基于群稀疏正則化的高光譜圖像去噪

姜 斌,葉 軍

(南京郵電大學 理學院,江蘇 南京 210023)

0 引 言

高光譜圖像(hyperspectral image,HSI)在遙感通信領域占有重要的地位,包含數十至數百個對目標區域連續的窄波段成像結果[1]。因含有豐富的光譜信息和全面的空間信息,HSI在食品安全、質量控制、工業等領域有著十分廣泛的應用[2]。但圖像在采集過程中會受到各類噪聲的污染,如高斯、椒鹽、條紋噪聲等,使得圖像質量嚴重退化[3]。被混合噪聲污染的HSI視覺效果下降,將丟失大量有用的信息,對后續應用造成非常嚴重的影響,因此對HSI進行去噪算法的研究是后續步驟實施的前提[4]。

迄今為止,許多不同的去噪方法被提出用于恢復高光譜圖像。傳統方法是將HSI看作許多二維灰度圖像的疊加,對每個波段的圖像單獨去噪,代表方法有塊匹配三維濾波算法[5]、K-SVD算法[6]等,然而這些方法忽略了不同光譜波段之間的強相關性,容易造成HSI中的光譜特征失真。此外,將HSI空間低秩性和光譜低秩性相結合的方法也取得了顯著的發展。低秩矩陣恢復方法(low-rank matrix recovery,LRMR)[7]將張量結構的HSI數據沿光譜維轉化為Casorati矩陣,再對其施加低秩約束進行去噪。但是LRMR方法忽略了條紋噪聲的低秩結構,對于條紋噪聲去除效果不佳,因此有必要在HSI的去噪過程中單獨考慮條紋的獨特低秩性質。

除了全局低秩性外,局部平滑性是HSI的另一個重要性質。全變分(total variation,TV)[8]作為平滑保留的一種有效方法,通過最小化相鄰像素之間的差值來實現圖像去噪,如全變分正則化低秩矩陣分解方法(total-variation-regularized low-rank matrix factorization,LRTV)[9]、增強型三維全變分正則化方法(enhanced 3D total variation,E3DTV)[10]。雖然這兩種基于TV的方法能夠保持圖像邊緣信息,但是在去除強烈混合噪聲時圖像空譜維的平滑性降低。針對此缺陷,文獻[11]在低秩張量分解的框架下分別探索HSI空間因子的群稀疏性和光譜因子的連續性,提高了HSI的整體平滑性。然而,上述方法僅針對空間維的群稀疏性進行恢復,沒有利用光譜維的平滑性。

為了充分利用HSI的內在先驗信息并減少混合噪聲產生的影響,提出新的基于群稀疏正則化的高光譜圖像去噪算法。一方面,針對條紋噪聲的獨特低秩性質將其單獨建模,提升結構化條紋噪聲的去除效果。另一方面,采用一種新的群稀疏正則化約束HSI的空間-光譜平滑性,有效保持了圖像的邊緣信息。該文的貢獻如下:

(1)綜合考慮干凈HSI和各波段上條紋噪聲的低秩特性,利用HSI每個波段上條紋的低秩結構對條紋單獨建模,解決了條紋難以與干凈圖像分離的問題。

(2)構造一種新的群稀疏正則化,即基于L2,1范數的E3DTV正則化,該正則化不僅能夠有效地去除混合噪聲,還提高了空譜維的平滑性。

(3)采用交替方向乘子法求解所提出的模型,推導了交替迭代規則,形成了相應的算法。大量實驗結果表明,提出的算法在結構化混合噪聲去除、圖像平滑性恢復方面都有優秀表現。

1 高光譜模型

1.1 擴展的高光譜退化模型

HSI在成像過程中會受到高斯噪聲、脈沖噪聲、死線、條紋噪聲等多種類型噪聲的污染,現有的去噪方法[7-10]將矩陣形式的HSI退化模型表示為:

Y=X+S+G

(1)

其中,Y為受噪聲污染的高光譜圖像,X為干凈圖像,S表示稀疏噪聲,G表示高斯噪聲。它們都是大小為mn×p的Casorati矩陣(對所有HSI數據列按字典順序重新排列的矩陣),m和n分別表示高光譜圖像的寬和高,p表示波段數。

式1假設條紋噪聲僅占圖像的一小部分而將其歸屬為稀疏噪聲,然而在復雜的混合噪聲場景下,特別是當出現高強度結構化條紋噪聲時,往往無法有效地去噪和去條紋,甚至會造成空間和光譜的畸變[12]。因此,考慮到條紋噪聲的產生和分布不同于其他類型的稀疏噪聲,在式1的HSI恢復框架中對條紋噪聲單獨建模以利用其獨特的先驗信息,將式1擴展為:

Y=X+S+G+B

(2)

其中,B表示條紋噪聲,大小為mn×p。去噪目標是從受損的Y中恢復干凈的X,優化模型表示為:

(3)

其中,τ,β,λ是正則項參數。

1.2 群稀疏正則化

對于干凈的HSI矩陣X∈Rmn×p,其沿光譜維聚合為立方體X∈Rm×n×p,滿足X=unflod(X)和X=flod(X),E3DTV范數定義為:

(4)

式中,?表示矩陣上的特殊差分算子,即:

?jX=unfold(Dj(X)),?j=1,2,3

(5)

其中,D1,D2,D3可定義為:

(6)

E3DTV模型雖然可以保留圖像邊緣信息,但面對強噪聲干擾時會將結構化噪聲視為邊緣結構而保留,圖像空譜維的平滑性明顯下降。因此,考慮到高光譜圖像在不同波段上的稀疏性是獨立且不均勻的,通過探索其差分圖像低秩子空間的群稀疏先驗信息來進一步加強圖像空譜維的平滑性,該文提出一種新的群稀疏正則化,該正則化能夠較好地利用空譜維的內部聯系性,提升混合噪聲的去除效果以及保證空譜維的平滑性。對于干凈圖像X,群稀疏正則化表述為:

Uj∈Rmn×r,Vj∈Rp×r,j=1,2,3

(7)

1.3 基于群稀疏正則化的HSI去噪模型

將群稀疏正則化(式7)融入到擴展的HSI去噪模型(式3)中,即:

rank(X)≤r,rank(Bi)≤rB

(8)

2 基于交替方向乘子法的算法求解

采用交替方向乘子法(ADMM)[13]求解所提出的HSI去噪和去條紋模型,首先將式8轉化為Lagrange函數:

L(X,S,B,Uj,Vj,Nj,Λ)=

(9)

式中,Λ和Nj(j=1,2,3)是拉格朗日乘子,μ是懲罰參數。對Lagrange函數中的某一變量迭代優化而其余變量單步固定的方法對式9進行求解。在第k+1次迭代中,按如下方式更新變量:

(1)更新變量X。

X(k+1)的解可以通過式10獲得:

(10)

X(k+1)=

(11)

(2)更新變量Uj,Vj(j=1,2,3)。

(12)

式12可以使用shrink算子[11]來求解,即:

(13)

(14)

(15)

式15的解由以下定理獲得:

因此Vj的更新方程為:

(16)

(3)更新變量B,S和拉格朗日乘子。

首先,將包含變量B的子問題表示為:

(17)

考慮到各波段條紋噪聲都具有特殊的低秩結構[12],因此對條紋噪聲逐波段優化處理,將式17表示為:

(18)

其中,Yi,Xi,Si,Λi表示第i波段的矩陣。式18的解由以下定理獲得:

(19)

其次,將包含變量S的子問題表示為:

(20)

式19可以使用軟閾值收縮算子[17]來求解:

(21)

軟閾值收縮算子的具體定義如下:

(22)

最后,更新拉格朗日乘子:

(23)

算法1:高光譜圖像去噪算法

輸入:含噪高光譜圖像Y,秩r和rB,最大迭代步數kmax,迭代停止條件ε,正則項參數τ,β和λ

初始化:X=S=B=0,Λ=0,N1=N2=N3=0,ρ=1.2,μ=0.05,μmax=106

令k=k+1,迭代下列步驟:

(1)根據式11,更新X

(2)根據式13和式15,更新Uj,Vj(j=1,2,3)

(3)根據式19,更新B

(4)根據式21,更新S

(5)根據式23,更新拉格朗日乘子

(6)更新懲罰因子:μ=min(ρμ,μmax)

輸出:干凈的HSIX

3 實驗與分析

3.1 對比算法

在對比實驗上,選取5種主流的HSI去噪算法進行比較,即LRMR方法[7]、LRTV方法[9]、3DLogTNN方法[18]、E3DTV方法[10]和LRTFDFR方法[11]。其中,LRMR方法將三維HSI立方體分割成多個小塊,采用RPCA算法進行去噪;LRTV方法將核范數、TV正則化和L1范數集成為統一的框架,分別探索光譜低秩特性和空間分段平滑性;3DLogTNN方法采用log簇函數近似表示張量的纖維秩,以實現更準確的HSI秩表征;E3DTV方法將稀疏性用于沿所有波段的子空間基映射來反映HSI差分圖像的稀疏性;LRTFDFR方法在低秩張量分解的框架中分別探索空間維的群稀疏性和光譜維的連續性,通過增強光譜維的連續性來促進HSI整體的平滑性。

3.2 評價指標

采用峰值信噪比(PSNR)、結構相似性(SSIM)、平均光譜角距離(MSA)和相對無量綱全局誤差(ERGAS)(詳見文獻[10,12])進行定量評估。MPSNR和MSSIM是所有波段圖片的PSNR和SSIM求和平均值,其定義如下:

(24)

(25)

(26)

(27)

3.3 仿真數據實驗

選取Indian pines數據集[19]作為仿真實驗對象,它包含空間尺寸為145×145的圖片224張。在去噪前,將HSI的灰度值逐波段歸一化為[0,1]。

由于HSI中的噪聲通常表現為實際噪聲場景中幾種噪聲的混合,在Indian pines數據集上模擬添加高斯噪聲、脈沖噪聲、死線和條紋:

Case1(高斯+脈沖+死線+周期性條紋):在所有波段添加方差為0.05的高斯噪聲和百分比為0.05的脈沖噪聲;在第51～54波段添加死線,死線的數量隨機選取為1～3;同時,選取50個波段加入條紋噪聲,且條紋的數量為圖像寬度的20%,均勻分布在所選波段上以呈現其周期性。

Case2(高斯+脈沖+死線+隨機性條紋):在所有波段加入方差為0～0.2的高斯噪聲和百分比為0%～20%的脈沖噪聲;隨機選取40個波段添加死線,死線的數量隨機選取為1～3;同時,在第111～180波段的同一位置添加條紋,且條紋的數量為圖像寬度的30%,隨機分布在所選波段上以呈現其隨機性。

文中方法和5種主流方法的4個評價指標情況如表1所示。每個評價指標的最優值用粗體標出,次優結果用下劃線標注。可以看出,文中方法的4個主要指標在不同加噪情況下都優于對比方法的。

表1 不同方法恢復結果指標MPSNR,MSSIM,MSA和ERGAS

圖1展示了在受噪聲污染較嚴重的Case2情況下第124波段去噪結果。5種對比方法在結構化條紋噪聲去除以及圖像細節還原上有明顯不足,恢復結果包含大量結構化條紋噪聲殘留,文中方法則能夠對混合噪聲進行有效處理,很好地保留了圖像的全局結構和邊緣信息。

圖1 Case2第124波段實驗數據對比

3.4 真實數據實驗

選取Urban圖像[19]作為真實數據集,該數據集大小為200×200×210,其中很多波段被死線和條紋噪聲嚴重破壞。圖2給出了Urban數據集第139波段的去噪結果,可以看出LRMR,LRTV和3DLogTNN對于條紋的去除效果不佳;E3DTV存在條紋去除不完全的問題;LRTFDFR和文中方法則成功地去除了圖像中的混合噪聲,并且完整地保留了圖像細節。

圖2 真實數據集Urban第139波段去噪效果對比

3.5 收斂性和參數分析

針對所提方法的收斂性,采取實驗的方式對Indian Case2進行分析。圖3給出了在Indian Case2下MPSNR和MSSIM隨迭代次數的增加而變化的情況。隨著迭代次數的增加,兩個量化指標MPSNR以及MSSIM的提升十分明顯,并且在迭代30步后該數值變化逐漸趨于穩定,表明文中方法具有良好的收斂性。

圖3 MPSNR和MSSIM隨迭代次數的變化情況

圖4 MPSNR和MSSIM隨參數τ,β的變化情況

4 結束語

該文提出一種基于群稀疏正則化的高光譜圖像去噪算法,充分利用了高光譜圖像的內在低秩結構以及空譜維內在關聯性。通過擴展HSI去噪模型,解決了結構化條紋噪聲難以去除的問題,對于高光譜圖像恢復效果明顯。同時,通過利用HSI內部的群稀疏性,很好地保留了圖像的邊緣和紋理信息。仿真和真實的數據實驗表明,所提出的模型在應用中有更好的魯棒性,并在評價指標和去噪目視效果上,該方法明顯優于現有的主流方法。同時,針對HSI空間-光譜獨特結構進行合理有效的建模,以進一步提升去噪效果,將是未來的研究重點。