Hyperspectral Imagery Denoising Using Minimum Noise Fraction and Video Non-Local Bayes Algorithms

Abstract

Hyperspectral imagery (HSI) denoising is a popular research topic in remote sensing. In this paper, we propose a novel method for HSI denoising by performing Minimum Noise Fraction (MNF) to the original HSI data cube, thresholding the noisy output bands with the Video Non-Local Bayes (VNLB) algorithm, and then conducting the inverse MNF transform to obtain the denoised data cube. Our experiments demonstrate that the proposed method usually achieves the best denoising results among several existing denoising methods for two HSI data cubes. In addition, it is much faster for HSI denoising than the VNLB algorithm which was originally developed for video denoising.

RÉSUMÉ

La réduction du bruit des images hyperspectrales (HSI) est un sujet de recherche populaire en télédétection. Dans cette note, nous proposons une nouvelle méthode de réduction du bruit en employant la transformation “Minimum Noise Fraction” (MNF) sur le cube de données HSI d’origine, en effectuant un seuil sur les bandes de sortie bruyantes avec l’algorithme “Video Non-Local Bayes” (VNLB), puis en effectuant la transformation MNF inverse pour obtenir un cube de données sans bruit. Nos expériences avec deux cubes de données HSI démontrent que la méthode proposée obtient presque toujours les meilleurs résultats parmi plusieurs méthodes courantes de réduction du bruit. En outre, cette méthode est beaucoup plus rapide que l’algorithme VNLB lequel a été originellement développé pour réduire le bruit des vidéos.