Hyperspectral Image Denoising Using a Spatial–Spectral Monte Carlo Sampling Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Hyperspectral image (HSI) denoising is essential for enhancing HSI quality and facilitating HSI processing tasks. However, the reduction of noise in HSI is a difficult work, primarily due to the fact that HSI consists much more spectral bands than other remote sensing images. Therefore, comparing with other image denoising jobs that rely primarily on spatial information, efficient HSI denoising requires the utilization of both spatial and spectral information. In this paper, we design an unsupervised spatial-spectral HSI denoising approach based on Monte Carlo sampling (MCS) technique. This approach allows the incorporation of both spatial and spectral information for HSI denoising. Moreover, it addresses the noise variance heterogeneity effect among different HSI bands. In the proposed HSI denoising scheme, MCS is used to estimate the posterior distribution, in order to solve a Bayesian least squares optimization problem. Based on the proposed scheme, we iterate all pixels in HIS and denoise them sequentially. A referenced pixel in hyperspectral image is denoised as follows. First, some samples are randomly drawn from image space close to the referenced pixel. Second, based on a spatial-spectral similarity likelihood, relevant samples are accepted into a sample set. Third, all samples in the accepted set will be used for calculating the estimation of posterior distribution. Finally, based on the posterior, the noise-free pixel value is estimated as the discrete conditional mean. The proposed method is tested on both simulated and real hyperspectral images, in comparison with several other popular methods. The results demonstrate that the proposed method is capable of removing the noise largely, while also preserving image details very well.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle