CN105913402B - 一种基于ds证据理论的多幅遥感图像融合去噪方法 - Google Patents
一种基于ds证据理论的多幅遥感图像融合去噪方法 Download PDFInfo
- Publication number
- CN105913402B CN105913402B CN201610341777.3A CN201610341777A CN105913402B CN 105913402 B CN105913402 B CN 105913402B CN 201610341777 A CN201610341777 A CN 201610341777A CN 105913402 B CN105913402 B CN 105913402B
- Authority
- CN
- China
- Prior art keywords
- noise
- evidence
- image
- remote sensing
- probability
- 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.)
- Active
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000008186 active pharmaceutical agent Substances 0.000 title claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 23
- 239000000203 mixture Substances 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 4
- 206010003694 Atrophy Diseases 0.000 claims description 3
- 230000037444 atrophy Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000000717 retained effect Effects 0.000 abstract 1
- 230000009467 reduction Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于DS证据理论的多幅遥感图像融合去噪方法,该方法具体包括以下步骤：选取同一位置某一时间段的多幅遥感图像，然后对每幅图像建立四个噪声模型；对四个噪声模型进行数据统计分析，并得到每个模型下每个像素点是噪声的概率，作为DS证据理论的基本概率分配；使用DS证据理论融合规则将四个证据融合成一个证据，得到每幅图像每个像素点是噪声的概率；重复使用DS证据理论的融合规则，将多幅遥感图像的信息融合起来，得到多幅遥感图像融合的总证据；最终根据证据计算出信任区间，并利用设计好的决策规则进行去噪，得到融合去噪的图像。其优点表现在：凭借丰富的信息源，实现去噪的同时更好的保留遥感图像边缘纹理细节。
Description
技术领域
本发明涉及遥感图像去噪处理技术领域，具体地说，是一种基于DS证据理论的多幅遥感图像融合去噪方法。
背景技术
数字图像在获取和传输的过程中容易受到噪声的污染，被污染的图像会影响图像的进一步处理，对图像的理解和识别带来一定的困难。研究表明，在一幅图像中，当信噪比低于14.2db时，在图像分割时产生的误检概率大于0.5％；在参数估计时，参数的估计误差大于0.6％；在区域数的确定上，容易过估区域的数目。因此，在对图像进行边缘检测、参数估计、特征提取、信息分析和模式识别等处理之前，依据容许的性能采用适当的降噪方法改善、提高图像质量是一个非常重要的环节。
遥感图像大多数像素的灰度值差别不明显，正是由于这种灰度相关性的存在，一般遥感图像的能量主要集中在低频区域，只有图像的细节部分的能量处于高频区域。同时，噪声的能量也处于高频区域，而去除噪声的主要方法就是消除或衰减高频分量、增强低频分量，因此遥感图像在消减噪声的过程中，图像的细节也有一定程度的衰减。这也是目前去噪方法存在的一个矛盾，即去除噪声与保持图像细节信息之间的矛盾。
传统的去噪方法一般在单幅图像内基于图像空间相关性进行平滑滤波(如高斯滤波、纳维滤波、中值滤波、均值滤波)，或基于频域、小波域以及其他方法进行滤波等。由于简单的空域滤波仅根据图像的局部空间相关性判图像的某像素是否为噪声，而不考虑时域信息，因而不好把握图像的全局特征。频域降噪方法主要利用正余弦坐标基对图像进行处理，能很好反映图像的整体特征，但不能很好地表述图像的时频局部化变化，不利于边缘保持。小波阈值降噪方法主要利用小波基对图像进行多尺度变换，由于信号突变点在不同尺度的同一位置都有较大的峰值出现，噪声能量却随着尺度的增大而减小，因此能够提高信号主要边缘的定位精度，更好地刻画真实信号，但在实际应用时，还需要估计噪声方差才能设定适当的阈值。
综上所述，亟需一种充分利用多幅遥感图像互补信息，对遥感图像进行去噪，与单幅遥感图像去噪相比，凭借丰富的信息源，实现去噪的同时更好的保留遥感图像边缘纹理细节的基于DS证据理论的多幅遥感图像融合去噪方法。而关于这种方法目前还未见报道。
发明内容
本发明的目的是针对现有技术中的不足，提供一种充分利用多幅遥感图像互补信息，对遥感图像进行去噪，与单幅遥感图像去噪相比，凭借丰富的信息源，实现去噪的同时更好的保留遥感图像边缘纹理细节的基于DS证据理论的多幅遥感图像融合去噪方法。
为实现上述目的，本发明采取的技术方案是：
一种基于DS证据理论的多幅遥感图像融合去噪方法,该方法具体包括以下步骤：
步骤一，选取同一位置某一时间段的多幅遥感图像，然后对每幅图像建立四个噪声模型；
步骤二，对四个噪声模型进行数据统计分析，并得到每个模型下每个像素点是噪声的概率，作为DS证据理论的基本概率分配；
步骤三，使用DS证据理论融合规则将四个证据融合成一个证据，得到每幅图像每个像素点是噪声的概率，作为多幅遥感图像融合去噪的基本概率分配；
步骤四，重复使用DS证据理论的融合规则，将多幅遥感图像的信息融合起来，得到多幅遥感图像融合的总证据；
步骤五，最终根据证据计算出信任区间，并利用设计好的决策规则进行去噪，得到融合去噪的图像。
进一步地，所述步骤二中的四个噪声模型分别两状态高斯混合模型、类中值滤波模型、类均值滤波模型、边缘分析模型。
进一步地，所述的两状态高斯混合模型依据小波变化具有信号的突变点在不同尺度的同一位置都有较大的峰值出现的性质，而噪声能量却随着尺度的增大而减小的特点，来刻画小波系数是与噪声相关还是与边缘相关的概率。
进一步地，所述的类中值滤波模型根据遥感图像的空间相关性，小窗口内像元值一般差距不大，差别较大说明是奇异点，设置n*n窗口，n为自然数，对窗口中数据排序取中间值，根据中心值与中间值的差异程度决定中心值为噪声的概率。
进一步地，所述的类均值滤波模型根据遥感图像空间相关性，设置n*n窗口，n为自然数，对窗口中的数据求平均值，根据中心值与平均值的差异程度决定中心值为噪声的概率。
进一步地，所述的边缘分析模型根据窗口中与中心值差异最小的3个值的差异程度决定是噪声的概率。
进一步地，所述步骤五中的决策规则具体如下：
(1)对每幅图像利用四个模型得到基本概率分布；
(2)利用DS理论把每幅图像的四个证据融合成一个整体概率分布；
(3)利用DS理论把(2)得到的两个整体概率分布融合成一个概率分布；
(4)如果融合结果是边缘，且两个证据都是边缘，选择是边缘概率大的证据；
(5)如果融合结果是边缘，两个证据一个是边缘另一个是噪声，说明是边缘的证据较强，选择是边缘的证据；
(6)如果融合结果是噪声，两个证据一个是边缘另一个是噪声，说明是噪声的证据较强，放弃是噪声的证据，如果这时是边缘的证据大于某一值，则相信这个证据，否则对这个证据做萎缩处理之后再使用；
(7)如果融合结果是噪声，两个证据都是噪声，则选取相对可靠的图像，取其平稳小波变化的低频系数重构，得到的灰度值作为融合去噪后图像的灰度。
本发明优点在于：
1、本发明一种基于DS证据理论的多幅遥感图像融合去噪方法，根据不同时间序列的遥感影像，由于受大气辐射、温度等不同因素的影响，遥感影像受噪声污染的位置和程度也不同这一特点，使用多幅遥感图像的互补信息进行融合去噪，选取多幅遥感图像中质量比较好的数据(非噪声数据或噪声数据的衰减数据)，融合成新的图像，与单幅遥感图像去噪相比，凭借丰富的信息源，实现去噪的同时更好的保留遥感图像边缘纹理细节。
2、DS证据理论能够处理由于知识不准确引起的不确定性，也能够处理由于不知道的因素引起的不准确性，通过合并多重证据从而作出决策，对推理进行合理的信息论解释，是一种决策理论。
3、DS证据理论信息融合技术，结合多源信息，能够有效处理认知不确定问题，根据DS证据理论这一优势，将多个模型的信息融合起来，得到更可靠的判断，然后同样利用DS证据理论将多幅图像信息融合起来，作为融合去噪决策依据。
附图说明
附图1为本发明多幅遥感图像融合去噪流程图。
附图2为本发明和单幅遥感图像多种方法去噪结果对比图。
具体实施方式
下面结合附图对本发明提供的具体实施方式作详细说明。
实施例1
本发明根据不同时间序列的遥感影像，由于受大气辐射、温度等不同因素的影响，遥感影像受噪声污染的位置和程度也不同，即不同时间内同一地区遥感图像的含噪情况不同，一幅图像的某位置是噪声，而另一幅图像的该位置不一定含噪声，使用多幅遥感图像的互补信息进行融合去噪，选取多幅遥感图像中质量比较好的数据(非噪声数据或噪声数据的衰减数据)，融合成新的图像。
如图1所示，一种基于DS证据理论的多幅遥感图像融合去噪方法，该方法具体包括以下步骤：步骤一，选取同一位置某一时间段的多幅遥感图像，然后对每幅图像建立四个噪声模型；步骤二，对四个噪声模型进行数据统计分析，并得到每个模型下每个像素点是噪声的概率，作为DS证据理论的基本概率分配；步骤三，使用DS证据理论融合规则将四个证据融合成一个证据，得到每幅图像每个像素点是噪声的概率，作为多幅遥感图像融合去噪的基本概率分配；步骤四，重复使用DS证据理论的融合规则，将多幅遥感图像的信息融合起来，得到多幅遥感图像融合的总证据；步骤五，最终根据证据计算出信任区间，并利用设计好的决策规则进行去噪，得到融合去噪的图像。
步骤二中的四个噪声模型分别为：两状态高斯混合模型、类中值滤波模型、类均值滤波模型、边缘分析模型。
其中，两状态高斯混合模型依据小波变化具有信号的突变点在不同尺度的同一位置都有较大的峰值出现的性质，而噪声能量却随着尺度的增大而减小的特点，来刻画小波系数是与噪声相关还是与边缘相关的概率；
类中值滤波模型根据遥感图像的空间相关性，小窗口内像元值一般差距不大，差别较大说明是奇异点，设置n*n窗口，n为自然数对窗口中数据排序取中间值，根据中心值与中间值的差异程度决定中心值为噪声的概率，差异越大，噪声的可能性就越大；
类均值滤波模型同样根据遥感图像空间相关性，设置n*n窗口，n为自然数对窗口中的数据求平均值，根据中心值与平均值的差异程度决定中心值为噪声的概率，差异越大，噪声的可能性就越大；
边缘分析模型，考虑窗口中属于边缘的元素对于类中值模型和类均值模型也会得到较大的概率值，容易误分为噪声，边缘分析模型根据窗口中与中心值差异最小的3个值的差异程度决定是噪声的概率，差异越小，由于图像边缘的连贯性，是边缘的可能性就很大，差异越大，噪声的可能性就越大。
具体模型设计和决策规则如下：
(一)本发明设计四个模型(两状态高斯混合模型、类中值模型、类均值模型、边缘分析模型)来表示证据和相应的mass函数，具体定义如下：
(1)两状态高斯混合模型基本概率分配的定义
建立两状态高斯混合模型，两状态指小波系数与边缘相关还是与噪声相关。对小波系数用隐马尔可夫模型训练，得到系数属于边缘或噪声的概率，及两状态模型下各分解尺度的两状态方差，进而得到在系数属于边缘或噪声的条件下小波系数是某值的概率，得到证据1的基本概率分配。K状态高斯混合模型如公式1，2。
fj(sj)为状态密度函数。其中，
为保证图像局部信息和空间相关性，以下三个证据采取小窗口形式，窗口大小为3*3。
(2)类中值模型基本概率分配的定义
设中心点位置灰度值w(k)，为除中心点位置的8个系数从大到小排序：
r(1),r(2),r(3),r(4),r(5),r(6),r(7),r(8) (3)
取排序后的中间值，并求平均值ROM(k)：
d(k)越大，说明w(k)与周围灰度值差异越大，是噪声的可能性就越大。PDA定义方式如下：
(3)类均值模型基本概率分配的定义
设i为灰度值对应位置编号，中心点位置灰度值w(k)，
δi表示灰度值梯度，s为窗口大小，为窗口所有元素的平均值。
p(k)越大，说明w(k)与周围系灰度值差异越大，PDA定义方式如下：
(4)边缘分析模型基本概率分配的定义
由于被污染的像素一般出现在小的邻域的大纲窗口里，一般会引起较大得d(k)和较大的p(k)。但是如果没有被噪声污染的像素位于边缘，d(k)和p(k)也会相对较大。因此，本文又引入另一个证据o(k)。
设i为灰度值对应位置编号，中心点位置灰度值w(k)，
ai＝|w(k)-wi(k)| (10)
对ai进行从小到大排序，得到数组c：
c＝sort(a) (11)
ci为第i小的数，表示窗口中心值与和他第i相近值的差异。由于c1由窗口中心值减去本身得到，值为零，与窗口中心值的有效差异从i＝2开始。o(k)越大，说明w(k)与他最接近的三个系数差异越大，表示是噪声的可能性就越大。PDA定义方式如下：
(二)决策规则
本方法通过4个模型对遥感数据进行统计分析，并对统计数据在单幅图像下进行信息融合，作为多幅信息融合的输入。在进行第二次信息融合得到总的证据的基础上，遵循优先选择数据质量较好的数据的原则，遵循最大限度保存边缘信息的原则，制定最终用于去噪的决策规则，具体如下：
(1)对每幅图像利用四个模型得到基本概率分布；
(2)利用DS理论把每幅图像的四个证据融合成一个整体概率分布；
(3)利用DS理论把(2)得到的两个整体概率分布融合成一个概率分布；
(4)如果融合结果是边缘，且两个证据都是边缘，选择是边缘概率大的证据；
(5)如果融合结果是边缘，两个证据一个是边缘另一个是噪声，说明是边缘的证据较强，选择是边缘的证据；
(6)如果融合结果是噪声，两个证据一个是边缘另一个是噪声，说明是噪声的证据较强，放弃是噪声的证据，如果这时是边缘的证据大于某一值，则相信这个证据，否则对这个证据做萎缩处理之后再使用；
(7)如果融合结果是噪声，两个证据都是噪声，则选取相对可靠的图像，取其平稳小波变化的低频系数重构，得到的灰度值作为融合去噪后图像的灰度值。
去噪分析效果对比1
请参照图2，选用两幅原始图像、两幅含噪图像与本方法去噪后图像对比，分析各自的图像信噪比和方差。如以下表1所示。
表1本发明去噪结果和两幅原始数据源信噪比方差对比表
去噪分析效果对比2
请参照图2，选用数据源1为0.0001的单幅遥感图像，分别在低通滤波、纳维滤波、均值滤波、中值滤波、小波变换与本方法去噪图像对比，分析各自的图像信噪比和方差。如以下表2所示。
表2本发明去噪结果和单幅遥感图像数据源1多种方法去噪结果信噪比方差对比表
请参照图2，选用数据源2为0.005的单幅遥感图像，分别在低通滤波、纳维滤波、均值滤波、中值滤波、小波变换与本方法去噪图像对比，分析各自的图像信噪比和方差。如以下表3所示。
去噪分析效果对比3
表3本发明去噪结果和单幅遥感图像数据源2多种方法去噪结果信噪比方差对比表
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。
Claims (5)
1.一种基于DS证据理论的多幅遥感图像融合去噪方法,其特征在于，该方法具体包括以下步骤：
步骤一，选取同一位置某一时间段的多幅遥感图像，且使用多幅遥感图像的互补信息进行融合去噪，选取多幅遥感图像中质量比较好的非噪声数据或噪声数据的衰减数据融合成新的图像，然后对每幅图像建立四个噪声模型；
步骤二，对四个噪声模型进行数据统计分析，并得到每个模型下每个像素点是噪声的概率，作为DS证据理论的基本概率分配；步骤二中的四个噪声模型分别为：两状态高斯混合模型、类中值滤波模型、类均值滤波模型、边缘分析模型；对小波系数用隐马尔可夫模型训练，得到系数属于边缘或噪声的概率，及两状态模型下各分解尺度的两状态方差，进而得到在系数属于边缘或噪声的条件下小波系数是某值的概率；
步骤三，使用DS证据理论融合规则将四个证据融合成一个证据，得到每幅图像每个像素点是噪声的概率，作为多幅遥感图像融合去噪的基本概率分配；
步骤四，重复使用DS证据理论的融合规则，将多幅遥感图像的信息融合起来，得到多幅遥感图像融合的总证据；
步骤五，最终根据证据计算出信任区间，并利用设计好的决策规则进行去噪，得到融合去噪的图像；
所述步骤五中的决策规则具体如下：
(1)对每幅图像利用四个模型得到基本概率分布；
(2)利用DS理论把每幅图像的四个证据融合成一个整体概率分布；
(3)利用DS理论把(2)得到的两个整体概率分布融合成一个概率分布；
(4)如果融合结果是边缘，且两个证据都是边缘，选择是边缘概率大的证据；
(5)如果融合结果是边缘，两个证据一个是边缘另一个是噪声，说明是边缘的证据较强，选择是边缘的证据；
(6)如果融合结果是噪声，两个证据一个是边缘另一个是噪声，说明是噪声的证据较强，放弃是噪声的证据，如果这时是边缘的证据大于某一值，则相信这个证据，否则对这个证据做萎缩处理之后再使用；
(7)如果融合结果是噪声，两个证据都是噪声，则选取相对可靠的图像，取其平稳小波变化的低频系数重构，得到的灰度值作为融合去噪后图像的灰度。
2.根据权利要求1所述的方法，其特征在于，所述的两状态高斯混合模型依据小波变化具有信号的突变点在不同尺度的同一位置都有较大的峰值出现的性质，而噪声能量却随着尺度的增大而减小的特点，来刻画小波系数是与噪声相关还是与边缘相关的概率。
3.根据权利要求1所述的方法，其特征在于，所述的类中值滤波模型根据遥感图像的空间相关性，小窗口内像元值一般差距不大，差别较大说明是奇异点，设置n*n窗口，n为自然数，对窗口中数据排序取中间值，根据中心值与中间值的差异程度决定中心值为噪声的概率。
4.根据权利要求1所述的方法，其特征在于，所述的类均值滤波模型根据遥感图像空间相关性，设置n*n窗口，n为自然数，对窗口中的数据求平均值，根据中心值与平均值的差异程度决定中心值为噪声的概率。
5.根据权利要求1所述的方法，其特征在于，所述的边缘分析模型根据窗口中与中心值差异最小的3个值的差异程度决定是噪声的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610341777.3A CN105913402B (zh) | 2016-05-20 | 2016-05-20 | 一种基于ds证据理论的多幅遥感图像融合去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610341777.3A CN105913402B (zh) | 2016-05-20 | 2016-05-20 | 一种基于ds证据理论的多幅遥感图像融合去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105913402A CN105913402A (zh) | 2016-08-31 |
| CN105913402B true CN105913402B (zh) | 2019-04-16 |
Family
ID=56748455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610341777.3A Active CN105913402B (zh) | 2016-05-20 | 2016-05-20 | 一种基于ds证据理论的多幅遥感图像融合去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105913402B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818547B (zh) * | 2016-09-14 | 2018-12-25 | 北京航空航天大学 | 一种面向微光图像序列中椒盐和高斯混合噪声的去除方法 |
| CN107944357B (zh) * | 2017-11-13 | 2020-02-14 | 中国科学院合肥物质科学研究院 | 基于证据融合自适应阈值的多源遥感图像云检测方法 |
| CN109360190B (zh) * | 2018-09-21 | 2020-10-16 | 清华大学 | 基于图像超像素融合的建筑损毁检测方法及装置 |
| CN113689373B (zh) * | 2021-10-21 | 2022-02-11 | 深圳市慧鲤科技有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
| CN114612757B (zh) * | 2022-01-28 | 2022-11-15 | 深圳市神州云海智能科技有限公司 | 一种基于深度学习的多源导航图像融合方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103236060A (zh) * | 2013-04-28 | 2013-08-07 | 北京农业信息技术研究中心 | 基于多特征融合的白粉虱图像分割方法 |
| CN103559493A (zh) * | 2013-10-21 | 2014-02-05 | 中国农业大学 | 一种线状地物的提取方法 |
| CN105069769A (zh) * | 2015-08-26 | 2015-11-18 | 哈尔滨工业大学 | 一种微光与红外夜视图像融合方法 |
| CN105141889A (zh) * | 2015-07-28 | 2015-12-09 | 国家电网公司 | 一种基于图像视觉输电线路智能巡检系统 |
-
2016
- 2016-05-20 CN CN201610341777.3A patent/CN105913402B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103236060A (zh) * | 2013-04-28 | 2013-08-07 | 北京农业信息技术研究中心 | 基于多特征融合的白粉虱图像分割方法 |
| CN103559493A (zh) * | 2013-10-21 | 2014-02-05 | 中国农业大学 | 一种线状地物的提取方法 |
| CN105141889A (zh) * | 2015-07-28 | 2015-12-09 | 国家电网公司 | 一种基于图像视觉输电线路智能巡检系统 |
| CN105069769A (zh) * | 2015-08-26 | 2015-11-18 | 哈尔滨工业大学 | 一种微光与红外夜视图像融合方法 |
Non-Patent Citations (4)
| Title |
|---|
| Fuzzy image restoration for noise reduction based on dempster-shafer theory;Tzu-Chao Lin;《IEEE International Conference on Fuzzy Systems》;20090130;第28卷(第1期);第1-6页 |
| 基于噪声点检测的中值滤波方法;马学磊 等;《现代电子技术》;20080115(第1期);第1-3页 |
| 基于特征融合的遥感影像典型线状目标提取技术研究;闫冬梅;《中国优秀博硕士学位论文全文数据库 （博士）信息科技辑》;20041215;第2、38页 |
| 基于证据理论的小波萎缩图像去噪;杨海峰 等;《光学技术》;20051031(第5期);第1-3页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105913402A (zh) | 2016-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105913402B (zh) | 一种基于ds证据理论的多幅遥感图像融合去噪方法 | |
| Xiong et al. | A universal denoising framework with a new impulse detector and nonlocal means | |
| CN109345472B (zh) | 一种复杂场景的红外运动小目标检测方法 | |
| CN103049892B (zh) | 基于相似块矩阵秩最小化的非局部图像去噪方法 | |
| CN103400357B (zh) | 一种去除图像椒盐噪声的方法 | |
| Wang et al. | An efficient switching median filter based on local outlier factor | |
| Meher et al. | An improved recursive and adaptive median filter for high density impulse noise | |
| Bigand et al. | Fuzzy filter based on interval-valued fuzzy sets for image filtering | |
| Hosseini et al. | Fast restoration of natural images corrupted by high-density impulse noise | |
| Bai et al. | Automatic detection and removal of high‐density impulse noises | |
| CN105590301B (zh) | 自适应正斜双十字窗均值滤波的脉冲噪声消除方法 | |
| CN111462027B (zh) | 基于多尺度梯度和抠图的多聚焦图像融合方法 | |
| Tripathi et al. | Switching median filter: advanced boundary discriminative noise detection algorithm | |
| CN111179189A (zh) | 基于生成对抗网络gan的图像处理方法、装置以及电子设备、存储介质 | |
| CN102298774A (zh) | 基于联合相似性的非局部均值去噪方法 | |
| CN111429372A (zh) | 一种增强低对比度图像边缘检测效果的方法 | |
| CN110458773B (zh) | 一种基于边缘增强算子的各向异性扩散噪声处理方法 | |
| Wang et al. | High quality impulse noise removal via non‐uniform sampling and autoregressive modelling based super‐resolution | |
| CN116883259A (zh) | 一种基于去噪扩散概率模型的水下图像增强方法 | |
| Awad | Removal of fixed-valued impulse noise based on probability of existence of the image pixel | |
| Wang et al. | Infrared image edge detection based on improved Canny algorithm | |
| Xie et al. | DHD-Net: A novel deep-learning-based dehazing network | |
| CN113506259A (zh) | 一种基于融合网络的图像模糊判别方法及系统 | |
| CN105678704A (zh) | 一种基于视觉感知的非局部中值盲降噪方法 | |
| Srikrishna et al. | Realization of Human Eye Pupil Detection System using Canny Edge Detector and Circular Hough Transform Technique |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |