研究目的
通过结合光谱差分变换、全变分和低秩近似，开发一种有效的高光谱图像混合去噪方法，以处理高斯噪声、脉冲噪声、条纹和死线。
研究成果
SDTVLA方法通过利用光谱差异变换、全变分和低秩近似，有效去除高光谱图像中的混合噪声，在视觉质量和定量指标上均优于现有方法。未来工作包括引入噪声自适应建模及针对实时应用的优化。
研究不足
该方法需要仔细调整参数（λ1、λ2、ρ、r），与某些基准方法相比计算复杂度更高。若不进行调整，可能无法同等有效地处理所有类型的噪声，且收敛性取决于ADMM参数μ。
1：实验设计与方法选择：
SDTVLA方法利用总变分和核范数正则化，在光谱差异空间（SDS）中挖掘局部分段平滑性与全局低秩特性，通过交替方向乘子法（ADMM）求解优化问题。
2：样本选取与数据来源：
采用三个模拟数据集（华盛顿特区、帕维亚大学、苏万尼湾）和两个真实数据集（HYDICE城市、AVIRIS印第安松），裁剪为具有特定空间与光谱维度的子图像。
3：实验设备与材料清单：
HYDICE和AVIRIS传感器获取的高光谱图像；用于实现的MATLAB软件。
4：实验流程与操作步骤：
通过添加高斯噪声、脉冲噪声及死线生成含噪高光谱图像（HSI）。应用SDTVLA模型并调整参数至最优性能，采用定量指标与视觉检查对比前沿方法的结果。
5：数据分析方法：
使用平均峰值信噪比（MPSNR）、平均结构相似性指数（MSSIM）、平均特征相似性（MFSIM）、ERGAS和平均光谱角（MSA）进行定量评估。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
HYDICE sensor
HYDICE
Data acquisition for hyperspectral images
-
AVIRIS instrument
AVIRIS
Data acquisition for hyperspectral images
-
ROSIS sensor
ROSIS
Data acquisition for hyperspectral images
-
MATLAB
2017a
MathWorks
Software for implementing and running denoising algorithms
-
登录查看剩余2件设备及参数对照表
查看全部
