研究目的
针对受条纹噪声、高斯噪声和脉冲噪声混合污染的高光谱图像,开发一种去噪方法,该方法利用低秩特性和自相似性,并采用混合高斯模型结合EM算法进行推断。
研究成果
该方法通过利用低秩特性和自相似性有效去除高光谱图像中的混合噪声,其中EM算法能自适应调整噪声统计特性。在PSNR和SSIM指标上优于现有最优方法,既能保持图像细节,又能精准估计噪声位置与方差。
研究不足
该方法仅在模拟数据上进行了评估;现实世界中的噪声可能更为复杂。虽然报告了计算时间,但并未针对实时应用进行优化?;旌细咚鼓P徒黾偕枇街帜J?,可能无法涵盖所有噪声类型。
1:实验设计与方法选择:
该方法采用期望最大化(EM)算法估计噪声参数和干净图像,结合低秩子空间表示与自相似性先验。
2:样本选择与数据来源:
使用华盛顿DC购物中心(256x256像素,191波段)和帕维亚市中心(610x339像素,87波段)的模拟数据集,归一化至[0,1]范围。
3:实验设备与材料清单:
未提及具体硬件;软件包括用于子空间估计的HySime算法、优化工具SALSA及去噪算法BM3D。
4:实验流程与操作步骤:
预处理采用中值滤波,通过HySime进行子空间估计,执行EM迭代的E步和M步,利用SALSA优化并检查收敛性。
5:数据分析方法:
采用平均PSNR和SSIM指标定量评估,并与现有先进方法(LRMR、NonLRMA、NAILRMA、RHyDe)进行视觉对比。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容