Hyperspectral Image Deconvolution with a Spectral-Spatial Total Variation Regularization

摘要

Les images hyperspectrales sont souvent dégradées inévitablement par le flou et le bruit dans le processus d’acquisition, ce qui influence le traitement et l’analyse ultérieurs d’images. Dans le cadre maximuma posteriori, cet article présente une méthode de déconvolution de l’imagehyperspectrale basée sur une variation totale spectrale-spatiale et une contrainte non négative explicite, qui peut préserver les bords dans le domaine spatial et maintenir la discontinuité dans la dimension spectrale. En outre, la méthode proposée exploite pleinement la corrélation spectrale entre les bandes adjacentes. La méthode des multiplicateurs à directions alternées (ADMM) est employée pour optimiser efficacement le modèle proposé de déconvolution de variation totale spectrale-spatiale. La raison de cet intérêt est que l’ADMM décompose un problème d’optimisation difficile en une séquence de sous-problèmes beaucoup plus simples et facilement résolus. Le paramètre de régularisation est mis à jour de manière adaptative pour rendre l’algorithme proposé plus stable. Des expériences numériques sont effectuées avec des données simulées et réelles pour vérifier la performance de la méthode proposée.%Hyperspectral images are often unavoidably degraded by blur and noise in the acquisition process, which influences subsequent image processing and analysis. Under the maximum a posteriori framework, this article introduces a hyperspectral image deconvolution method based on spectral-spatial total variation prior and an explicit nonnegative constraint, which can preserve the edge in the spatial domain and maintain the discontinuity along the spectral dimension. Additionally, the proposed method fully exploits the spectral correlation between adjacent bands. The alternating direction method of multipliers (ADMM) is employed to efficiently optimize the proposed spectral-spatial total variation deconvolution model. The reason for this interest is that ADMM decomposes a difficult optimization problem into a sequence of much simpler and easily solved sub-problems. The regularization parameter is updated adaptively to make the proposed algorithm more stable. Numerical experiments are conducted in both simulated and real data to verify the performance of the proposed method.