高维度的高分辨率高光谱影像易受到高斯噪声、脉冲噪声、条带噪声、死像元等混合噪声的影响，导致高分辨率遥感影像不同波段目标地物信息损失、几何结构缺失和纹理信息不完整等问题，本研究顾及双因子特性影响—子空间的频谱连续性和频谱非局部稀疏特性，提出了双因子张量级联低秩分解的高光谱图像去噪方法（Double-Factors Tensor Cascaded-Rank Decomposition, DFTCR ），成功对高光谱混合噪声进行去除，有效地恢复显著目标地物信息和几何结构纹理信息，为保障后续高层语义解译精度提供了高质量数据。相关成果发表在遥感类期刊《Remote sensing》上。

本研究提出了双因子张量级联低秩分解的高光谱图像去噪方法，具体的示意图如图1所示。为了避免维度灾难而导致计算效率降低，利用张量子空间分解空留数据的多维结构，减少数据的表征冗余，且能够保留更多的信息，减少信息损失。为了保证复原的高光谱图像的几何和纹理信息的一致性，对子空间分解的基张量进行了空间连续性和梯度稀疏性开展了统计分析研究，采用正则化约束的方式构建约束项。另外，为了维持高光谱图像谱段间的光谱信息的一致性，利用清晰和含噪图像的光谱间的差异性，结合光谱段的非局部低秩特性和谱间差分的稀疏特性，构建先验正则模型。通过张量级联低秩分解方式将空—谱先验信息进行联合构建适合高光谱图像去噪模型，采用凸优化的方法进行高光图像的高质量复原。最后在不同的数据集上开展实验验证本研究算法的有效性和实用性（如图2~4所示）。

图1 DFTCR方法的示意图

图2 不同高光谱去噪算法的谱间结果对比图

图3 实测Indian Pines 数据集去噪结果 (可视化波段选择：R:89, G:27, B:17). (a)实测含噪影像. (b) BM4D. (c)LRMR. (d) LRTDTV. (e) WLRTR. (f) FGLR. (g) NGMeet. (h) NLSSR. (i) FGSLR. (j)NFF. (k)SDeCNN. (l) STCR. (m) DFTCR.

图4 实测国产高光谱卫星—高分5号数据去噪结果 (可视化波段选择：R:155, G:102, B:16). (a)实测含噪影像. (b) BM4D. (c)LRMR. (d) LRTDTV. (e) WLRTR. (f) FGLR. (g) NGMeet. (h) NLSSR. (i) FGSLR. (j)NFF. (k)SDeCNN. (l) STCR. (m) DFTCR.

文章链接：doi.org/10.3390/rs16010109