An evaluation of wavelet-denoised hyperspectral data for remote sensing

AbstractIn this paper, hyperspectral data cubes that are denoised using a wavelet transform based hybrid spatial–spectral noise-reduction (HSSNR) algorithm are evaluated based on two approaches. The first approach relies on narrow-band vegetation indices and red-edge positions, and the second approach adopts a number of spectral similarity measures. The evaluation shows that the results from the HSSNR denoising algorithm are comparable to those from existing denoising algorithms for vegetation indices and red-edge positions and superior to those from existing denoising algorithms for spectral similarity measures.Dans cet article, des cubes de données hyperspectrales soumises à une procédure de débruitage à l'aide de la transformée en ondelettes basée sur les algorithmes de réduction du bruit HSSNR (« hybrid spatial–spectral noise reduction ») sont évaluées à l'aide de deux approches d'évaluation. La première approche s'appuie sur les indices de végétation en bande étroite et les positions du point d'inflexion du rouge, alors que la seconde approche adopte un certain nombre de mesures de similarité spectrale. Les résultats d'évaluation montrent que l'algorithme de réduction du bruit HSSNR affiche des résultats comparables à ceux des algorithmes de débruitage existants pour les indices de végétation et les positions du point d'inflexion du rouge, et des résultats supérieurs pour les mesures de similarité spectrale. [Traduit par la Rédaction]