Hyperspectral Image Denoising with a Combined Spatial and Spectral Weighted Hyperspectral Total Variation Model

Hyperspectral image (HSI) denoising is a prerequisite for many subsequent applications. For an HSI, the level and type of noise often vary with different bands and spatial positions, which make it difficult to effectively remove noise while preserving textures and edges. To alleviate this problem, we propose a new total-variation model. The main contribution of the proposed approach lies in that the adaptive regularization terms in both the spatial and the spectral dimensions are designed separately and then combined into a unified framework. The 2 separate regularization terms allow a better description of the intrinsic nature of the original HSI data and can simultaneously penalize the noise from both the spatial and spectral perspectives. The designed weights for the regularization terms are positively correlated with the magnitude of the noise intensity and negatively correlated with the signal variation; thus, the original signal can be accurately retained and the noise can be effectively suppressed. To efficiently process the HSI, which appears as a huge data cube, a new optimization algorithm based on the alternating direction method of multipliers (ADMM) procedure is proposed to solve the new model. Experiments using HYDICE and AVIRIS images were conducted to validate the effectiveness of the proposed method. Résumé. Hyperspectrale l’image (HSI) débruitage est une condition préalable pour de nombreuses applications ultérieures. Pour un HSI, le niveau et le type de bruit varie souvent avec différents groupes et positions spatiales, ce qui rend difficile d’éliminer efficacement le bruit tout en préservant les textures et les bords. Pour pallier ce problème, nous proposons un nouveau modèle de variation totale. Les principales contributions de l’approche proposée mensonge dans la conception des termes de régularisation adaptative dans les deux dimensions spatiales et spectrales, et en les combinant dans un cadre unifié. Les deux termes de régularisation séparés permettent une meilleure description de la nature intrinsèque des données HSI original et peuvent pénaliser simultanément le bruit à la fois des perspectives spatiales et spectrales. Les poids conçus pour les termes de régularisation sont en corrélation positive avec la grandeur de l’intensité du bruit et corrélation négative avec la variation de signal; ainsi, le signal d’origine peut être retenu avec précision et le bruit peut être efficacement supprimée. Pour traiter efficacement le HSI, qui apparaı̂t comme un énorme cube de données, un nouvel algorithme d’optimisation basé sur la méthode de direction alternée de multiplicateurs «alternating direction method of multipliers» (ADMM) procédure est proposée pour résoudre le nouveau modèle. Des expériences utilisant des images AVIRIS et HYDICE et ont été menées afin de valider l’efficacité de la méthode proposée.