高光谱图像pca降维matlab_HSI-DeNet：基于卷积神经网络的高光谱图像修复

INTRODUCTION
今天分享一篇使用卷积神经网络对高光谱图像修复的论文，本文在CNN的基础上，同时引入残差学习、扩张卷积和多通道滤波，得到HSI-DeNet网络，实现了去除HSI中的混合噪声：随机、结构条带、死线等。

本文贡献如下：

1. 这是第一次使用完全卷积神经网络进行HSI恢复；
2. 将剩余学习，扩张卷积和多渠道过滤纳入网络，以便更好地模拟HSI。此外，还探讨了HSIs恢复的对抗网络，在定性和定量方面有更好的平衡。
3. HSI-DeNet对HSI中的混合噪声具有鲁棒性和有效性，并且对于任意输入非常灵活。
4. 所提出的方法已在广泛的HSI数据集上进行了测试，与以前的方法相比，我们的方法实现了更快的测试速度和更好的恢复性能。

THE PROPOSED HSI-DENET
首先，HSI-DeNet的网络结构如下所示：

HSI-DeNet网络的输入是三维的高光谱数据，经过网络训练后得到其噪声，然后使用残差学习策略，得到最终的干净图像。在网络中还使用到了扩张卷积和多通道滤波，使用扩张卷积可以在不增加参数的前提下，扩大感受野，从而能够利用更多的局部和非局部信息，多通道滤波则可以增强对光谱信息的表示能力。另外，本文还使用了padding策略，使得在训练过程中，图像大小不发生改变。
其中每个Block由卷积层，块归一化(BN)和激活函数(ReLU)三部分组成，如下图：