面向高光谱图像混合噪声与线条条带去除的自校准子空间鲁棒主成分分析

arXiv:2610.21896v1 公告类型：新 摘要：高光谱图像（HSI）通常会受到高斯噪声、脉冲噪声和强度随波段变化的条带噪声污染。代表性系数相关全变分（RCCTV）模型能够高效恢复 HSI，但缺少高斯噪声项和条带项，其噪声感知扩展还要求预先指定噪声水平和条带预算。本文提出一种自校准 RCCTV（SC-RCCTV）模型，在迭代过程中自适应地估计噪声参数。该模型在 RCCTV 中引入按波段设置的稠密项，以及沿线恒定的列条带项和行条带项。每个波段的噪声水平首先通过不受条带影响的中位数绝对偏差估计器进行初始化，然后根据残差在线细化，从而将稀疏噪声与稠密噪声的分离转化为按波段自适应的 Huber 损失；条带阈值则由显著性检验确定，其虚警率可以通过解析方式预测。无需针对特定图像调节参数，交替方向乘子法（ADMM）求解器的每个子问题都可以闭式求解。在存在线条条带的情况下，SC-RCCTV 在原始尺寸数据立方体上的性能比无参数的 FastHyMix 高 8.17 dB；在完全没有噪声信息的情况下，其性能比使用真实噪声参数的 S3TTV 高 1.52 dB，同时运行速度快 1,900 倍以上。平均而言，其性能与使用真实噪声水平的同一模型相差不超过 0.01 dB，并且其在线校准效果优于“先估计、后去噪”的两阶段方案。在真实的 Indian Pines 和 Urban 数据上的实验进一步明确了该方法对不贯穿整条线的条带的适用范围。