相较于多光谱图像,高光谱图像(Hyperspectral Image,简称HSI)最大的优势在于光谱分辨率特别高,能够刻画近乎连续的被测目标的光谱曲线,在地质勘探、精准农林监控、国防军工等应用范畴具有重要地位。但是,在HSI数据采集过程中,由于各种因素(如光谱仪器件缺陷、大气干扰、校准误差等)的干扰,获取的图像中往往包含各种类型的噪声(如高斯噪声、脉冲噪点、条纹或坏线等)。各个波段中的噪声类型不相同,强度也不相同;同一波段中也混合着多种类型的噪声,这极大地限制了HSI后续精细化应用(如目标检测、识别与分类)的发展,也为降噪处理带来了挑战。本文着眼于HSI降噪技术难点,深入研究以低秩表示与张量分解为基础的HSI降噪方法,结合HSI数据低秩结构特征以及三维各向异性全变分(3-D Anisotropic Total Variation,简称3DATV)正则化方法,设计了一种HSI降噪算法。本文主要研究内容如下:(1)HSI数据中混叠着多种类型与不同强度的噪声,部分稀疏噪声具有结构性(如条纹等),即不同波段的同一空间位置可能存在相似的噪声,基于低秩表示的降噪方法往往将结构性噪声视为细节信息,因此很难去除结构性噪声;而且部分波段严重被噪声污染,这些噪声覆盖了大量的细节信息,使得图像结构特征难以复原。为了去除HSI中的混合噪声,加强对结构性噪声、密集型噪声的降噪力度,提升降噪效果,本文第三章以低秩表示降噪模型为基础,提出了基于低秩表示与非局部相似性的HSI降噪算法,命名为NLRATV。该算法构建出2D-Group,加大稀疏噪声的稀疏性,削弱结构性噪声的相关性,增强对结构性噪声的降噪力度;同时将HSI的局部相似性和非局部相似性相结合,增加结构约束信息,加强对图像结构的保护力度;再利用3DATV正则化方法,增强HSI图像的分段平滑性,保护图像边缘、纹理等细节特征。(2)本文第三章提出的NLRATV降噪方法建立在矩阵分解理论之上,需要将HSI数据作矩阵化展开,这割裂了其原有的结构特征。为了保持HSI数据结构的完整性,本文第四章设计了基于非局部低秩表示与Tucker分解的HSI降噪算法,命名为NLRTDTV降噪算法。该算法构建出3D-Group,引入非局部相似性增加结构约束信息,将NLRATV算法扩展到三阶张量模型之中,利用Tucker分解,对HSI整体作降噪处理,从而保护HSI的三维结构特征;3D-Group不但增强了张量立方体的低秩结构特征,而且加大了稀疏噪声的稀疏性,从而增强了对噪声污染严重的波段的复原能力,加大了对结构性稀疏噪声的削弱力度。本文通过仿真实验和真实数据实验检验NLRATV和NLRTDTV算法的有效性。实验表明,经NLRATV降噪处理后,平均峰值信噪比分别提升了1.4%,平均结构性相似性分别提升了1.4%,能量梯度函数提升了约4.3%,方差提升了约3.2%,NLRTDTV在NLRATV基础上分别提升了约1.5%、1.1%、6.7%、3.1%。两种算法在平均光谱角距离指标上的性能表现比较好,仿真实验表明降噪后图像的光谱曲线与原始图像重合性比较高,而且算法的时间成本处于同类算法的中等水平。主观与客观评价结果表明这两种算法提升了图像质量,恢复了更多的图像细节信息,保护了图像结构特征。