论文笔记27：Hyperspectral Image Denoising With Dual Deep CNN

引言

在HSID-CNN中，指出空间光谱方法(联合利用空间光谱特征)不足以满足许多复杂的情况，因为空间和光谱域中的噪声强度是不相等的。

只依靠噪声图像本身的内部结构去噪，属于内部单一去噪方法。为了获得更好的去噪效果，也可以使用噪声图像之外的外部信息。

目前大多数高光谱图像去噪方法忽略了清晰波段和噪声波段之间的相关性。不同波段之间的图像可以实现完全精确的几何配准，从而为噪声图像提供高质量的外部参考信息。因此，可以将高光谱数据的清晰波段作为外部数据，以辅助噪声波段的去噪。

方法

模型：${\mathbf{I}}_u=\mathbf{u}+\mathbf{n}$，$\hat{\mathbf{u}}=\arg {\min }_{\mathbf{u}}{\Vert {\mathbf{I}}_u-\mathbf{u}\Vert }^2+\lambda \Phi (\mathbf{u})$，将CNN去噪过程定义为$\hat{\mathbf{u}}=F\left({\mathbf{I}}_u\right)$，现有的CNN去噪结构如下图所示。

预处理层对图像进行预处理操作。目的是增强网络的适应性或加快网络的训练，属于线性层，不涉及细节提取过程。卷积层用于提取图像特征，我们希望通过不同的卷积通道将噪声从图像特征中分离出来。激活功能进一步确定哪些功能应该保留或删除。上采样层用于将所有特征整合到整个估计图像中，上采样层通常不涉及特征选择过程。

DD-CNN由两个类似的(具有相同参数)深层CNN构成，外部图像表示为$I_v$，噪声图像表示为$I_u$. 两个相似的深层CNN的特征提取过程表示为$$\begin{array}{l}\hat{\mathbf{u}}=F_u\left({\mathbf{I}}_u\right)\\ \hat{\mathbf{v}}=F_v\left({\mathbf{I}}_v\right)\end{array}$$

参考图像$I_v$是与$I_u$高度相似的干净图像。$F_u()$和$F_v()$是用同一数据集训练的。$F_u(I_u)$和$F_v(I_v)$将噪声图像和参考图像变换到相同的特征空间中。

在$F_v()$的每个卷积层中，它的输出$x_v$有两个分支。一个分支进入$f(x_v)$，另一个分支进入$F_u()$中的激活函数$g(x_v,x_u)$.

激活函数的讨论：使用ReLU函数，需要保存的纹理特征的值被假定在激活的正区间中，假设噪声特征值落在负区间内，需要去除。因此，有两个问题：
1.由卷积层构建的特征并不总是可分离的。
2.传统激活函数的判断也不总是正确的。

特别是当图像被大噪声污染时，很多细节被误认为是噪声，被激活函数去除。

使用Leaky-ReLU函数，图像中保留了一些类似于噪声的细节。然而，这种方法将导致噪声没有被完全去除，并且噪声在最终结果图像中仍然稍微存在。Leaky-ReLU只能稍微缓解过平滑现象。新的激活函数被定义为$$g\left(x_v,x_u\right)=\{\begin{array}{ll}{x}_u& x_u\ge 0,x_v\ge 0\\ x_u\cdot \text{leak}& x_u<0,x_v\ge 0\\ 0& x_v<0\end{array}$$

ReLU激活函数用于$F(I_v)$的网络中，上式用于$F(I_u)$的网络中。特征$x_v$带来了参考信息，以帮助激活函数确定应该保留$x_u$中该部分的哪些细节。

参考图像特征的完整绘制(complete drawing)可能会给目标图像带来额外的伪影。

由于外部图像的影响，最终的去噪图像显示出漂白(bleaching)效果。为了保持去噪图像的整体质量，我们建议对CNN方法和DD-CNN方法获得的两幅去噪图像执行直方图匹配。

实验与结果

代码测试