光谱空间低秩法提升高光谱图像去噪性能

本文主要探讨了高光谱图像(HSI)降噪的一种新颖方法，即通过结合光谱和空间的低秩近似来提升图像质量。在现代遥感和地球观测中，高光谱图像由于其包含大量关于地面物体的精细光谱信息而变得至关重要，但这些图像往往会受到诸如随机噪声、光子效应和校准误差等多种因素的影响，导致数据质量下降。现有的HSI去噪技术往往侧重于单一特性处理，要么是利用频谱之间的高度相关性，要么是利用图像空间中的非局部自相似性。 作者提出了一种统一的低秩恢复框架，这一框架的关键思想是认识到高光谱数据中不仅存在频谱上的高相关性，而且在空间结构上也存在相似性，这些都可被视为数据分布在低秩子空间中的表现。通过同时考虑这两个核心特性，这种方法能够更有效地协同去除非随机噪声，从而提高图像的信噪比和细节保留。这种方法的优势在于，它不是孤立地处理光谱或空间信息，而是将两者融合，使得降噪过程更为全面和精确。 实验部分，作者在模拟高光谱图像和实际高光谱图像数据集上进行了深入的对比分析。结果显示，与当前最先进的HSI去噪算法相比，新提出的低秩恢复框架在视觉效果和量化评价指标上都有显著的提升，证明了这种方法的有效性和实用性。这对于改善高光谱数据的可用性，提高后续分析和应用（如植被分类、矿物探测等）的准确性具有重要意义。 总结来说，本文的贡献在于提出了一种创新的HSI降噪策略，通过低秩近似方法捕捉并利用光谱和空间信息的内在联系，有效地降低了噪声影响，为高光谱图像处理领域提供了一种有力的工具。这将有助于推动遥感科学和技术的发展，尤其是在那些对数据质量要求极高的应用场景中。