Denoising de imágenes hiperespectrales mediante separación local no convexa de bajo rango y dispersa con...

Área de la Ciencia:

• Teledetección
• Visión por Computadora
• Procesamiento de Señales

Sus antecedentes:

• La imagen hiperespectral (HSI) genera datos complejos con posible ruido.
• El Análisis Robusto de Componentes Principales (RPCA) es una técnica utilizada para la denoising de HSI.
• Los métodos RPCA existentes pueden tener limitaciones para aproximar con precisión los componentes de bajo rango y dispersos.

Objetivo del estudio:

• Proponer un novedoso enfoque RPCA no convexo para mejorar la denoising de HSI.
• Desarrollar aproximaciones más precisas para el rango y la dispersión columna por columna en componentes HSI.
• Mejorar la consistencia espacial y espectral de las HSI con ruido eliminado.

Principales métodos:

• Utilización de una aproximación de rango por log-determinante para el componente de bajo rango.
• Introducción de una novedosa norma l2,log para la aproximación de dispersión columna por columna.
• Desarrollo de una solución eficiente y de forma cerrada: el operador de contracción l2,log.
• Incorporación de la regularización de variación total espacial-espectral en el modelo RPCA no convexo.

Principales resultados:

• El método propuesto elimina eficazmente el ruido de las imágenes hiperespectrales.
• El novedoso operador de contracción l2,log proporciona una solución eficiente para la dispersión columna por columna.
• El modelo RPCA no convexo basado en logaritmos con variación total espacial-espectral mejora la calidad de HSI.
• Los experimentos con HSI simulados y reales validan la efectividad del método.

Conclusiones:

• El enfoque RPCA no convexo propuesto ofrece un avance significativo en la denoising de HSI.
• La norma l2,log y el operador de contracción desarrollados son herramientas valiosas para problemas basados en la dispersión.
• La integración de la variación total espacial-espectral mejora la suavidad global y la consistencia espectral de las HSI recuperadas.