杨 垚 , 黄 聪, 王华军

(成都理工大学 a.地球物理学院,b.地球勘探与信息技术教育部重点实验室,成都 610059)

0 引言

高光谱遥感影像(HSI)是当下遥感领域的研究热点，其影像包含大量空间信息和光谱信息，众多研究领域已广泛使用HSI提取可用信息。然而，HSI在成像、传输等过程中无可避免的受到噪声的干扰，复杂的噪声类型(高斯噪声、脉冲噪声、死线等),降低了图像的分辨率并给科学研究增加了难度。应对复杂噪声的干扰，尽量提高信噪比且最大程度保留有用信息数据的去噪流程是必需的。各领域由于研究目的和方法的不同，影像的去噪速度和去噪效果等众多因素各有所需。

为了更加适用于各领域，众多HSI去噪算法相继被提出，HSI数据有多个频带，每个频带可看作一张灰度图像，2-D图像去噪的方式是最直接的(如BM3D、WNNM)，此类方法利用了频带信息，忽略了频带之间的强相关性，实际中不仅不能有效地恢复图像，而且还会有伪像和失真的现象[1-2]。考虑HSI多频带相关特性，众多基于谱间相关性的3-D去噪方法被提出。3-D去噪方法分为两类，①基于变换域，该方法一般基于主成分分析，离散变换或小波变换(如基于主成分分析、基于离散余弦变换(DCT)、基于小波变换的滤波[3-5])；②基于空间域的方法，该方法更多地利用了空间和频谱信息。稀疏先验模型使用字典学习来有效利用HSI的RAC(the redundancy and correlation，冗余与相关性)特点，因HSI干净数据可以由少量原子线性表示，而噪声数据不能(如将高度相关的频段聚集到一起充分利用全局和局部的RAC，再用频谱和空间联合稀疏表示和联合字典学习的去噪办法)[6]。……