超拉普拉斯正则化单向低秩张量恢复用于多光谱图像降噪

最近的基于低秩的矩阵/张量恢复方法已经在多光谱图像(MSI)去噪中得到了广泛的探索。 但是,这些方法忽略了固有结构相关性沿空间稀疏性,光谱相关性和非局部自相似性模式的差异。 在本文中,我们通过对矩阵和张量情况下的秩属性进行详细分析,进一步找出非局部自相似性是关键因素,而其他人的低秩假设可能不成立。 这促使我们设计一个简单而有效的单向低秩张量恢复模型,该模型能够如实地捕获固有的结构相关性,并减少计算负担。 然而,由于重叠的补丁/立方体的聚集,低等级模型遭受了振铃伪影。 虽然以前的方法诉诸于空间信息,但我们通过利用MSI中的专有频谱信息来解决此问题,从而提供了一个新的视角。 引入基于分析的超拉普拉斯先验模型对全局频谱结构进行建模,以间接减轻空间域中的振铃伪影。 与现有方法相比,该方法的优点是多方面的:更合理的结构相关可表示性,更少的处理时间以及重叠区域中更少的伪影。 所提出的方法在多个基准上得到了广泛评估,并且明显优于最新的MSI去噪方法。