一种有效的去除图像混合噪声的算法

提出一种有效的去除图像混合噪声的算法.该方法包括空间域的脉冲噪声去除和小波域的高斯噪声去除两个阶段.空间域的脉冲噪声去除利用一种加权平均的同组滤波算法进行,完成图像初始滤波;小波域的高斯噪声去除则利用NeighShrink阈值化方法对小波系数进行收缩,其中,为了提高峰值信噪比和增强视觉效果,修正了NeighShrink方法中小波系数的收缩因子.最后,对所提算法进行了仿真研究,仿真结果表明所提算法能有效去除图像中的脉冲和高斯混合噪声,并较好地保存了图像细节.     

一种新的遥感影像去噪方法

本文首先提到遥感影像中存在不同种类的噪声,正是由于噪声的不同必须采取不同的去除噪声的方法。提出了去除噪声的一些方法,并且分析了各种噪声去除方法的优劣,然后对已有的滤波法加以改进,使其去除噪声的效果明显优于其他的噪声去除方法。改进的滤波法去除噪声在处理遥感影像噪声方面具有一定的应用价值。     

基于小波域中SOT结构的SAR相干斑抑制

论述了在小波域中通过空间向树结构对合成孔径雷达(SAR)图像相干斑噪声的抑制。首先从SAR图像相干斑噪声产生的机理出发,论述了采用传统滤波方法去除SAR图像中相干斑噪声的局限性以及在小波变换域中如何通过空间向树结构对相干斑噪声进行有效的滤波;实验结果表明,此方法对SAR图像相干斑噪声有良好的抑制作用,同时还尽可能多保留目标的纹理细节。     

一种结合空间相似性和RPCA的高光谱图像去噪算法

高光谱图像在采集过程中极易产生高斯、椒盐、条纹等噪声,从而对后续的地物空间识别工作产生影响.因此有效的噪声去除工作在高光谱图像处理中是不可缺少的一步.鲁棒主成分分析(Robust Principal Component Analysis,RPCA)是能将受稀疏噪声干扰的低秩矩阵进行有效恢复的模型.高光谱图像由于其光谱特征之间存在很高的相关性,即每个光谱特征可以用光谱端元的线性组合来表示,因此高光谱图像具有高度低秩性,从而RPCA算法能在高光谱图像去噪中取得显著的效果.结合高光谱图像空间邻域相似性和改进RPCA(Spatial Neighboring Similarity and Improve RPCA,S_IRPCA),提出一种新的高光谱图像去噪算法.算法在去除噪声的同时,更好的保留了细节信息.实验表明,算法与主流的低秩恢复算法相比,无论在主观视觉上还是在客观评价指标上,都做到了显著提升.     

基于GPU的高光谱遥感MNF并行方法研究

最小噪声分离变换(MNF)是高光谱遥感影像分类中特征提取和去除噪声的有效方法.MNF算法涉及大量的矩阵运算,在实际工程的海量数据处理中存在计算时间长的问题.在分析MNF算法原理的基础上,运用图形处理单元(GPU)并行框架对该算法进行优化,并通过不同大小的高光谱遥感数据进行计算和分析.结果表明,随着影像数据量的递增,采用并行计算方式的提速比呈明显上升趋势,说明GPU并行方式对于计算密集型的大数据量处理具有良好的提速效果,为解决海量高光谱遥感数据处理速度慢的问题提供了思路.     

线性空间滤波器在遥感图像中的应用及实现

为了改善影像质量,加强图像判读和识别效果,利用线性空间滤波器在MATLAB的平台上对遥感图像进行图像增强。本文采用了两种拉普拉斯滤波器进行图像增强及其比较。实验表明:线性空间滤波是一种有效的影像增强方法.所得结果能很好地改善遥感图像的影像质量及视觉效果,采用考虑对角元素的空间滤波器要比只考虑上下左右元素的空间滤波器效果更加清晰。并且其算法简单易操作。该成果体现了线性空间滤波器在遥感图形处理技术中的实用价值及意义。     

基于中性集合与双边滤波的NSCT域声呐图像去噪

声呐设备在获取水下图像时，由于海底混响、散射回波和设备等因素，会产生严重的斑点噪声干扰，降低图像质量.为了克服这一挑战，提出基于中性集合与双边滤波的非下采样轮廓波变换声呐图像去噪.该方法探索了一种适合处理非下采样轮廓波变换分解的高频子带噪声的聚类去噪方法，将中性集合域作为聚类的方法应用在每一层高频子图像，用真子集、不确定集和假集表示，实现分离噪声，保留有效信息；再使用双边滤波去除真子集中被误认为是图像信息的噪声；对低频系数使用双边滤波进行平滑.最后将处理后的低频子带与高频子带进行NSCT重构，达到从图像中去除斑点噪声的目的.实验表明，本文方法能够提高图像视觉效果，改善图像均方误差、峰值信噪比等评价指标，同时也适用于去除高密度噪声.     

一种基于低秩表示的高光谱图像恢复方法

高光谱图像(HSI)在获取过程中不可避免地受到各种噪声的干扰,如高斯白噪声、冲击噪声、坏死的线条等.为了确保后续应用能够顺利进行,高光谱图像的恢复是一项重要的预处理过程.文中提出一种新的高光谱图像恢复方法,主要有以下两点贡献:其一,将低秩表示模型引入到高光谱图像恢复中;其二,利用高光谱图像的相似图像块进行联合低秩表示.模拟和实际高光谱图像数据的实验结果表明,所提出的方法能有效地去除各种噪声干扰,同时较好地恢复图像细节,因此可作为一种实现高光谱图像恢复的有效手段.     

采用变分法的遥感影像条带噪声去除

为了避免去除遥感影像条带噪声时丢失影像细节,构建了综合两种单向变分模型的组合去噪方法。首先,构建一种条带去除单向变分模型,通过此模型可以有效去除遥感影像条带噪声,从而初步获得近似遥感影像及条带噪声影像,同时避免近似遥感影像出现阶梯效应;其次,为了避免条带噪声影像中包含的少量细节信息丢失,构建一种条带保留单向变分模型,通过此模型可以去除条带噪声影像中的细节信息而只保留条带噪声,从而有效分离出细节信息;最后,把分离出的细节信息与近似遥感影像进行累加得到去噪影像。通过实验分析发现,本文方法不仅能完全去除条带噪声,而且基本没有破坏影像细节,去噪后的影像质量得到明显提高。     

基于时空相关性的NDVI时序重建方法研究

针对目前时序NDVI数据重建算法时空相关性考虑不足的问题,提出一种综合利用时间域Savitzky-Golay滤波、空间域平滑滤波和异常数据剔除算法的NDVI时序重建方法.并以10年的SPOT VGT NDVI S10产品时序影像为实验数据,对算法进行了测试.结果表明,该方法对数据集中的噪声具有很好的去除效果,可以为基于NDVI的定量分析研究提供高质量数据.     

混合噪声的图像复原算法

提出了一种基于中值滤波和局部线性核平滑的图像去噪算法.该算法采用在空间域中的自适应滤波思想,运用改进的混合滤波器去除图像中的混合噪声.该算法的特点是复原后的图像能较好地保留边缘,同时对图像退化的先验知识要求不严格,并且有明确的数学公式,更适合实际运用.实验表明,作者提出的方法对含有混合噪声的图像复原具有较好的效果.     

基于子空间表示和加权低秩张量正则化的高光谱图像混合噪声去除方法

针对高光谱图像中存在混合噪声的问题, 提出一种基于子空间表示和加权低秩张量正则化的方法去除高光谱图像中的混合噪声. 子空间表示利用光谱频带之间的相关性, 选取合适的正交矩阵, 将高光谱图像投影到低维子空间中, 使提出的算法具有较低的复杂度, 简化去噪过程的同时去除图像中的部分噪声. 去噪过程基于从简化图像中提取的低秩张量进行, 引入加权低秩张量正则化项表征简化图像子空间的先验信息, 基于Tucker分解中核范数的物理意义构建合理的加权机制, 保留高光谱图像的内在结构相关性. 并且设计了一种基于迭代最小化的方法, 用于求解提出的非凸去噪模型. 在模拟和真实数据集上的实验结果表明, 该子空间表示和加权低秩张量正则化方法在定量和定性分析上都取得了较好的去噪效果.     

一种基于中值滤波和小波变换的图像去噪算法研究

针对同时含有脉冲噪声和高斯噪声的混合含噪图像特点,结合自适应中值滤波和小波变换的阈值滤波的各自优点,提出了一种基于中值滤波和小波变换阈值去噪相结合的图像去噪方法,即先对图像进行自适应中值滤波去除脉冲噪声,然后利用小波变换去除剩余的高斯噪声.实验表明:该方法能在有效去除混合噪声的同时,较好地保持边缘和细节信息.     

一种遥感影像混合噪声二阶去除方法

遥感影像去噪对于影像后续的使用和研究具有重要意义。高斯噪声与椒盐噪声是影像中常见的噪声,目前的去噪算法对于这类混合噪声普遍存在去噪效果不佳、去噪后影像边缘模糊等缺点。针对以上问题,提出了一种遥感影像混合噪声二阶去除方法。该方法第一阶段是在DnCNN网络框架的基础上引入扩张卷积来增加网络的感受野,便于在遥感影像中提取更多的特征信息;同时在深卷积层后引入DropoutLayer层构建降噪模型,以防止网络出现过拟合,简化训练难度,然后使用该模型对影像进行初步降噪。为进一步提高初步降噪结果的影像质量,有效去除混合噪声中的椒盐噪声,保留更多的影像边缘细节及纹理特征。该方法第二阶段是在自适应中值滤波的基础上采用最近邻域像素加权中值替换原滤波窗口中值,对初步降噪结果进行二次处理,得到遥感影像混合噪声最终去噪结果。为验证算法的可行性和有效性,进行了遥感影像去噪实验及去噪影像边缘检测实验。分析实验结果,无论从主观视觉还是客观评价指标上进行对比,提出的方法对于遥感影像混合噪声去噪效果优于传统去噪方法,并且能够较好地保留影像边缘细节及纹理特征,获得更清晰的影像结果。     

基于深度极限学习机的高光谱遥感影像分类研究

高光谱遥感数据越来越普及并为人们广泛使用,基于高光谱遥感数据的地面物体精确分类是高光谱遥感技术的核心应用之一.针对高光谱遥感影像的分类问题,提出一种基于深度极限学习机(D-ELM)的分类方法.该方法利用一种新的深度学习模型——深度极限学习机对高光谱遥感影像进行分类,并与基于极限学习机(ELM)、支持向量机(SVM)、核极限学习机(ELMK)分类方法进行了比较分析.研究结果表明:相对于ELM、SVM、ELMK分类方法,D-ELM分类方法能够更加准确地挖掘高光谱遥感影像的空间分布规律,提高分类的准确度.     

基于IHS变换的遥感影像融合方法

为了解决遥感影像空间分辨率与光谱信息不能兼顾的问题,即全色影像具有较高的空间分辨率但缺乏光谱信息,多光谱影像光谱分辨率高,光谱信息丰富,但其空间分辨率低的问题,采用MATLAB实验工具,基于IHS原理对遥感影像数据进行融合处理,试验结果表明使用该融合方法显著提高了多光谱影像的空间分辨率,同时保留了丰富的光谱特征,提高影像的判读、识别、分类能力,融合后图像的信息量比原始图像有明显增加,而且图像的细节反差、纹理和清晰度得到较大的提高,融合图像质量明显改善.     

图像椒盐噪声的分阶段中值滤波算法

针对自适应中值滤波算法的缺陷——对高密度椒盐噪声图像滤波后留下黑色斑块,提出了一种分阶段中值滤波算法.该算法对图像执行两次小窗口的滤波操作,相较于采用较大窗口的滤波,其在有效去除噪声的同时降低了结果图像的模糊程度.先对所有噪声点进行一次中值滤波消除了盐粒噪声,再用窗口内非噪声点的灰度中值代替胡椒噪声点的灰度值以去除黑色斑块.最后的仿真实验结果表明,本文算法既有像自适应中值算法一样滤除低密度椒盐噪声的良好性能,又有对高密度椒盐噪声图像的降噪能力。     

一种基于BP网络和决策融合的高光谱遥感图像分类方法

BP神经网络在用于高光谱遥感图像分类时,其初始权值的选取对分类结果有很大影响.针对这种情况,提出了一种将BP神经网络与决策融合理论相结合的高光谱遥感图像分类方法,该方法将多个结构相同、初始权值不同的BP神经网络的分类结果进行融合,最后把融合结果作为原图像的最终分类结果,以实际的高光谱遥影像为例,说明该方法能够有效地提高遥感影像的分类精度.     

一种有效去除椒盐噪声的开关中值滤波器

图像去噪追求的目的是既能去除图像中的噪声,同时又能较完整的保持图像的细节信息。在研究几种基于中值的椒盐噪声去除方法基础上,设计了一种有效去除图像椒盐噪声的开关中值滤波器。提出的算法首先利用图像灰度值的两个极值把像素点分为信号点和可能噪声点。在滤波阶段,对于信号点保持其灰度值不变,对于可能噪声点分两步进行处理:根据噪声密度决定滤波窗口尺寸并判断滤波窗口内是否包含信号点,如果无信号点则以窗口内像素的中值作为可能噪声点的恢复值,这一步可对误判噪声点进行纠正;而其余可能噪声点采用极值舍弃滤波和递归滤波估计其灰度值,滤波窗口尺寸固定为3×3,这一步用来去除噪声和保持图像细节。实验结果表明,本文算法在主客观方面都优于相比较的方法,且对不同水平的椒盐噪声都具有较好的去除性能。     

用于高光谱遥感图像分类的空间约束高斯过程方法

高光谱遥感图像分类是遥感图像处理的一项重要内容.高光谱遥感图像具有非线性属性.图像中不同方位光谱特征的变化将使得仅从标记训练样本得到的分类器分类精度不会太高.为了提高分类的精度,一方面应对光谱信息的合理利用;另一方面,对空间信息的利用也非常重要.高斯过程(Gaussion process,GP)是一种贝叶斯统计学习方法,能够建立概率模型,并且使得分类结果更易于解释.传统GP分类方法中核函数的构造仅利用光谱信息.本文提出了一种加入空间关系的新分类方法.利用遥感图像空间相关性,在GP分类方法中通过构造新的核函数(spatial Gauss kernel,SGK)来实现空间约束,部分消除了同物异谱和同谱异物造成的分类错误.实验结果表明,该方法对于提高高光谱遥感图像的分类精度具有积极意义.