基于群稀疏空间光谱总变分的高光谱混合噪声图像恢复北大核心CSCD

高光谱图像(HSI)在采集的过程中,由于受到环境和传感器的影响,图像会被大量混合噪声污染,会影响遥感图像后续应用的性能,因此从混合噪声中恢复干净的HSI成为了重要的预处理过程。而一些现有的张量模型,在去除含有条带和死线的混合噪声时,并不能取得很好的效果。为此,提出了一种基于群稀疏空间光谱总变分的高光谱混合噪声图像恢复算法(FRTCSSTV);为了避免过度平滑,该算法利用群稀疏空间光谱全变分正则化来增强空间谱维的稀疏性,同时为了保持HSI原有的结构,采用直接对张量纤维秩进行约束的方法来表示HSI的全局低秩。在模拟和真实的高光谱图像实验中,与其他模型相比,FRTCSSTV方法在去除含有条带和死线噪声的混合噪声时具有更好的性能。     

基于方向滤波器消除遥感图像孤立条带噪声的方法

条带噪声是影响遥感图像质量的重要因素之一.在分析遥感CCD图像孤立条带噪声产生原因和噪声模型的基础上,提出了基于二维方向滤波器抑制条带噪声的新方法.该方法利用了窄带方向滤波器良好的图像纹理方向的频率选择特性,将条带噪声与图像其它信息分离到不同的方向滤波器子带内,并在水平信息子带内采用均值补偿方法去除条带噪声.实验结果证明它不仅能有效去除CCD图像中的随机孤立条带噪声,还能保持原始图像的辐射入射幅度,保留细节信息,较传统的方法相比,性能有较大的提高.     

图像去模糊的l0范数最小化方法

针对经典的图像去模糊问题,提出了一种基于l0-范数约束的图像去模糊算法。该算法结合图像稀疏性的特点,利用l0-范数作为正则项约束,保证了恢复图像的稀疏性要求。为了有效的求解l0-范数优化问题,引入两个辅助变量,将原问题分解为两个子优化问题,并采用交替方向法进行快速求解。实验结果表明,对于不同程度的高斯模糊和运动模糊,该算法都能够得到有效的恢复结果。     

基于空间自适应变分的条带噪声去除方法

遥感图像经常被条带噪声污染,导致图像质量下降。为了去除条带噪声,本文提出了一种基于空间自适应变分的噪声抑制方法。首先,对条带噪声建模,并利用信噪比较高的区域估计出模型的增益和偏置;然后,在变分法的框架下,构建能量函数,并引入空间自适应正则因子,根据图像空间信息自适应调整正则参数;最后,采用分裂式Bregman算法优化能量函数,得到去噪图像的最优解。实验表明,本文算法可以将实际遥感图像等效视数由37.26提高到76.48,辐射质量提升因子提高到8.52 dB。本文算法能够有效去除条带噪声,保留图像细节,改善图像质量。     

基于非凸l_p范数和G-范数的图像去模糊模型

图像去模糊一直是图像修复中的重要问题,针对经典的去模糊方法,提出一种耦合非凸lp(0≤p<1)范数和G范数的图像去模糊方法。该方法利用lp(0≤p<1)范数作为正则项约束,保证了图像的稀疏性要求;利用G范数作为保真项,保证在去模糊的同时有效抑制噪声并保持图像的细小特征,同时也给出新方法基于交替最小化的有效算法。实验结果表明新模型是可行的。     

外部非局部自相似先验的图像去噪

针对在噪声水平比较高的情况下难以从噪声图像本身提取准确先验信息的问题,提出一种从外部干净图像数据集学习非局部自相似先验信息的图像去噪方法。首先用高斯混合模型学习外部干净图像的非局部自相似先验信息,其次利用最大后验概率估计的方法找到与噪声图像块最匹配的外部先验信息,最后利用外部先验对噪声图像块进行稀疏表示。实验对比表明,所提算法在去除噪声的同时可以较好地保留图像的细节信息,使图像数据集的平均峰值信噪比提高0.18 dB以上。     

基于稀疏脉冲反演的墙体参数研究

稀疏脉冲反演实际上是从含有噪声的雷达数据单道中计算出具有稀疏分布特性的反射系数。文中以范数约束为基础,提出L1 范数约束求解的方法,并且采用迭代重加权最小二乘法(IRLS)的优化算法,该算法具有精度高、速度快的优点,对穿墙侦查雷达数据处理后可以有效提高分辨率,获得反射系数,有助于进一步求得墙体的厚度和介电常数。最后针对不同数据的实验结果验证了算法的有效性。     

稳健型双层叠组LASSO逆合成孔径雷达高分辨成像算法

经典的逆合成孔径雷达(ISAR)稀疏成像算法一般通过求解范数约束的最小化问题获取稀疏恢复结果,e1但此类算法在恢复过程中很容易将某些散射强度较低的分辨单元当作背景噪声一并消除,从而导致目标部分弱散射结构特征丢失.针对这一问题,该文提出一种基于稳健型双层叠组LASSO回归模型的交替方向多乘子算法(RTGL-ADMM).该算法在ISAR目标稀疏先验的基础上,进一步引入目标散射体空间连续性结构特征先验知识,并应用e1/eF混合范数进行定量表征.接下来,在ADMM框架下引入非平滑的e1/eF混合范数惩罚项,并将距离向和方位向雷达回波复数据分别进行分组处理后再使其双层叠加,然后对混合范数对应的邻近算子进行对偶迭代运算,实现"分解-协同"框架下结构与组稀疏特征的有机调和,从而在对ISAR数据稀疏成像的同时实现结构特征增强.实验验证采用ISAR仿真复数据与Yak-42实测数据,针对RTGL-ADMM成像进行定性分析.继而采用相变曲线图定量分析RTGL-ADMM在不同参数调节下的成像能力,从而验证了该文所提算法应用于ISAR高分辨成像时的稳健性与优越性.     

基于矩匹配和变分法的MODIS条带去除模型

针对中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)影像条带噪声的特点,提出了一种结合矩匹配和变分法的条带去除模型。首先采用矩匹配方法去除多行和宽行条带噪声;然后,基于改进的条带检测方法定位矩匹配后的残余条带;最后,基于变分条带去除模型,使用Split Bregman迭代求解以去除条带。实验结果表明,该方法能够有效地去除MODIS影像中的条带噪声,并能有效地保持图像中的细节信息。与直方图匹配、矩匹配、低通滤波及单向变分去条带算法相比,本文模型的去噪效果更理想。     

基于改进加权核范数的红外弱小目标检测

针对传统基于鲁棒主成分分析(RPCA)的红外弱小目标检测算法对噪声不敏感,算法运行时间长,鲁棒性不强的问题,提出一种重加权红外小目标图像模型,并用非精确增广拉格朗日乘子法(AIALM)求解。该方法首先将原始红外图像转化为红外块图像模型,然后采用重加权核范数对背景块图像进行约束,较好地保留了背景边缘。针对单纯使用l1范数不能抑制某些噪声或杂波的问题,引入了加权l1范数,进一步增强了目标图像的稀疏性。最后,将红外块图像模型转化为重加权RPCA问题,并用AIALM求解。通过大量实验表明:该算法在抑制背景杂波以及目标检测性能方面要优于其他传统算法。     

Kalman—CS非均匀性场景校正算法的研究

多元探测器的应用必然会给遥感图像带来非均匀性,这是目前国内外遥感界竞相研究的领域。本文将Kalman滤波器校正算法与常数统计(CS)校正算法相结合,提出了Kalman-CS校正算法。对美国TERRA卫星MODIS图像进行的校正试验表明:采用Kalman-CS校正算法能有效去除遥感图像中的非均匀性条带,校正后的图像品质显著提高。     

基于l1-范数约束的递归互相关熵的稀疏系统辨识

为了有效解决脉冲噪声环境下的稀疏系统辨识(Sparse system identification, SSI)问题,以l1 -范数为约束构建稀疏递归互相关熵准则(Recursive maximum correntropy criterion, RMCC)算法来解决脉冲噪声对于辨识性能的影响。结合带遗忘算子的互相关熵准则和l1 -范数作为代价函数,推导出一种递归形式的算法,其相对于传统的最大相关熵算法具有快的收敛速度及小的稳态误差。仿真实验结果表明:该算法对于脉冲噪声干扰环境下的SSI问题具有强的鲁棒性。      

基于S1/2范数的非局部视频去噪

为了去除视频中的高斯噪声及脉冲噪声,提出了 一种基于S1/2矩阵范数的非局部视频去噪算法。 首先,在视频数据中利用非局部块匹配的钻石搜索算法搜寻与参考图像块最相似的图像块组 ;然后,将搜 寻到的相似图像块组列向量化后组合成的矩阵进行基于S1/2范数的低秩和稀疏分解,分解后 的低秩成分视 为原视频场景信息,稀疏成分视为视频中存在的随机值脉冲噪声及异常值数据;最后,由低 秩矩阵恢复的 各图像块数据经过加权平均后作为参考图像块的去噪估计值,进而求得视频各帧图像的去噪 估计值。实 验结果表明,本文方法能够有效去除视频中的高斯噪声和脉冲噪声,相比同类 算法,去噪后的视频无论 在视觉质量上还是客观评价指标上都有明显的优势。     

基于混合范数稀疏约束的ISAR高分辨成像算法

基于逆合成孔径雷达(ISAR)信号的稀疏性，提出了一种基于混合范数稀疏约束的ISAR高分辨成像算法。该方法通过利用压缩感知理论建立了一个基于l_2,0混合范数稀疏约束下的最优化ISAR信号模型，通过求解该最优化模型实现短相干积累时间下ISAR图像的高分辨重建。该模型利用了l_2,0混合范数的优势，运算时可实现更快收敛，大大提高了模型求解的运算速度；同时，该最优化模型在求解时采用了共轭梯度下降法和快速傅里叶变换操作，提高了算法的求解运算效率。仿真和实测数据都验证了方法的有效性。     

基于L1范数优化模型的遥感图像条纹去除方法

从条纹噪声的结构属性进行分析,通过分离出条纹成分来实现去条纹的目的。在优化模型中,基于L1范数的正则化表示条纹的全局稀疏特性;基于差分的约束条件用于描述条纹方向上的平滑度和条纹垂直方向上的不连续性。为了更好地保护图像的细节信息,在条纹垂直方向的约束上引入了边缘权重因子,最后通过交替方向乘子法（ADMM）对所提模型进行求解和优化。用多通道扫描辐射计（AGRI）获取的在轨数据对算法进行了验证并与典型方法进行了比较,结果表明,消除条纹噪声的同时更好地保留了细节信息,并且呈现出较好的定性和定量结果。     

一种群稀疏限制的消除条带噪声变分模型

在对图像变分描述的前提下,为有效地利用条带噪声之间的相似性,本文将条带噪声的群稀疏表示引入到单向变分模型中,提出群稀疏技术限制的单向变分模型,并采用交替方向乘子法求解该模型。对比实验证明,本文所提出的群稀疏限制的单向变分模型能有效地利用条带噪声的相似性实现条带噪声的消除,更好地重构图像的细节信息,峰值信噪比与结构相似性比其他模型分别提高6.76dB和0.25,图像去噪性能更优。     

基于非局部相似度约束的多通道复用压缩遥感成像方法

结合压缩感知成像原理和遥感成像系统的物理可实现性,提出了采用掩膜编码的多通道复用压缩成像方法.首先,采用多组随机二值伯努利分布的掩膜为不同光学通道视场进行压缩编码,在单位积分时间内采集重构图像所需的欠采样数据.然后,针对传统的全变分范数最小化的重构方法易受遥感图像局部突出特征干扰的问题,提出了以遥感图像空间域非局部相似度为正则化重构标准的先验约束.实验结果验证了此压缩成像方法的可行性.与传统算法相比,此重构算法能够在保留图像细节的同时实现有效重构.     

基于矩匹配和变分方法的MODIS条带去除模型

针对MODIS影像条带噪声的特点,提出了一种结合矩匹配和变分方法的条带去除模型。首先采用矩匹配方法去除多行和宽行条带噪声,然后基于改进的条带检测方法定位矩匹配后的残余条带,最后基于变分条带去除模型,使用Split Bregman迭代求解以去除条带。实验结果表明,该方法能够有效地去除MODIS影像中的条带噪声,并能有效地保持图像中的细节信息。与直方图匹配、矩匹配、低通滤波及单向变分去条带算法相比,本文模型取得了更为理想的去噪效果。     

本征图像分解的稀疏表示彩色图像去噪算法

为解决传统彩色图像去噪算法容易出现细节模糊、伪色彩及去噪效果不佳等问题,文中提出了一种基于本征图像分解的稀疏表示彩色图像去噪算法。利用本征图像分解良好的色彩保持和细节恢复等优点,将含噪彩色图像分解成反映图像真实颜色特征的反射率部分和反映图像亮度特征的光照率部分。一方面,反射率部分仅含有部分孤立噪声点且是具有分段平滑特性的彩色图像,因此文中采用在去除彩色图像轻度污染方面表现良好的基于稀疏表示的彩色图像去噪算法对其进行处理。另一方面,光照率部分包含了主要噪声成分且是具有较强稀疏性的灰度图像,因此文中采用能够保持图像细节的非局部集中稀疏表示灰度图像去噪算法对其进行处理。为了有效地求解所提算法,文中结合正交匹配追踪法和软阈值法设计了一种新的数值解法。数值实验结果表明,新算法明显优于经典的彩色图像去噪算法。以256×256的Boat图像为例,在噪声方差等于20时,新算法的PSNR值比K-SVD算法和NCSR算法分别提高了1.7dB和0.67dB,SSIM值比K-SVD方法和NCSR算法分别提高了0.11和0.09。文中所提算法在提高彩色图像去噪效果的同时能够有效地保留图像细节,在视觉效果和客观评价指标等方面均优于传统的ROF算法、K-SVD算法和NCSR算法。     

基于全变分的高分辨SAR联合特征增强成像算法

稀疏约束下的合成孔径雷达（Synthetic Aperture Radar, SAR）成像技术,通过对稀疏先验建模的稀疏特征进行增强,能有效获取目标特显点的有用信息,但无法对目标的结构特征进行恢复,且对不可避免的非系统误差十分敏感。为此,提出一种依靠交替方向多乘子法（Alternating Direction Method of Multipliers,ADMM）面向结构特征增强的稀疏恢复高分辨SAR成像（Structure-feature Enhancement-ADMM,SE-ADMM）算法。该算法引入全变分（Total Variation,TV）正则项建模结构特征,起到增强结构的作用;引入范数建模稀疏特征,起到压制噪声作用;引入最小熵范数建模聚焦特征,以保证算法对非系统乘性误差的不敏感性。在ADMM多特征优化框架下,利用“局部-全局”的运算机制,首先分别进行三个特征的邻近算子推导,以获得对应特征解析解,再进行目标全局优化保证特征解之间的协调平衡,以实现目标的多特征增强。另外,ADMM多特征优化框架下变量分裂和多正则项的引入,保证了算法的效率和稳健性。实验部分先后选取SAR仿真数据与实测数据来验证算法的有效性,通过相变热力图定量分析所提算法的恢复性能,进而验证了所提SE-ADMM算法的稳健性与优越性。