多任务的高光谱图像卷积稀疏编码去噪网络

目的 高光谱图像由于其成像机理、设备误差和成像环境等因素导致采集到的数据存在噪声。传统稀疏表示方法需要把高光谱图像划分为一系列的重叠局部图像块进行表示，通过对重叠图像块去噪结果进行平均，实现整体图像去噪。这种局部—整体去噪方法不可避免地会破坏高光谱图像空间关系，产生较差的去噪效果和视觉瑕疵。本文利用卷积算子的平移不变性，采用卷积稀疏编码（convolutional sparse coding,CSC）对高光谱图像进行整体表示，保留不同图像块之间的空间关系，提升高光谱图像去噪性能。方法 将每个波段去噪看做单任务，采用卷积稀疏编码描述单波段的局部空间结构关系。通过共享稀疏编码系数，实现不同波段之间的全局光谱关联关系建模，形成多任务卷积稀疏编码模型。多任务卷积稀疏编码模型一方面可以实现高光谱图像的空间—光谱关系联合建模；另一方面，对高光谱图像进行整体处理，有效地利用图像块之间的关系，因此具有很强的去噪能力。借鉴深度学习强大的表征能力，将多任务卷积稀疏编码模型的算法迭代过程通过深度展开（deep unfolding）方式转化为端到端可学习深度神经网络，即多任务卷积稀疏编码网络（multitas...

Multitask hyperspectral image convolutional sparse coding-denoising network