denoiseNGMeet
使用非本地满足全球方法的Denoise Hyperspectral图像
描述
outputData= denoiseNGMeet (inputData）
outputData= denoiseNGMeet (inputData，名称,值）
请注意
此功能需要图像处理工具箱™高光谱成像库．你可以安装图像处理工具箱高光谱成像库从附加的探险家。有关安装附加组件的详细信息，请参见获取和管理附加组件．
例子
利用NGmeet方法去噪高光谱数据
读取高光谱数据到工作区。
hcube =超立方体('paviau.hdr')；
对输入数据进行归一化，并在归一化后的输入数据中加入高斯噪声。
hcube =超立方体(重新调节(hcube.DataCube) hcube.Wavelength);inputData = imnoise (hcube。DataCube,'高斯', 0, 0.005);inputData = assignData (hcube,'：'，'：'，'：', inputData);
用NGmeet方法去噪高光谱数据。
outputData = denoiseNGMeet (inputData);
估计RGB图像的输入，噪声，和去噪的输出数据。通过应用对比度拉伸来增加图像的对比度。
originalImg =再着色(hcube,“方法”，'RGB'，'僵硬',真正的);noisyimg = colorize（inputdata，“方法”，'RGB'，'僵硬',真正的);denoisedImg =再着色(outputData,“方法”，'RGB'，'僵硬',真正的);
显示原始、噪声和去噪数据的RGB图像。
图蒙太奇（{Orijorimg，Noisyimg，Denoissimg}）标题（'输入图像|嘈杂的图像|去世图像')；
设置高光谱去噪NGMeet参数
读取高光谱数据到工作区。
hcube =超立方体('paviau.hdr')；
对输入数据进行归一化，并在归一化后的输入数据中加入高斯噪声。
hcube =超立方体(重新调节(hcube.DataCube) hcube.Wavelength);inputData = imnoise (hcube。DataCube,'高斯', 0, 0.005);inputData = assignData (hcube,'：'，'：'，'：', inputData);
使用NGMEET方法向噪声噪声数据进行去噪。将平滑参数值设置为0.01和迭代的数量。
outputdata = denoisengmeet（inputdata，“σ”, 0.01,“NumIterations”4);
估计RGB图像的输入，噪声，和去噪的输出数据。通过应用对比度拉伸来增加图像的对比度。
originalImg =再着色(hcube,“方法”，'RGB'，'僵硬',真正的);noisyimg = colorize（inputdata，“方法”，'RGB'，'僵硬',真正的);denoisedImg =再着色(outputData,“方法”，'RGB'，'僵硬',真正的);
显示原始、噪声和去噪数据的RGB图像。
图蒙太奇（{Orijorimg，Noisyimg，Denoissimg}）标题（'输入图像|嘈杂的图像|去世图像')；
输入参数
输出参数
算法
NGMEET方法通过使用这些步骤估计DEAORAY数据多维数据集。对于每次迭代，我
计算噪声输入数据的频谱低秩近似值（Y我)，利用奇异值分解。近似结果是一个简化的数据立方体(米我)和相关的正交基一个我．
执行减少数据多维数据集的空间去噪米我采用非局部相似过滤。你可以通过指定平滑参数来控制平滑的程度
“σ”．执行逆投影。映射去噪减少的数据多维数据集米我到原空间的正交基一个我．结果为去噪输出(X我）在迭代中获得我．
执行迭代正则化。更新噪声输入数据，YI + 1＝λ.X我+ (1 -λ.）Y我．
重复步骤1到4，用于指定的迭代次数。最终价值X我是去噪的高光谱数据。
参考
何伟，姚全明，李超，横古屋直人，赵启斌。“非局部满足全局:高光谱去噪的综合范式”。在2019 IEEE/CVF计算机视觉与模式识别大会(CVPR)6861-70。长滩，加利福尼亚州，美国：IEEE，2019. https://doi.org/10.1109/cvpr.2019.00703。
另请参阅
您还可以从以下列表中选择一个网站：
