基于主成分分析探究和字典学习的高光谱遥感图像去噪方法.pdfVIP

第 36卷第 ll期 电 子 与 信 息 学 报 Vb1．36NO．11 2014年 11月 JournalofElectronics＆InformationTechnology NOV．2014 基于主成分分析和字典学习的高光谱遥感图像去噪方法 霍雷刚 冯象初 (西安电子科技大学数学与统计学院 西安 710126) 摘 要：高光谱图像变换域各波段图像噪声强度不同，并具有独特的结构。针对这些特点，该文提出一种基于主成 分分析(PrincipalComponentAnalysis，PCA)和字典学习的高光谱遥感图像去噪新方法。首先，对高光谱数据进行 PCA变换得到一组主成分图像；然后，对信息量较小的主成分图像分别采用基于自适应字典的稀疏表示方法和对 偶树复小波变换方法去除空间维和光谱维的噪声；最后，通过PCA逆变换得出去噪后的数据。结合主成分分析和 字典学习的优势，该文方法相对于传统方法对高光谱图像具有更好的自适应性，在细节得到保留的同时有效地抑制 了斑块效应。对模拟和实际高光谱遥感图像的实验结果验证了该文方法的有效性。 关键词：图像处理；高光谱图像；去噪；主成分分析；稀疏表示；字典学习 中图分类号：TP751 文献标识码：A 文章编号：1009．5896f20l4)11—2723—07 DOI：10．3724／SP．J．1146．2013．01840 DenoisingofHyperspectralRemoteSensingImageBasedOil PrincipalComponentAnalysisandDictionaryLeraning HuoLei·g·ang FengXiang--chu (School MathematicsandStatistics，XidianUniversity， ’an710126，China) Abstract：Toreflectdifferentintensitiesofnoisesamong thedifferentbandsinthetransform domain andthe intrinsicstructuresofthetransformeddata，anew approach fordenoisingthehyperspectralimagesisproposed basedonPrincipalComponentAnalysis(PCA)anddictionarylearning．Atfirst，agroupoftheprinciple componentimagesareachievedbyusingthePCA transform．Thenjthesenoiseswhichexistinthespatial—andthe spectral-domainofthecomponentswithlow energyaredenoisedbyanadaptivelylearneddictionarybasedsparse representationmethodandthedual—treecomplexwavelettransform，respectively．Finally，thedenoised datais obtainedusingtheinversePCA transform．Bytakingadvantagesofprincipalcomponentanalysisand dictionary learning，theproposedapproachissuperiortothetraditionalonesinpreservingthedetailsandalleviatingthe blocking artifacts．The experimentresultson the synthetic and realhyperspectralremote sensi