一:Tensor non-local low-rank regularization for recovering compressed hyperspectral images
作者:Yongqiang Zhao*, Jize Xue and Jinglei Hao(2017,IEEE)
研究现状:现有的HSI-CR(压缩恢复)方法大多是在空间和光谱域对高光谱立方体进行矢量化处理,在恢复过程中会破坏空间和光谱相关性,造成空间和光谱信息失真。同时,矢量化也使得HSI固有的结构稀疏性得不到充分利用。
本文:本文提出一种张量非局部低秩正则化(TNLR)方法,利用patch分组和张量低秩近似对HSI-CR恢复进行了正则化。
因此,对于每个patch,我们将一组类似的HSI 3D全波段patch(FBP)组成三阶张量Yp。由于每个patch组包含相似的结构,其恢复张量Xp的秩较低,可以认为是一个有用的图像先验。为了有效地解决秩极小化问题,利用凸张量核范数刻画了张量的非局部低秩性质。因此,HSI-CR任务需要解决一个优化问题,而这个优化问题可以用ADMM有效地解决。
立方体->小立方体->knn->FBP(低秩属性)
Tensor non-local low-rank regularization for recovering compressed hyperspectral images
最新推荐文章于 2022-11-08 22:13:06 发布