基于快速超像素的子空间低秩学习的高光谱降噪方法

诸如视频帧和事件数据之类的顺序数据已在现实世界中得到广泛应用。 作为一种特殊的序列数据,高光谱图像(HSI)可以看作是光谱维度上的二维图像序列,可以有效地用于根据光谱序列区分不同的土地覆盖物。 本文提出了一种基于超像素子空间低秩表示的高光谱图像降噪方法。 首先,在线性混合模型的框架下,假定原始高光谱立方体在光谱域中处于低秩,这可以通过将HSI数据分解为两个较低秩的子矩阵来表示。 同时,由于相邻像素的高度相关性,每个邻域内的光谱也将促进低秩,并且可以通过在分解子空间中的基于超像素的区域内执行核规范来利用局部空间低秩。 通过在原始HSI的第一个主要成分中利用最新的超像素分割算法,可以轻松有效地生成超像素。 此外,得益于子空间分解,与基于LR的最新方法相比,该方法在计算成本上具有压倒性的优势。 最终模型可以通过增强拉格朗日方法有效求解。 在模拟和真实高光谱数据集上的实验结果证明,在定量评估和视觉质量方面,该方法比其他最新的去噪方法具有更好的性能。