最近在跟同学一起做高光谱图像去噪相关的实验，同学找到了一个github上的资源清单，感觉非常有用，分享在这里：点我看宝藏

下面我大致做一点翻译，让大家可以更方便地了解到这份资料的内容：

一、去噪方法

1、带式去噪方法(Band-wise denoising methods)

[BM3D]通过稀疏3-D变换域协同过滤进行图像去噪，TIP2007，K。Dabov等。

[WNNM]应用于图像去噪的加权核范数最小化，CVPR2014，S。Gu等。

[EPLL]从自然图像斑块的学习模型到整个图像恢复，ICCV2011，D。Zoran等。

2、基于多频段的方法

1)变换域方法

基于小波的高光谱图像估计，IGARSS2003，I。Atkinson等。

使用3D小波进行高光谱图像去噪，IGARSS2013，B。Rasti等。

用于体数据去噪和重建的非局部变换域滤波器，TIP2012，M。Maggioni等。

使用小波域中的一阶谱粗糙度惩罚的高光谱图像去噪，JStars2014，B.Rasti等。

2)空间域方法

通过采用合理的假设或先验，例如沿Spetrum的全局相关，跨空间的非局部自相似性(NSS)，总变差(TV)，非本地(Non-Local)，稀疏表示(SR)，低秩(LR)模型，张量模型等，基于空间域的方法可以很好地保持空间和光谱特征。

(原网页有上述算法相关的不同文章，有PDF文章和部分算法的代码供阅读)

3、深度学习方法

利用可训练非线性函数的深度学习进行高光谱图像去噪，GRSL2017，W。Xie等。

采用空间光谱深度残余卷积神经网络的高光谱图像去噪，TGRS2018，Q。Yuan等。

HSI-DeNet：通过卷积神经网络进行高光谱图像恢复，TGRS2019，Yi Chang等。

Deep Hyperspectral Prior：Deoising，Inpainting，Super-Resolution，arxiv2019，Oleksii Sidorov et al。

利用空间光谱梯度网络进行高光谱图像混合噪声消除，IEEE TGRS 2019，Qiang Zhang等。

用于高光谱图像去噪的深空间谱表示学习，IEEE TCI 2019，Weisheng Dong等。

(原网页上述算法部分有PDF文章和代码供阅读)

4、其他方法

使用混合空间光谱衍生域小波收缩的高光谱图像的降噪，TGRS2006，H.Othman等。

采用光谱 - 空间自适应总变差模型的高光谱图像去噪，TGRS2012，Q。Yuan等。

三维非局部意味着用于高光谱图像去噪的噪声估计滤波器，IGRSS2013，Y。Qian等。

使用具有噪声估计的非局部谱 - 空间结构稀疏表示的高光谱图像恢复，JStars2013，Y。Qian等。

用于高光谱图像去噪的光谱空间核，IEE TGRS2015，Y。Yuan等。

具有非iid噪声结构的高光谱图像去噪，IEEE TCYB2017，Y。Chen等。

通过融合选择的相关Bandsx进行高光谱图像去噪，IEEE TGRS2018，X。Zheng等。一种用于高光谱图像混合噪声消除的新型秩近似方法，IEEE TGRS2098，X。Zheng等。

(原网页上述算法部分有PDF文章和代码供阅读)

二、数据集

CAVE数据集

AVIRIS

ROSIS

HYDICE

EO-1 Hyperion数据

哈佛数据集

iCVL数据集

NUS数据

NTIRE18数据集

(原网页上述数据集均有链接)

三、评价指标

峰值信噪比(PSNR)

结构相似性指数(SSIM)

特征相似性指数(FSIM)

Erreur Relative Globale AdimensionnelledeSynthèse(ERGAS)

光谱角度映射器(SAM)

这一部分原网页上没有相关的代码和公式，在这里推荐我师兄的一篇博客《高光谱图像重构常用评价指标及其Python实现》，这篇博客里介绍了MSE、PSNR、SSIM、SAM计算的相关代码，FSIM和ERGAS我还没有找到相关代码，如果有知道的还请评论里交流一下QAQ

这篇资源清单我个人感觉还挺不错的，觉得有用的朋友可以给作者小星星啊hhhh