摘要：
由于高光谱图像中不可避免的噪声干扰，严重制约了对高光谱图像的认识和应用。为了解决这一问题，基于数据驱动的神经网络去噪方法的研究成为近年来的研究热点。然而，
对于具有不一致和
混合噪声
的HSIs，传统的数据驱动去噪算法在泛化能力上有明显的局限性
。为了克服这些缺点，本文提出了一种基于噪声强度估计的局部密度网(partial – dnet)模型用于HSIs盲去噪。在提出的Partial-DNet模型中，
首先估计每个波段的噪声强度，然后引入信道注意机制与观测图像融合生成特征图。最后，提出了一种新的多尺度神经网络来提取空间-光谱联合特征
。本文的贡献可以概括为:
1)通过估计各波段的噪声强度作为先验值，自适应地指导盲去噪框架适应不同数据集;2)提出了一种局部dnet模型，能够更有效地提取多尺度空间光谱特征，在去噪的同时更好地维护细节
;3)在模拟和真实HSI数据集上的实验表明，所提出的去噪框架能够自适应地去除HSI中不一致的混合噪声。与其他先进的去噪方法相比，本文提出的局部dnet算法去噪的HSIs不仅具有更高的PSNR指标，而且在相同情况下具有更高的分类精度。
背景：
人们提出了许多创造性的降噪算法，如K-SVD[2]、BM3D[3]、DnCNN[4]等。这些算法为提高图像质量做出了重要贡献。然而，
由于HSI的噪声分布特征与常见的图像和视频有很大的不同
，HSI的去噪面临着新的问题和挑战。
对于HSIs，不同频段的噪声分布是不一致的和未知的
，这使得噪声去除非常困难。
一般来说，HSI去噪方法可以大致分为两类:
模型驱动方法和数据驱动方法