高光譜圖像去噪相關資源彙總（經常使用對比算法+數據集+評價指標）

　　最近在跟同窗一塊兒作高光譜圖像去噪相關的實驗，同窗找到了一個github上的資源清單，感受很是有用，分享在這裏：點我看寶藏

　　感謝 Yongshen Zhao 和 Junjun Jiang 整理的這份資料~

　　下面我大體作一點翻譯，讓你們能夠更方便地瞭解到這份資料的內容：

　　

　　1、去噪方法

　　一、帶式去噪方法（Band-wise denoising methods）

• [BM3D]經過稀疏3-D變換域協同過濾進行圖像去噪，TIP2007，K。Dabov等。
• [WNNM]應用於圖像去噪的加權核範數最小化，CVPR2014，S。Gu等。
• [EPLL]從天然圖像斑塊的學習模型到整個圖像恢復，ICCV2011，D。Zoran等。

 　　二、基於多頻段的方法

　　1）變換域方法

• 基於小波的高光譜圖像估計，IGARSS2003，I。Atkinson等。
• 使用3D小波進行高光譜圖像去噪，IGARSS2013，B。Rasti等。
• 用於體數據去噪和重建的非局部變換域濾波器，TIP2012，M。Maggioni等。
• 使用小波域中的一階譜粗糙度懲罰的高光譜圖像去噪，JStars2014，B.Rasti等。

　　2）空間域方法

　　經過採用合理的假設或先驗，例如沿Spetrum的全局相關，跨空間的非局部自類似性（NSS），總變差（TV），非本地（Non-Local），稀疏表示（SR），低秩（LR）模型，張量模型等，基於空間域的方法能夠很好地保持空間和光譜特徵。

　　 （原網頁有上述算法相關的不一樣文章，有PDF文章和部分算法的代碼供閱讀）

　　三、深度學習方法

• 利用可訓練非線性函數的深度學習進行高光譜圖像去噪，GRSL2017，W。Xie等。
• 採用空間光譜深度殘餘卷積神經網絡的高光譜圖像去噪，TGRS2018，Q。Yuan等。
  
• HSI-DeNet：經過卷積神經網絡進行高光譜圖像恢復，TGRS2019，Yi Chang等。
  
• Deep Hyperspectral Prior：Deoising，Inpainting，Super-Resolution，arxiv2019，Oleksii Sidorov et al。
  
• 利用空間光譜梯度網絡進行高光譜圖像混合噪聲消除，IEEE TGRS 2019，Qiang Zhang等。
  
• 用於高光譜圖像去噪的深空間譜表示學習，IEEE TCI 2019，Weisheng Dong等。

　　（原網頁上述算法部分有PDF文章和代碼供閱讀）

　　四、其餘方法

• 使用混合空間光譜衍生域小波收縮的高光譜圖像的降噪，TGRS2006，H.Othman等。
• 採用光譜 - 空間自適應總變差模型的高光譜圖像去噪，TGRS2012，Q。Yuan等。
• 三維非局部意味着用於高光譜圖像去噪的噪聲估計濾波器，IGRSS2013，Y。Qian等。
• 使用具備噪聲估計的非局部譜 - 空間結構稀疏表示的高光譜圖像恢復，JStars2013，Y。Qian等。
• 用於高光譜圖像去噪的光譜空間核，IEE TGRS2015，Y。Yuan等。
• 具備非iid噪聲結構的高光譜圖像去噪，IEEE TCYB2017，Y。Chen等。
  
• 經過融合選擇的相關Bandsx進行高光譜圖像去噪，IEEE TGRS2018，X。Zheng等。一種用於高光譜圖像混合噪聲消除的新型秩近似方法，IEEE TGRS2098，X。Zheng等。

　　（原網頁上述算法部分有PDF文章和代碼供閱讀）

 

　　2、數據集

• CAVE數據集
• AVIRIS
• ROSIS
• HYDICE
• EO-1 Hyperion數據
• 哈佛數據集
• iCVL數據集
• NUS數據
• NTIRE18數據集

　　（原網頁上述數據集均有連接）

　　3、評價指標

• 峯值信噪比（PSNR）
• 結構類似性指數（SSIM）
• 特徵類似性指數（FSIM）
• Erreur Relative Globale AdimensionnelledeSynthèse（ERGAS）
• 光譜角度映射器（SAM）

　　這一部分原網頁上沒有相關的代碼和公式，在這裏推薦我師兄的一篇博客《高光譜圖像重構經常使用評價指標及其Python實現》，這篇博客裏介紹了MSE、PSNR、SSIM、SAM計算的相關代碼，FSIM和ERGAS我尚未找到相關代碼，若是有知道的還請評論裏交流一下QAQ

 

　　這篇資源清單我我的感受還挺不錯的，以爲有用的朋友能夠給做者小星星啊hhhh