論文筆記1:Full-Spectrum Denoising of High-SNR Hyperspectral Images
噪聲模型與估計
思維導圖:
在物理上,假設一個黑體,光子的散射僅與溫度有關,可以描述成均值爲方差爲泊松分佈。由信噪比的定義可知 於是有
其中NEDT爲得到統一SNR的溫度變化,噪聲標準差等於Noise Equivalent
Delta Radiance(NEDL),爲黑體輻射,爲波數。
根據普朗克定律,可以得到噪聲標準差的計算公式:
噪聲模型公式:
其中爲理想的無噪聲高光譜圖像,爲有噪聲高光譜圖像,爲參數爲NEDL的泊松隨機變量。
問題1:是否依賴於信號?如何加噪聲?
噪聲估計算法
\問題2:第18行將到的元素都改爲最小值,是否改得太多?會不會影響實驗結果?
算法分兩步,第一步(4-11行)對每個通道,找出最大相關值(不考慮對角線元素),使通道的數據有相同的均值,計算出噪聲方差的最初估計。缺點是可能包含了離羣值(第10行)。
第二步(12-19行)去除了離羣值,假設在一個短的頻率窗口內的噪聲水平不應該有很大的差別,噪聲經驗標準差的最小值應接近實際噪聲值。缺點是結果可能會得到一個小的低估偏差。
估計結果如下圖(模擬與真實):
去噪方法
去噪算法
\% 第18行應改爲
問題3:光譜聚類,Q的選取爲何是3?
第3行根據相似性,利用KMeans算法對頻率進行聚類,每一個類包含高相關性的頻率。第6行利用PCA降低頻域的維數,使得N=20(圖6)。其中第9行的表示降維後中的像素,第10行是的估計,表示PCA後噪聲的協方差矩陣,基於以下兩個假設:
- The PCA concentrated most of the variance of the noisy cluster in the first PCs.
- Given that was normalized in order that the noise had STD=1 along any wavenumber therefore .
原文使用下面的分段線性函數來估計,這裏(代碼)僅僅是對對角線元素用方差來替換。
第15行爲最優貝葉斯去噪方法,表示噪聲像素,表示去噪像素,表示與類中參考像素最相似的像素協方差矩陣,這裏的相似性度量爲皮爾遜自相關係數。
這個貝葉斯估計器最優是基於兩個假設:
- The frequency-dependent noise model is Gaussian and entirely characterized by its covariance matrix ;
- The pixel model is equally frequency-dependent Gaussian and characterized by its covariance matrix .
% 瞭解軟閾值函數,弄懂DTCWT的原理和代碼實現。
問題4:第25行的逆標準差規範化有點難理解,idx是什麼?
第20行利用dual-tree complex wavelet transform對剩餘主成分進行處理,第21行爲相鄰像素的小波係數絕對值平方和的平均,其中表示像素位置,第22行爲Donoho’s universal threshold,第23行爲軟閾值去噪(點運算)。
去噪過程不僅去掉了噪聲,也去掉了細節,因此使用一種Lee局部過濾修正方法來提高去噪信號和弄回重要的細節。第29行計算權重因子,第30行計算權重和。
實驗結果
這裏只列舉幾個重要的實驗結果。
模擬數據
使用的度量指標爲:
其中爲USI,爲無噪聲USI,$j爲波數,MSE爲均方誤差,表示真實值與預測值(估計值)差平方的期望。不用PSNR的原因是會產生離羣值,好比用馬雲和員工的工資來算平均工資。
結果如下圖:
對於DBBD方法,畫出去除信號的不同頻率的皮爾遜自相關值的直方圖,可以看到在0中心處達到尖端。
下表是7張模擬圖的平均MSNR,可以看出DBBD的超越性:
SSIM度量指標下的實驗結果:
在低SNR和通道數減少的情況下,DBBD和Chen的效果近似,TDL也取得不錯的結果:
真實數據
指標:自相關性(皮爾遜自相關係數)
論文復現(待更新)
1