Um Modelo Hierárquico de Denoising de Baixa Classificação para Imagens de Sensoriamento Remoto Baseado em Desdobramento Profundo

Recentemente, o modelo de representação de baixa classificação (LRR) tem sido amplamente utilizado no campo do denoising de imagens de sensoriamento remoto devido à sua excelente capacidade de supressão de ruído. No entanto, esses métodos baseados em baixa classificação sempre descartam detalhes importantes das bordas como resíduos, levando a um problema comum de bordas borradas nos resultados denoised. Para resolver esse problema, reavaliamos os resíduos de baixa classificação e tentamos extrair informações de borda deles. Assim, uma estrutura hierárquica de denoising foi combinada com um modelo de baixa classificação para extrair informações de borda dos resíduos de baixa classificação dentro do subespaço de borda. Uma matriz de conhecimento prévio foi projetada para permitir que o modelo aprendesse as informações estruturais necessárias, em vez de ruído. Além disso, essas abordagens tradicionais baseadas em modelo exigem múltiplas iterações, e as soluções podem ser muito complexas e computacionalmente intensivas. Para aprimorar ainda mais o desempenho de supressão de ruído e a eficiência computacional, foi proposto um modelo hierárquico de denoising de baixa classificação baseado em desdobramento profundo (HLR-DUR), integrando redes neurais profundas na estrutura hierárquica de denoising de baixa classificação para expandir as capacidades de captura e representação de informações do modelo raso proposto. Experimentos suficientes em imagens ópticas, imagens hiperespectrais (HSI) e imagens de radar de abertura sintética (SAR) mostraram que o HLR-DUR alcançou resultados de denoising de estado da arte (SOTA).