CN105551003A - 一种图像条带噪声及坏线消除方法 - Google Patents

Abstract

本发明属于遥感图像处理领域，具体涉及一种图像条带噪声及坏线消除方法，的目的是克服现有技术的缺陷，提供一种应用于线阵推扫方式成像的传感器的图像条带噪声及坏线消除方法，通过对图像进行计算，消除影像中的非零值或饱和值坏线，以及图像中的条带噪声。本发明可以有效的消除影像中的垂直或水平条带噪声，经过处理后的图像不存在明显的条带噪声现象。为了进一步验证方法的准确性，对质量较高的无条带噪声数据进行验证计算，目的是为了解算法是否会对无条带数据进行错误的调整，对Aster数据进行的计算表明，各列的β值大部分为0，仅有极个别为1或2，说明本方法确定的β值精度较高。

Description

一种图像条带噪声及坏线消除方法

技术领域

本发明属于遥感图像处理领域，具体涉及一种图像条带噪声及坏线消除方法。

背景技术

目前多数航空或航天光学遥感图像均以线阵推扫方式获取，当传感器线阵上某一传感器出现故障时，就会造成采集的图像中有坏线出现。一部分坏线完全没有数值，无法使用；另一部分则数值显著高于其它像素形成亮线，或数据显著低于其它像素形成暗线，这一部分数据则可以通过处理使其成为正常像素继续使用。

目前的主要的环线去除算法为均值替换法和矩滤波方法。均值替换法是利用与坏线相临的两例数据求平均值代替坏线数据，这种方法完全舍弃了亮线或暗线中有用的数据，造成了信息的损失。矩滤波方法则是利用相临图像的均值和方差为参考，使亮线或暗线的均值与方差与之相等，但实际上坏线的均值和方差不可能与相临像素相同，因此处理后可能会有明显的误差。

数据传感器的光电子元件，在接受的光信号之后，通过放大器放大，将光信号转化成电信号，测量的地物辐射亮度值为：

DN＝α*I+β(1)

其中α代表放大器的增益，I代表传感器接收到的光信号强度，β代表为消除传感器中的暗电流所加入的偏移量。α值随传感器的不同有所变化，β同α一样除随传感器发生变化外，还受到传感器温度、时间的变化影响。线阵推扫成像方式的传感器，因此沿扫描带方向的同列数据为同一传感器接收的数据，具有相同的α值和β值，因此坏线产生的原因主要由α和β的误差造成。所以只要确定合适的α、β即可以实现对坏线的去除。一般情况下，传感器在出厂以前α值已经经过准确的校正，造成的误差往往较小。β值则不停的变化，需要传感器在成像前对暗电流进行测量确定，因此产生的误差可能性较大。因此合理调整β值可以实现对坏线的消除。

发明内容

本发明的目的是克服现有技术的缺陷，提供一种应用于线阵推扫方式成像的传感器的图像条带噪声及坏线消除方法，通过对图像进行计算，消除影像中的非零值或饱和值坏线，以及图像中的条带噪声。

本发明是这样实现的：

一种图像条带噪声及坏线消除方法，具体包括如下步骤：

步骤1：设图像为M行N列，计算图像的均值和各列的像素均值；

步骤2：选取列像素均值与图像均值最接近的一列作为参考列，假设为第J列，令j_L＝j_R＝J。

步骤3：对第j_L-1列像素，求数值β₁，使得

$|{\mathrm{\&Sigma;}}_{i=0}^M\&lsqb;p(j_L-1,i)+{\mathrm{\&beta;}}_1>p(j_L,i)?1:0\&rsqb;-{\mathrm{\&Sigma;}}_{i=0}^M\&lsqb;p(j_L-1,i)+{\mathrm{\&beta;}}_1<p(j_L,i)?1:0\&rsqb;|$

为最小值；对第j_R+1列像素，求数值β₂，使得

$|{\mathrm{\&Sigma;}}_{i=0}^M\&lsqb;p(j_R+1,i)+{\mathrm{\&beta;}}_2>p(j_R,i)?1:0\&rsqb;-{\mathrm{\&Sigma;}}_{i=0}^M\&lsqb;p(j_R+1,i)+{\mathrm{\&beta;}}_2<p(j_R,i)?1:0\&rsqb;|$

为最小值。

β表示像素值应加入的偏移量，见公式(1)；p(i,j)为为图像中第i行的第j列像素的值；将图像以第J列为中心，分为两部分，左侧的计算用j_L表示，右侧计算用j_R表示；

步骤4：计算p(j_L-1，i)＝p(j_L-1，i)+β₁，p(j_R+1，i)＝p(j_R+1，i)+β₂；i＝1,2…M.

步骤5：将步骤4得到的j_L-1和j_R+1作为新参考列，即分别令j_L＝j_L-1，j_R＝j_R+1。重复步骤3和步骤4；若j_L＝2，则结束j_L对应算式的计算；j_R＝N-1则结束j_R对应算式的计算；

如上所述的步骤30中β₁和β₂计算可利用如下步骤进行：

(1)图像中的相邻两列像素，对于i＝1，2，…M，计算Δp_i＝p(j，i)-p(j+1，i)，则ΔP＝{Δp₁，Δp₂…Δp_M}；其中M为图像的行数，p(i,j)为图像中第i行的第j列像素的值，Δp_i是同一行相邻的两个像素的差值。

(2)对ΔP中的元素按大小进行排序，形成新序列ΔP＝{Δp′₁，Δp′₂…Δp′_M}。

(3)则β＝Δp′_M/2，即ΔP向量各元素的中位数。

本发明的有益效果是：

本发明可以有效的消除影像中的垂直或水平条带噪声，经过处理后的图像不存在明显的条带噪声现象。为了进一步验证方法的准确性，对质量较高的无条带噪声数据进行验证计算，目的是为了解算法是否会对无条带数据进行错误的调整，对Aster数据进行的计算表明，各列的β值大部分为0，仅有极个别为1或2，说明本方法确定的β值精度较高。

附图说明

图1是本发明的一种图像条带噪声及坏线消除方法的流程图。

具体实施方式

下面结合附图和实施例对本发明进行进一步描述。

如图1所示，一种图像条带噪声及坏线消除方法，具体包括如下步骤：

步骤1：设图像为M行N列，计算图像的均值和各列的像素均值；

步骤2：选取列像素均值与图像均值最接近的一列作为参考列，假设为第J列，令j_L＝j_R＝J。

步骤3：对第j_L-1列像素，求数值β₁，使得

$|{\mathrm{\&Sigma;}}_{i=0}^M\&lsqb;p(j_L-1,i)+{\mathrm{\&beta;}}_1>p(j_L,i)?1:0\&rsqb;-{\mathrm{\&Sigma;}}_{i=0}^M\&lsqb;p(j_L-1,i)+{\mathrm{\&beta;}}_1<p(j_L,i)?1:0\&rsqb;|$

为最小值；对第j_R+1列像素，求数值β₂，使得

$|{\mathrm{\&Sigma;}}_{i=0}^M\&lsqb;p(j_R+1,i)+{\mathrm{\&beta;}}_2>p(j_R,i)?1:0\&rsqb;-{\mathrm{\&Sigma;}}_{i=0}^M\&lsqb;p(j_R+1,i)+{\mathrm{\&beta;}}_2<p(j_R,i)?1:0\&rsqb;|$

为最小值。

β表示像素值应加入的偏移量，见公式(1)；p(i,j)为为图像中第i行的第j列像素的值；将图像以第J列为中心，分为两部分，左侧的计算用j_L表示，右侧计算用j_R表示；

步骤4：计算p(j_L-1，i)＝p(j_L-1，i)+β₁，p(j_R+1，i)＝p(j_R+1，i)+β₂；i＝1，2……M.

步骤5：将步骤4得到的j_L-1和j_R+1作为新参考列，即分别令j_L＝j_L-1，j_R＝j_R+1。重复步骤3和步骤4；若j_L＝2，则结束j_L对应算式的计算；j_R＝N-1则结束j_R对应算式的计算；

其中步骤30中β₁和β₂计算可利用如下步骤进行：

(1)图像中的相邻两列像素，对于i＝1，2，……M，计算Δp_i＝p(j，i)-p(j+1，i)，则ΔP＝{Δp₁，Δp₂…Δp_M}；其中M为图像的行数，p(i,j)为图像中第i行的第j列像素的值，Δp_i是同一行相邻的两个像素的差值。

(2)对ΔP中的元素按大小进行排序，形成新序列ΔP＝{Δp′₁，Δp′₂…Δp′_M}。

(3)则β＝Δp′_M/2，即ΔP向量各元素的中位数。

试验表明，该方法可以有效的消除影像中的垂直或水平条带噪声，经过处理后的图像不存在明显的条带噪声现象。为了进一步验证方法的准确性，对质量较高的无条带噪声数据进行验证计算，目的是为了解算法是否会对无条带数据进行错误的调整，对Aster数据进行的计算表明，各列的β值大部分为0，仅有极个别为1或2，说明本方法确定的β值精度较高。

Claims (2)

1.一种图像条带噪声及坏线消除方法，具体包括如下步骤：

步骤1：设图像为M行N列，计算图像的均值和各列的像素均值；

步骤2：选取列像素均值与图像均值最接近的一列作为参考列，假设为第J列，令j_L＝j_R＝J。

步骤3：对第j_L-1列像素，求数值β₁，使得

为最小值；对第j_R+1列像素，求数值β₂，使得

为最小值。

β表示像素值应加入的偏移量，见公式(1)；p(i,j)为为图像中第i行的第j列像素的值；将图像以第J列为中心，分为两部分，左侧的计算用j_L表示，右侧计算用j_R表示；

步骤4：计算p(j_L-1，i)＝p(j_L-1，i)+β₁,p(j_R+1，i)＝p(j_R+1，i)+β₂；i＝1,2…M.

步骤5：将步骤4得到的j_L-1和j_R+1作为新参考列，即分别令j_L＝j_L-1，j_R＝j_R+1。重复步骤3和步骤4；若j_L＝2，则结束j_L对应算式的计算；j_R＝N-1则结束j_R对应算式的计算。

2.根据权利要求1所述的图像条带噪声及坏线消除方法，其特征在于：所述的步骤30中β₁和β₂计算可利用如下步骤进行：

(1)图像中的相邻两列像素，对于i＝1，2，…M，计算Δp_i＝p(j，i)-p(j+1，i)，则ΔP＝{Δp₁，Δp₂...Δp_M}；其中M为图像的行数，p(i,j)为图像中第i行的第j列像素的值，Δp_i是同一行相邻的两个像素的差值。

(2)对ΔP中的元素按大小进行排序，形成新序列ΔP＝{Δp′₁，Δp′₂...ΔpΔ_M}。

(3)则β＝Δp′_M/2，即ΔP向量各元素的中位数。