高光谱遥感数据噪声处理的方法有哪些？

高光谱图像精细光谱数据能够充分反映地物光谱的细微特征。依据不同地物在光谱特征上的相对差异就可实现地物类别区分，实现目标探测和精细分类。广西善图科技有限公司

但是，由于成像光谱仪波段通道很密而造成光成像能量不足，故相对全色图而言，高光谱图像的信噪比(SNR)提高比较困难。在图像数据的获取过程中，地物光谱特征在噪声的影响下容易产生“失真”。另外由于高光谱数据量大，在精细分类过程中，往往需要对数据进行降维处理，而在降维过程中需要最大限度保留信号和压缩噪声，所以精确的噪声评估很有必要。另外噪声对精细分类的结果也有最直接影响。所以需要对高光谱数据进行噪声评估。

主要的噪声认为是高斯白噪声，分为加性噪声和乘性噪声。

​噪声评估主要有三种方法：实验室法、暗电流法和图像法。由于前两种方法在实验中难以实现，广泛应用的是第三种——图像法。

图像法分为以下几种：

均匀区域法(HA)

主要思想：从图像中选取四个以上均匀区域，通过计算这些均匀区域标准差的平均值获取图像噪声的估计值。

不足：需要人工进行均匀区域选择，无法自动化；满足条件的均匀区域在大部分遥感图中并不存在；子区域噪声估计并不能代表整幅图像的噪声。

地学统计法(GS)

主要思想：从图像中选择几条均匀的窄条带，通过对这些窄条带的半方差函数的计算实现对图像噪声的估算。一定程度上利用了成像光谱数据的空间相关性。

不足：与均匀区域法相似。

局部均值与局部标准差法(LMLSD)

主要思想：假定图像由大量均匀的小块构成，且噪声以加性噪声为主。使用局部均值和局部标准差的概念，将图像分割为很多小块，然后计算这些子块的标准差作为局部噪声大小，并选择包含子块数最多区间的局部标准差的平均值作为整个图像的最佳噪声估计。

不足：只对高斯白噪声有效，对高斯随机噪声的图像，信号被噪声干扰。

空间/光谱维去相关法(SSDC)

主要思想：是一种专门针对高光谱图像的噪声评估方法，利用高光谱图像空间维和光谱维存在高相关性的特点，通过多元线性回归去除具有高相关性的信号，利用得到的残差图像对噪声进行估算。

评价：该方法受地物覆盖类型影响小，并且可以自动执行，是目前较为稳定的高光谱图像噪声评价方法。