李健 吕倩
摘 要：高光谱图像技术是遥感领域中非常重要的技术，数据的收集过程，经常会受到噪声的干扰。降噪是进一步分析高光谱图像的重要步骤，本文对近年来学者们提出的降噪模型进行了简要的概述，介绍了高光谱图像的应用，分析了通常的噪声类型及产生原因，梳理了常用的降噪模型。
关键词：高光谱图像；噪声；降噪模型
中图分类号：TP751 文献标识码：A 文章编号：2096-4706（2019）02-0023-03
Abstract：Hyperspectral image technology is a very important technology in the field of remote sensing. The process of data collection is often disturbed by noise. Noise reduction is an important step for further analysis of hyperspectral images. In this paper，the noise reduction models proposed by scholars in recent years are briefly reviewed. This paper introduces the application of hyperspectral image，analyzes the common noise types and causes，and combs out the common noise reduction models.
Keywords：hyperspectral image；noise；noise reduction model
0 引 言
高光谱图像具有丰富的光谱信息，已经被广泛应用于不同土地覆盖类型的识别、采矿、军事侦察、城市规划等领域。然而，在采集数据图像时，原始数据图像经常会受到多种噪声的干扰，这些噪声影响了图像的可视效果，也降低了后续应用精度，因此，降噪成为分析高光谱图像的必要步骤。高光谱图像噪声主要由条带噪声、高斯白噪声、光子噪声等组成。另外，受观测条件和传感器故障的限制，噪声类型也是复杂多变的，通过量化一种噪声类型来对整个图像进行降噪建模很难实现，因此，通常会考虑两种噪声类型或混合噪声。本文将对条带噪声和高斯白噪声进行分析，并总结降噪模型。
1 噪声类型分析
1.1 条带噪声
条带噪声是高光谱成像仪在扫描地物成像的过程中，由于传感器故障造成的，具体表现为：在一定方向上灰度值出现连续偏高或偏低的情况。另外，成像光谱仪的工作环境复杂，传感器的电路系统繁多，传感器之间的响应参数可能无法始终保持一致也是产生条带噪声的主要原因。条带噪声的存在严重影响了高光谱图像后续的应用效果。
1.2 高斯白噪声
高斯白噪声指服从高斯分布，且每个波段上强度相同的噪声。在高光谱成像的过程中，CCD将电磁信号转化为图像时，会产生各种类型的噪声，由于这些噪声满足高斯分布，因此学者们将其定义为高斯噪声。为便于建模分析，假设每个波段上噪声强度相同，这种假设虽然不完全符合噪声的统计学特性，但也具有一定的合理性
2 降噪模型
2.1 基于条带噪声的模型
2.1.1 正交子空间模型
3 结 论
高光谱图像技术作为遥感领域中重要的技术，对于我们生产生活具有十分重要的意义。本文对常用的降噪技术进行了简单的概述，其可以帮助我们了解降噪模型，对于进一步提出好的降噪方法有一定的参考价值。
参考文献：
[1] Acito N，Diani M，Corsini G，et al. Subspace-Based Striping Noise Reduction in Hyperspectral Images [J].IEEE Transactions on Geoscience and Remote Sensing，2011，49（4）：1325-1342.
[2] LU X，YUAN Y，WANG Y. Graph-Regularized Low-Rank Representation for Destriping of Hyperspectral Images [J].IEEE Transactions on Geoscience and Remote Sensing，2013，51（7）：4009-4018.
[3] Zhang H，He W，Zhang L，et al. Hyperspectral Image Restoration Using Low-Rank Matrix Recovery [J].IEEE Transactions on Geoscience and Remote Sensing，2014，52（8）：4729-4743.
[4] Ye M，Qian Y，Zhou J，et al. Multitask Sparse Nonnegative Matrix Factorization for Joint Spectral–Spatial Hyperspectral Imagery Denoising [J].IEEE Transactions on Geoscience and Remote Sensing，2015，53（5）：2621-2639.
[5] Li C，Ma Y，Huang J，et al. Hyperspectral Image Denoising Using the Robust Low-Rank Tensor Recovery [J].Joural of Optical Society of America，2015，32（9）：1604-1612.
[6] Qian Y，Ye M. Hyperspectral Imagery Restoration Using Nonlocal Spectral-Spatial Structured Sparse Representation With Noise Estimation [J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2013，6（2）：499-515.
作者简介：李健（1993.05-），男，汉族，内蒙古赤峰人，硕士在读，研究方向：机器学习；吕倩（1993.07-），女，汉族，辽宁辽阳人，硕士在读，研究方向：计算机视觉。
