Les images hyperspectrales réelles (HSI) sont facilement endommagées par du bruit mixte de haute intensité, il est crucial de modéliser précisément le bruit pour les tâches de traitement ultérieures. La méthode de modélisation du bruit laplacien asymétrique a obtenu un bon effet de suppression du bruit mixte, ce type de méthode prend en compte la robustesse et l'asymétrie du bruit, modélisant des bruits différents dans différentes bandes. Cependant, elle néglige les caractéristiques de distribution inhérentes à l'espace de base des gradients HSI, ce qui entraîne des résidus de bruit. Pour résoudre ce problème, un modèle de débruitage HSI d'espace de base laplacien asymétrique total varié (BSALTV) est proposé. L’espace de base des gradients Ui préserve pleinement les informations a priori du gradient original, permettant de mieux refléter la distribution rare du gradient HSI et de présenter une distribution asymétrique unique dans différentes bandes. En explorant la distribution asymétrique des gradients et du bruit, nous avons précisément exploré les informations de rang global de l'image et les caractéristiques de distribution du bruit dans différentes bandes spectrales, réduisant ainsi le bruit, évitant la distorsion excessive de l'image et le lissage excessif. Enfin, en résolvant le modèle à l'aide de l'algorithme ADMM, les résultats de nombreuses expériences sur des ensembles de données synthétiques et réelles ont montré que la méthode proposée est supérieure à d'autres méthodes avancées de débruitage.

hyperspectral image;denoising;Noise modeling;Asymmetric Laplacian distribution;Total variation;Gradient basis space;Sparse prior;Alternate direction multiplier method