HSI去噪论文解读分享之一

题目：
Hyperspectral Image Restoration Using Low-Rank Matrix Recovery
作者：
Hongyan zhang,Wei he,Liangpeii Zhang,Huanfeng Shen,Qiangqiang Yuan
关键词：
Go Decomposition(GoDec),hyperspectral image(HSIs),low rank,restoration
解决问题：
对高光谱图像进行去噪处理，由于干净的高光谱图像可以视为是一个低秩矩阵[1]，所以我们通过对3-D高光谱图像使用字典排序将其每个波段的图像转换成2-D矩阵进行降维。
预处理：
处理图像的尺寸为M×N×B,选取其中一个subcube ,大小为q×q×B的Pi,j

模型：
A. HSI Degradation model: d=u+s+n
其中：u:clean HSI; s:mixture of impulse noise、dead pixel or lines; n:Gaussian noise

B. LAMR-Based HSI restoration model
我们将HSI图像分成小块处理，这样可以有效的保留图像的许多细节。每个小块的尺寸为q×q×B。这样每个小块的浊化模型可以表示为：

将3-D图像转化为2-D图像之后的模型可以表示为：

其中，由于无噪声的HSI图像的具有低秩特性，矩阵L为低秩矩阵；脉冲噪声，死像素和线等噪声仅仅污染了高光谱的部分波段，因此矩阵S是稀疏的；高斯白噪声矩阵N的通常较小且影响所有的波段。
对比上述两种模型可以发现它们具有一定的相似性，所以我们可以利用稀疏性[2]和分离低秩矩阵来将D进行分解从而获得纯净矩阵L。在完成所有块的处理后，我们将它们合成成原来图像。

算法：
Go decompasition(GoDec)
并且对比了ALM和GoDec这两种恢复算法。

恢复指标：
peak signal-to-noise ratio(PSNR)和structural similarity(SSIM)

注解：
[1].矩阵低秩特性：所有的图像都可以看作为矩阵序列，这个矩阵的秩就代表了图像的复杂程度。一般对于一个无噪声的图像而言，它的秩是比较小的。
[2]稀疏性：是指组成图像的基向量个数的有限性。

对于这篇文章中还有很多细节没有理解透彻，例如：GoDec算法的具体操作.具体理解后续再去学习。