SSGN--Spatial-Spectral Gradient Network

论文原文：Q.Zhang, Q. Yuan, J. li, X. Liu, H. Shen, and L. Zhang, "Hybrid Noise Removal in Hyperspectral Imagery With a Spatial-Spectral Gradient Network," Accepted by IEEE TGRS, in press, 2019

 

Introduction

高光谱图像（HSI）中混合噪声的存在严重降低了数据质量，降低了HSI的解释精度，并限制了后续的HSI应用。在本文中，空间谱梯度网络（SSGN）被提出用于HSI中的混合噪声去除。基于完全级联的多尺度卷积网络，SSGN可以通过使用相同的模型同时处理不同HSI或频谱中的不同类型的噪声。

总的来说本文的主要创新可概括如下:

1）提出了一种用于HSI去噪的空间光谱卷积网络。为了利用HSI中丰富的频谱信息和每个频带的不同空间信息，SSGN同时在完全级联的多尺度卷积神经网络块中使用空间数据和相邻频谱数据。

2）空间梯度和光谱梯度共同纳入所提出的模型。空间梯度用于提取水平和垂直方向上稀疏噪声的独特结构方向性，并且光谱梯度用于获得用于噪声去除的光谱附加补充信息。

3）实验结果表明，该方法能够通过单一模型有效地处理不同HSI或谱中的高斯噪声，条纹噪声和混合噪声。

 

Method

为了消除HSI中的各种类型的噪声，所提出的SSGN方法考虑了噪声结构特性，每个频带的空间特性以及频谱冗余。SSGN模型同时采用模拟的第k个噪声频带，其水平/垂直空间梯度及其相邻频谱梯度作为输入数据，输出第k个噪声频带的残余噪声。然后，通过以这种方式遍历HSI的所有波段，我们可以最终获得所有波段的去噪结果。具有SSGN模型的HSI去噪程序的流程图如下图所示。

 

SSGN模型的架构如下图所示。输入中左上角的表示当前噪声带。左边中间为空间梯度表示输入空间带的垂直和水平梯度。相应地，输入光谱梯度表示相邻光谱差异立方体，即左下角所示。

 

 

 

 

      

 

 

1)联合空间和光谱梯度信息: 在一定程度上，由于其独特的结构方向性，空间波段的梯度信息可以有效地突出稀疏噪声，尤其是稀疏分布的条纹噪声。文中认为HSI中的混合噪声可通过联合空间和频谱梯度信息从空间和频谱域中消除。

 

2）多尺度卷积块：在HSI数据中，特征表达可以依赖于不同尺度的上下文信息，此外，多尺度卷积滤波器可以同时获得不同的接收场尺寸，特别是对于条纹噪声和死线的情况。随着层的深度增加，不同块的结果逐渐接近最终残余混合噪声。论文中提及了3*3、5*5、7*7。

 

3）空间光谱损失函数：为了同时保持空间结构信息并抑制频谱失真，该方法在训练过程中形成了空间谱损失函数，如下：

 

Experiment