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.Resume. Hyperspectrale l'image (HSI) debruitage est une condition prealable pour de nombreuses applications ulterieures. Pour un HSI, le niveau et le type de bruit varie souvent avec differents groupes et positions spatiales, ce qui rend difficile d'eliminer efficacement le bruit tout en preservant les textures et les bords. Pour pallier ce probleme, nous proposons un nouveau modele de variation totale. Les principales contributions de l'approche proposee mensonge dans la conception des termes de regularisation adaptative dans les deux dimensions spatiales et spectrales, et en les combinant dans un cadre unifie. Les deux termes de regularisation separes permettent une meilleure description de la nature intrinseque des donnees HSI original et peuvent penaliser simultanement le bruit a la fois des perspectives spatiales et spectrales. Les poids concus pour les termes de regularisation sont en correlation positive avec la grandeur de l'intensite du bruit et correlation negative avec la variation de signal; ainsi, le signal d'origine peut etre retenu avec precision et le bruit peut etre efficacement supprimee. Pour traiter efficacement le HSI, qui apparait comme un enorme cube de donnees, un nouvel algorithme d'optimisation base sur la methode de direction alternee de multiplicateurs << alternating direction method of multipliers >> (ADMM) procedure est proposee pour resoudre le nouveau modele. Des experiences utilisant des images AVIRIS et HYDICE et ont ete menees afin de valider l'efficacite de la methode proposee.