Poissonian Blurred Hyperspectral Imagery Denoising Based on Variable Splitting and Penalty Technique
Notice bibliographique
Résumé
Poisson noise is one of the significant sources of noise present in hyperspectral imagery (HSI). In most of the existing denoising methods, Poisson noise is first transformed into Gaussian noise through the Anscombe transform and then removed. However, the use of Anscombe transform can give rise to transform errors that affect the final denoising results. In addition, blurs often contaminate the HSI during the imaging procedure, which makes it more difficult to remove the Poisson noise. In view of the above problems, under the maximum a posteriori (MAP) model, we propose a Poissonian blurred HSI denoising based on variable splitting and penalty technique (named as VSPT) to directly remove the Poissonian blurred HSI noise without using the Anscombe transform. By finding the minimum value of the negative logarithmic Poisson log-likelihood combined with the total variation (TV), the proposed method transforms the problem into two subproblems, which are easier to solve: 1) a TV regularized deconvolution problem and 2) an ordinary convex optimization problem. The experimental results show that the proposed VSPT method can effectively remove Poisson noise in HSI contaminated by blurs during the imaging procedure.
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».