[论文解读] FastHyMix: Fast and Parameter-free Hyperspectral Image Mixed Noise Removal

Lina Zhuang, Michael K. Ng|arXiv (Cornell University)|Sep 18, 2021

Image and Signal Denoising Methods参考文献 56被引用 5

一句话总结

FastHyMix 提出了一种快速、无需参数的高光谱图像混合噪声去除方法，通过高斯混合模型对复杂噪声进行建模，并利用子空间表示和深度图像先验来捕捉光谱低秩性和空间相关性。该方法在合成数据集和真实世界数据集上均实现了最先进的去噪性能，且运行时间显著减少，展现出卓越的去噪精度和效率。

ABSTRACT

Hyperspectral imaging with high spectral resolution plays an important role in finding objects, identifying materials, or detecting processes. The decrease of the widths of spectral bands leads to a decrease in the signal-to-noise ratio (SNR) of measurements. The decreased SNR reduces the reliability of measured features or information extracted from HSIs. Furthermore, the image degradations linked with various mechanisms also result in different types of noise, such as Gaussian noise, impulse noise, deadlines, and stripes. This paper introduces a fast and parameter-free hyperspectral image mixed noise removal method (termed FastHyMix), which characterizes the complex distribution of mixed noise by using a Gaussian mixture model and exploits two main characteristics of hyperspectral data, namely low-rankness in the spectral domain and high correlation in the spatial domain. The Gaussian mixture model enables us to make a good estimation of Gaussian noise intensity and the location of sparse noise. The proposed method takes advantage of the low-rankness using subspace representation and the spatial correlation of HSIs by adding a powerful deep image prior, which is extracted from a neural denoising network. An exhaustive array of experiments and comparisons with state-of-the-art denoisers were carried out. The experimental results show significant improvement in both synthetic and real datasets. A MATLAB demo of this work will be available at https://github.com/LinaZhuang for the sake of reproducibility.

研究动机与目标

• 解决高光谱图像（HSI）因混合噪声类型（包括高斯噪声、脉冲噪声和条纹噪声）导致的退化问题，这些噪声会降低信噪比并影响后续分析。
• 克服现有方法需要手动调节正则化参数或难以稳健处理复杂非高斯噪声分布的局限性。
• 开发一种用户友好的、无需参数的去噪框架，能够自动适应噪声特性而无需用户干预。
• 同时利用高光谱图像的两个关键结构特性：光谱域的低秩性与高空间相关性，以提升去噪性能。
• 在保证高去噪精度的同时实现快速计算，使该方法在真实世界高光谱图像应用中更具实用性。

提出的方法

• 使用高斯混合模型（GMM）对混合噪声进行建模，该模型可对复杂噪声分布进行通用逼近，并实现对波段级高斯噪声方差和稀疏噪声位置的精确估计。
• 通过子空间表示利用光谱低秩性，将干净的高光谱图像近似为位于低维子空间中，以抑制全局噪声分量。
• 通过从预训练神经去噪网络中提取的深度图像先验来引入空间相关性，该先验作为空间结构保持的强大正则化器。
• 在即插即用框架中集成基于GMM的噪声估计、低秩成分与深度图像先验，实现无需显式闭式解的高效优化。
• 采用交替方向乘子法（ADMM）或类似优化方案求解非凸、非光滑的最小化问题，平衡观测保真度与结构先验。
• 根据GMM估计的噪声统计信息自动设定正则化参数，消除手动调参需求，确保方法的用户友好性。

实验结果

研究问题

• RQ1 高斯混合模型能否有效捕捉高光谱图像中混合噪声（高斯、脉冲、条纹）的复杂异质分布？
• RQ2 如何联合利用光谱低秩性和空间相关性来提升去噪性能，同时避免依赖手工设计的先验？
• RQ3 从神经去噪网络中提取的深度图像先验能否有效正则化空间结构，同时保留高光谱图像中的精细细节？
• RQ4 所提方法在实现最先进去噪性能的同时，能否以极低计算成本实现无参数化设计？
• RQ5 FastHyMix在合成与真实世界高光谱图像数据集上与现有最先进方法相比，在准确性和速度方面表现如何？

主要发现

• FastHyMix 在所有测试的合成与真实世界数据集中均取得了最高的平均PSNR和MPSNR，优于包括NG-meet、LRMR、NonRLRS、KBR、NMoG和LRTF-DFR在内的最先进方法。
• 在包含复杂混合噪声（如U(0.05, 0.10)高斯噪声和30%条纹影响波段）的Pavia University数据集中，FastHyMix的MPSNR达到38.21 dB，显著高于第二名方法（36.98 dB）。
• 在真实世界实验中，FastHyMix 仅用7秒即完成对Tiangong-1和Hyperion Cuprite数据集的恢复，远快于次快方法LRTF-DFR（58秒），且完全消除了可见伪影和错误光照。
• 在Hyperion Cuprite数据集的第132、134和138波段中，FastHyMix成功去除了严重的条纹噪声，而其他方法仍残留条纹，FastHyMix则生成了视觉上清晰的结果。
• FastHyMix在多种噪声配置下表现出强鲁棒性，包括最小值条纹、随机值条纹和最大值条纹，所有情况下均保持一致的性能提升。
• 该方法的无参数设计基于从GMM噪声估计中自适应生成的正则化，完全消除了手动调参需求，显著提升了在实际应用中的可用性。