CN106097292B - 一种用于遥感影像处理的时空邻域高斯加权中值滤波方法 - Google Patents
一种用于遥感影像处理的时空邻域高斯加权中值滤波方法 Download PDFInfo
- Publication number
- CN106097292B CN106097292B CN201610640069.XA CN201610640069A CN106097292B CN 106097292 B CN106097292 B CN 106097292B CN 201610640069 A CN201610640069 A CN 201610640069A CN 106097292 B CN106097292 B CN 106097292B
- Authority
- CN
- China
- Prior art keywords
- time
- neighborhood
- median
- phase
- interval
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 33
- 238000001914 filtration Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 abstract 1
- 230000001629 suppression Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于遥感影像处理的时空邻域高斯加权中值滤波方法,根据不同时间序列SAR影像的观测值同时与其时间邻域和空间邻域的观测值高度相关,且时间间隔越大、空间距离越大相关性越小,提出根据其时间和空间距离进行高斯加权的中值滤波算法,并根据SAR影像的统计分布特征,预估中值所在的区间,缩小中值搜索范围,加快中值求解速度,本发明能较好保持影像上地物细节特征,抑制斑点噪声,同时较大程度去除时序影像中车、船等临时地物的影响,解决了时序影像斑点噪声抑制问题。
Description
【技术领域】
本发明属于遥感影像处理技术领域,是一种合成孔径雷达(Synthetic ApertureRadar,SAR)影像相干斑噪声抑制方法,涉及一种对重轨时间序列SAR影像中的相干斑噪声进行滤除的新方法,具体涉及一种应用于时序SAR影像斑点噪声抑制的时空邻域高斯加权中值滤波快速算法。
【背景技术】
合成孔径雷达不受天气地理和时间等因素的限制,能够对地面进行高分辨率成像,并且具有一定的穿透力,因而被广泛应用于军事侦察、资源探测、环境监测、测绘制图、地理国情监测等对地遥感应用中,随着多颗雷达卫星的成功发射,时序雷达影像成为当前遥感应用的一大重要方面。
由于SAR基于相干成像机理进行工作,导致SAR影像中存在严重的斑点噪声,对SAR图像的解译判读和信息提取带来非常大的影响。早期的SAR影像斑点噪声抑制是通过空间多视平均处理来实现的,该方法的主要缺点是牺牲了影像的空间分辨率,不适用于当前的高分辨率SAR系统。目前主要采用空域滤波方法来实现斑点噪声抑制,即一般是利用一个滑动窗口,对窗口内的像素进行邻域处理得到窗口中心点的像素值。而中值滤波是一种非线性滤波算法,能较好地抑制斑点噪声、椒盐噪声等非高斯噪声,保持影像细节信息,在SAR影像中具有广泛的应用。
现有技术中,中值滤波仅运用在空间邻域,部分算法引入了不同形状和大小的邻域窗口,并采用高斯等方法进行了加权,但此类方法的不足是:没有充分利用时间序列观测值之间的相关性,且计算效率较低。其它一些考虑时间域相关性的滤波方法,多对各时相同等对待,未充分顾及时间间隔越大其相关性越低的问题,且不能克服临时性车、船等着某一时相偶然出现地物的影响,因此滤波结果对后续分类解译效果的提升依然有限。这些改进算法均未能彻底解决时序SAR影像中斑点噪声滤除的问题。
本发明即针对现有技术的不足而研究提出。
【发明内容】
本发明一种用于遥感影像处理的时空邻域高斯加权中值滤波方法,充分利用SAR时间序列影像中时间邻域和空间邻域观测值的相关性,发挥中值滤波算法对斑点噪声等非高斯噪声抑制和细节信息保持的良好性能,在抑制斑点噪声的同时,抑制时序影像中临时地物的影响,有效解决现有方法未能很好解决时序SAR影像中斑点噪声快速滤波的问题。
为解决上述技术问题,本发明一种用于遥感影像处理的时空邻域高斯加权中值滤波方法,时序影像的表示形式为强度影像,宽和高分别为nw和nh个像素,共有nt个时相,其中第k个时相的观测时刻记为Tk,通过滑动窗口遍历每个像素(i,j,k),其中i、j表示影像的行列号,记滤波前像素(i,j,k)的强度影像为P(i,j,k),对其时空邻域进行处理即得到像素(i,j,k)的滤波结果其特征在于包括以下步骤:
步骤1:设置时空邻域窗口参数:即将空间邻域窗口的大小设置为Ws,时间邻域窗口的大小为Wt,由此得到通过滑动窗口遍历每个像素(i,j,k)时的时空邻域大小为Ws×Ws×Wt,满足:51≥Ws≥3,且Ws为奇数;且Wt至少为最大相邻时相观测时间间隔的3倍;
步骤2:设置时空邻域高斯加权函数的参数:即空间邻域加权参数σs>0,且2σs<Ws/2;时间邻域加权参数σt>0,且2σt<Wt/2;
步骤3:初始化当前处理影像的时相,k=1;
步骤4:计算当前时相滑动窗口的高斯权矩阵;
步骤4.1:计算当前时相滑动窗口的高斯权矩阵,先计算参与当前时相滤波的相邻时相,按照时间先后顺序遍历所有时相的观测时间Tt,当时相t与当前时相k的时间间隔Tt-Tk≤Wt/2时,将时相t加入时相k时间邻域集合,并记时相k的时间邻域集合为Snt,k,Snt,k中元素的个数,即为时相k时间邻域的时相个数,记为Wtk;
步骤:4.2:计算当前处理时相k的时空邻域滑动窗口内的三维权矩阵各元素的值w(dx,dy,dt),满足:
其中dx,dy分别是方形模板上(x,y)处到模板中心的行方向和列方向的距离,其中x,y=1,2,...,Ws;dt为时相k的邻近时相t的观测时刻到时相k的时间间隔,记为dt=Tt-Tk,且Tt∈Snt,k,t=1,2,...,Wtk,由此得到大小为Ws×Ws×Wtk的三维权矩阵w0;
步骤4.3:计算三维权矩阵元素的总和,记总权值为wall,则有:
其中w(i,j,k)是三维权矩阵w0第i行第j列第k个时相的权重;
步骤4.4:计算高斯权矩阵,记为w,则有
步骤5:初始化当前处理像素(ic,jc,k)为第一个像素,即(ic,jc)=(0,0),并将滑动窗口的中心与(ic,jc,k)对齐,开始处理第一行第一列像素;
步骤6:根据时空邻域内最大值和最小值确定中值的搜索范围为
步骤6.1:记当前处理像素时空邻域Ws×Ws×Wtk个影像强度值组成的集合为SN,计算SN的最大值Pmax,c和最小值Pmin,c,Wtk为时相个数;
步骤6.2:计算当前处理像素时空邻域内的影像幅度值的最大值和最小值
步骤6.3:SAR幅度影像的视数为nL,由于视数nL越大,越接近正态分布,其中值与均值越接近,当nL>100,幅度影像近似服从正态分布,其中值在均值附近的概率极大;随着视数nL降低,其中值逐渐向均值的左边移动,缩小后的中值搜索范围可根据不同的视数nL进行计算:
步骤7:判断中值是否位于缩小的搜索范围
步骤7.1:判断中值位于三者中的何区间。
步骤7.2:计算满足和时空邻域元素的总权重和
步骤7.3:当时,中值位于区间并记w1=0,记位于区间的元素组成的集合为S;否则当时,中值位于区间并记记位于区间的元素组成的集合为S;否则中值位于区间并记w2=0,记位于区间的元素组成的集合为S;
步骤8:在步骤7确定的搜索区间J=(Jmin,Jmax)内进行二分法递归快速搜索高斯时空加权的中值,其中Jmin、Jmax分别是步骤7.3中区间J的下限值和上限值;
步骤8.1:终止条件是集合S的元素个数为1,该元素即为求得的中值满足终止条件时,进入步骤9;不满足终止条件时,继续执行步骤8.2;
步骤8.2:根据中值所在搜索区间J=(Jmin,Jmax),将该区间内的元素分为两部分,并分别记为S1和S2,满足:S1<(Jmin+Jmax)/2,S2≥(Jmin+Jmax)/2,则S1和S2的权值分别为△1和△2;
步骤8.3:如果w1+△1<0.5,则更新w1=w1+△1,更新S=S2,更新J=((Jmin+Jmax)/2,Jmax);否则更新w2=w2+△2,更新S=S1,更新J=(Jmin,(Jmin+Jmax)/2);
步骤8.4:继续执行步骤8.1;
步骤9:保存结果
步骤10:当前时相像素全部处理完成,进入步骤11;否则移动滑动窗口中心到下一个像素,更新当前处理像素(ic,jc,k),进入步骤6;
步骤11:当时相k影像的全部像素都处理完时,更新当前处理时相k=k+1;如果k≤nt进入步骤4,开始对下一时相进行处理,否则处理结束。
与现有技术相比较,本发明一种用于遥感影像处理的时空邻域高斯加权中值滤波方法,采用上述步骤,充分利用SAR时间序列影像中时间邻域和空间邻域观测值的相关性,发挥中值滤波算法对斑点噪声等非高斯噪声抑制和细节信息保持的良好性能,在抑制斑点噪声的同时,抑制时序影像中临时地物的影响,有效解决现有方法未能很好解决时序SAR影像中斑点噪声快速滤波的问题。
【附图说明】
下面结合附图对本发明的具体实施方式作进一步详细说明,其中:
图1为本发明的流程图。
【具体实施方式】
下面结合附图对本发明的实施方式作详细说明。
如图1所示,本发明一种用于遥感影像处理的时空邻域高斯加权中值滤波方法,要求时序影像为经过精配准的强度影像,配准精度不低于0.1像素,而且数据形式为经过定标的浮点型强度数据。各相邻时相的间隔一般比较短,可以在几小时到数日甚至数月,但考虑到间隔越久,影像的相关性越差,地物发生了较大变化,不满足观测同一地物的假设条件,斑点噪声抑制和细节保持性能则会下降,本发明优选时间间隔最大不超过半年。
下面以华南某区域的岗哨的6月到11月共12个时相的影像进行处理,经过了4视处理,像元大小为12m×12m,图像大小为1400像素×5000像素。除8月14日到9月7日两时相时间间隔为24天,其余影像相邻间隔均为12天。采用步骤如下:
步骤1:设置时空邻域窗口参数,即将空间邻域窗口的大小设置为Ws=9像素,时间邻域窗口的大小设置为Wt=12*6=72天。
步骤2:设置时空邻域高斯加权函数的参数:空间邻域加权参数为σs=2像素,时间邻域加权参数为σt=16天。
步骤3:初始化当前处理影像的时相,k=1。
步骤4:计算当前时相滑动窗口的高斯权矩阵;
步骤4.1:计算当前时相滑动窗口的高斯权矩阵。先计算参与当前时相滤波的相邻时相,即按照时间先后顺序遍历所有时相的观测时间Tt,当时相t与当前时相k的时间间隔Tt-Tk≤36天时,将时相t加入时相k时间邻域集合,并记时相k的时间邻域集合为Snt,k,Snt,k中元素的个数即为时相k时间邻域的时相个数,记为Wtk,当k值不同时,Wtk=4,5,6,7。
步骤:4.2:计算当前处理时相k的时空邻域滑动窗口内的三维权矩阵各元素的值w(dx,dy,dt),满足:
其中dx,dy分别是方形模板上(x,y)处到模板中心(5,5)的行方向和列方向的距离,其中x,y=1,2,...,9;dt为时相k的邻近时相t的观测时刻到时相k的时间间隔dt=Tt-Tk,且Tt∈Snt,k,t=1,2,...,Wtk,由此可得大小为9×9×Wtk的权矩阵w0。
步骤4.3:计算三维权矩阵元素的总和,记总权值为wall:
其中w(i,j,k)是三维权矩阵w0第i行第j列第k个时相的权重。
步骤4.4:计算高斯权矩阵:
步骤5:初始化当前处理像素(ic,jc,k)为第一个像素,即(ic,jc)=(0,0),并将滑动窗口的中心与(ic,jc,k)对齐,开始处理第一行第一列像素。
步骤6:根据时空邻域内最大值和最小值确定中值的搜索范围为
步骤6.1:记当前处理像素时空邻域Ws×Ws×Wtk个影像强度值组成的集合为SN,计算SN的最大值Pmax,c和最小值Pmin,c,Wtk为时相个数;
步骤6.2:计算当前处理像素时空邻域内的影像幅度值的最大值和最小值
步骤6.3:SAR幅度影像的视数为nL,由于视数nL越大,越接近正态分布,其中值与均值越接近,当nL>100,幅度影像近似服从正态分布,其中值在均值附近的概率极大;随着视数nL降低,其中值逐渐向均值的左边移动,缩小后的中值搜索范围可根据不同的视数nL进行计算:
步骤7:判断中值是否位于缩小的搜索范围
步骤7.1:判断中值位于三者中的何区间;
步骤7.2:计算和时空邻域元素的权重,且分别记为和
步骤7.3:当时,中值位于区间并记w1=0,记位于区间的元素组成的集合为S;否则当时,中值位于区间并记记位于区间的元素组成的集合为S;否则中值位于区间并记w2=0,记位于区间的元素组成的集合为S;
步骤8:在步骤7确定的搜索区间J=(Jmin,Jmax)内进行二分法递归快速搜索高斯时空加权的中值,其中Jmin、Jmax分别是步骤7.3中区间J的下限值和上限值;
步骤8.1:终止条件是集合S的元素个数为1,该元素即为求得的中值满足终止条件时,进入步骤9;不满足终止条件时,继续执行步骤8.2;
步骤8.2:根据中值所在搜索区间J=(Jmin,Jmax),将该区间内的元素分为两部分,并分别记为S1和S2,满足:S1<(Jmin+Jmax)/2,S2≥(Jmin+Jmax)/2,则S1和S2的权值分别为△1和△2;
步骤8.3:如果w1+△1<0.5,则更新w1=w1+△1,更新S=S2,更新J=((Jmin+Jmax)/2,Jmax);否则更新w2=w2+△2,更新S=S1,更新J=(Jmin,(Jmin+Jmax)/2);
步骤8.4:继续执行步骤8.1;
步骤9:保存结果
步骤10:当前时相像素全部处理完成,进入步骤11;否则移动滑动窗口中心到下一个像素,更新当前处理像素(ic,jc,k),进入步骤6;
步骤11:当时相k影像的全部像素都处理完时,更新当前处理时相k=k+1;如果k≤nt进入步骤4,开始对下一时相进行处理,否则处理结束。
本发明采用上述步骤,除了应用于SAR影像外,对于光学遥感影像均具有一定的噪声抑制效果,与现有技术相比本发明方法以下优势:
(1)由于是非线性滤波器,且引入了多时相观测值,因此具有更好的斑点噪声抑制性能;
(2)由于并非所有像素的值都能影响滤波输出,只有像素的权重和大小位置能影响输出,因此能较大程度上抑制车、船等临时地物的影响,滤波后影像尽可能保持了稳定的地物信息;
(3)由于利用了不同时相相关性不同的特点,时间间隔越近,相关性越高,同时做获得相同等效视数时,空间邻域窗口更小,且权重与空间距离成反比,因此具有更好的空间信息。
(4)由于基于SAR分布先验知识,缩小了均值搜索范围,大幅减小了比较与交换操作,因此与已有算法相比,具有更好的计算效率,做实施例中,计算时间约为非快速算法的1/4。
Claims (1)
1.一种用于遥感影像处理的时空邻域高斯加权中值滤波方法,时序影像的表示形式为强度影像,宽和高分别为nw和nh个像素,共有nt个时相,其中第k个时相的观测时刻记为Tk,通过滑动窗口遍历每个像素(i,j,k),其中i、j表示影像的行列号,记滤波前像素(i,j,k)的强度影像为P(i,j,k),对其时空邻域进行处理即得到像素(i,j,k)的滤波结果其特征在于包括以下步骤:
步骤1:设置时空邻域窗口参数:即将空间邻域窗口的大小设置为Ws,时间邻域窗口的大小为Wt,由此得到通过滑动窗口遍历每个像素(i,j,k)时的时空邻域大小为Ws×Ws×Wt,满足:51≥Ws≥3,且Ws为奇数;且Wt至少为最大相邻时相观测时间间隔的3倍;
步骤2:设置时空邻域高斯加权函数的参数:即空间邻域加权参数σs>0,且2σs<Ws/2;时间邻域加权参数σt>0,且2σt<Wt/2;
步骤3:初始化当前处理影像的时相,k=1;
步骤4:计算当前时相滑动窗口的高斯权矩阵;
步骤4.1:计算当前时相滑动窗口的高斯权矩阵,先计算参与当前时相滤波的相邻时相,按照时间先后顺序遍历所有时相的观测时间Tt,当时相t与当前时相k的时间间隔Tt-Tk≤Wt/2时,将时相t加入时相k时间邻域集合,并记时相k的时间邻域集合为Snt,k,Snt,k中元素的个数,即为时相k时间邻域的时相个数,记为Wtk;
步骤:4.2:计算当前处理时相k的时空邻域滑动窗口内的三维权矩阵各元素的值w(dx,dy,dt),满足:
其中dx,dy分别是方形模板上(x,y)处到模板中心的行方向和列方向的距离,其中x,y=1,2,...,Ws;dt为时相k的邻近时相t的观测时刻到时相k的时间间隔,记为dt=Tt-Tk,且Tt∈Snt,k,t=1,2,...,Wtk,由此得到大小为Ws×Ws×Wtk的三维权矩阵w0;
步骤4.3:计算三维权矩阵元素的总和,记总权值为wall,则有:
其中w(i,j,k)是三维权矩阵w0第i行第j列第k个时相的权重;
步骤4.4:计算高斯权矩阵,记为w,则有
步骤5:初始化当前处理像素(ic,jc,k)为第一个像素,即(ic,jc)=(0,0),并将滑动窗口的中心与(ic,jc,k)对齐,开始处理第一行第一列像素;
步骤6:根据时空邻域内最大值和最小值确定中值的搜索范围为
步骤6.1:记当前处理像素时空邻域Ws×Ws×Wtk个影像强度值组成的集合为SN,计算SN的最大值Pmax,c和最小值Pmin,c,Wtk为时相个数;
步骤6.2:计算当前处理像素时空邻域内的影像幅度值的最大值和最小值
步骤6.3:SAR幅度影像的视数为nL,由于视数nL越大,越接近正态分布,其中值与均值越接近,当nL>100,幅度影像近似服从正态分布,其中值在均值附近的概率极大;随着视数nL降低,其中值逐渐向均值的左边移动,缩小后的中值搜索范围可根据不同的视数nL进行计算:
步骤7:判断中值是否位于缩小的搜索范围
步骤7.1:判断中值位于三者中的何区间;
步骤7.2:计算满足和时空邻域元素的总权重和
步骤7.3:当时,中值位于区间并记w1=0,记位于区间的元素组成的集合为S;否则当时,中值位于区间并记记位于区间的元素组成的集合为S;否则中值位于区间并记w2=0,记位于区间的元素组成的集合为S;
步骤8:确定的搜索区间J=(Jmin,Jmax)内进行二分法递归快速搜索高斯时空加权的中值,其中Jmin、Jmax分别是步骤7.3中区间J的下限值和上限值;
步骤8.1:终止条件是集合S的元素个数为1,该元素即为求得的中值满足终止条件时,进入步骤9;不满足终止条件时,继续执行步骤8.2;
步骤8.2:根据中值所在搜索区间J=(Jmin,Jmax),将该区间内的元素分为两部分,并分别记为S1和S2,满足:S1<(Jmin+Jmax)/2,S2≥(Jmin+Jmax)/2,则S1和S2的权值分别为△1和△2;
步骤8.3:如果w1+△1<0.5,则更新w1=w1+△1,更新S=S2,更新J=((Jmin+Jmax)/2,Jmax);否则更新w2=w2+△2,更新S=S1,更新J=(Jmin,(Jmin+Jmax)/2);
步骤8.4:继续执行步骤8.1;
步骤9:保存结果
步骤10:当前时相像素全部处理完成,进入步骤11;否则移动滑动窗口中心到下一个像素,更新当前处理像素(ic,jc,k),进入步骤6;
步骤11:当时相k影像的全部像素都处理完时,更新当前处理时相k=k+1;如果k≤nt进入步骤4,开始对下一时相进行处理,否则处理结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610640069.XA CN106097292B (zh) | 2016-08-04 | 2016-08-04 | 一种用于遥感影像处理的时空邻域高斯加权中值滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610640069.XA CN106097292B (zh) | 2016-08-04 | 2016-08-04 | 一种用于遥感影像处理的时空邻域高斯加权中值滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106097292A CN106097292A (zh) | 2016-11-09 |
CN106097292B true CN106097292B (zh) | 2019-12-24 |
Family
ID=57454644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610640069.XA Expired - Fee Related CN106097292B (zh) | 2016-08-04 | 2016-08-04 | 一种用于遥感影像处理的时空邻域高斯加权中值滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106097292B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154481B (zh) * | 2016-12-06 | 2021-09-21 | 展讯通信(上海)有限公司 | 图像去噪方法、装置及电子设备 |
CN114119575B (zh) * | 2021-11-30 | 2022-07-19 | 二十一世纪空间技术应用股份有限公司 | 一种空间信息变化检测方法及系统 |
CN114224388B (zh) * | 2021-12-31 | 2023-07-28 | 山东大学 | 基于多频率超声的颈动脉三维重建方法及系统 |
CN115423702A (zh) * | 2022-08-23 | 2022-12-02 | 自然资源部国土卫星遥感应用中心 | 制作大区域星载光学和sar影像dom的方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101014086A (zh) * | 2007-01-31 | 2007-08-08 | 天津大学 | 采用运动检测和自适应加权滤波的去隔行装置 |
EP2146315A1 (en) * | 2008-07-16 | 2010-01-20 | Galileian Plus s.r.l. | Method of filtering SAR images from speckle noise and related device. |
CN103150733A (zh) * | 2013-03-25 | 2013-06-12 | 中国矿业大学(北京) | 一种应用于数字图像的自适应多级加权中值滤波算法 |
CN104463797A (zh) * | 2014-11-27 | 2015-03-25 | 山东科技大学 | 一种能保持多谱图像细线结构的噪声抑制方法 |
-
2016
- 2016-08-04 CN CN201610640069.XA patent/CN106097292B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101014086A (zh) * | 2007-01-31 | 2007-08-08 | 天津大学 | 采用运动检测和自适应加权滤波的去隔行装置 |
EP2146315A1 (en) * | 2008-07-16 | 2010-01-20 | Galileian Plus s.r.l. | Method of filtering SAR images from speckle noise and related device. |
CN103150733A (zh) * | 2013-03-25 | 2013-06-12 | 中国矿业大学(北京) | 一种应用于数字图像的自适应多级加权中值滤波算法 |
CN104463797A (zh) * | 2014-11-27 | 2015-03-25 | 山东科技大学 | 一种能保持多谱图像细线结构的噪声抑制方法 |
Non-Patent Citations (3)
Title |
---|
new kind of weighted median filtering algorithm used for image processing;Deng Xiuqin,Xiong Yong;《IEEE International Symposium on Information Science and Engieering》;20081231;第738-743页 * |
一种改进的中值滤波算法;李旭等;《中国体视学与图像分析》;20131231;第18卷(第1期);第7-10页 * |
一种新型均值滤波器及在压力分布中的应用;刘世法等;《计算机应用》;20090630;第29卷(第6期);第1728-1730,1747页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106097292A (zh) | 2016-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN107886498B (zh) | 一种基于星载图像序列的空间目标检测跟踪方法 | |
CN106097292B (zh) | 一种用于遥感影像处理的时空邻域高斯加权中值滤波方法 | |
CN112529910B (zh) | 一种sar图像快速超像素合并及图像分割方法 | |
CN107909002B (zh) | 基于海岸线匹配的红外遥感图像海陆分割方法 | |
CN111311644B (zh) | 一种基于视频sar的运动目标检测方法 | |
CN110717934B (zh) | 一种基于strcf的抗遮挡目标跟踪方法 | |
CN107194896B (zh) | 一种基于邻域结构的背景抑制方法和系统 | |
CN105447488B (zh) | 基于素描线段拓扑结构的sar图像目标检测方法 | |
CN106940782B (zh) | 基于变差函数的高分sar新增建设用地提取软件 | |
CN115063689A (zh) | 一种基于局部显著性增强的cfar舰船目标检测方法 | |
CN112150386A (zh) | 基于对比度均值的sar图像相干斑非局部平均抑制方法 | |
Liu et al. | Moving dim and small target detection in multiframe infrared sequence with low SCR based on temporal profile similarity | |
CN112764005A (zh) | 一种结合形态学滤波的Gm-APD激光雷达低信噪比回波数据重构方法 | |
CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
CN112215832A (zh) | Sar尾迹图像质量评估及自适应探测参数调整方法 | |
Zehtabian et al. | Adaptive restoration of multispectral datasets used for SVM classification | |
CN111461999A (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
CN108764016B (zh) | 基于旋转域特征与cnn的极化sar图像舰船检测方法 | |
CN107564029B (zh) | 基于高斯极值滤波和群稀疏rpca的运动目标检测方法 | |
CN114155425B (zh) | 基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法 | |
CN115409831A (zh) | 基于最优背景估计的星点质心提取方法及系统 | |
CN109064421A (zh) | 基于l1/2范数的高分三sar图像的非局部均值降斑算法 | |
CN111652906B (zh) | 卫星视频地面动态目标旋转的自适应追踪方法、装置和设备 | |
Tonye et al. | Contribution of variogram and feature vector of texture for the classification of big size SAR images |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191224 Termination date: 20210804 |
|
CF01 | Termination of patent right due to non-payment of annual fee |