Hyperspectral Image Denoising Using Low-Rank-Based Methods

Abstract

Hyperspectral images (HSIs) acquired by hyperspectral imaging sensors contain hundreds of spectral bands. The abundant spectral information provided by an HSI makes it possible to discriminate different materials in a scene. Therefore, HSIs have been widely used in various fields, such as agricultural production, mineral exploration, and environmental protection. However, HSIs are usually corrupted by different noises such as quantization noise, thermal noise, and shot noise, due to the influence of photon effects, atmospheric absorption, and sensor disturbance. Therefore, denoising is an important preprocessing step for HSI analysis and applications. HSI has the low-rank characteristic, which is exploited by representing the spectral vectors of HSI in a lowdimensional subspace. Thus, it is an effective way to use the low-rank characteristic of HSI for HSI denoising. This thesis proposes several low-rank-based denoising methods for HSI to improve HSI applications. The main contributions of the thesis are the following. - Two new low-rank based HSI denoising methods. One is the non-local means lowrank approximation (NLMLRA) method, which uses a Slanted Butterworth function to construct a low-rank approximation for non-local means (NLM) operator. The Slanted Butterworth function is a filter function, that removes the noise in the NLM operator and retains the eigenvalues above a given threshold value to preserve the low-rank charactoristic of HSI. The Chebyshev polynomials is used for NLMRA to improve the practicability and reduce the computational cost. The other is the wavelet-based block low-rank representations (WBBLRR) denoising method. WBBLRR uses 3-D wavelet transform to decompose HSI into different sub-images (approximation ciefficients subimage and detail coefficients sub-images). Each sub-image can be considered as a block, where each block utilizes a low-rank representations model with different regularization parameters to obtain the denoised block. - A new sparse and low-rank based HSI denoising method. This is the spectral-spatial transform-based sparse and low-rank representations (SSWSLRR) method. The proposed method uses both `1 penalty and weighted nuclear norm penalty in the transform domain to exploit the sparse and low-rank characteristics of HSI to remove noise. - Several mixtures of factor analyzers (MFA) low-rank based methods are proposed for HSI denoising and feature extraction. - Four new MFA based HSI denoising methods. MFA is a low-rank probabilistic method. HSIs usually have different classes with different characteristics and cannot be assumed to obey a Gaussian distribution. Thus, the Gaussian mixture model can be used to solve the non-normal distribution problem. MFA uses the Gaussian mixture model to allow a low-rank representation of the Gaussians for different samples of HSI to remove noise. Furthermore, MFA is applied in the wavelet domain to remove noise is also analyzed. In addition, mixed noise is discussed using MFA with local spatial-spectral correlation of HSI. - Six new unsupervised, supervised, and semi-supervised feature extraction methods. All the methods are proposed based MFA to exploit the low-rank representation for HSI. And the methods set different number of layers of MFA to construct the algorithm frameworks and use different samples to train the models. Unsupervised methods only use unlabeled samples to extract features of HSI. Supervised methods only utilize labeled samples to extract features of HSI. Semi-supervised methods use both unlabeled and labeled samples to extract features of HSI.

Hyperspectral myndir (HSI) sem fengnar eru af skynjun skynjara geisla innihalda hundruð litrómsbanda. Nægar litrófsupplýsingar sem gefnar eru af HSI gera það mögulegt að mismuna mismunandi efnum í senu. Þess vegna hafa HSI verið mikið notaðar á ýmsum sviðum, svo sem landbúnaðarframleiðsla, steinefnaleit og umhverfisvernd. HSI eru þó venjulega skemmdir af mismunandi hávaða eins og magnstuðli, hitauppstreymi og skothávaða, vegna áhrifa ljósáhrifa, frásogs andrúmslofts og truflunar skynjara. Þess vegna er afneitun mikilvægt forvinnsluskref fyrir HSI greiningu og forrit. Þessi ritgerð leggur til nokkrar afmörkunaraðferðir fyrir HSI til að bæta árangur fyrrnefndra umsókna. Helstu framlög ritgerðarinnar eru eftirfarandi. - Tvær nýjar lágstéttar HSI afbótaaðferðir. Önnur er NLMLRA aðferðin sem er ekki staðbundin og notar slantaða Butterworth aðgerð til að búa til lágmarks nálgun fyrir rekstraraðila sem ekki er staðbundinn (NLM) og er á skilvirkan hátt útfærð á grundvelli Chebyshev margliða. Hitt er aðferðin sem byggir á bylgjulögun (low-rank representations) (WBBLRR) afneitunaraðferð. WBBLRR notar 3-D bylgjubreytingu til að brjóta niður HSI í mismunandi blokkir, þar sem hver blokk notar lág-stig framsetningarmódel til fá denoised blokkina, og notaðu síðan andhverfa 3-D bylgjubreytingu fyrir alla denoised blokkina til að fá denoised HSI. - Ný dreifðar og lágstéttar HSI afneitunaraðferðir. Þetta er litrófs-staðbundna bylgjubundna dreifðar og lágstiga framsetning (SSWSLRR) aðferð. Fyrirhuguð aðferð notar 3-D stakan wavelet umbreytingu (3-D DWT) til að brjóta niður hávær HSI til dreifðra bylgjustuðla. Hávaðinn í HSI er niðurbrot í bylgjustuðla með dreifðri dreifingu lítilla amplituda. Til að fjarlægja hávaðann á áhrifaríkan hátt í wavelet léninu er lagt til veginn kjarnorku norm reglugerð, sem veitir góða nálgun fyrir raunverulega stöðu Og lögð er til ný strjál og lítil refsiaðferð sem byggð er á vegnu kjarnorkuviðmiði og ströngum viðurlögum, sem geta dregið saman aðlögunarhæfilega hvern bylgjustuðul, þ.e. stærri stuðlarnir skreppa minna saman en þeir minni munu minnka meira, þar sem stærri stuðlar bera meiri upplýsingar en minni. - Lagðar eru til nokkrar blöndur af þáttargreiningartækjum (MFA) með lágu stigi aðferðir til að afmarka HSI og draga út eiginleika. - Fjórar nýjar MFA byggðar HSI afbótaaðferðir. MFA, 2-D bylgjumiðað MFA (WMFA2D) og 3-D bylgjumyndað MFA (WMFA-3D) er lagt til að fjarlægja Gaussískan hávaða. WMFA-2D og WMFA-3D nota MFA í wavelet domian til að fjarlægja hávaða er mælt með staðbundnum staðbundnum og litróf fylgni byggðri MFA (LSSC-MFA) til að fjarlægja blandaðan hávaða. - Sex nýjar aðferðir til útdráttar án eftirlits, eftirlits og hálfgerðar eftirlits. MFA, djúpt MFA (DMFA), MFA (SMFA), DMFA (SDMFA), MFA (S2MFA) , og hálfstýrð DMFA (S2DMFA) lögun útdráttaraðferða er fyrirhuguð HSI flokkun. The MFA lengir Gaussian blöndu líkanið til að leyfa lágvíddar framsetningu Gaussians. DMFA er djúp útgáfa af MFA og samanstendur af tveggja laga MFA, þ.e. sýnum úr aftari dreifingu við fyrsta lagið er innflutt í MFA líkan í öðru laginu. SMFA samanstendur af eins lags MFA og SDMFA er tveggja laga SMFA. SMFA og SDMFA nýta merktar upplýsingar til að draga úr eiginleikum HSI á áhrifaríkan hátt. S2MFA og S2DMFA nýta bæði merktar og ómerktar upplýsingar til að draga út eiginleika HSI.