Hyperspectral Image Denoising with Realistic Data
- 引言
- 真实HSI去噪数据集
- HSI的噪声模型
-
- 噪声公式
- 估计噪声参数
- 合成噪声图像
- 实验结果
引言
代码：未公布
基于模型的HSI去噪方法通常采用各种手工制作的先验条件迭代解决优化问题，如光滑性、稀疏性、自相似性、低秩序等。然而，迭代优化过程非常耗时。手工制作的先验不能充分表示现实世界中的各种数据，只能模拟HSI因此，现实世界中的各种线性特征不能充分利用HSI的非线性。
然而，现有的基于学习的方法通常依赖于使用简单的高斯噪声模型或复杂的噪声模型合成的训练数据集。虽然合成数据取得了令人满意的结果，但缺乏真实性HSI这些方法仍然不能很好地工作和评估真实数据。即使是复杂的噪声也不能有效地模拟真实的测试HSI噪声中，性能显著降低。
有两种方法可以解决这个问题。，用于HSI然而，去噪网络学习和评估是为了学习HSI收集大量高质量的真实数据显然是昂贵的，需要大量的人力。。这既方便又便宜，但这取决于现实HSI噪声公式模型的准确性确性HSI它包含比不同方差高斯噪声更复杂的噪声。这些方法要么简化了传感器引起的噪声成分，要么不估计实际噪声HSI的噪声参数。
我们首先收集了在短曝光时间内捕获的噪音HSI真实数据集，每个噪音HSI都有相应的长曝光干净HSI，然后，我们提出了一个准确的提议HSI，它能很好地描述真实数据的分布。我们还对建立的噪声模型参数进行了描述，校准后的噪声模型可用于合成真实HSI去噪数据集。
真实HSI去噪数据集
使用SOC710-VP高光谱相机捕获HSI：696×520×数据集包含62个长曝光HSI，其中每个HSI以短曝光时间捕获的相应噪声HSI配对。捕获的真相HSI除噪数据集可以评估基于学习方法的现有泛化能力，并验证下一节提出的噪声模型的有效性。
HSI的噪声模型
噪声公式
其中 X \mathcal{X} X为干净HSI， Y \mathcal{Y} Y为噪声HSI， N \mathcal{N} N表示光和相机物理引起的所有噪声的总和， L \mathcal{L} L表示， k k k表示，在高光谱相机中CCD传感器是一样的，我们假设捕获HSI所有元素。
噪声分为两类：信号相关噪声（与入射光相关）和信号无关噪声。
： 其中 N s d \mathcal{N}_{sd} Nsd信号相关噪声(散粒)(shot)噪声)， p p p信号相关噪声是由光子到电子级引起的散粒噪声。