李健 呂倩

摘 要：高光譜圖像技術(shù)是遙感領(lǐng)域中非常重要的技術(shù)，數(shù)據(jù)的收集過(guò)程，經(jīng)常會(huì)受到噪聲的干擾。降噪是進(jìn)一步分析高光譜圖像的重要步驟，本文對(duì)近年來(lái)學(xué)者們提出的降噪模型進(jìn)行了簡(jiǎn)要的概述，介紹了高光譜圖像的應(yīng)用，分析了通常的噪聲類型及產(chǎn)生原因，梳理了常用的降噪模型。

關(guān)鍵詞：高光譜圖像；噪聲；降噪模型

中圖分類號(hào)：TP751 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2019）02-0023-03

Abstract：Hyperspectral image technology is a very important technology in the field of remote sensing. The process of data collection is often disturbed by noise. Noise reduction is an important step for further analysis of hyperspectral images. In this paper，the noise reduction models proposed by scholars in recent years are briefly reviewed. This paper introduces the application of hyperspectral image，analyzes the common noise types and causes，and combs out the common noise reduction models.

Keywords：hyperspectral image；noise；noise reduction model

0 引 言

高光譜圖像具有豐富的光譜信息，已經(jīng)被廣泛應(yīng)用于不同土地覆蓋類型的識(shí)別、采礦、軍事偵察、城市規(guī)劃等領(lǐng)域。然而，在采集數(shù)據(jù)圖像時(shí)，原始數(shù)據(jù)圖像經(jīng)常會(huì)受到多種噪聲的干擾，這些噪聲影響了圖像的可視效果，也降低了后續(xù)應(yīng)用精度，因此，降噪成為分析高光譜圖像的必要步驟。高光譜圖像噪聲主要由條帶噪聲、高斯白噪聲、光子噪聲等組成。另外，受觀測(cè)條件和傳感器故障的限制，噪聲類型也是復(fù)雜多變的，通過(guò)量化一種噪聲類型來(lái)對(duì)整個(gè)圖像進(jìn)行降噪建模很難實(shí)現(xiàn)，因此，通常會(huì)考慮兩種噪聲類型或混合噪聲。本文將對(duì)條帶噪聲和高斯白噪聲進(jìn)行分析，并總結(jié)降噪模型。

1 噪聲類型分析

1.1 條帶噪聲

條帶噪聲是高光譜成像儀在掃描地物成像的過(guò)程中，由于傳感器故障造成的，具體表現(xiàn)為：在一定方向上灰度值出現(xiàn)連續(xù)偏高或偏低的情況。另外，成像光譜儀的工作環(huán)境復(fù)雜，傳感器的電路系統(tǒng)繁多，傳感器之間的響應(yīng)參數(shù)可能無(wú)法始終保持一致也是產(chǎn)生條帶噪聲的主要原因。條帶噪聲的存在嚴(yán)重影響了高光譜圖像后續(xù)的應(yīng)用效果。

1.2 高斯白噪聲

高斯白噪聲指服從高斯分布，且每個(gè)波段上強(qiáng)度相同的噪聲。在高光譜成像的過(guò)程中，CCD將電磁信號(hào)轉(zhuǎn)化為圖像時(shí)，會(huì)產(chǎn)生各種類型的噪聲，由于這些噪聲滿足高斯分布，因此學(xué)者們將其定義為高斯噪聲。為便于建模分析，假設(shè)每個(gè)波段上噪聲強(qiáng)度相同，這種假設(shè)雖然不完全符合噪聲的統(tǒng)計(jì)學(xué)特性，但也具有一定的合理性

2 降噪模型

2.1 基于條帶噪聲的模型

2.1.1 正交子空間模型

3 結(jié) 論

高光譜圖像技術(shù)作為遙感領(lǐng)域中重要的技術(shù)，對(duì)于我們生產(chǎn)生活具有十分重要的意義。本文對(duì)常用的降噪技術(shù)進(jìn)行了簡(jiǎn)單的概述，其可以幫助我們了解降噪模型，對(duì)于進(jìn)一步提出好的降噪方法有一定的參考價(jià)值。

參考文獻(xiàn)：

[1] Acito N，Diani M，Corsini G，et al. Subspace-Based Striping Noise Reduction in Hyperspectral Images [J].IEEE Transactions on Geoscience and Remote Sensing，2011，49（4）：1325-1342.

[2] LU X，YUAN Y，WANG Y. Graph-Regularized Low-Rank Representation for Destriping of Hyperspectral Images [J].IEEE Transactions on Geoscience and Remote Sensing，2013，51（7）：4009-4018.

[3] Zhang H，He W，Zhang L，et al. Hyperspectral Image Restoration Using Low-Rank Matrix Recovery [J].IEEE Transactions on Geoscience and Remote Sensing，2014，52（8）：4729-4743.

[4] Ye M，Qian Y，Zhou J，et al. Multitask Sparse Nonnegative Matrix Factorization for Joint Spectral–Spatial Hyperspectral Imagery Denoising [J].IEEE Transactions on Geoscience and Remote Sensing，2015，53（5）：2621-2639.

[5] Li C，Ma Y，Huang J，et al. Hyperspectral Image Denoising Using the Robust Low-Rank Tensor Recovery [J].Joural of Optical Society of America，2015，32（9）：1604-1612.

[6] Qian Y，Ye M. Hyperspectral Imagery Restoration Using Nonlocal Spectral-Spatial Structured Sparse Representation With Noise Estimation [J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2013，6（2）：499-515.

作者簡(jiǎn)介：李?。?993.05-），男，漢族，內(nèi)蒙古赤峰人，碩士在讀，研究方向：機(jī)器學(xué)習(xí)；呂倩（1993.07-），女，漢族，遼寧遼陽(yáng)人，碩士在讀，研究方向：計(jì)算機(jī)視覺(jué)。