基于主成分分析高光谱遥感图像非局部去噪.docVIP

基于主成分分析高光谱遥感图像非局部去噪 　　摘 要： 高光谱图像光谱分辨率的提高带来数据量的显著增加，普通针对二维图像的去噪方法不能有效地应用到高光谱图像上。根据高光谱图像本身和噪声的特征，研究基于PCA的非局部去噪方法，充分利用光谱谱间相似性和谱内相似性，首先进行PCA降维选择具有代表性的维度，然后在这些维度运用非局部的BM3D方法去除噪声，最后再返回到原图像得到去噪结果。实验结果表明，该方法的去噪效果令人满意。 　　关键词： 高光谱遥感图像； 高斯白噪声； PCA； BM3D 　　中图分类号： TN911.73?34 文献标识码： A 文章编号： 1004?373X（2015）11?0070?03 　　Non?local denoising method based on principal component analysis 　　for hyperspectral remote sensing images 　　YIN Jia， DU Zhan?zhan 　　（School of Computer Science and Engineering， Nanjing University of Science and Technology， Nanjing 210094， China） 　　Abstract： The improvement of spectral resolution for hyperspectral images brought significant increase of data size， but the common denoising methods for two?dimensional image cannot be effectively applied to hyperspectral image. According to the characteristics of the hyperspectral image and its noise， a non?local denoising method based on principal component analysis （PCA） is studied to make full use of the similarity between the spectra and within the spectrum. Firstly， the representative dimension is selected by reducing the dimension of PCA， and then noise is removed by the non?local BM3D method in the representative dimension. Finally， the denoising result is obtained by returning to the original image. The experiment results show that the effect of the proposed method is satisfactory. 　　Keywords： hyperspectral remote sensing image； Gaussian white noise； PCA； BM3D 　　0 引 言 　　高光谱分辨率遥感或成像光谱遥感技术的发展是过去二十年中人类在对地观测方面所取得的重大技术突破之一，融合了成像技术和光谱技术，实时地获取研究对象的影像和每个像元的光谱分布。高光谱图像在获取和传播路径中受到很多因素的影响，引入大量的噪声，降低了数据可靠性，因此研究高光谱遥感图像的去噪算法非常有必要。 　　常规遥感图像的处理方法分别对光谱信号[1?2]和二维图像[3?4]进行去噪，忽视了高光谱图像图谱合一的特点。目前广泛应用于高光谱图像去噪的方法主要有两类：光谱域的光谱曲线平滑方法；图像域的滤波处理和条带消除。前者实现简单，但只考虑光谱域的噪声，忽视图像的空间信息，后者针对一幅图像进行处理，而对高维数据机械式地处理效率很低。 　　因此，本文提出了一种基于PCA[5]和BM3D[6]的高光谱图像噪声去除方法，利用PCA变换处理高维数据的高效性和BM3D优越的去噪能力，能够从整体上消除高光谱图像光谱域和空间域的噪声，并得到满意的效果。 　　1 主成分分析 　　主成分分析（Principal Component Analysis，PCA）是一种常见的高光谱图像数据降维方法，经过PCA分析可以消除高光谱图像间的相似性，并且其前几个主成分包含了原始数据的绝大多数信息。对