研究目的
利用字典学习和光谱域稀疏编码开发一种有效的高光谱图像去噪算法，在降低噪声的同时保留空间和光谱细节。
研究成果
HyDeSpDLS算法通过结合光谱字典学习、稀疏编码与全变分正则化有效实现高光谱图像去噪，在保留空间与光谱细节方面优于现有方法，但需优化以提升执行速度。
研究不足
与基于低秩的方法（如LRMR和NAILRMA）相比，所提出的算法具有更高的计算时间，未来需要改进其速度。
1：实验设计与方法选择：
本研究采用在线光谱字典学习方法（OSDL）从含噪高光谱图像（HSI）数据中训练字典，以像素光谱向量作为训练数据。稀疏编码通过SpaRSAL-TV实现，该方法结合全变分正则化以利用空间上下文信息。
2：样本选择与数据来源：
使用华盛顿DC购物中心场景的合成数据（256×256像素，191个波段）和真实世界的印度松数据（145×145像素，220个波段）。噪声类型包括高斯独立同分布、高斯非独立同分布和泊松噪声。
3：实验设备与材料清单：
实验在配备Intel Core i7-7700HQ CPU和16GB内存的笔记本电脑上运行MATLAB R2014a完成。
4：实验流程与操作步骤：
将含噪HSI扩展为像素光谱矩阵，使用OSDL训练光谱字典，通过SpaRSAL-TV计算稀疏编码，重建去噪图像。性能评估采用PSNR和SSIM指标。
5：数据分析方法：
定量分析计算平均PSNR和SSIM值，定性评估通过观察去噪图像和光谱特征进行目视检查。
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-
MATLAB
R2014a
MathWorks
Used for implementing and running the denoising algorithms, including simulation and data analysis.
-
CPU
i7-7700HQ
Intel
Processes the computational tasks for the denoising algorithms.
-
RAM
16 GB
Provides memory for running the software and handling large datasets.
-
AVIRIS
Hyperspectral sensor used to acquire the Indian Pine dataset.
-
登录查看剩余2件设备及参数对照表
查看全部
