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
感谢 Yongshen Zhao 和 Junjun Jiang 整理的这份资料~
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