基于分组三维离散余弦变换字典的植物高光谱数据去噪方法

发布时间：2018-01-20 16:47

本文关键词： 光谱学高光谱数据植物光谱特征三维离散余弦变换字典二维离散余弦变换字典　出处：《光学学报》2017年06期 　论文类型：期刊论文

【摘要】：针对植物高光谱图像各波段噪声强度不同,以及空间域和谱域均存在噪声污染的问题,提出了一种基于分组三维(3D)离散余弦变换(DCT)字典的稀疏表示去噪方法。首先分析了植物光谱特征,根据谱间相关性对波段进行分组;然后采用边缘块剔除的局部均值标准差法对高光谱图像进行噪声标准差估计,为去噪算法提供参考阈值;最后构建三维DCT字典的稀疏表示去噪方法,对植物高光谱图像进行去噪。实验结果表明,与原始数据和二维DCT字典去噪方法相比,谱域噪声评估中平均信噪比分别提高18.2dB和9.2dB。因此,该方法不仅具有较好的空间域去噪能力,也有较好的谱域去噪能力。
[Abstract]:According to the difference of noise intensity in different bands of plant hyperspectral images and the problem of noise pollution in both spatial and spectral domains. In this paper, a sparse representation denoising method based on grouping 3D / 3D discrete cosine transform (DCT) dictionary is proposed. Firstly, the spectral characteristics of plants are analyzed, and the bands are grouped according to the correlation between spectra. Then the local mean standard deviation method is used to estimate the noise standard deviation of hyperspectral images, which provides a reference threshold for the denoising algorithm. Finally, the sparse representation denoising method of 3D DCT dictionary is constructed, and the plant hyperspectral image is de-noised. The experimental results show that the method is compared with the original data and two-dimensional DCT dictionary de-noising method. The average signal-to-noise ratio (SNR) is increased by 18.2dB and 9.2 dB in spectral domain noise evaluation, respectively. Therefore, this method not only has better spatial domain denoising ability, but also has better spectral domain de-noising ability.
【作者单位】：杭州电子科技大学生命信息与仪器工程学院;
【基金】：国家自然科学基金(41671415);国家自然科学基金青年基金(61205200) 国家重大科研仪器研制项目(61427808) 浙江省公益技术应用研究项目(2016C32087)
【分类号】：TP391.41
【正文快照】： 在植物高光谱图像获取过程中,植物光谱特征在噪声影响下容易产生“失真”,如对某一吸收特征进行探0630003-1测,则要求噪声水平比吸收深度至少低一个数量级[1]。噪声污染不仅降低了视觉质量,也限制了图像的判读、精度的分析以及光谱信息提的取等。因此,植物高光谱图像去噪对数

【参考文献】