BriefGPT - AI 论文速递
·
全景去噪：基于加权表示系数总变差的引导式高光谱图像去噪
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
本文介绍了一种新的高光谱图像去噪方法，利用泛光图像指导去噪过程，提供先验信息。作者提出了全景加权表示系数全变差（PWRCTV）用于平滑区域和边缘区域的权重分配。实验证明，PWRCTV 在指标和视觉质量方面优于其他方法，并提高高光谱图像分类任务性能。
🎯
关键要点
-
本文介绍了一种新的高光谱图像去噪方法，称为全景去噪。
-
全景去噪利用泛光图像捕捉与高光谱图像类似的结构和纹理，噪声较少。
-
该方法提供额外的先验信息，有助于揭示传统去噪方法无法建模的底层结构和细节。
-
提出了一种新颖的正则化项，全景加权表示系数全变差（PWRCTV），用于去噪过程。
-
PWRCTV 根据PAN图像的梯度图为每个像素分配不同的总变差正则化权重。
-
在平滑区域赋予更大的权重，在边缘区域赋予较小的权重。
-
该正则化项是全景去噪模型的基础，使用交替方向乘子法求解。
-
大量实验表明，PWRCTV在指标和视觉质量方面优于其他先进方法。
-
高光谱图像分类实验验证了PWRCTV作为预处理方法可以提高分类任务的性能。
➡️
