTV regularizer has lower time complexity. Additionally, we find that the representative coefficient matrix $\mathbf{U}$ is robust to noise, and thus the RCTV regularizer can somewhat promote the robustness of the HSI denoising model. Extensive experiments on mixed noise removal demonstrate the superiority of the proposed method both in denoising performance and denoising speed compared with other state-of-the-art methods. Remarkably, the denoising speed of our proposed method outperforms all the model-based techniques and is comparable with the deep learning-based approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL