针对传统的高光谱图像去噪方法忽视高光谱图像强烈的谱间相关性和图谱合一的问题,提出了一种基于复值特征子空间的高光谱图像去噪方法.该方法首先基于光谱数据的相似性对复域信号进行奇异值分解(Singular Value Decomposition,SVD)分析...针对传统的高光谱图像去噪方法忽视高光谱图像强烈的谱间相关性和图谱合一的问题,提出了一种基于复值特征子空间的高光谱图像去噪方法.该方法首先基于光谱数据的相似性对复域信号进行奇异值分解(Singular Value Decomposition,SVD)分析,选择最能代表信号子空间的最优低维特征子空间,然后基于非局部复域块匹配3D(Complex-Domain Block-Matching 3D,CDBM3D)滤波器对特征图像进行滤波.实验结果表明,本文算法对噪声具有较强的鲁棒性,可以有效恢复低信噪比的高光谱数据.与其他方法相比,本文方法在所有波长的RRMSE值最小的情况下准确性最佳.展开更多
文摘针对传统的高光谱图像去噪方法忽视高光谱图像强烈的谱间相关性和图谱合一的问题,提出了一种基于复值特征子空间的高光谱图像去噪方法.该方法首先基于光谱数据的相似性对复域信号进行奇异值分解(Singular Value Decomposition,SVD)分析,选择最能代表信号子空间的最优低维特征子空间,然后基于非局部复域块匹配3D(Complex-Domain Block-Matching 3D,CDBM3D)滤波器对特征图像进行滤波.实验结果表明,本文算法对噪声具有较强的鲁棒性,可以有效恢复低信噪比的高光谱数据.与其他方法相比,本文方法在所有波长的RRMSE值最小的情况下准确性最佳.