文献

J-GLOBAL ID：202002267027453071   整理番号：20A2277526

ハイパースペクトル画像のための混合雑音バンド選択【JST・京大機械翻訳】

Mixed-Noise Band Selection for Hyperspectral Images

著者 (3件)： Li Zhen (Beijing Key Laboratory of Embedded Real-Time Information Processing Technology, School of Information and Electronics, Beijing Institute of Technology, Beijing, China) ,  Deng Chenwei (Beijing Key Laboratory of Embedded Real-Time Information Processing Technology, School of Information and Electronics, Beijing Institute of Technology, Beijing, China) ,  Huang Yun (Beijing Key Laboratory of Embedded Real-Time Information Processing Technology, School of Information and Electronics, Beijing Institute of Technology, Beijing, China)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 173815-173825  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 豊富なスペクトル情報を有するハイパースペクトル画像(HSI)は,Gauss雑音やストライプ雑音のような様々なタイプの雑音に対して一般に影響を受けやすい。最近,いくつかの品質ベースの選択アルゴリズムが,HSIからノイズバンドを除去するために提案された。しかし,これらの方法は,HSIの混合雑音バンドを識別することができないことがあり,画像コンテンツ変動と輝度変化に敏感である。ここでは,HSIからGaussとストライプ雑音バンドを効果的に分離できる混合雑音バンド選択フレームワークを開発した。最初にテンソル分解を改善し,混合雑音成分と低ランク成分を再構成し,画像量と輝度変化の影響を低減した。Gaussとストライプ雑音の分離性能を高めるために,スペクトル平滑制約と一方向全変動を分解モデルに組み入れた。次に,配向勾配(HOG)特徴のWeibullとヒストグラムを含む異なる統計的特徴を適用して,混合雑音成分からロバストパラメータを抽出した。さらに重要なことに,極端学習機械(ELM)を訓練して雑音バンドを予測した。ELMは,非常に速い学習速度を持ち,他のネットワークより良い性能を達成する傾向がある。最後に,これらのすべての戦略を集約することによって,著者らの方法は,効率的に混合ノイズバンドを選択することができた。合成および実際の雑音HSIに関する実験結果は,提案した方法が最先端の方法より優れていることを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *雑音 ,  ネットワーク ,  Gauss雑音 ,  *スペクトル ,  再構成 ,  ヒストグラム ,  ロバスト性
準シソーラス用語： 映像コンテンツ ,  *ハイパースペクトル画像 ,  総変動 ,  テンソル分解 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： ハイパースペクトル画像 ,  雑音 ,  バンド