最近在跟同学一起做高光谱图像去噪相关的实验,同学找到了一个github上的资源清单,感觉非常有用,分享在这里:点我看宝藏
感谢 Yongshen Zhao 和 Junjun Jiang 整理的这份资料~
下面我大致做一点翻译,让大家可以更方便地了解到这份资料的内容:
一、去噪方法
1、带式去噪方法(Band-wise denoising methods)
- [BM3D]通过稀疏3-D变换域协同过滤进行图像去噪,TIP2007,K。Dabov等。
- [WNNM]应用于图像去噪的加权核范数最小化,CVPR2014,S。Gu等。
- [EPLL]从自然图像斑块的学习模型到整个图像恢复,ICCV2011,D。Zoran等。
2、基于多频段的方法
1)变换域方法
- 基于小波的高光谱图像估计,IGARSS2003,I。Atkinson等。
- 使用3D小波进行高光谱图像去噪,IGARSS2013,B。Rasti等。
- 用于体数据去噪和重建的非局部变换域滤波器,TIP2012,M。Maggioni等。
- 使用小波域中的一阶谱粗糙度惩罚的高光谱图像去噪,JStars2014,B.Rasti等。
2)空间域方法
通过采用合理的假设或先验,例如沿Spetrum的全局相关,跨空间的非局部自相似性(NSS),总变差(TV),非本地(Non-Local),稀疏表示(SR),低秩(LR)模型,张量模型等,基于空间域的方法可以很好地保持空间和光谱特征。
(原网页有上述算法相关的不同文章,有PDF文章和部分算法的代码供阅读)
3、深度学习方法
- 利用可训练非线性函数的深度学习进行高光谱图像去噪,GRSL2017,W。Xie等。
- 采用空间光谱深度残余卷积神经网络的高光谱图像去噪,TGRS2018,Q。Yuan等。
- HSI-DeNet:通过卷积神经网络进行高光谱图像恢复,TGRS2019,Yi Chang等。
- Deep Hyperspectral Prior:Deoising,Inpainting,Super-Resolution,arxiv2019,Oleksii Sidorov et al。
- 利用空间光谱梯度网络进行高光谱图像混合噪声消除,IEEE TGRS 2019,Qiang Zhang等。
- 用于高光谱图像去噪的深空间谱表示学习,IEEE TCI 2019,Weisheng Dong等。
(原网页上述算法部分有PDF文章和代码供阅读)
4、其他方法
- 使用混合空间光谱衍生域小波收缩的高光谱图像的降噪,TGRS2006,H.Othman等。
- 采用光谱 - 空间自适应总变差模型的高光谱图像去噪,TGRS2012,Q。Yuan等。
- 三维非局部意味着用于高光谱图像去噪的噪声估计滤波器,IGRSS2013,Y。Qian等。
- 使用具有噪声估计的非局部谱 - 空间结构稀疏表示的高光谱图像恢复,JStars2013,Y。Qian等。
- 用于高光谱图像去噪的光谱空间核,IEE TGRS2015,Y。Yuan等。
- 具有非iid噪声结构的高光谱图像去噪,IEEE TCYB2017,Y。Chen等。
- 通过融合选择的相关Bandsx进行高光谱图像去噪,IEEE TGRS2018,X。Zheng等。一种用于高光谱图像混合噪声消除的新型秩近似方法,IEEE TGRS2098,X。Zheng等。
(原网页上述算法部分有PDF文章和代码供阅读)
二、数据集
- CAVE数据集
- AVIRIS
- ROSIS
- HYDICE
- EO-1 Hyperion数据
- 哈佛数据集
- iCVL数据集
- NUS数据
- NTIRE18数据集
(原网页上述数据集均有链接)
三、评价指标
- 峰值信噪比(PSNR)
- 结构相似性指数(SSIM)
- 特征相似性指数(FSIM)
- Erreur Relative Globale AdimensionnelledeSynthèse(ERGAS)
- 光谱角度映射器(SAM)
这一部分原网页上没有相关的代码和公式,在这里推荐我师兄的一篇博客《高光谱图像重构常用评价指标及其Python实现》,这篇博客里介绍了MSE、PSNR、SSIM、SAM计算的相关代码,FSIM和ERGAS我还没有找到相关代码,如果有知道的还请评论里交流一下QAQ
这篇资源清单我个人感觉还挺不错的,觉得有用的朋友可以给作者小星星啊hhhh
来源:oschina
链接:https://my.oschina.net/u/4283724/blog/3540089