基于非局部光谱稀疏子空间表示的高光谱图像去噪

基于摘要分析。本文研究高光谱图像（HSI）去噪，提出非局部光谱稀疏子空间表示方法 NS3R，重点不仅是去除表示系数图像（RCIs）的噪声，也包括理解这些系数图像为何保留原始 HSI 的空间结构。 方法从主成分分析（PCA）视角重新审视非局部子空间表示，受一种稀疏 PCA 形式启发，同时学习低维光谱子空间与具有稀疏载荷的新 RCIs。其机制是通过光谱波段的自适应稀疏组合形成系数图像；作者认为，这使 RCIs 呈现更显著的空间结构。随后采用非局部低秩近似去除 RCIs 中的残余噪声，再经逆光谱稀疏 PCA 重建去噪后的 HSI。相较于主要在既有 RCIs 上应用非局部去噪器的方法，其关注点包括表示本身的构造与解释。 作者报告，在模拟与真实 HSI 数据集上，NS3R 相比多种先进方法，在去噪效果和运行时间方面表现优良。摘要未提供数据集名称、噪声设置、评价指标、具体数值或对照方法，实验协议、消融及统计信息尚未验证；具体优化过程与复现资源也需核对全文。 平台推测（待验证）：该方法依赖多波段图像的空间冗余与低维光谱结构。若迁移至多通道 EEG，可检验的假设是通道间稀疏组合能够形成更易去噪的低维表示，但 EEG 通道并不等同于光谱波段，非局部图像块匹配也不能直接沿用。可考虑复用稀疏子空间表示和低秩去噪思路，重新定义时间片段的相似性；低信噪比、跨被试通道结构变化及样本不足可能使相似片段匹配失效，也可能误删稀有 ERP 或任务相关活动。一个小规模检验是在固定被试内划分下向较干净 EEG 片段加入已知噪声，对比 PCA 与稀疏 PCA 表示后的同类低秩去噪，同时评价重建误差和任务相关波形保真度。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。