低秩约束

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
我们假设HSI符合线性混合模型,则可以表示为

其中为HSI, ，为瑞元矩阵,
为丰度矩阵.
矩阵X的秩满足

对于有噪声HSIY,我们假设X已被高斯噪声W破坏,即

由于噪声的随机性,不同光谱带的噪声分量之间没有相关性,故噪声分量W的秩序为满.于是有

可以看出,无噪声或者噪声小的HSI的秩远小于HSI的大小,但对于有噪声的HSI并非如此.基于以往的分析,低秩HSI是无噪声HSI的合理假设.

稀疏表示
利用稀疏表示可以获得较好的去噪效果,因为稀疏表示可以在和光谱维度上综合利用RAC.稀疏表示框架下去噪目标函数为

其中分别表示无噪声 HSI和有噪声HSI,表示从X中提取的第i个重叠图像块的运算符,式中第一项是数据精度项,权重参数取决于噪声的方差,第二项和第三项表明HSI的每一个图像块都可以有字典中的少量原子表示.
为了有效的去除噪声,图像块提取方法很重要.法一是直接从HSI中提取小的 三维立方体,这种方法存在的问题是立方体中元素太多,由于维数的阻碍,需要大量的训练样本.此外,高维空间中任意两点的欧氏距离随着维度的增加而趋于相等,因此算法中的范数会导致较大的误差.此外字典学习和稀疏表示也会存在较大误差.法二综合利用空间信息和光谱信息,转化为二维，提取包含空间和光谱信息的图像块.光谱反射值接近和空间维度的自相似性保障了图像块之间较高的RAC.
但是光谱区域只有在光谱反射值接近的时候图像块才有较高的RAC,这使得稀疏表示只能利用局部的光谱域RAC,这会造成较大的光谱畸变,基于此考虑,如果引入光谱域的全局RAC,则会提高去噪声性能.
加低秩约束
由于无噪声HSI的秩预计很低,可以看作是一个光谱域的全局约束,可以在目标函数中引入一个低秩约束项,作为全局约束

其中.矩阵的秩可以看成奇异矩阵的范数,考虑求解,转化为

求解
可以通过变量分解和替代优化,引入辅助变量U替代低秩约束项中的X


引入惩罚项替代约束条件,转化为无约束对应式

算法
输入:噪声图像Y,最大迭代次数K
输出:去噪声高光谱图像X
初始:,设定其模型初始化参数,k=1
当执行
1.固定U和X优化和D

这是字典学习和稀疏表示阶段，虽然式中包含范数，但该子问题存在唯一解，可用K-means奇异值分解法（KSVD）求解.
2.固定X、D和优化U

通过奇异值分解
是软阈值收缩迭代

3.固定U、D和优化X

4.
结束

论文源自：

Zhao Y Q, Yang J. Hyperspectral Image Denoising via Sparse Representation and Low-Rank Constraint[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(1): 296-308.