基于张量分解的高光谱图像随机噪声去噪方法研究

The rich information of targets in hyperspectral images (HSIs) can be affected directly by the signal-independent (SI) random noise which is caused by the electronic circuits of the sensors and the signal-dependent (SD) random noise which is produced by the optical components. Effective denoising is a prerequisite process for information mining and applications, but previous research mostly concerned with the modeling and the denoising of the SI random noise that could be simplified as white noise, while the non-white SI noise was ignored. With the development of the hyperspectral sensors design and manufacturing, the SI electronic noise has been reduced to a similar level to the SD photonic noise. Therefore, it is necessary to further improve the simplified model and the denoising methods which have been widely used for the SI random noise. We plan to deeply analyze the statistical characteristics of random noise in HSIs and summarize the mathematical expression of the correlation between the SD random noise and signal in order to establish a complete mathematical model of random noise. Then, a novel denoising method for random noise based on tensor decomposition which takes advantages of the multidimensional data processing without internal correlation damage will be designed and proved. Finally, an improved solution about the denoising of HSIs can be expected.

高光谱图像蕴含丰富的目标信息，然而传感器电子线路造成的信号不相关随机噪声和光学组件带来的信号相关随机噪声直接影响了图像信息的充分利用。可靠有效的去噪手段是信息挖掘和应用的前提，但当前的研究大多关注可简化为白噪声的信号不相关随机噪声的建模和去除，而忽略了其中的非白色噪声。而且，随着高光谱传感器设计制造水平的提高，信号不相关随机噪声已经下降到与信号相关随机噪声相近的程度。因此，曾被广泛使用的信号不相关随机噪声简化模型及其去噪方法需要进一步的补充和完善。本项目拟深入研究高光谱图像中各类随机噪声的统计特性，分析总结信号相关随机噪声和信号之间相关性的数学表达式，建立完整的随机噪声数学模型；利用张量分解的多维数据整理处理能力和不破坏数据内部相关性的特点，设计基于张量分解的随机噪声去噪方法并从理论上论证去噪原理；希望为高光谱图像随机噪声的去除提供一个新思路和新方法。

背景：高光谱图像蕴含丰富的目标信息，然而传感器电子线路造成的信号不相关随机噪声和光学组件带来的信号相关随机噪声直接影响了图像信息的充分利用。可靠有效的去噪手段是信息挖掘和应用的前提，但当前的研究大多关注可简化为白噪声的信号不相关随机噪声的建模和去除，而忽略了其中的非白色噪声。而且，随着高光谱传感器设计制造水平的提高，信号不相关随机噪声已经下降到与信号相关随机噪声相近的程度。因此，曾被广泛使用的信号不相关随机噪声简化模型及其去噪方法需要进一步的补充和完善。..主要研究内容：（1）分析信号相关随机噪声和信号之间的相关性，研究信号相关和不相关随机噪声的统计特性，建立高光谱图像随机噪声的完整数学模型。（2）对张量分解进行进一步的理论推导，论证平行因子算法在去除高光谱图像信号相关随机噪声中的作用原理，讨论“秩”的选取问题。（3）设计基于张量分解的信号相关和不相关随机噪声去噪方法，使用仿真图像和真实高光谱图像检验去噪效果。..重要结果和关键数据：（a）通过分析新一代高光谱传感器所获取数据中的随机噪声一维、二维统计特性，建立了信号相关随机噪声和信号之间相关性的数学表达式；（b）根据信号相关随机噪声的统计特性，对平行因子算法去除信号相关随机噪声进行了理论证明；（c）设计了基于张量分解的随机噪声去除新方法，并给出了算法实现的具体步骤；（d）提出了用平行因子算法去除不同种类随机噪声时关键参数“秩”的选取准则。..科学意义：本项目对高光谱图像随机噪声的统计特性进行了分析和总结，并将可以对多维数据进行整体处理且不以噪声频谱不相关为前提的张量分解方法引入到高光谱图像随机噪声的去除中。研究成果在高光谱图像及信号处理领域有广泛的应用前景，可以进一步提高高光谱遥感信息挖掘水平，实现高光谱图像的更高效利用。