摘 要: | 高光谱图像在采集过程中极易产生高斯、椒盐、条纹等噪声,从而对后续的地物空间识别工作产生影响.因此有效的噪声去除工作在高光谱图像处理中是不可缺少的一步.鲁棒主成分分析(Robust Principal Component Analysis,RPCA)是能将受稀疏噪声干扰的低秩矩阵进行有效恢复的模型.高光谱图像由于其光谱特征之间存在很高的相关性,即每个光谱特征可以用光谱端元的线性组合来表示,因此高光谱图像具有高度低秩性,从而RPCA算法能在高光谱图像去噪中取得显著的效果.结合高光谱图像空间邻域相似性和改进RPCA(Spatial Neighboring Similarity and Improve RPCA,S_IRPCA),提出一种新的高光谱图像去噪算法.算法在去除噪声的同时,更好的保留了细节信息.实验表明,算法与主流的低秩恢复算法相比,无论在主观视觉上还是在客观评价指标上,都做到了显著提升.
|