Las imágenes hiperespectrales reales (HSI) son susceptibles de sufrir daños debido al ruido mixto de alta intensidad, por lo que es crucial modelar con precisión el ruido para las tareas de procesamiento posteriores. El método de modelado de ruido laplaciano asimétrico ha logrado un buen efecto de eliminación del ruido mixto, este tipo de método tiene en cuenta la robustez y la asimetría del ruido, modelando diferentes ruidos en diferentes bandas. Sin embargo, se ignoran las características de distribución inherentes al espacio base de gradientes HSI, lo que resulta en residuos de ruido. Para resolver este problema, se propone un modelo de eliminación de ruido HSI de espacio base laplaciano asimétrico total variado (BSALTV). El espacio base de gradientes Ui conserva completamente la información a priori sobre el gradiente original, lo que permite reflejar mejor la distribución rara del gradiente HSI y presentar una distribución asimétrica única en diferentes bandas. Al explorar la distribución asimétrica de gradientes y ruidos, exploramos con precisión la información de rango global de la imagen y las características de distribución del ruido en diferentes bandas espectrales, reduciendo el ruido, evitando la distorsión excesiva de la imagen y el suavizado excesivo. Finalmente, al resolver el modelo con el algoritmo ADMM, los resultados de numerosos experimentos en conjuntos de datos sintéticos y reales mostraron que el método propuesto es mejor que otros métodos avanzados de eliminación de ruido.

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