一、论文基本信息
- 英文标题： Generalized Nonconvex Low-Rank Approximation and Sparse Regularizer for Hyperspectral Image Denoising
- 中文标题： 面向高光谱图像去噪的广义非凸低秩近似与稀疏正则化
- 作者： Yusen Tan、Dong Hu、Yao Fu、Chunming Yang、Zhi Wang
- 发表期刊： IEEE Transactions on Geoscience and Remote Sensing（TGRS）
- 年份： 2025
- 核心方法： GNRSR（Generalized Nonconvex Low-Rank Approximation and Sparse Regularizer）
- 开源代码：https://github.com/wangzhi-swu/GNRSR
这篇论文主要研究高光谱图像（Hyperspectral Image，HSI）的去噪问题。作者将广义非凸低秩近似与变换域稀疏正则化结合起来，提出了 GNRSR 模型，目标是在去除复杂噪声的同时，尽可能保留图像的纹理、边缘和光谱信息。
二、研究背景：为什么高光谱图像去噪并不简单？
2.1 什么是高光谱图像？
普通 RGB 图像通常包含红、绿、蓝三个颜色通道，而高光谱图像能够记录数十、数百甚至更多连续的光谱波段。
可以将高光谱图像理解为一个三维数据立方体：
| 类型 | 特点 |
|---|---|
| 普通 RGB 图像 | 三个颜色通道，主要用于表达可见光颜色和空间结构 |
| 高光谱图像 | 包含大量连续光谱波段，既有空间纹理，也有能够反映地物材料特征的光谱信息 |
例如，植被、水体、道路和建筑物在不同波段下可能具有不同的光谱响应。因此，高光谱图像广泛应用于遥感监测、地物分类和材料识别等任务。
但是，受传感器性能和复杂成像环境影响，采集到的高光谱图像往往会受到多种噪声的干扰。
2.2 高光谱图像面临哪些噪声？
论文重点考虑的噪声包括：
- 高斯噪声： 通常表现为图像中随机分布的细小扰动。
- 脉冲噪声： 部分像素出现明显异常值。
- 条带噪声： 图像中出现横向或纵向的条纹。
- 死线噪声： 某些探测器对应的像素行或列出现异常，形成明显的线状缺陷。
实际图像中，这些噪声可能同时出现。单独针对某一种噪声设计的算法，未必能够很好地处理复杂的混合噪声。
更重要的是，去噪并不等于让图像看起来更平滑。如果算法把噪声和真实纹理一起去掉，虽然图像变干净了，却可能损失边缘、细节和光谱特征。
这就引出了本文需要解决的核心问题：如何同时利用高光谱图像的低秩结构和稀疏特征，实现更准确的图像恢复？
三、核心基础：为什么低秩先验能够用于去噪？
理解 GNRSR 之前，需要先弄清楚两个概念：低秩先验和稀疏先验。
3.1 高光谱图像为什么具有低秩特性？
高光谱图像包含大量光谱波段，但不同波段之间并不是完全独立的。
例如，同一片植被在相邻波段中的空间结构通常具有一定相似性。虽然波段数量很多，但其中包含的有效信息可能具有较强的相关性，因此可以利用较少的独立成分描述主要结构。
这就是高光谱图像的低秩特性。
为了利用这一特性，可以将三维高光谱图像重塑为二维矩阵。假设原始数据为
其中 
为空间尺寸，
为光谱波段数。
将每个波段展开成长度为
的列向量，再把所有波段排列在一起，可以得到矩阵
. 
这个矩阵称为 Casorati 矩阵。由于波段之间具有较强的相关性，它通常具有近似低秩结构（论文 Fig.1 给出了两个数据集的波段相关系数矩阵，Fig.2 展示了 Casorati 矩阵奇异值的快速衰减）。
那么，低秩先验如何帮助去噪？
可以将观测数据中的主要结构理解为信号，将偏离这些结构的部分理解为噪声。通过低秩近似，可以尽量保留数据中具有代表性的成分，抑制不符合整体结构的干扰。
不过，低秩并不意味着所有细节都可以被简单删除。过强的低秩约束可能导致图像过度平滑，使一些细小纹理和边缘信息丢失。
3.2 什么是稀疏先验？
稀疏性强调：一个数据在某种表示方式下，大部分系数接近零，只有少数系数具有较大数值。
例如，一幅图像经过离散余弦变换（DCT）后，重要结构的信息可能集中在少数系数中，而其他系数相对较小。
低秩先验与稀疏先验的区别
| 先验类型 | 关注点 |
|---|---|
| 低秩先验 | 关注矩阵中是否存在大量相关信息，以及能否用较少的独立成分表示主要结构 |
| 稀疏先验 | 关注变换后的系数分布，利用少量重要系数表达图像中的有效信息 |
二者关注的结构不同，因此可以在去噪过程中发挥互补作用。
论文进一步指出，低秩成分本身也可能具有稀疏表示特征。对于高光谱图像而言，这些稀疏信息中包含有助于恢复纹理和细节的成分。因此，如果模型只利用低秩先验，而没有充分考虑这些稀疏特征，就可能无法充分恢复图像的细节。
这正是 GNRSR 同时引入两种先验的出发点。
四、现有方法的问题：为什么还需要 GNRSR ？
论文指出，已有的低秩去噪方法虽然取得了不错的效果，但仍存在三个主要问题。
4.1 核范数可能过度惩罚较大的奇异值
在传统低秩近似中，常使用核范数（Nuclear Norm）代替秩函数。
对于矩阵 
，核范数可以写为
其中 
表示矩阵的第
个奇异值。
核范数能够将复杂的秩最小化问题转化为更容易处理的优化问题，但它会对所有奇异值施加线性惩罚。
问题在于，较大的奇异值往往承载着图像的主要结构信息。如果对它们施加过强的惩罚，就可能削弱重要结构，导致恢复结果产生偏差。
因此，作者希望寻找一种更加灵活的低秩近似方式。
4.2 不同噪声场景需要不同的正则化方式
高斯噪声、脉冲噪声和条带噪声的统计特性并不相同。
一种正则化方法可能在某种噪声条件下效果很好，却无法在其他条件下保持同样的性能。
如果每种场景都单独设计一套模型和求解算法，不仅增加研究成本，也不利于方法的统一与扩展。
因此，作者提出一个统一框架，希望能够根据具体任务灵活选择不同的非凸正则化函数。
4.3 只利用低秩信息可能损失图像细节
低秩约束有利于恢复整体结构，但图像中的细小纹理、边缘等信息不一定都能通过低秩先验得到充分表达。
如果忽略变换域中的稀疏性，模型可能在去除噪声的同时过度平滑图像。
综合来看，本文的思路不是简单地增加一个新的低秩惩罚项，而是希望同时解决两个问题：
- 通过广义非凸函数，更灵活地刻画低秩结构。
- 通过变换域稀疏正则化，更好地保留图像细节。
五、 GNRSR 的核心思想与数学模型
5.1 总体思路：把低秩恢复与稀疏表示结合起来
论文首先建立混合噪声观测模型：
其中：
：观测到的含噪图像；
：需要恢复的干净高光谱图像；
：稀疏噪声，例如脉冲噪声、部分条带或异常值；
：高斯噪声。
这里需要注意：论文在具体优化模型中，将高斯噪声的影响通过残差约束处理，而不是简单地把 
当作一个独立变量进行优化。
作者最终提出的 GNRSR 模型为
这是理解整篇论文最重要的公式。
我们可以把它拆成三个部分：
第一部分：低秩结构约束
通过广义非凸函数惩罚奇异值，促使恢复结果具有低秩结构。
第二部分：稀疏噪声分离
利用 
范数描述稀疏噪声，帮助分离异常干扰。
第三部分：变换域稀疏正则化
对恢复图像进行变换，并约束变换系数的稀疏性，以改善细节恢复。
数据一致性约束
限制恢复结果与观测数据之间的残差，使模型能够兼顾数据拟合与先验约束。
其中，
和 
是控制不同正则化项权重的参数，
是残差约束的阈值。
5.2 创新点一：广义非凸低秩近似
GNRSR 的第一个关键设计，是使用广义非凸函数代替传统核范数。
其低秩正则项为
这里的
是矩阵 
的奇异值，
是用于惩罚奇异值的非凸函数。
与核范数相比，非凸惩罚函数能够更加灵活地调整对不同奇异值的惩罚程度，从而改善低秩结构的恢复效果。
论文在统一框架中讨论了多种非凸正则化形式，包括：
- MCP（Minimax Concave Penalty）；
- ETP（Exponential-Type Penalty）；
范数相关的非凸惩罚；- NFF（Nonconvex Fraction Function）。
这几种函数可以看作不同的低秩近似工具。GNRSR 不要求始终使用某一个固定函数，而是允许根据具体的去噪任务选择合适的非凸惩罚。
这也是论文所强调的 plug-and-play 特性：在统一的模型与求解框架下，可以替换具体的非凸正则项，而不必从头设计一套完全不同的优化流程。
需要注意的是，非凸并不意味着一定能找到全局最优解。它的优势在于提供了更灵活的建模能力，但同时也增加了优化问题的求解难度。
5.3 创新点二：在变换域引入稀疏正则化
第二个关键设计是
其中 
表示线性酉变换。论文实验中主要采用离散余弦变换（DCT）。
为什么要对变换后的图像施加
约束？
直观地说，原始图像中的结构经过适当变换后，可以由一组变换系数表示。重要的图像信息可能集中在部分系数中，而大量其他系数较小。利用这种稀疏性，有助于区分主要结构和不重要的扰动。
作者的目标，是让模型在利用低秩先验恢复整体结构的同时，通过变换域稀疏约束进一步改善细节恢复。
不过，不能把这个正则项简单理解为"只保留纹理"。它约束的是变换域系数的稀疏性，最终对纹理、边缘和噪声的处理效果还取决于变换方式、参数设置及其他正则项的共同作用。
5.4 为什么选择 DCT？
论文比较了离散傅里叶变换（DFT）、Haar 变换（HT）和 DCT 三种变换方式。
实验结果表明，在所测试的 Pavia Center 数据集混合噪声场景中，采用 DCT 时取得了更好的去噪结果。
作者认为，DCT 具有较好的能量聚集能力，并能够实现较平滑的重建，同时避免边界伪影。因此，论文在后续实验中采用 DCT 作为主要变换算子。
这一点也说明，GNRSR 的效果并不只由低秩正则项决定，变换域的选择同样会影响最终结果。
六、 GNRSR 是如何求解的？ ------ 基于 ALM 的优化算法
提出模型之后，还需要解决一个实际问题：如何计算出最优的恢复结果
？
GNRSR 同时包含非凸低秩项、稀疏正则项和变换算子，直接求解比较困难。因此，作者采用非精确增广拉格朗日乘子法（ Inexact Augmented Lagrange Multiplier ， Inexact ALM **）**设计迭代算法。
6.1 为什么要引入辅助变量？
原始模型中存在变换项 
。为了方便分别处理低秩约束和变换域稀疏约束，作者引入辅助变量：
模型可以改写为
引入 
后，原本耦合在一起的变量可以通过分块迭代的方式分别更新。
这里的关键是：辅助变量并不是额外的图像内容，而是为了让优化问题更容易求解而引入的数学变量。
6.2 算法的主要步骤
输入含噪图像块 
将高光谱图像划分为具有重叠区域的局部图像块。
↓
更新低秩变量 
通过奇异值分解和广义奇异值阈值处理恢复主要结构。
↓
更新稀疏变量 
和 
通过软阈值算子处理稀疏噪声和变换域系数。
↓
更新乘子与惩罚参数
逐步减小约束残差，并检查迭代停止条件。
↓
输出恢复后的图像块
将各图像块还原到原始位置，对重叠区域取平均，得到最终去噪图像。
上述流程中有两个值得关注的操作。
第一，广义奇异值阈值处理。 在更新 
时，算法需要对矩阵进行奇异值分解，并根据所选择的非凸惩罚函数调整奇异值。这一过程能够抑制不重要的成分，同时尽可能保留有用的结构信息。
第二，软阈值处理。 对于标准的 
正则化子问题，算法使用软阈值算子：
当系数的绝对值较小时，它会被压缩为零；当系数较大时，其绝对值会减小一定幅度。
论文利用这一性质分别更新稀疏噪声变量 
和变换域变量
。
作者还对算法进行了理论分析，证明在相应假设下，迭代序列有界，且其任意聚点是 KKT 点。这为算法的收敛行为提供了理论保证，但并不等同于保证找到全局最优解。
七、实验结果： GNRSR 的实际表现如何？
为了验证方法的有效性，论文在模拟数据和真实高光谱数据上进行了实验，并与多种已有方法进行了比较。
7.1 实验数据集
|------|-------------------------|--------------------|
| 数据类型 | 数据集 | 主要用途 |
| 模拟数据 | Washington DC Mall（WDC） | 测试不同强度的高斯噪声和混合噪声 |
| 模拟数据 | Pavia Center | 比较不同噪声场景下的去噪能力 |
| 真实数据 | AVIRIS Indian Pines | 检验真实图像中的噪声抑制与细节恢复 |
| 真实数据 | HYDICE Urban | 检验条带、死线等复杂噪声下的恢复效果 |
模拟实验设置了六种噪声场景，从不同强度的高斯噪声，到高斯噪声与脉冲噪声、条带和死线混合的复杂场景。
对比方法包括 LRMR、NonLRMA、SMDS、RCILD、WNLRATV、NFF、FastHyMix、3DCTV 和 FallHyDe 等。
7.2 定量指标
论文使用四种常见指标评价去噪结果。
|-------|----------|------|
| 指标 | 含义 | 评价方向 |
| PSNR | 峰值信噪比 | 越高越好 |
| SSIM | 结构相似性 | 越高越好 |
| FSIM | 特征相似性 | 越高越好 |
| ERGAS | 全局相对综合误差 | 越低越好 |
这些指标从不同角度衡量恢复图像与参考图像之间的差异。不过，单个指标并不能完全反映去噪效果，尤其是光谱恢复和局部纹理保留情况，因此还需要结合可视化结果进行分析。
7.3 模拟实验结果
根据论文报告的实验结果，GNRSR 在 WDC 和 Pavia Center 的多种模拟噪声场景中取得了较好的整体性能。
其中，在混合噪声场景下，作者重点强调了以下优势：
- 噪声抑制： 能够有效去除多种类型的混合噪声。
- 纹理保留： 相较于部分存在过度平滑问题的方法，能够更好地保留局部细节。
- 光谱恢复： 在部分复杂场景下，恢复后的光谱曲线更加接近参考光谱。
论文还比较了不同方法的视觉结果。例如，在 WDC 数据集的复杂混合噪声场景中，作者指出，部分方法仍有残留噪声、光谱失真或局部细节损失，而 GNRSR 的视觉恢复效果更好。
这里需要注意：论文报告的优势并不意味着 GNRSR 在每一个数据集、每一个噪声场景和每一个评价指标上都必然取得第一。
7.4 真实数据实验
在 AVIRIS Indian Pines 和 HYDICE Urban 数据集上，作者进一步测试了 GNRSR 在真实噪声条件下的表现：
在 Indian Pines 数据集上，实验涉及脉冲噪声、水汽和大气等因素造成的图像退化。论文指出，部分对比方法虽然能够抑制噪声，但可能出现边缘弱化、颜色失真或光谱信息受损等问题。
在 HYDICE Urban 数据集上，图像受到大气影响、脉冲噪声、死线和条带等干扰。作者重点分析了严重条带噪声下的恢复效果，并报告 GNRSR 在噪声去除、细节保留和光谱保持方面具有较好的综合表现。
需要说明的是，真实数据通常缺少完全无噪的参考图像，因此真实数据实验的视觉判断与模拟数据的定量指标并不完全相同。
八、消融实验：两个核心模块分别发挥什么作用？
消融实验是这篇论文比较值得关注的部分，因为它能够帮助我们判断模型设计是否真正有效。
作者构建了两个简化版本，并与完整 GNRSR 进行比较。
|----------|---------------|---------------------|
| 模型 | 保留的主要约束 | 用于验证的问题 |
| GNRSR-S | 广义非凸低秩项、稀疏噪声项 | 去掉变换域稀疏正则化后，效果如何变化？ |
| GNRSR-G | 变换域稀疏项、稀疏噪声项 | 去掉广义非凸低秩项后，效果如何变化？ |
| 完整 GNRSR | 同时使用两种核心先验 | 两种先验结合是否更有效？ |
论文在 WDC 和 Pavia Center 的复杂混合噪声场景中进行了消融实验。
结果表明：
- 与 GNRSR-S 相比，完整 GNRSR 的表现更好，说明变换域稀疏正则化有助于改善图像细节的保留。
- 与 GNRSR-G 相比，完整 GNRSR 的去噪表现也更好，说明广义非凸低秩先验能够提供额外的结构恢复能力。
这说明两种先验具有互补作用：广义非凸低秩项侧重于更准确地刻画图像结构，变换域稀疏项则进一步利用稀疏信息改善细节恢复。
当然，这种作用分工是对实验结果的概括，并不意味着两个模块分别只影响某一种图像属性。
九、论文的主要创新点总结
结合模型设计和实验结果，可以将论文的贡献概括为以下三点。
创新点一：构建统一的广义非凸低秩框架
不局限于某一种非凸惩罚函数，而是通过统一的广义非凸结构支持多种低秩近似形式，提升模型在不同去噪场景下的灵活性。
创新点二：引入变换域稀疏正则化
在低秩先验之外，进一步利用高光谱图像的变换域稀疏性，减少过度平滑，改善纹理、边缘和光谱信息的恢复。
创新点三：设计统一的 ALM 求解框架
利用辅助变量、广义奇异值阈值处理和软阈值算子，将复杂模型拆解为一系列更容易处理的子问题，并提供相应的收敛理论分析。
从研究思路来看，这篇论文的核心并不是单纯提出一个全新的变换，而是通过统一非凸低秩建模、补充稀疏先验以及设计可求解的优化算法，构建一个相对完整的高光谱图像去噪框架。
十、总结
本文围绕高光谱图像在复杂成像环境下受到多种噪声干扰的问题，提出了 GNRSR 去噪模型。该方法将广义非凸低秩近似与变换域稀疏正则化结合起来，并通过非精确增广拉格朗日乘子法进行求解。
论文的主要贡献可以概括为：
- 利用广义非凸函数灵活刻画低秩结构，改善奇异值恢复。
- 引入变换域稀疏正则化，进一步利用图像中的稀疏信息。
- 通过统一的优化框架处理模型中的不同变量，并进行收敛性分析。
- 在两组模拟数据和两组真实数据上开展实验，验证模型对多种噪声的处理能力。
从整体上看，这篇论文展示了一条较为清晰的传统模型驱动研究路线：从数据的内在结构出发，提出合适的先验约束，再通过优化算法将其转化为可执行的恢复过程。
对于高光谱图像去噪研究而言，它不仅提供了一个具体的模型，也为后续思考低秩先验、稀疏先验与张量建模之间的关系提供了参考。
论文与代码资源
- 论文 DOI：10.1109/TGRS.2025.3643597
- 官方代码：GNRSR on GitHub