低秩知识整理

低秩整理

[1]武玄. 基于低秩理论的高光谱图像降噪算法研究[D].上海海洋大学,2023.DOI:10.27314/d.cnki.gsscu.2023.000265.

秩,是线性代数上一个很重要的概念。在数字图像中,秩可以理解为图像所包含的信息的丰富程度,图像中的物体总是相似的,也即是低秩的。将数字图像看作是一个行向量或列向量的集合,则该图像的所有向量可以用少数几个向量进行线性表示。这种低秩性为降噪工作带来了巨大帮助,图像中比较突兀的像素点或区域,往往也是噪声所在的地方,利用数学模型就能够分离出这些噪声,实现降噪的目的。

http://t.csdnimg.cn/9X3yc

低秩可以将数据投影到更低维的线性子空间中，用少量的向量就可以表达所有数据，用于描述数据的强相关性和结构信息。其中，矩阵低秩广泛应用在多个领域。在图像处理领域，秩可以理解为图像信息丰富量，基于低秩矩阵理论的方法广泛用于图像处理的应用中，比如去噪、去模糊等。一幅清晰的图像所构成的数据矩阵往往是低秩的或者近似低秩的。由于存在随机幅值任意大但是分布稀疏噪声破坏了数据的低秩特性，基于低秩矩阵恢复模型便可将获取的图像看做一组低秩空间信息表达加上噪声的形式。因此，原有数据可通过低秩矩阵近似估计，达到去除噪声的目的。低秩矩阵的每行或者每列都可以用其他的行或者列线性表示，行列之间表现出较强的线性相关性，这便说明该矩阵包含了大量的冗余信息。利用这种冗余信息可以对含噪图像信息进行恢复，可将多出来的噪声信息去除，还可对错误的图像信息进行恢复。低秩矩阵恢复(low-rank matrix recovery，LRMR)技术作为一种强有力的工具，在视频去噪和人脸识别等诸多领域引起了广泛的关注。

如图 2-2 所示，观测图像采用低秩矩阵恢复模型可以将混合噪声看作稀疏噪声矩阵成分而被分离出来。

以 PAVIA 数据集为例，选取数据集的部分数据块（128×128×40），在每个波段数据块中随机加入高斯和椒盐混合噪声，然后将三维数据块转为二维矩阵形式，得到的奇异值分解分布情况如图 2-3 所示。从图 2-3 中不难看出，没有被噪声干扰的高光谱数据块分解的奇异值幅值下降较快，快速下降到 0 位置附近；而加入噪声的数据块数据分解的奇异值幅值下降速度相比而言要慢一些，在接近于 0 的速度明显要缓慢一些。图 2-3 中的曲线表明，干净的高光谱数据具有强的低秩特性，而带噪声的数据破坏了低秩结构特征，低秩特性表现不够明显。所以，高光谱图像的混合噪声去除问题可以重新解释为一个低秩近似问题。因此，巧妙而紧凑地利用高光谱图像的全局低秩性和非局部自相似性，可以有效地降低高光谱图像降噪的计算复杂度并提高降噪性能。本章后续研究的去噪方法都以高光谱图像的全局低秩性和非局部自相似性为基础。

[1]张历洪. 基于平滑秩近似的高光谱图像去噪算法研究[D].南京邮电大学,2023.DOI:10.27251/d.cnki.gnjdc.2023.000134.

[1]胡平. 基于全变分和低秩特性的高光谱图像去噪算法研究[D].西南交通大学,2024.DOI:10.27414/d.cnki.gxnju.2022.000206.

• NGMeet

22 Non-Local Meets Global An Iterative Paradigm for Hyperspectral Image Restoration

全局谱低秩相关性是 HSI 恢复的另一个强大先验。如[56]所述，HSI具有近似谱低秩性质，谱子空间的近似维数可以远小于原始图像的维数。因此，通过对 HSI 的每个波段进行矢量化并将原始 3D HSI 重塑为 2D 矩阵，可以实现各种低秩近似，例如主成分分析 (PCA) [30]、[57]、[58]、鲁棒 PCA [20] 、[29]、[32]和低秩矩阵分解[46]已被直接采用来恢复HSI。然而，空间维度的重塑处理破坏了空间相关性。低秩张量近似是额外利用空间低秩相关性的一种方法[18]、[33]、[59]、[60]、[61]。然而，正如引言中指出的，简单的低秩正则化空间相关性是不合适的，导致此类方法无法实现最佳的恢复性能。

通常，有两种策略来结合空间相关性和谱低秩属性。在第一种方法中，许多传统的空间正则化器（例如总变分[36]、[39]、[62]、[63]）与低秩矩阵/张量近似相结合，以同时利用空间和谱属性。或者，使用两阶段方法将空间正则器和谱低秩属性组合在一起。这是通过首先将原始 HSI 映射到低维光谱子空间，然后通过现有的空间恢复方法或 HOSVD [64]、[65] 恢复映射图像来完成的。这些两阶段方法提供了一种新的见解，可以非常快速地恢复传输光谱空间中的 HSI。然而，这些方法没有细化子空间，因此无法结合两个世界的优点，即非局部相似性和全局谱低秩属性。此外，提取的子空间质量仍然较低。

http://t.csdnimg.cn/p46zP

低秩约束
为什么图像去噪和重建中能引入低秩约束：
1）对于高光谱图像(HSI)在空间/光谱维度存在大量的冗余和相关（RAC）
2）对于单幅图像,有些图像局部可看成其他图像块相似结构旋转等变换而成

[1]陈金灵. 基于低秩表示的高光谱图像去噪算法研究[D].西北大学,2022.DOI:10.27405/d.cnki.gxbdu.2021.001874.

• 可参考写作

[1]陆美. 融合多尺度低秩表示与双向递归滤波的高光谱影像分类研究[D].昆明理工大学,2023.DOI:10.27200/d.cnki.gkmlu.2023.000304.

创作助手生成

光谱低秩性是指光谱中的数据具有较低的秩（rank）。在光谱分析中，光谱数据通常表示为一个矩阵，其中每一列对应一个光谱样本，每一行对应一个光谱波长或波数点。如果这个矩阵的秩较低，意味着数据中存在较少的独立信息。

光谱低秩性可能是由于一些特定因素导致的，比如仪器噪音、光谱信号的重叠或相关性较高等。在光谱分析中，低秩性可能会对数据的解释和分析造成困难，因为较少的独立信息可能会导致模型的过拟合或欠拟合。

为了解决光谱低秩性的问题，可以使用一些降维方法来减少数据维度。例如，主成分分析（PCA）可以通过寻找数据中的主要方差方向来提取最重要的特征，从而减少数据的维度。其他方法如独立成分分析（ICA）和非负矩阵分解（NMF）也可以用于处理光谱低秩性的问题。这些方法可以帮助提取有用的信息并减少噪音对数据分析的影响。

光谱低秩性（spectral low-rankness）是指在光谱矩阵（spectral matrix）中，存在着较低的秩（rank）。光谱矩阵是由一系列光谱数据组成的矩阵，每一列对应一个光谱样本，每一行对应一个波长（或频率）。

在光谱数据中，通常会存在着一些相关性或重复性，导致光谱矩阵的秩相对较低。这种低秩性可以通过使用低秩矩阵分解（low-rank matrix decomposition）等方法进行挖掘和利用。

光谱低秩性具有一些重要的应用。例如，在光谱图像处理中，可以利用光谱低秩性来对光谱数据进行降维和压缩，从而减少数据冗余和存储开销。此外，光谱低秩性还可以应用于光谱图像恢复、噪声去除等方面，提高图像质量和分析精度。

光谱低秩性指的是光谱数据具有较低的秩，即光谱的特征维度相对较低。在光谱学中，不同物质的光谱通常会表现出不同的特征，这些特征可以用于识别和分类物质。然而，有时候光谱数据可能存在冗余或噪声，导致光谱特征的维度较高，使得分析和处理光谱数据变得困难。光谱低秩性的概念就是使用低维度模型来描述和表示光谱数据，从而减少冗余和噪声的影响，提高光谱数据的分析和处理效果。光谱低秩性的方法可以应用于光谱压缩、特征提取和数据降噪等方面，对于提高光谱数据的处理效率和准确性具有重要意义。

高光谱图像之所以低秩，是因为它们具有一种称为"空间-光谱"相关性的特性。在高光谱图像中，每个像素点都包含了多个波段的信息，这些波段之间通常存在一定的相关性。这种相关性导致了高光谱图像的数据矩阵具有较低的秩。

具体来说，高光谱图像中的波段之间往往存在一些共同的特征或者变化模式。例如，在自然景物中，不同波段的反射率可能会随着物体的类型或者组成成分的变化而呈现出一定的规律。这种规律性导致了高光谱图像数据矩阵中的行或列之间存在较强的相关性，从而使得数据矩阵的秩相对较低。

通过对高光谱图像进行低秩分解，可以将其表示为较低维度的子空间和一些权重系数的乘积形式。这种低秩表示可以有效地降低数据维度，减少存储空间和计算复杂度，并且能够保留主要的信息和特征。