In hyperspectral remote sensing imagery, the sensor, atmosphere, topography, and other factors often bring about some degradations, such as noise, haze, clouding, and shadowing. Due to inevitable tradeoff between spatial resolution and spectral resolution, low spatial details of hyperspectral images (HSIs) also limit the range of potential applications. Compensating for these degradations through quality improvement is a key preprocessing step in the exploitation of HSIs. A comprehensive analysis of the quality improvement techniques for HSIs is presented. The closely connected techniques, such as denoising, destriping, dehazing, cloud removal, and super-resolution, are linked as a whole by a general reconstruction model in a variational framework. Furthermore, we classify the methods into four categories according to their processing strategies for HSIs, including single-channel prior-based model, cross-channel prior-based model, tensor-based model, and data-driven prior-based model. Then, for several specific tasks, we briefly introduce their architectures of quality improvement, which combine different models and available complementary information from other spectral bands and/or temporal/sensor images. Some experimental results in different tasks are presented to show the effect of variational framework and draw some meaningful conclusions. Finally, some advantages on variational framework are discussed, and several promising directions are provided to serve as guidelines for future work.

中文翻译：

---

高光谱遥感影像辐射质量提升：变分框架技术教程

在高光谱遥感影像中，传感器、大气、地形等因素往往会带来一些退化，如噪声、雾霾、多云和阴影。由于空间分辨率和光谱分辨率之间不可避免的权衡，高光谱图像 (HSI) 的低空间细节也限制了潜在应用的范围。通过质量改进来补偿这些退化是开发 HSI 的关键预处理步骤。对 HSI 的质量改进技术进行了综合分析。去噪、去条纹、去雾、云去除和超分辨率等紧密相连的技术通过变分框架中的通用重建模型链接为一个整体。此外，我们根据它们对 HSI 的处理策略将这些方法分为四类，包括基于单通道先验的模型、基于跨通道的先验模型、基于张量的模型和基于数据驱动的先验模型。然后，对于几个特定的​​任务，我们简要介绍了他们的质量改进架构，这些架构结合了不同的模型和来自其他光谱带和/或时间/传感器图像的可用补充信息。展示了不同任务中的一些实验结果，以展示变分框架的效果并得出一些有意义的结论。最后，讨论了变分框架的一些优势，并提供了几个有希望的方向作为未来工作的指导方针。和数据驱动的基于先验的模型。然后，对于几个特定的​​任务，我们简要介绍了他们的质量改进架构，这些架构结合了不同的模型和来自其他光谱带和/或时间/传感器图像的可用补充信息。展示了不同任务中的一些实验结果，以展示变分框架的效果并得出一些有意义的结论。最后，讨论了变分框架的一些优势，并提供了几个有希望的方向作为未来工作的指导方针。和数据驱动的基于先验的模型。然后，对于几个特定的​​任务，我们简要介绍了他们的质量改进架构，这些架构结合了不同的模型和来自其他光谱带和/或时间/传感器图像的可用补充信息。展示了不同任务中的一些实验结果，以展示变分框架的效果并得出一些有意义的结论。最后，讨论了变分框架的一些优势，并提供了几个有希望的方向作为未来工作的指导方针。展示了不同任务中的一些实验结果，以展示变分框架的效果并得出一些有意义的结论。最后，讨论了变分框架的一些优势，并提供了几个有希望的方向作为未来工作的指导方针。展示了不同任务中的一些实验结果，以展示变分框架的效果并得出一些有意义的结论。最后，讨论了变分框架的一些优势，并提供了几个有希望的方向作为未来工作的指导方针。