1、高光譜遙感圖像的去噪不同于二維自然圖像，其三維數(shù)據(jù)塊模式?jīng)Q定了去噪方法通常要考慮二維空間信息和一維譜間信息。高光譜遙感圖像去噪是整個圖像分析流程的預處理階段，對其后續(xù)的應用提起到了十分重要的作用，它的存在有著十分重要的意義。
　　由于高光譜遙感圖像的強譜間相關性，使得多元線性回歸在研究和實踐中得到廣泛的應用。多元線性回歸（MLR）理論主要針對的是圖像信息和噪聲呈現(xiàn)出不同的譜間相關性，通過其變換能夠將圖像信息和噪聲得到分離，從而實現(xiàn)

2、純凈圖像和噪聲信號的初步估計。
　　稀疏化表示的緊支性和分解的層次性，使得稀疏化表示在二維圖像去噪中被廣泛地應用。它主要針對的是圖像信息和噪聲經(jīng)過變換后在不同尺度下呈現(xiàn)不同規(guī)律，通過閾值或其他系數(shù)調整方法，達到二維空間信息中噪聲的移除。
　　高光譜遙感圖像的數(shù)據(jù)降維實質是利用較少波段將幾十甚至幾百波段的數(shù)據(jù)信息保留起來。本文利用了噪聲調整的主成分分析（NAPCA），因其主成分排列按照信噪比（SNR）由高到低，所以相對于根據(jù)方

3、差排列的主成分分析在去噪時呈現(xiàn)了更好的圖像信息保留能力。
　　由多元線性回歸理論，稀疏化表示，數(shù)據(jù)降維在高光譜遙感圖像上的廣泛應用，本文提出了一種噪聲估計方法和三種去噪方法。通過仿真實驗和真實數(shù)據(jù)實驗驗證提出方法的可行性和適用性。主要工作如下：
　　1、結合多元線性回歸和小波系數(shù)中值理論的噪聲估計
　　首先利用多元線性回歸去除譜間相關性，初步估計出噪聲信號，然后對其噪聲信號進行小波變換，將小波高頻系數(shù)的中值作為噪聲方差

4、的估計。仿真實驗的結果表明，該方法在估計誤差上獲得了更優(yōu)的結果，真實數(shù)據(jù)證明了噪聲估計方法的可行性和適用性。
　　2、基于多元線性回歸的去噪方法
　　多元線性回歸作用于高光譜遙感圖像，得到預測圖像信息和噪聲。因預測圖像仍含有少部分噪聲，而噪聲信號里則有部分圖像信息，所以需對預測圖像進一步進行噪聲去除，以及提取噪聲信號中的圖像信息。在對預測圖像去噪時，因具有較高SNR，噪聲級較低，為使噪聲突出而利于去除，需將預測圖像變換到微分

5、域，再利用Bivashrink函數(shù)對其微分域圖像的小波系數(shù)收縮，最后經(jīng)過積分以及積分修正獲得經(jīng)過處理的預測圖像。噪聲信號因其突出的噪聲而直接利用Bivashrink函數(shù)進行收縮去噪提取圖像信息。提取出的圖像信息修正處理過的預測圖像信息獲得最后的去噪結果。仿真實驗結果表明，提出的去噪方法充分地利用了高光譜遙感圖像的所有信息，并且獲得了更優(yōu)的SNR和每波段的局方根誤差（RMSE）。
　　3、在Curvelet域高光譜遙感圖像的分析和去

6、噪
　　直接對高光譜遙感圖像的噪聲去除，可能在去噪的同時，圖像某些細節(jié)也被誤認為噪聲去除，因此考慮變換到新的表示域進行去噪。首先高光譜遙感圖像按波段變換到Curvelet域，按照來自不同波段同一尺度同一方向的Curvelet域的表示進行數(shù)據(jù)堆疊，獲得不同尺度不同方向的數(shù)據(jù)塊，它們表示了Curvelet域的高光譜遙感圖像。通過分析這些數(shù)據(jù)塊的譜間相關性，知道它們保持了高光譜遙感圖像的強譜間相關性，因此多元線性回歸理論可以應用于純凈數(shù)

7、據(jù)在Curvelet域的表示估計，其中每個波段的低頻部分因主要含有圖像信息而不被處理。仿真實驗結果表明變換到新的表示域去除噪聲是可行的，并且獲得了較高的SNR，在比較每個波段的RMSE和平均結構相似度（MSSIM）都可以看出本文算法是優(yōu)于文獻的方法。
　　4、NAPCA用于高光譜遙感圖像去噪
　　高光譜遙感圖像的數(shù)據(jù)降維思想是將幾十甚至幾百波段的圖像信息壓縮到幾個或者十幾個波段。而不同的降維方法有其各自的優(yōu)勢，由于本文的目的