高光谱图像（HSI）通常在采集过程中由于各种噪声的混合而降低质量，这些噪声可能包括高斯噪声，脉冲噪声，虚线，条纹等。 本文介绍了一种基于低秩矩阵恢复（LRMR）的HSI恢复新方法，该方法可以同时去除高斯噪声，脉冲噪声，死线和条纹。 通过按字典顺序将HSI的补丁排序为二维矩阵，可以探索高光谱图像的低秩属性，这表明干净的HSI补丁可以视为低秩矩阵。 然后，我们将HSI恢复问题公式化为LRMR框架。 为了进一步消除混合噪声，应用了“分解”算法来解决LRMR问题。 在模拟和真实数据条件下都进行了一些实验

基于非局部均值滤波器（NLMF）或基于稀疏表示的降噪技术在图像降噪方面具有卓越的性能。 为了将两种方法的优点结合在一起，提出了一种新的图像去噪框架。 在此框架中，包含脉冲噪声的图像首先由NLMF处理，以获得良好的临时去噪图像。 基于此，提取许多补丁以训练适用于目标信号的冗余字典。 最后，在字典上稀疏地编码每个噪声图像块，在其中将脉冲噪声替换为来自临时去噪图像的值。 然后，通过将有效代码和冗余字典相乘来重建干净的图像补丁。 经过广泛的实验验证，该去噪框架不仅可以获得比单独使用NLMF或稀疏表示技术

高光谱图像（HSI）通常在采集过程中由于各种噪声的混合而降低质量，这些噪声可能包括高斯噪声，脉冲噪声，虚线，条纹等。 本文介绍了一种基于低秩矩阵恢复（LRMR）的HSI恢复新方法，该方法可以同时去除高斯噪声，脉冲噪声，死线和条纹。 通过按字典顺序将HSI的补丁排序为二维矩阵，可以探索高光谱图像的低秩属性，这表明干净的HSI补丁可以视为低秩矩阵。 然后，我们将HSI恢复问题公式化为LRMR框架。 为了进一步消除混合噪声，应用了“分解”算法来解决LRMR问题。 在模拟和真实数据条件下都进行了一些实验