[论文解读] Non-local Meets Global: An Integrated Paradigm for Hyperspectral Denoising

Wei He, Quanming Yao+3 more|arXiv (Cornell University)|Dec 11, 2018

Image and Signal Denoising Methods参考文献 53被引用 4

一句话总结

本文提出 NGmeet，一种新颖的统一空间-光谱高光谱去噪框架，通过迭代优化联合利用全局光谱低秩结构与非局部空间相似性。通过学习共享光谱基并交替最小化以优化降维图像，该方法在光谱带数增加时仍保持近乎恒定的计算成本，实现了最先进的去噪性能。

ABSTRACT

Non-local low-rank tensor approximation has been developed as a state-of-the-art method for hyperspectral image (HSI) denoising. Unfortunately, with more spectral bands for HSI, while the running time of these methods significantly increases, their denoising performance benefits little. In this paper, we claim that the HSI underlines a global spectral low-rank subspace, and the spectral subspaces of each full band patch groups should underlie this global low-rank subspace. This motivates us to propose a unified spatial-spectral paradigm for HSI denoising. As the new model is hard to optimize, we further propose an efficient algorithm for optimization, which is motivated by alternating minimization. This is done by first learning a low-dimensional projection and the related reduced image from the noisy HSI. Then, the non-local low-rank denoising and iterative regularization are developed to refine the reduced image and projection, respectively. Finally, experiments on synthetic and both real datasets demonstrate the superiority against the other state-of-the-arts HSI denoising methods.

研究动机与目标

• 解决随着光谱带数增加，非局部低秩方法在高光谱图像（HSI）去噪中计算成本不断上升的问题。
• 将空间非局部相似性与全局光谱低秩结构统一到单一优化框架中。
• 开发一种高效的迭代算法，联合学习光谱基与去噪后的降维图像。
• 在合成与真实世界 HSI 数据集上提升去噪性能，同时保持计算效率。

提出的方法

• 提出一个统一模型，强制所有全带块组（NLFBPGs）位于同一低维光谱子空间中。
• 引入一种基于交替最小化的算法，迭代优化正交光谱基与降维图像。
• 第一阶段使用截断 SVD 从含噪 HSI 中学习全局光谱低秩基。
• 第二阶段通过分组块应用非局部低秩逼近，对投影后的降维图像进行去噪。
• 第三阶段利用更新后的降维图像，通过迭代正则化方法优化光谱基。
• 采用秩 $ K $ 与噪声方差 $ ho $ 的参数更新策略，提升方法的鲁棒性与收敛性。

实验结果

研究问题

• RQ1 统一范式能否有效结合空间非局部相似性与全局光谱低秩结构以实现 HSI 去噪？
• RQ2 集成全局光谱低秩约束是否能提升去噪性能，同时降低对光谱带数增加的敏感性？
• RQ3 迭代交替优化策略能否高效求解同时包含光谱与空间约束的复杂联合优化问题？
• RQ4 在真实世界 HSI 数据上（无真实标签）该方法表现如何？

主要发现

• 在噪声方差为 100 的 CAVE 数据集上，NGmeet 达到 43.09 dB 的 PSNR，优于 KBR 与 LLRT 等最先进方法。
• 在 WDC 数据集上，NGmeet 保持几乎恒定的计算时间（约 204 秒），即使光谱带数增加，而 KBR 与 LLRT 的耗时呈线性增长。
• 该方法收敛迅速，在 WDC 数据集上所有噪声水平下，10–15 次迭代内即达到稳定的 PSNR 值。
• 在真实印度松林与城市数据集上，NGmeet 生成的图像在视觉上更优，能更好保留光谱细节并减少噪声，优于 LRTV、FastHyDe 与 LLRT 的视觉质量。
• 参数 $ ho $（噪声方差估计器）表现稳健：当 $ ho $ 从 1 增至 3 时，PSNR 略有提升，其中 $ ho = 2 $ 时平均性能最佳。
• 使用 HySime 初始化 $ K $ 可靠：噪声方差为 10、30、50、100 时，$ K $ 分别为 7、6、6、5，且在不同初始化下性能保持稳定。