基于多任务学习模型的任务驱动多/高光谱图像去噪方法研究

Multispectral/hyperspectral imaging is much sensitive to noise due to its high spectral resolution, and the noise generating mechanism and noise statistical distribution also have its own properties. In other hand, denoising aims to provide high-quality data for the sebsequent applications rather than just restore original signal. Therefore, task-driven multispectral/hyperspectral denoising is an important and challenging topic. Multi-task learning collaboratively complete multiple related missions via information transfer with sharing mechanism, which is an effective tool for solving complicated signal/image processing problems. In the project, 1) based on the three-dimensional data form, spectral structure, spatial structure, spectral-spatial joint structure, and sharing structure of denoising and the specific application are explored to build matiix, tensor, graphy based task connection; 2) multi-linear algebra, probabilistic graph, kernel method, and convex optimization are used to solve multi-task learning model; 3) compression-driven, unmixing-driven, target detection-driven, and classification/denotation driven hyperspectral denoising algorithms are studied. Through this project, multi-task learning based multispectral/hyperspectral denoising theory and approaches are established, multi-task learning theory is deeply studied, and its applications are extended.

光谱范围和分辨率的提高，导致多/高光谱成像质量对噪声更为敏感，它的噪声产生机理和统计分布形式也有特殊性。去噪的主要目的是为后续应用任务提供有针对性的高质量数据，而不仅仅是恢复原始信号。因此任务驱动多/高光谱图像去噪研究具有重要意义。多任务学习通过基于共享机制的信息传递完成多个关联任务，是解决复杂信号处理问题的有效工具。本项目针对多/高光谱图像的三维数据形态，利用光谱结构、空间结构、光谱-空间联合结构、去噪和应用任务的共享结构，建立基于矩阵、张量和图结构的多任务关联；在信号稀疏和低秩表达理论基础上建立多任务的稀疏/低秩正则化模型；借助多重线性代数、概率图、核方法、凸优化等数学工具研究复杂结构多任务模型的计算方法；提供面向压缩、解混、目标检测、分类等任务的去噪方法；形成系统的基于多任务学习的多/高光谱图像去噪理论和方法，促进多任务学习理论的发展，拓展其在信号/图像处理领域的应用。

噪声是多/高光谱成像普遍存在的干扰因素，对后续的多/高光谱图像处理和分析有重要影响。不同于传统的基于重构误差的图像去噪方法，根据后续应用任务提供有针对性的高质量去噪数据，不仅可以提高图像恢复质量而且可以大幅度提升应用任务的完成质量，因此本项目的任务驱动多/高光谱图像去噪研究具有很高的理论创新和实际应用价值。本项目根据多/高光谱图像的张量数据形态，光谱结构、空间结构、和光谱-空间联合结构，多/高光谱图像和其他异质图像的关联结构，去噪和特定应用任务的相关性，提出了：1）基于张量稀疏和低秩表示的多/高光谱图像建模方法；2）基于矩阵、张量、图的多任务结构关联方法；3）基于结构稀疏和低秩正则化的多任务学习模型；4）用于多任务学习模型优化的快速收敛随机梯度下降算法；5）面向压缩、解混、目标检测、分类等核心任务的多/高光谱图像处理和分析算法，通过任务驱动的多任务学习去噪，在应用任务完成性能上达到了国际领先水平。通过本项目研究形成了比较系统的基于多任务学习的多/高光谱图像去噪处理理论和方法，促进多任务学习理论和多/高光谱成像信息处理技术的发展，研究团队在国际上形成了较大的影响力。