Y. Zhao, J. Yang, C. Yi and Y. Liu, "Joint denoising and unmixing for hyperspectral image," 2014 6th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 2014, pp. 1-4, doi: 10.1109/WHISPERS.2014.8077483.
高光谱图像去噪和解混是传统工作中两个独立的阶段。去噪后实现解混算法。如果能很好地去除高光谱图像中的噪声,将会提高解混性能。但解混的结果并不能用来改善去噪的效果。
本文提出了一种高光谱图像的去噪解混联合算法。
该算法将去噪和解混过程耦合进行,可以相互促进去噪和解混性能。首先,用常用的稀疏表示框架表示高光谱去噪和解混过程。然后利用谱库端元的稀疏先验估计谱元的丰度。然后利用估计的丰度和端元作为谱正则化算子,增强去噪效果。当高光谱图像中噪声被抑制时,解混过程将表现得更好,对噪声的鲁棒性也更强。得到的解混结果将进一步增强去噪效果。
在以往的工作中,高光谱图像去噪与下面的解混是独立的。去噪虽然可以提高解混的性能,但解混的结果并不能促进去噪的结果。另一方面,去噪主要在空间域进行,考虑了谱维的相关性。解混是为了提高光谱质量,但受到空间相关性的约束。揭示了去噪和解混可以以耦合的方式相互促进解决的事实。
本文提出了一种针对高光谱图像的联合去噪解混方案。在稀疏表示框架中去除噪声。为了充分利用全局谱维的冗余和相关性,引入了低秩正则子[6]。利用谱库上的端元稀疏度信息获得丰度。采用端元和丰度作为谱正则化器,抑制谱失真,提高去噪性能。由于抑制了HSI中的噪声,从而获得了较好的解混效果。解混提供了更好的端元和丰富的信息,将进一步增强去噪。
本文提出了一种融合去噪和解混的算法,解混的结果可以促进去噪的结果。如果通过解混得到端元和丰度,则期望去噪得到的每个像素上的光谱与解混得到的光谱接近。因此X和AS之间的差异应该很小。我们将此差异作为(4)的正则化函数添加到(4)