随着高光谱遥感影像(HSI)研究热点的不断上升,影像的去噪工作越显重要。利用HSI影像的特殊特征(频谱间强相关性和低秩子空间等)和混合噪声的特性,提出了基于低秩稀疏矩阵分解的迭代算法,用以除去多种类型的混合噪声。这里提出的算法SLRM...随着高光谱遥感影像(HSI)研究热点的不断上升,影像的去噪工作越显重要。利用HSI影像的特殊特征(频谱间强相关性和低秩子空间等)和混合噪声的特性,提出了基于低秩稀疏矩阵分解的迭代算法,用以除去多种类型的混合噪声。这里提出的算法SLRMS(Subspace Low-Rank Matrix and Sparse Matrix Factorization)充分利用HSI频谱低秩特性,在低秩和稀疏正则化的约束下迭代达到去噪的效果。提出的算法在模拟小数据集Indian pines和大数据集KSC(Kennedy Space Center)上去噪后的视觉效果和定量评价指标,均表现优越且运行所费时间极低。展开更多
文摘随着高光谱遥感影像(HSI)研究热点的不断上升,影像的去噪工作越显重要。利用HSI影像的特殊特征(频谱间强相关性和低秩子空间等)和混合噪声的特性,提出了基于低秩稀疏矩阵分解的迭代算法,用以除去多种类型的混合噪声。这里提出的算法SLRMS(Subspace Low-Rank Matrix and Sparse Matrix Factorization)充分利用HSI频谱低秩特性,在低秩和稀疏正则化的约束下迭代达到去噪的效果。提出的算法在模拟小数据集Indian pines和大数据集KSC(Kennedy Space Center)上去噪后的视觉效果和定量评价指标,均表现优越且运行所费时间极低。