一种基于非负图稀疏张量表达的高光谱图像补全方法

摘要: 本发明属于图像处理、机器学习和遥感,具体涉及一种基于非负图稀疏张量表达的高光谱图像补全方法,可用于多模态高维数据中缺失信息的重建,如彩色图像修复、光谱遥感图像去...
一种基于非负图稀疏张量表达的高光谱图像补全方法

本发明属于图像处理、机器学习和遥感,具体涉及一种基于非负图稀疏张量表达的高光谱图像补全方法,可用于多模态高维数据中缺失信息的重建,如彩色图像修复、光谱遥感图像去云、交通数据补全和预测等领域。

背景技术:

1、随着计算机、信息科学和微电子技术的快速发展和应用,高光谱数据已经进入了生活的各个方面。例如在图像处理领域,基于高光谱图像的人脸识别技术能够提供更为精确的判别性能;在交通管理方面,高光谱视频能够提供时间、空间和颜色通道的信息,增强对潜在目标特征的获取精度;在农业检测领域,三维高光谱图像获取了农作物的边缘纹理和物化特性,提升了农作物生长周期的预测;在国防安全领域,空天地海的多维度,多域和多模态的高光谱图像能够精确获取战场的态势感知和战损评估。然后,由于硬件参数限制,数据采集的环境往往具有不可预测性,因此难以在恶劣环境下获取高质量的数据,导致获取的数据存在信息缺失。在一般情况下,可通过改进成像设备改善高光谱图像质量,但是对于云雾遮挡等情况,很难通过单一的硬件改进获取完整的数据。因此,有必要将成像技术与数字工具相结合,借助于数学的优势算法弥补成像硬件和成像环境影响的不足,并可通过算法实现高光谱图像的补全。

2、目前有大量的方法对高光谱图像补全做了研究,但是这些技术在利用子空间流形结构、特征平滑以及物理含义方面仍存在明显不足,导致补全性能降低。例如,传统的基于插值,全变差,稀疏表示,矩阵低秩正则的补全方法忽略了数据的流形结构,导致对缺失信息的低维预测能力降低;基于图结构的修复方法克服了上述框架所导致的问题,但是模型在表达非线性低维子空间方面存在缺陷,忽略了数据内在的物理特性,降低了局部稀疏特征表达能力,并引起了高光谱数据中统计信息的偏离;近年来,以深度学习为代表的人工智能方法以其数据驱动优势在高光谱图像补全中受到越来越多的青睐,但内在的数学机理尚不明确,而且模型中参数规模大,导致模型的稳定性以及迁移能力降低,影响算法泛化能力以及对于图像的补全精度。

3、需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、针对现有高光谱图像补全方法难以有效刻画高光谱图像非负因子子空间、流形非线性特征,易出现信息畸变的问题,本发明提供一种基于非负图稀疏张量表达(nonnegative graph sparsity tensor representation,ngstr)的高光谱图像补全方法。

2、本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。

3、根据本发明的第一方面,提供一种基于非负图稀疏张量表达的高光谱图像补全方法,所述方法包括:

4、步骤一,构建高光谱图像补全模型;

5、步骤二,基于高光谱图像补全模型,构建正则化约束的高光谱图像补全目标函数,将高光谱图像补全转化为不适定逆问题的最小化求解,目标函数中引入待补全高光谱图像的先验信息约束项;

6、步骤三,构建基于非负图稀疏张量表达的正则项:采用秩一张量模型对完整高光谱图像建模,将图像特征映射至低维因子子空间,利用因子矩阵的流形结构约束图像空间平滑性,引入图稀疏结构并采用加权l1范数实施稀疏约束,同时对因子矩阵施加非负约束;

7、步骤四,整合秩一张量模型、流形平滑约束、图稀疏约束、因子矩阵非负约束,推导得到非负图稀疏张量表达正则项,引入辅助变量并通过矩阵迹范数对非负约束做松弛处理,得到松弛后的补全优化目标;

8、步骤五,采用交替方向乘子法对松弛后的补全优化目标求解:构造增广拉格朗日函数,交替迭代优化各变量,分别求解各变量对应的子目标函数得到闭式解,迭代更新拉格朗日乘子,迭代收敛后输出补全完成的高光谱图像。

9、在一些示例性实施方式中,所述构建高光谱图像补全模型,具体为:

10、图像的观测值或修复模型描述为:

11、

12、其中,和分别为退化高光谱图像和完整高光谱图像,分别是高光谱图像的长、宽和光谱数,是一个与大小相同的二值支撑指标张量,中的零元素表示观测数据中缺失元素。

13、在一些示例性实施方式中,所述构建正则化约束的高光谱图像补全目标函数,具体为:

14、

15、其中,表示待补全高光谱图像的先验信息约束。

16、在一些示例性实施方式中,所述构建基于非负图稀疏张量表达的正则项,具体为:

17、利用秩一张量模型对完整的高光谱图像图像进行建模,如下:

18、

19、其中,○表示向量之间的外积,表达沿着两个空间维度和一个光谱维度的因子矩阵,其中,;

20、利用的流形结构来约束数据域的平滑性,如下所示:

21、

22、其中,表示矩阵的迹范数;

23、引入了图稀疏结构,结合上式,有:

24、

25、其中,和分别为图平滑和稀疏项的正则化参数,表示对应的稀疏函数;选择加权

l1范数()约束该稀疏性;且。

26、在一些示例性实施方式中,所述非负图稀疏张量表达正则项,具体为:

27、

28、引入辅助变量,使得;

29、利用对应的矩阵的迹范数对上式进行松弛,得到:

30、

31、其中,为非负约束的松弛项参数。

32、在一些示例性实施方式中,5所述的基于非负图稀疏张量表达的高光谱图像补全方法,其特征在于,所述步骤五具体包括:

33、s5-1,根据松弛后的补全优化目标,构造增广拉格朗日函数,函数中包含多个拉格朗日乘子以及惩罚项参数;

34、s5-2,固定其余变量,依次分别对每一个待优化变量求解对应的子目标函数,结合求导、kkt 条件推导各变量的闭式更新解,其中稀疏相关变量采用加权软阈值算子求解;

35、s5-3,基于已知像素指标集完成图像已知位置像素赋值,缺失位置由迭代求解结果填充;

36、s5-4,更新全部拉格朗日乘子,判断迭代终止条件,不满足终止条件则返回s5-2继续迭代,满足终止条件则输出补全后的高光谱图像。

37、根据本发明的第二方面,提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的基于非负图稀疏张量表达的高光谱图像补全方法。

38、根据本发明的第三方面,提供一种计算机程序产品,其上存储有计算机程序,计算机程序被处理器执行时实现上述的第一方面所述的基于非负图稀疏张量表达的高光谱图像补全方法。

39、根据本发明的第四方面,提供一种电子设备,包括:

40、处理器;以及

41、存储器,用于存储所述处理器的可执行指令;

42、其中,所述处理器配置为经由执行所述可执行指令时实现上述第一方面所述的基于非负图稀疏张量表达的高光谱图像补全方法。

43、本发明的实施例所提供的基于非负图稀疏张量表达的高光谱图像补全方法,首先,构建基于正则项约束的高光谱图像补全模型。然后引入张量分解刻画子空间特征:低维流形结构上的非线性特征,稀疏统计特征以及非负性。在此基础上,借助平行因子的张量模型将图像的低维子空间性质下放到因子特征空间,并在特征空间刻画图像的非线性特征,这一约束可以刻画图像的局部性质。为了描述这一性质,采用了超图流形刻画张量因子矩阵内在的稀疏结构,并推导图稀疏的张量模型。同时,引入了因子矩阵的非负特征增强高光谱图像的表征能力,并提出了非负图稀疏张量表达。进一步,将该表达引入到补全问题中,提出了一种基于非负图稀疏张量表达的高光谱图像补全方法,并采用了交替方向乘子法对该算法进行求解。最后,在多个图像上验证了本发明的补全性能优越。

44、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。