最近在跟同學一起做高光譜圖像去噪相關的實驗，同學找到了一個github上的資源清單，感覺非常有用，分享在這里：點我看寶藏
感謝 Yongshen Zhao 和 Junjun Jiang 整理的這份資料~
下面我大致做一點翻譯，讓大家可以更方便地了解到這份資料的內容：
一、去噪方法
1、帶式去噪方法（Band-wise denoising methods）
- [BM3D]通過稀疏3-D變換域協同過濾進行圖像去噪，TIP2007，K。Dabov等。
- [WNNM]應用於圖像去噪的加權核范數最小化，CVPR2014，S。Gu等。
- [EPLL]從自然圖像斑塊的學習模型到整個圖像恢復，ICCV2011，D。Zoran等。
2、基於多頻段的方法
1）變換域方法
- 基於小波的高光譜圖像估計，IGARSS2003，I。Atkinson等。
- 使用3D小波進行高光譜圖像去噪，IGARSS2013，B。Rasti等。
- 用於體數據去噪和重建的非局部變換域濾波器，TIP2012，M。Maggioni等。
- 使用小波域中的一階譜粗糙度懲罰的高光譜圖像去噪，JStars2014，B.Rasti等。
2）空間域方法
通過采用合理的假設或先驗，例如沿Spetrum的全局相關，跨空間的非局部自相似性（NSS），總變差（TV），非本地（Non-Local），稀疏表示（SR），低秩（LR）模型，張量模型等，基於空間域的方法可以很好地保持空間和光譜特征。
（原網頁有上述算法相關的不同文章，有PDF文章和部分算法的代碼供閱讀）
3、深度學習方法
- 利用可訓練非線性函數的深度學習進行高光譜圖像去噪，GRSL2017，W。Xie等。
- 采用空間光譜深度殘余卷積神經網絡的高光譜圖像去噪，TGRS2018，Q。Yuan等。
- HSI-DeNet：通過卷積神經網絡進行高光譜圖像恢復，TGRS2019，Yi Chang等。
- Deep Hyperspectral Prior：Deoising，Inpainting，Super-Resolution，arxiv2019，Oleksii Sidorov et al。
- 利用空間光譜梯度網絡進行高光譜圖像混合噪聲消除，IEEE TGRS 2019，Qiang Zhang等。
- 用於高光譜圖像去噪的深空間譜表示學習，IEEE TCI 2019，Weisheng Dong等。
（原網頁上述算法部分有PDF文章和代碼供閱讀）
4、其他方法
- 使用混合空間光譜衍生域小波收縮的高光譜圖像的降噪，TGRS2006，H.Othman等。
- 采用光譜 - 空間自適應總變差模型的高光譜圖像去噪，TGRS2012，Q。Yuan等。
- 三維非局部意味着用於高光譜圖像去噪的噪聲估計濾波器，IGRSS2013，Y。Qian等。
- 使用具有噪聲估計的非局部譜 - 空間結構稀疏表示的高光譜圖像恢復，JStars2013，Y。Qian等。
- 用於高光譜圖像去噪的光譜空間核，IEE TGRS2015，Y。Yuan等。
- 具有非iid噪聲結構的高光譜圖像去噪，IEEE TCYB2017，Y。Chen等。
- 通過融合選擇的相關Bandsx進行高光譜圖像去噪，IEEE TGRS2018，X。Zheng等。一種用於高光譜圖像混合噪聲消除的新型秩近似方法，IEEE TGRS2098，X。Zheng等。
（原網頁上述算法部分有PDF文章和代碼供閱讀）
二、數據集
- CAVE數據集
- AVIRIS
- ROSIS
- HYDICE
- EO-1 Hyperion數據
- 哈佛數據集
- iCVL數據集
- NUS數據
- NTIRE18數據集
（原網頁上述數據集均有鏈接）
三、評價指標
- 峰值信噪比（PSNR）
- 結構相似性指數（SSIM）
- 特征相似性指數（FSIM）
- Erreur Relative Globale AdimensionnelledeSynthèse（ERGAS）
- 光譜角度映射器（SAM）
這一部分原網頁上沒有相關的代碼和公式，在這里推薦我師兄的一篇博客《高光譜圖像重構常用評價指標及其Python實現》，這篇博客里介紹了MSE、PSNR、SSIM、SAM計算的相關代碼，FSIM和ERGAS我還沒有找到相關代碼，如果有知道的還請評論里交流一下QAQ
這篇資源清單我個人感覺還挺不錯的，覺得有用的朋友可以給作者小星星啊hhhh