Ein einzelnes Modell-CNN für die Entrauschung hyperspektraler Bilder

Die Entrauschung ist ein häufiger preprocessing Schritt vor der Analyse und Interpretation hyperspektraler Bilder (HSIs). Allerdings nutzen die überwiegende Mehrheit der Methoden, die typischerweise für die Entrauschung von HSIs angenommen werden, Architekturen, die ursprünglich für Graustufen- oder RGB-Bilder entwickelt wurden, was zu Einschränkungen bei der Verarbeitung hochdimensionaler HSI-Datenwürfel führt. Insbesondere berücksichtigen traditionelle Methoden nicht die hohe spektrale Korrelation zwischen benachbarten Bändern in HSIs, was zu unzufriedenstellenden Entrauschungsergebnissen führt, da die reichhaltigen spektralen Informationen in HSIs nicht vollständig genutzt werden. Um diese Einschränkung zu überwinden, betrachtet dieser Artikel Deep-Learning-Modelle – wie z.B. Faltung neuronal Netzwerke (CNNs) – um die spektral-räumliche Entrauschung von HSIs durchzuführen. Das vorgeschlagene Modell, genannt HSI single denoising CNN (HSI-SDeCNN), berücksichtigt effizient sowohl die räumlichen als auch die spektralen Informationen in HSIs. Experimentelle Ergebnisse sowohl auf synthetischen als auch auf realen Daten zeigen, dass das vorgeschlagene HSI-SDeCNN andere moderne Methoden zur Entrauschung von HSIs übertrifft. Quellcode: https://github.com/mhaut/HSI-SDeCNN.