在纹理丰富的高光谱图像中获得精确的噪声估计,是噪声估计任务中的难点。本文基于高光谱图像的空间规律性和光谱相关性,提出一种基于超像素分割的光谱去相关法。同质区域划分是许多噪声估计方法的关键步骤,精确的同质区域划分能有效提...在纹理丰富的高光谱图像中获得精确的噪声估计,是噪声估计任务中的难点。本文基于高光谱图像的空间规律性和光谱相关性,提出一种基于超像素分割的光谱去相关法。同质区域划分是许多噪声估计方法的关键步骤,精确的同质区域划分能有效提高噪声估计精度。为此,将简单线性迭代聚类算法(Simple linear iterative clustering algorithm,SLIC)与光谱-空间相似性结合,划分高光谱图像为局部结构相似的图像块,以保持同质特征;为了提高光谱间的区分能力,将光谱信息散度和光谱角联合作为光谱距离;结合多元线性回归在同质区域内去除光谱相关性,在获得的残差图上估计噪声水平。对不同地物复杂程度的模拟图像,添加不同程度的噪声,通过与多种方法比较,验证了本文方法的有效性和稳定性。最后,本文方法成功应用于Urban数据的噪声水平估计,准确识别出受噪声严重污染的波段。展开更多
文摘在纹理丰富的高光谱图像中获得精确的噪声估计,是噪声估计任务中的难点。本文基于高光谱图像的空间规律性和光谱相关性,提出一种基于超像素分割的光谱去相关法。同质区域划分是许多噪声估计方法的关键步骤,精确的同质区域划分能有效提高噪声估计精度。为此,将简单线性迭代聚类算法(Simple linear iterative clustering algorithm,SLIC)与光谱-空间相似性结合,划分高光谱图像为局部结构相似的图像块,以保持同质特征;为了提高光谱间的区分能力,将光谱信息散度和光谱角联合作为光谱距离;结合多元线性回归在同质区域内去除光谱相关性,在获得的残差图上估计噪声水平。对不同地物复杂程度的模拟图像,添加不同程度的噪声,通过与多种方法比较,验证了本文方法的有效性和稳定性。最后,本文方法成功应用于Urban数据的噪声水平估计,准确识别出受噪声严重污染的波段。