研究目的
为了比较高光谱图像去噪中频域最小二乘(LS)加权正则化方法与空间域最小二乘及全变分(TV)去噪技术。
研究成果
光谱最小二乘去噪在保持图像对比度和边缘方面优于空间LS和TV去噪,具有更高的信噪比和结构相似性指数。光谱域去噪效率更高,基于噪声水平对波段进行分组可优化处理过程。未来工作应将去噪后的波段整合到分类与解混任务中以提高精度。
研究不足
控制参数λ基于光谱最小二乘法固定,该方法可能不适用于空间最小二乘法和全变分方法,从而导致这些情况下性能欠佳。本研究使用特定数据集和噪声类型(高斯噪声),可能限制其对其他类型噪声或图像的普适性。通过仅对含噪波段进行去噪提高了计算效率,但IBBC方法的波段选择准确性可能构成约束。视觉解译具有主观性且可能因观察者而异。
1:实验设计与方法选择:
本研究比较了三种去噪方法——光谱最小二乘法(LS)、空间最小二乘法和全变分(TV)去噪法。这些方法应用于高光谱图像数据集,部分情况下模拟了噪声。采用波段间块相关性(IBBC)方法自动检测含噪光谱波段,通过仅对含噪波段去噪来减少计算时间。通过调整控制参数λ来优化去噪效果,评估指标包括视觉判读、信噪比(SNR)、峰值信噪比(PSNR)和结构相似性(SSIM)指数。
2:样本选择与数据来源:
使用了四个标准高光谱数据集——华盛顿特区购物中心、印度松树、萨利纳斯-A场景和帕维亚大学。这些数据集由AVIRIS和ROSIS等传感器获取,具有不同的光谱波段数量和空间分辨率。在华盛顿特区购物中心数据集中,通过添加具有恒定均值和不同方差的高斯噪声来模拟噪声。
3:实验设备与材料清单:
高光谱图像数据集(华盛顿特区购物中心、印度松树、萨利纳斯-A、帕维亚大学)、传感器(印度松树和萨利纳斯-A使用AVIRIS,帕维亚大学使用ROSIS),以及用于实现去噪算法和指标计算的工具。
4:实验流程与操作步骤:
将高光谱图像(HSI)向量化为二维矩阵。对LS方法先按列后按行进行去噪。使用IBBC和阈值法识别含噪波段。通过调整λ值进行去噪,并通过视觉判读、SNR、PSNR和SSIM比较结果。流程包括噪声模拟、波段选择、去噪应用和质量评估。
5:数据分析方法:
通过计算SNR和PSNR从数学上评估去噪质量。使用SSIM基于人眼视觉系统参数进行视觉质量评估。通过图表(如PSNR与λ的关系图)和表格比较不同方法和数据集的指标来分析结果。
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