CN101359399B - 光学图像去云方法 - Google Patents
光学图像去云方法 Download PDFInfo
- Publication number
- CN101359399B CN101359399B CN2008101569033A CN200810156903A CN101359399B CN 101359399 B CN101359399 B CN 101359399B CN 2008101569033 A CN2008101569033 A CN 2008101569033A CN 200810156903 A CN200810156903 A CN 200810156903A CN 101359399 B CN101359399 B CN 101359399B
- Authority
- CN
- China
- Prior art keywords
- cloud
- detail coefficients
- luminance threshold
- optical image
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种光学图像去云方法,在将受云覆盖的光学图像作n层小波分解后选择合理的分界层数l,将背景信息、景物信息和云噪声尽可能分别分配到近似系数、1~l低层细节系数以及l+1~n高层细节系数中。再对高层细节系数重构后,通过设定亮度阈值δ去除其中的云噪声。对低层细节系数作小波包分解,去除残留云噪声。最后对细节系数、近似系数重构,获得处理图像。其中n和l为整数,且n>l>1。本发明方法能有效保留背景信息和云区以外的景物信息,削弱和消除云覆盖的影响,突出景物信息,获得高质量的处理效果。而且由于本发明提供了量化指标来确定最佳分界层数l、亮度阈值δ、细节系数权重w等参数,因此操作性强。
Description
技术领域
本发明涉及一种对受云遮挡影响的光学遥感图像的恢复方法。
背景技术
遥感技术为军事、林业、地质、农业、资源、气象、环境和工程选址等各种领域提供丰富的遥感图像信息,成为国民经济和社会可持续发展不可缺少的推动力量。伴随着计算机技术和空间技术的迅猛发展,遥感技术具有广泛的应用前景,并具有空间上的连续性和时间上的序列性。到目前为止,遥感技术是能够提供全球范围的动态观测数据的唯一手段。目前广泛应用的遥感数据大部分是光学图像数据,尽管光学图像具有信息量大、分辨率高和图像稳定等的优点,但同时,光学图像成像过程又极易受到气候的影响,而云的影响是其中之一。云层对遥感图像的处理和分析会带来一定的困难:由于云的遮挡无法获得云覆盖区域的地物信息,大面积的云遮挡将严重影响光学图像的质量,当部分图像被较厚的云雾所覆盖时,地物的信息将无法被传感器接收;而对于相对较薄的云,传感器虽然仍能接收部分的地物信息,但对这种不完全的信息的应用却受到了严重的限制。为有效提高遥感光学图像的利用率,需要寻找有效的办法来减少或去除云的影响。
现有的去云方法主要有多光谱图像去云、多副图像叠加去云、多传感器图像融合去云、单幅图像去云等,这些方法的处理工具主要是傅里叶变换。其中,多光谱图像去云、多副图像叠加去云、多传感器图像融合去云等需要同地区同来源的多幅图像,而这些图像的取得并不容易,增加了数据采集成本。
单幅图像去云则能节约数据采集成本,但相比较而言,分析难度最大,通常采用同态滤波算法作处理。同态滤波是将滤波和灰度变换相结合的一种处理方法,它是将图像的反射模型作为频域处理的基础,去除图像中的云噪声。该算法的流程见图1,其中Log表示取自然对数、FT表示傅里叶变换、HF表示线性高通滤波器、IFT表示傅里叶逆变换、exp表示取指数运算、f(x,y)表示原始图像、g(x,y)表示增强后的图像。
具体算法原理是:对反射模型的图像f(x,y),可以用它的照明分量为i(x,y)和反射分量r(x,y)来表示:
f(x,y)=i(x,y)·r(x,y) [1]
其中入射光取决于光源,而反射光取决于物体的性质,即景物的亮度特征主要取决于反射光,在频率域中,入射光占据低频频段,反射光占据相对高频段比较宽的范围,若将入射光和反射光分开,然后分别对他们施加不同的影响,便能使反映物体性质的反射光得到增强。
通常,所有信息的反射分量都存在反射的变化,并且是频域中的高频成分,而一般光学图像中照射分量在整幅图像上除个别阴影区域外,一般差异很小,表现出慢变化的特征,与低频相联系,对式[1]两边取自然对数后,得
lnf(x,y)=lnfi(x,y)+lnfr(x,y) [2]
上式表明图像亮度值的对数等于照射分量和反射分量的对数之和,是一个低频成分的函数与一个高频成分的函数的叠加,因此,可以通过傅里叶变换将它们转换到频域
F{lnf(x,y)}=F{lnfi(x,y)}+F{lnfr(x,y)} [3]
记作
Z(u,v)=I(u,v)+R(u,v) [4]
然后用高通滤波算子,提取高频,抑制低频,从而使占据低频成分的云雾信息从影像信息中去除,过程是
S(u,v)=H(u,v)Z(u,v)=H(u,v)I(u,v)+H(u,v)R(u,v) [5]
再进行傅里叶逆变换从频域回到空域
S(x,y)=F-1{S(u,v)}=F-1{H(u,v)I(u,v)}+F-1{H(u,v)R(u,v)} [6]
记作
S(x,y)=lnfi′(x,y)+lnfr′(x,y) [7]
式中,lnfi′(x,y)=F-1{H(u,v)I(u,v)},lnfr′(x,y)=F-1{H(u,v)R(u,v)},最后作指数运算得
g(x,y)=exp{S(x,y)}=exp{lnfi′(x,y)}+exp{lnfr′(x,y)}=fi′(x,y)·fr′(x,y) [8]
可见同态滤波的物理意义是图像亮度的非线性变换和高通滤波相结合的结果,高通滤波选用巴特沃斯高通滤波器,其表达式如式[9]
其中k为常数,n是阶数,取正整数,D0为时的频率取值。
光学图像中含云区域色调过渡均匀,区域的纹理结构简单,因此在频率域上,该区域成分大多集中在低频部分或较低频部分,其它地物影像信息集中在相对较高的频带部分。根据以上原理,巴特沃斯高通滤波器过滤低频成分的同时,去除零频成分,即背景信息,随着D的变化,不同程度地减小了高频信息。也就是说该算法滤除云噪声的同时,损失了低频的图像背景成分,并且丢失了部分有用的高频信息。而且对于各参数的选择,没有量化依据,实际操作困难。
发明内容
本发明的目的是本发明的目的是:针对受云覆盖影响的光学图像,提出一种新的去云处理方法,该方法能以量化指标来确定参数的选择。
本发明的原理是:受云影响的光学图像,云噪声和景物信息的频率不同,其中云雾占据相对低频部分,景物占据相对高频部分。小波变换具有多分辨率分析的特点,在时间、频率域都具有局部分析的能力,广泛应用于信号分析、图像处理、医学成像与诊断、地震勘探数据处理等等领域。利用小波理论,对图象进行小波分解,图片经多层小波变换,得到最高层的近似系数和每一层的细节系数。近似系数代表图片的背景,频率最低,细节系数代表图像的高频信息,层数大的细节系数频率较低。从而将频率不同的各信息分配到不同的系数中,再对各系数分别进行去云处理。
根据前述原理,实现本发明的技术方案是:一种光学图像去云方法,包含以下步骤:
①将受云覆盖的光学图像作n层小波分解;
②选择合理的分界层数l,将背景信息、景物信息和云噪声尽可能分别分配到近似系数、1~l低层细节系数以及l+1~n高层细节系数中;
③对高层细节系数重构后,通过设定亮度阈值δ去除其中的云噪声;
④对低层细节系数作小波包分解,去除残留云噪声;
⑤对细节系数、近似系数重构,获得处理图像;
其中n和l为整数,且n>l>1。
对于第①步中n的确定方法是:经过小波分解后的第n层近似系数尽可能只包含背景信息。
对于第②步中,分界层数l的最佳值的确定方法是:分界层数l从2~n-1逐渐改变;对于每个分界层数l,去掉高层细节系数,保留低层细节系数和近似系数,以所有处理结果中信息熵h值最大时对应的分界层数l为最佳值。
第③步中,通过亮度阈值δ识别高层细节系数重构图中的云区,重构图中亮度大于亮度阈值δ的像元为云区,小于亮度阈值δ的像元为景物部分。
重构图中亮度大于亮度阈值δ的像元亮度取原始图像的亮度平均值,小于亮度阈值δ的像元亮度保持不变。
而对于亮度阈值δ的最佳值的确定方法是:亮度阈值δ归一化为0~1,以0.1为步长,亮度阈值δ从0到1逐渐改变;对每个亮度阈值,进行高层细节系数重构图的亮度阈值δ处理,以所有处理结果中信息熵h值最大时对应的亮度阈值δ为最佳值。
第④步中,只对l-1~l层细节系数作1~2次小波包分解,每次分解后得到的近似系数取为0。
第⑤步中,先对经过亮度阈值δ处理之后的高层细节系数以及经过小波包分解后的低层细节系数乘以大于1的细节系数权重w,再对细节系数、近似系数重构,获得处理图像。
而对于权重w的最佳值的确定方法是:细节系数权重w从1开始,以均匀步长逐渐增大,对近似系数和加权后的细节系数重构得到处理结果,以所有处理结果中信息熵h值最大时对应的细节系数权重w为最佳值。
采用上述方法的本发明能带来以下有益效果:(1)本发明方法所依据的小波变换理论与现有技术所依据的傅里叶变换相比,是一个时间或空间频率的局部化变换,它通过伸缩平移运算对信号(函数)逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求,从而可聚焦到信号的任意细节,解决了傅里叶变换的困难问题。因此能有效保留背景信息和云区以外的景物信息,削弱和消除云覆盖的影响,突出景物信息,获得高质量的处理效果。
(2)当本发明方法中的小波分解层数n取值较大时,近似系数能基本上只包含背景信息,而极少或着不包含景物信息和云噪声,从而减少对近似系数部分的去云处理工作。
(3)本发明方法在进行图象去云处理过程中,进行最佳分界层数l的选择时,当取所有的经分界层数l处理后的结果中信息熵h值最大时对应的l为分界层数l的最佳值时,能确保图象包含的信息丰富。
(4)本发明方法在对高层细节系数部分进行去云时,根据云噪声的亮度明显高于景物信息的原理,因此可以通过设定亮度阈值δ,认为亮度值小于δ的图像部是景物区,亮度值大于δ的图像区域为云区就可以简单的将景物区和云区区别开来而轻松地除去大部分云噪声。
(5)本发明方法在对高层细节系数部分进行亮度阈值δ处理时,将云区亮度取为原始图像的平均亮度值能消除将云区亮度取为0时景物区和云区边界会产生明显的突变,使图象失真的影响。
(6)本发明方法在进行图象去云处理过程中,进行亮度阈值δ的选择时,当取所有的经亮度阈值δ处理后的结果中信息熵h值最大时对应的δ为亮度阈值δ的最佳值时,能确保图象在去掉亮度偏高的云雾信息的同时保留充足的景物信息。
(7)本发明方法在对低层细节系数部分进行小波包分解时,由于选取了比较大的分解层数n并恰当的选择了分界层数l,因此尽管低层细节仍可能残留少量云噪声,但却可以知道频率相对较低的云雾主要处于接近高层细节系数的l-1和l层中,且这部分系数中,残留云频率低于其中的景物信息。因而只需对对l-1和l层细节系数作一次或两次小波包分解,去除此次分解出的近似系数,即低频部分即可去除残留的云噪声。这样就节省了对低层细节系数部分所有层都进行小波包分解的复杂工作。
(8)当本发明方法对经过亮度阈值δ处理之后的高层细节系数以及经过小波包分解后的低层细节系数乘以大于1的细节系数权重w后,能增加景物标准差和清晰度。
(9)本发明方法在进行图象去云处理过程中,进行细节系数权重w的选择时,当取所有的经细节系数权重w处理后的结果中信息熵h值最大时对应的w为细节系数权重w的最佳值时,能在图象获得细节突出,清晰度高时,有丰富的景物信息,不会造成图象的失真。
(10)由于本发明提供了量化指标来确定最佳分界层数l、亮度阈值δ、细节系数权重w等参数,因此操作性强。
附图说明
下面结合附图和具体实施方式,对本发明的光学图象去云方法进行详细地说明。
图1为现有技术同态滤波算法示意图。
图2为本发明方法去云方法流程图。
具体实施方式
(实施例1)
本发明方法流程见图1,受云影响的光学图像,云噪声和景物信息的频率不同,其中云雾占据相对低频部分,景物占据相对高频部分。对图像作n层小波分解,根据小波分解系数之间的频率关系,近似系数Cn部分和较高层的细节系数频率较低,可能包含了图像的云特征。而低层的细节系数频率较高,主要包含图像的景物信息。因此以某一层为分界,令该层为第l层,恰当地选择l,将云雾和景物信息尽量分开,使得1~l低层细节系数包含景物信息,l+1~n高层细节系数和近似系数中则包含云噪声。通过不断调整分界层数l的值,使得景物和云雾的信息能尽可能分别分布在1~l层、l+1~层,以取得最佳处理结果。
进行了以l层为界的分层后,接下来对近似系数、高层细节系数、低层细节系数分别进行去云处理。
对于近似系数部分,为使景物和云噪声能尽量分开,总分解层数n应取得略大,这能使得近似系数Cn尽可能只包含背景信息,而极少或着不包含景物信息和云噪声,以减少对它的处理工作。
对于高层细节系数部分,云噪声主要包含在此细节系数中,但其中仍有部分有用的景物信息。由于云噪声的亮度明显高于景物信息,因此可以通过设定亮度阈值δ,认为高层细节系数重构图中亮度值小于δ的图像部是景物区,保持不变,亮度值大于δ的图像区域为云区。这样经过亮度阈值δ处理,就将景物区和云区区别开来。这样处理将除去大部分云噪声。
在对已经区别出景物区和云区的重构图进行处理时,如果将云区亮度取为0,景物区和云区边界会产生明显的突变,使图象失真。而将云区亮度取为原始图像的平均亮度值则能消除这一影响。
高层细节系数部分经过阈值处理后,其云含量大大减少,而低层细节仍可能残留少量云噪声。由于云雾频率相对较低,因而残留的云噪声主要处于接近高层细节系数的l-1和l层中,且这部分系数中,残留云频率低于其中的景物信息。基于小波包分解的特点,先对l-1和l层细节系数作一次或两次小波包分解,去除此次分解出的近似系数,即低频部分。然后重构余下的小波包分解系数,得到处理后的l-1和l层细节系数。
通过对低层和高层细节系数的处理,去除了云噪声,云覆盖下的景物信息得以恢复。为提高景物标准差,可对乘以细节系数设定大于1的细节系数权重。最后对加权后的细节系数、近似系数重构,获得处理图像。
如前所述,用本发明方法对光学图像的处理过程中,要选择的参数有分界层数l、亮度阈值δ、细节系数权重w,以及小波函数。对于光学图象的质量评测,一般定量考察均值亮度b、标准差c、信息熵h、平均梯度g等参数,对处理效果的影响。均值亮度b表示图像中所有像素的平均亮度,由于云雾亮度明显高于景物亮度,因此图像去除云雾之后,图象的均值亮度将下降。标准差c是指投影图像最亮和最暗之间的区域之间的比率,比值越大,从黑到白的渐变层次就越多,从而色彩表现越丰富。因此它反映了图像的细节信息,其值越大,细节越突出。信息熵h的值反映了图像的信息含量,其值越大,信息越丰富。平均梯度g是指能够反映出图像细微反差的程度,值越大表明图像越清晰。
实验表明,使用不同小波函数处理时,l、·δ、w的选择以及处理结果差异不明显。在此只讨论这三个参数的选择的量化依据。
首先确定分界层数l。令小波分解层数为n,为了合理将景物、云雾和背景信息尽量区分到低层、高层和近似系数中,从小到大改变l的值。对于每个l,去掉高层细节系数(主要包含云雾),保留低层(主要包含景物)和近似系数(主要包含背景信息),然后重构,考察去云雾效果。当l较小时,l+1~n高层细节系数包含过多的景物信息,处理后信息丢失严重。随着l增大,景物信息逐渐转移到低层细节系数中,而云噪声仍保留在高层细节系数中,因此处理后去云效果改善,信息量增多。当l很大时,部分云噪声将保留在低层细节系数中,去云不完全,从而信息恢复不足。因此以信息熵h为标准,值最大时的l最佳。
第二步确定亮度阈值δ。先将亮度归一化为0~1,阈值以0.1为步长,选择从0到1。依据最佳l值,低层细节系数、近似系数保持不变,高层细节系数重构后,作亮度阈值δ处理,考察处理质量。亮度阈值δ很小时,高层细节系数中云全部去除,同时景物信息也有所减少,因此总体信息量较少,信息熵h较小。随亮度阈值δ增大,云区外景物信息逐渐保留,因此信息熵h不断增加。但当亮度阈值δ增大到一定程度时,云区外景物信息不再增多,而云噪声开始增大,此时信息量又将减少,即信息熵h变小。因此最大信息熵h对应的亮度阈值δ为最佳参数。
第三步确定细节系数权重w。高层细节系数处理后的恢复图像,除少量残留云外,主要包含景物信息,设置权重有利于增加景物标准差和清晰度。细节系数频率较高,因此权重越大,细节越突出,清晰度提高,标准差和平均梯度必然越大。但权重很大时,景物与原始信息不符,造成失真,信息丢失。因此将细节系数权重w从1开始,以均匀步长逐渐增大,对近似系数和加权后的细节系数重构得到处理结果,以所有处理结果中信息熵h值最大时对应的细节系数权重w为最佳值。
(应用例1)
在本应用例中,原始图象的平均亮度b为117.68、标准差c为36.26、信息熵h为6.44、平均梯度g为14.82。
选择‘sym6’小波函数,作10层分解。
逐渐改变分界层数1,保持低层细节系数和近似系数不变,而删除高层细节系数。表1给出了选择不同分界层数l处理后评价参数的数据,可见当l=5熵最大。
取l=5为最佳分界层数,对高层细节系数重构图作用亮度阈值δ,亮度阈值δ从0.0以0.1为步长逐步增加到1.0。表2给出了数据结果,随亮度阈值δ增加,信息熵h先增加后减小。δ=0.4为最佳,此时熵最大。
然后确定细节系数权重w。细节系数权重w从1开始以0.5为步长逐渐增大。表3给出了处理结果,当权重w为1.5时,信息熵h最大,因此最佳细节系数权重取为1.5。
按照l=5、δ=0.4和w=1.5,表4给出了应用例1经过完整步骤后的处理结果的各个参数数据,可见,低层细节系数小波包处理后,信息熵h又增加,表明残留云有所去除。
表1不同分界层数处理结果参数比较
表2高层细节细数不同阈值处理结果参数比较
表3细节系数设置不同权重处理结果参数
表4应用例1处理结果
(应用例2)
在本应用例中,原始图象的平均亮度b为100.74、标准差c为56.84、信息熵h为6.91、平均梯度g为34.87。
经过与应用例相同步骤的分析,最佳参数为l=5、δ=0.5、w=1.2,选择此组参数后的最终处理结果如表5。
表5实验图二处理结果
经过实施例1、应用例1及应用例2的详细说描述,可见本发明方法不仅去云效果好,能得到高质量的处理结果,而且处理过程中所需要的各最佳参数的选择也有客观的量化标准,因而有利于实践操作。
Claims (7)
1.一种光学图像去云方法,其特征在于包含以下步骤:
①将受云覆盖的光学图像作n层小波分解;
②选择合理的分界层数l,将背景信息、景物信息和云噪声尽可能分别分配到近似系数、1~l低层细节系数以及l+1~n高层细节系数中;分界层数l从2~n-1逐渐改变;对于每个分界层数l,去掉高层细节系数,保留低层细节系数和近似系数,以所有处理结果中信息熵h值最大时对应的分界层数l为最佳值;
③对高层细节系数重构后,通过设定亮度阈值δ去除其中的云噪声;
④对低层细节系数作小波包分解,去除残留云噪声;
⑤先对亮度阈值δ处理之后的高层细节系数以及经过小波包分解后的低层细节系数乘以大于1的细节系数权重w,再对细节系数、近似系数重构,获得处理图像;其中n和l为整数,且n>l>1。
2.根据权利1所述的光学图像去云方法,其特点在于:第①步中,经过小波分解后的第n层近似系数尽可能只包含背景信息。
3.根据权利1所述的光学图像去云方法,其特点在于:第③步中,通过亮度阈值δ识别高层细节系数重构图中的云区,重构图中亮度大于亮度阈值δ的像元为云区,小于亮度阈值δ的像元为景物部分。
4.根据权利1至3之一所述的光学图像去云方法,其特点在于:重构图中亮度大于亮度阈值δ的像元亮度取原始图像的亮度平均值,小于亮度阈值δ的像元亮度保持不变。
5.根据权利4所述的光学图像去云方法,其特点在于:亮度阈值δ归一化为0~1,以0.1为步长,亮度阈值δ从0到1逐渐改变;对每个亮度阈值,进行高层细节系数重构图的亮度阈值δ处理,以所有处理结果中信息熵h值最大时对应的亮度阈值δ为最佳值。
6.根据权利1至3之一所述的光学图像去云方法,其特点在于:第④步中,只对l-1~l层细节系数作1~2次小波包分解,每次分解后得到的近似系数取为0。
7.根据权利1至3之一所述的光学图像去云方法,其特点在于:细节系数权重w从1开始,以均匀步长逐渐增大,对近似系数和加权后的细节系数重构得到处理结果,以所有处理结果中信息熵h值最大时对应的细节系数权重w为最佳值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101569033A CN101359399B (zh) | 2008-09-19 | 2008-09-19 | 光学图像去云方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101569033A CN101359399B (zh) | 2008-09-19 | 2008-09-19 | 光学图像去云方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101359399A CN101359399A (zh) | 2009-02-04 |
CN101359399B true CN101359399B (zh) | 2010-12-22 |
Family
ID=40331838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101569033A Expired - Fee Related CN101359399B (zh) | 2008-09-19 | 2008-09-19 | 光学图像去云方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101359399B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049898B (zh) * | 2013-01-27 | 2015-04-22 | 西安电子科技大学 | 带有薄云的多光谱和全色图像融合方法 |
CN103473748A (zh) * | 2013-09-23 | 2013-12-25 | 中国矿业大学(北京) | 一种煤矿井下图像增强的方法 |
CN104537678B (zh) * | 2015-01-15 | 2017-11-10 | 常州工学院 | 一种从单幅遥感图像中去除云雾的方法 |
CN105096272B (zh) * | 2015-08-19 | 2018-02-02 | 常州工学院 | 一种基于双树复小波的除雾方法 |
CN105184743B (zh) * | 2015-08-19 | 2018-03-30 | 常州工学院 | 一种基于非线性导向滤波的图像增强方法 |
CN107274369B (zh) * | 2017-06-16 | 2020-06-26 | 南京信息职业技术学院 | 一种基于频域分解的单幅图像去雾加速方法 |
CN109801253B (zh) * | 2017-11-13 | 2020-11-17 | 中国林业科学研究院资源信息研究所 | 一种对高分辨率光学遥感图像的自适应云区检测方法 |
CN109934122A (zh) * | 2019-02-21 | 2019-06-25 | 北京以萨技术股份有限公司 | 一种基于深度学习的遥感影像船舶检测方法 |
CN110335208B (zh) * | 2019-06-10 | 2022-06-07 | 武汉大学 | 一种基于逐步校正的高分辨率遥感影像厚云去除方法 |
CN114739326B (zh) * | 2022-05-10 | 2024-06-21 | 河南启迪睿视智能科技有限公司 | 烤烟烟叶面积的测量方法及系统 |
-
2008
- 2008-09-19 CN CN2008101569033A patent/CN101359399B/zh not_active Expired - Fee Related
Non-Patent Citations (4)
Title |
---|
徐赣.基于小波的图像融合及去云方法研究.中国科学院研究生院硕士学位论文.中国优秀硕士学位论文全文数据库,2007,46-49. * |
朱锡芳等.Retinex和小波变换去除遥感图像云雾方法分析.常州工学院学报.2007,20(5),8-13. * |
朱锡芳等.基于Mallat算法遥感图像去云雾处理的改进方法.遥感学报.2007,11(2),241-246. * |
朱锡芳等.小波变换与图像融合方法在遥感图像处理中的应用.常州工学院学报.2006,19(4),1-4. * |
Also Published As
Publication number | Publication date |
---|---|
CN101359399A (zh) | 2009-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101359399B (zh) | 光学图像去云方法 | |
CN111583123A (zh) | 一种基于小波变换的融合高低频信息的图像增强算法 | |
CN102800074B (zh) | 基于轮廓波变换的sar图像变化检测差异图生成方法 | |
CN102063715B (zh) | 基于非抽样contourlet变换和粒子群优化算法的台风云图融合方法 | |
CN104537678B (zh) | 一种从单幅遥感图像中去除云雾的方法 | |
CN106327459A (zh) | 基于udct和pcnn的可见光与红外图像融合算法 | |
CN103020933B (zh) | 一种基于仿生视觉机理的多源图像融合方法 | |
CN109308691A (zh) | 基于图像增强与nsct的红外和可见光图像融合方法 | |
CN111815550B (zh) | 一种基于灰度共生矩阵的红外与可见光图像融合方法 | |
CN109961408B (zh) | 基于nsct和块匹配滤波的光子计数图像去噪方法 | |
CN105913404A (zh) | 基于帧累积的低照度成像方法 | |
CN110400274B (zh) | 一种车载红外行人检测用红外图像增强方法 | |
CN111462028A (zh) | 基于相位一致性和目标增强的红外和可见光图像融合方法 | |
CN109949256B (zh) | 一种基于傅里叶变换的天文图像融合方法 | |
CN101540039B (zh) | 单帧图象超分辨方法 | |
CN103400360A (zh) | 基于Wedgelet和NSCT的多源图像融合方法 | |
CN106485684B (zh) | 一种基于双树复小波变换的单幅图像去云雾方法 | |
CN112215787A (zh) | 基于显著度分析及自适应滤波器的红外和可见光图像融合方法 | |
CN113222833B (zh) | 一种侧扫声呐图像处理方法与装置 | |
Gao et al. | Infrared and visible image fusion using dual-tree complex wavelet transform and convolutional sparse representation | |
CN103544707A (zh) | 基于轮廓波变换的光学遥感图像变化检测方法 | |
Tun et al. | Joint Training of Noisy Image Patch and Impulse Response of Low-Pass Filter in CNN for Image Denoising | |
Panguluri et al. | Efficient DWT based fusion algorithm for improving contrast and edge preservation | |
CN114897751A (zh) | 基于多尺度结构分解的红外和可见光图像感知融合方法 | |
Zhang et al. | A preprocessing algorithm based on heterogeneity detection for transmitted tissue image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20101222 Termination date: 20130919 |