Un modèle CNN unique pour le débruitage d'images hyperspectrales

Le débruitage est une étape de prétraitement courante avant l'analyse et l'interprétation des images hyperspectrales (HSI). Cependant, la grande majorité des méthodes généralement adoptées pour le débruitage des HSI exploitent des architectures initialement développées pour les images en niveaux de gris ou RGB, présentant des limitations lors du traitement de cubes de données HSI de haute dimension. En particulier, les méthodes traditionnelles ne tiennent pas compte de la haute corrélation spectrale entre les bandes adjacentes dans les HSI, ce qui entraîne une performance de débruitage insatisfaisante car les riches informations spectrales présentes dans les HSI ne sont pas pleinement exploitées. Pour surmonter cette limitation, cet article considère des modèles d'apprentissage profond, tels que les réseaux de neurones convolutionnels (CNN), pour effectuer un débruitage spectral-spatial des HSI. Le modèle proposé, appelé HSI single denoising CNN (HSI-SDeCNN), prend efficacement en compte à la fois l'information spatiale et spectrale contenue dans les HSI. Les résultats expérimentaux sur des données synthétiques et réelles démontrent que le HSI-SDeCNN proposé surpasse d'autres méthodes de débruitage d'HSI à la pointe de la technologie. Code source : https://github.com/mhaut/HSI-SDeCNN.