denoiseNGMeet
基于非局部与全局相结合的高光谱图像去噪方法
描述
outputData= denoiseNGMeet (inputData）
outputData= denoiseNGMeet (inputData，名称,值）
请注意
此函数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”，“ContrastStretching”,真正的);noisyImg =再着色(inputData,“方法”，“rgb”，“ContrastStretching”,真正的);denoisedImg =再着色(outputData,“方法”，“rgb”，“ContrastStretching”,真正的);
显示原始、噪声和去噪数据的RGB图像。
图蒙太奇({originalImg、noisyImg denoisedImg})标题('Input Image | noise Image | Denoised Image')；
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);
利用NGmeet方法对高光谱数据进行去噪。设置平滑参数值为0.01，迭代次数为4次。
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”，“ContrastStretching”,真正的);noisyImg =再着色(inputData,“方法”，“rgb”，“ContrastStretching”,真正的);denoisedImg =再着色(outputData,“方法”，“rgb”，“ContrastStretching”,真正的);
显示原始、噪声和去噪数据的RGB图像。
图蒙太奇({originalImg、noisyImg denoisedImg})标题('Input Image | noise Image | Denoised Image')；
输入参数
输出参数
算法
NGMeet方法通过使用这些步骤来估计去噪后的数据立方体。对于每一个迭代,我
计算噪声输入数据的谱低秩近似(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．
对简化后的数据立方体进行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。映射去噪简化的数据立方体米我到原空间的正交基一个我．结果为去噪输出(X我)迭代时得到的我．
执行迭代正则化。更新噪声输入数据，Y我+ 1＝λX我+ (1 -λ）Y我．
对于指定的迭代次数，重复步骤1到4。最终的价值X我为去噪后的高光谱数据。
参考文献
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。美国加州长滩:IEEE, 2019。https://doi.org/10.1109/CVPR.2019.00703。
另请参阅
你也可以从以下列表中选择一个网站:
