原文题目:A Single Model CNN for Hyperspectral Image Denoising
去噪是高光谱图像分析和解释之前常用的预处理步骤。传统的方法没有考虑到相邻波段间的高光谱相关性,导致去噪效果不佳,HSIs中丰富的光谱信息没有得到充分的利用。为了克服这一局限性,本文研究了卷积神经网络(CNNs)等深度学习模型来进行频谱空间HSI去噪。该模型称为HSI单模型去噪CNN ((HSI-SDeCNN),有效地考虑了HSI中包含的空间和光谱信息。
一、贡献
1)它为HSI去噪问题提供了一个快速的解决方案,利用了一个向下采样的内核,使网络在不损失性能的情况下执行得非常快。
2)以噪声水平图作为输入,即用以估计拟去噪图像内的噪声水平,从而控制去噪效果与保留细节之间的平衡。这使得这个网络对于多级噪声具有灵活性和适应性,而不需要像以往方法那样针对不同的噪声水平训练不同的模型。
3)在实验分析中,无论是加性高斯白噪声(AWGN)破坏的合成图像,还是真实的HSI噪声图像,都获得了良好的结果,充分显示了其在实际HSI去噪中的应用潜力。
二、算法流程图
该算法流程图如图所示
![22900dfdfc3780c086304aedd6581915.png](https://img-blog.csdnimg.cn/img_convert/22900dfdfc3780c086304aedd6581915.png)
算法主要分为三大步:
1)预处理步骤
即图中上方的三步,假设对波段1到波段B这B个波段进行去噪,为了利用每个波段