2018_TGRS_HSI-DeNet: Hyperspectral Image Restoration via Convolutional Neural Network (华科-昌毅)
大家晚上好,今天分享一篇使用卷积神经网络(CNN)对高光谱图像修复的论文,本文在CNN的基础上,同时引入残差学习、扩张卷积和多通道滤波,得到HSI-DeNet网络,实现了去除HSI中的混合噪声:随机、结构条带、死线等。另外,为了能够同时得到较高的图像质量和量化指标,本文将所提网络引入到生成对抗网络中,得到HSI-DeGAN网络。
首先,HSI-DeNet的网络结构如下所示:
其中每个Block由卷积层,块归一化(BN)和激活函数(ReLU)三部分组成,如下图:
HSI-DeNet网络的输入是三维的高光谱数据,经过网络训练后得到其噪声,然后使用残差学习策略,得到最终的干净图像。在网络中还使用到了扩张卷积和多通道滤波,使用扩张卷积可以在不增加参数的前提下,扩大感受野,从而能够利用更多的局部和非局部信息,多通道滤波则可以增强对光谱信息的表示能力。另外,本文还使用了padding策略,使得在训练过程中,图像大小不发生改变,具体的参数如下表:
HSI-DeNet网络的优化是基于逐像素的损失函数,易于产生过度平滑的结果。为了利用图像层面上的先验信息,本文基于生成对抗网络(GAN)提出了一个新的网络HSI-DeGAN,主要思想是将HSI-DeNet作为生成网络,使用一个判别网络来判别真实数据和HSI-DeNet生成数据的真假,两者交替训练,最终达到两者的平衡,整体框架如下图:
判别网络的结构和参数如下表:
本文使用的数据集是来自包含201个场景的数据集ICVL,其大小是1392*1300*519,作者从中分别提取500张和50张大小为180*180*10子图用于训练和测试数据,并且对训练数据进行分块,块大小为4040,移动步长为40,从而每张子图可得到16个训练块,再进行8倍的扩增,于是最终训练数据数量有500*16*8=64000。
学习框架为MatConvNet,运行环境是Thepersonal computer with MATLAB 2014a, one Titan X GPU, an Intel i7 CPU at 3.6GHz, and 32-GB memory.
最后,我们看下实验结果,在仿真数据上的视觉效果为:
量化指标为:
在真实数据上的视觉效果为:
领取专属 10元无门槛券
私享最新 技术干货