2014 Joint denoising and unmixing for hyperspectral image 高光谱图像的联合去噪与解混

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)