论文笔记5：Noise Reduction of Hyperspectral Imagery Using Hybrid Spatial-Spectral Derivative-Domain Wavel

引言

Ref：Multiple wavelet basis image denoising using Besov ball projections.

• NR常用方法：平滑滤波器和最小噪声分数(MNF)、线性最小均方误差(LMMSE)、小波变换……

小波收缩降噪

小波收缩(WS)NR算法得益于小波变换为一类广泛的信号提供了稀疏表示，特别是那些分段光滑和具有相干正则性的信号。

在小波域中，去除小系数和收缩大系数可以消除大部分噪声对信号的贡献，这个过程被称为软阈值。然后利用小波逆变换得到去噪后的信号。设$y$为噪声信号，由纯信号$x$和噪声$v$组成：$y=x+v$

小波收缩过程如下：


WS降噪系统的核心问题是确定一个阈值，低于该阈值，系数设置为零，高于该阈值，系数将收缩。

极大极小阈值

其中$R_{Oracle}(d)$可以为

SureShrink

BayesShrink

问题和方法

数据立方体：


测试数据集大小：$202\times 120\times 128$、$210\times 128\times 128$

本文的目的是通过降噪来提高高光谱图像的信噪比，从而提高高光谱图像的数据质量。

• 每个波段图像的噪声水平(level)是仪器SNR模式的函数，因此在每个波段的信号水平也是如此。
• 本文所研究的高光谱数据立方体的平均噪声水平远低于文献中传统图像降噪算法所针对的噪声水平。

Hybrid Spatial-Spectral Noise Reduction

首先从信号相对规则的空间维度中去除噪声。然后，在光谱域中去除更多的噪声以及在空间去噪过程中可能引入的一些伪影。

Noise Level Elevation for Effective Denoising

由于平均噪声水平较低，在WS去噪过程中存在相当大的信号失真风险。我们提出了一种暂时提高噪声水平并进行去噪处理，然后可逆地降低噪声水平方法。通过将高光谱数据立方体转化为光谱导数域，相当于高通滤波来提高噪声水平。这导致噪声与信号比的增加，因为信号功率集中在低频区域，而噪声在傅里叶频谱中传播。

光谱波段图像的导数为

然后，信号从导数域变换回来：


去噪信号$\hat{x}(\lambda ,p,l)$通过光谱积分恢复：

Correction of the Integration Error

第$i$个光谱波段在导数域上的误差为：

在单个波段$j$上，去噪信号的积分误差的方差为

如果在给定像素处导数域中去噪信号的误差假定为固定的：

单波段${\lambda }_j$去噪信号积分误差的表达式可以简化为：

因此，对于给定像素$(p,l)$的均方根误差为：

我们提出了一个简单而有效的解决方案来减少去噪信号的低频分量中的这种误差。首先，$y$的纯信号部分的大部分功率位于低频区域，而噪声功率在整个傅立叶频谱上均匀分布。在这些条件下，信号$y$的低频分量成为去噪信号$\hat{x}$低频分量的可靠替代品。这种校正是通过使用两个相同的低通滤波器来实现的，我们选择移动平均(MA)滤波器，因为除了增益因子(gain factor)外，它不需要乘法器(multipliers)。MA滤波器使用一个宽度为$△+1$的滑动窗口，称之为校正窗口。校正窗口用噪声信号$y(\lambda ,p,l)$的低频分量代替去噪信号$\hat{x}(\lambda ,p,l)$的低频分量，即

一般来说，一个极小的宽度会使校正窗口容易受噪声影响，而较大的宽度会导致它无法跟踪真实的信号变化。一般来说，一个窗口宽度等于五个光谱波段(five spectral bands).

Proposed Algorithm

First-order Spectral Derivative:
– Compute the first-order spectral derivative for each spectral band image.
2-D spatial wavelet shrinkage:
– Compute 2-D wavelet transform for each spectral band image.
– Estimate a threshold value for each spectral band image.
– Perform soft threshold operation.
– Compute Inverse 2-D wavelet transform
1-D spectral wavelet shrinkage:
– At each spatial pixel of the datacube, compute 1-D wavelet transform for its spectrum.
– Estimate a threshold value for each spectrum.
– Perform soft threshold operation.
– Compute Inverse 1-D wavelet transform
Signal Reconstruction:
– Integrate along the spectral axis.
– Correct for the accumulated errors.
Evaluation
(If a pure version of the datacube is available):
– Compute the square root error between the denoised datacube and the pure version of the datacube. This is considered the noise after denoising.
– Compute the SNR=$(P_X/P_N)$, where $P_X$ is the power of signal obtained from the pure datacube and $P_N$ is the noise power of the denoised datacube.
– Compare with the SNR of the noisy datacube before denoising.

实验