CN107146206A - 基于四维块匹配滤波的高光谱遥感图像去噪方法 - Google Patents
基于四维块匹配滤波的高光谱遥感图像去噪方法 Download PDFInfo
- Publication number
- CN107146206A CN107146206A CN201710240656.4A CN201710240656A CN107146206A CN 107146206 A CN107146206 A CN 107146206A CN 201710240656 A CN201710240656 A CN 201710240656A CN 107146206 A CN107146206 A CN 107146206A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- spectrum remote
- data block
- mrow
- block
- 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.)
- Granted
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000011524 similarity measure Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000009466 transformation Effects 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011946 reduction process 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
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于四维块匹配滤波的高光谱遥感图像去噪方法,主要解决了现有技术中高光谱遥感图像的去噪结果中细节信息模糊泛化和边缘轮廓信息丢失的问题。其实现步骤如下:(1)输入高光谱遥感图像;(2)对高光谱遥感图像中的波段进行分组;(3)构造四维数据块;(4)对四维数据块进行经验维纳滤波;(5)输出去噪后高光谱遥感图像数据。本发明能够较好地保持去噪后的结果中的细节信息及边缘信息,可用于高光谱遥感图像的去噪。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及高光谱图像滤波处理技术领域中的一种基于四维块匹配滤波BM4D(Block-Matching and 4D filtering)的高光谱遥感图像去噪方法。本发明可用于对高光谱遥感图像的噪声进行抑制。
背景技术
高光谱遥感图像是最近几十年发展起来的一种新兴遥感图像,它能更为全面,更为详细地描述地物特征。然而,高光谱遥感图像在成像及传播过程中受到很多复杂因素影响,会引入大量噪声,对高光谱遥感图像后续的应用带来很大困难。目前的高光谱遥感图像去噪方法主要分为两类:一类是基于变换域滤波的高光谱遥感图像去噪方法,该方法是对高光谱遥感图像采用某种变换方法,在变换域对高光谱遥感图像进行去噪处理;另一类是基于空间域滤波的高光谱遥感图像去噪方法,该方法是利用相邻像元间的相关性对高光谱遥感图像进行去噪。
Maggioni M,Katkovnik V,Egiazarian K三人在其发表的论文“Nonlocaltransform-domain filter for volumetric data denoising and reconstruction”(IEEE Transactions on Image Processing A Publication of the IEEE SignalProcessing Society,2013,22(1))中提出了一种基于非局部变换域滤波的高光谱遥感图像去噪方法。该方法首先把高光谱遥感图像分成一定大小的块,根据图像块之间的相似性,把具有相似结构的三维维图像块组合在一起形成四维维数组,然后用联合滤波的方法对这些四维数组进行处理,最后,通过逆变换,把处理后的结果返回到原图像中,从而得到去噪后的图像。该方法存在的不足之处是,没有考虑不同波段信噪比之间的差异而导致去噪结果中细节信息的模糊泛化。
武汉大学在其申请的专利文献“基于空间相关性的高光谱数据降噪方法及系统”(专利申请号CN201410821313.3,公开号CN104463808A)中公开了一种基于空间相关性的高光谱数据降噪方法。该方法首先求解高光谱数据中各个波段所成图像的平均图像,计算高光谱数据的协方差矩阵并进行特征值分解得到变换矩阵和特征值矩阵;然后再利用变换矩阵将高光谱数据进行线性投影,得到变换域中的三维数据,利用特征值矩阵对变换域中的三维数据进行降噪处理;最后,利用变换矩阵的逆矩阵对降噪后的变换域中的三维数据进行线性投影,重构得到降噪后的高光谱图像。该方法存在的不足之处是,没有考虑高光谱遥感图像的谱间相关性而导致去噪后的结果会丢失图像中的边缘轮廓信息和纹理信息。
发明内容
本发明的目的在于克服上述现有技术的不足,提出一种基于四维块匹配滤波的高光谱遥感图像去噪方法,使得去噪后的高光谱遥感图像能够更好地保持边缘轮廓信息和纹理信息。
实现本发明目的的思路是,利用高光谱遥感图像自身局部块之间的相似性来估计高光谱遥感图像中的噪声,将高光谱遥感图像中的待估计的图像块与其相似块滤波后的值作为该图像块的真实值。
为实现上述目的,本发明具体实现步骤如下:
(1)输入高光谱遥感图像。
利用高光谱遥感图像成像仪,输入一幅高光谱遥感图像。
(2)对高光谱遥感图像中的波段进行分组。
利用高通滤波器对高光谱遥感图像进行滤波,得到高光谱遥感图像的信号图像和高光谱遥感图像的噪声图像。
利用信噪比计算公式,计算高光谱遥感图像中每个波段的信噪比。
所述的信噪比计算公式如下:
其中,SNRi表示高光谱遥感图像中第i个波段的信噪比,log表示以10为底的对数操作,∑表示求和操作,si(k)表示高光谱遥感图像的信号图像中第i个波段中第k个元素的值,ni(k)表示高光谱遥感图像的噪声图像中第i个波段中第k个元素的值。
将高光谱遥感图像中所有波段中的信噪比大于30dB的波段组成干净波段组,将高光谱遥感图像中所有波段中的信噪比小于等于30dB的波段组成噪声波段组。
(3)构造四维数据块。
将噪声波段组数据划分为N个大小为4×4×4的三维数据块,N为大于等于1的整数。
在划分后的N个三维数据块中任意选取一个三维数据块作为参考块。
利用相似性计算公式,计算每个三维数据块与参考块之间的相似性系数。
所述的相似性计算公式如下:
其中,dn表示第n个三维数据块与参考块之间的相似性系数,|·|表示取绝对值操作,CR表示噪声波段组数据划分后的N个三维数据块中所选取的参考块,Cn表示噪声波段组数据划分后的N个三维数据块中第n个三维数据块。
将所有与参考块之间的相似性系数小于2.8的三维数据块组成一个四维数据块。
(4)对四维数据块进行经验维纳滤波。
利用经验维纳滤波器,对四维数据块进行滤波,获得去噪后的四维数据块。
(5)输出去噪后高光谱遥感图像。
将去噪后的四维数据块中的所有数据,返回到高光谱遥感图像中,输出去噪后的高光谱遥感图像。
本发明与现有的技术相比具有以下优点:
第一,由于本发明对高光谱遥感图像中的波段进行了分组,克服了现有技术中没有考虑不同波段信噪比之间的差异而导致去噪结果中细节信息模糊泛化的问题,采用本发明能够较好地保持去噪后的高光谱遥感图像中的细节信息。
第二,由于本发明利用经验维纳滤波器对四维数据块进行滤波,获得去噪后的四维数据块,克服了现有技术中没有考虑高光谱遥感图像的谱间相关性而导致去噪后的结果会丢失图像中的边缘轮廓信息和纹理信息的问题,使得本发明能够较好地保持去噪后高光谱遥感图像中的边缘轮廓信息和纹理信息。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图1对本发明做进一步的描述。
步骤1,输入高光谱遥感图像。
利用光谱遥感图像成像仪,输入一幅高光谱遥感图像。
步骤2,对高光谱遥感图像中的波段进行分组。
利用高通滤波器对高光谱遥感图像进行滤波,得到高光谱遥感图像的信号图像和高光谱遥感图像的噪声图像。
利用信噪比计算公式,计算高光谱遥感图像中每个波段的信噪比。
所述的信噪比计算公式如下:
其中,SNRi表示高光谱遥感图像中第i个波段的信噪比,log表示以10为底的对数操作,∑表示求和操作,si(k)表示高光谱遥感图像的信号图像中第i个波段中第k个元素的值,ni(k)表示高光谱遥感图像的噪声图像中第i个波段中第k个元素的值。
将高光谱遥感图像中所有波段中的信噪比大于30dB的波段组成干净波段组,高光谱遥感图像中所有波段中的信噪比小于等于30dB的波段组成噪声波段组。
步骤3,构造四维数据块。
将噪声波段组数据划分为N个大小为4×4×4的三维数据块,N为大于等于1的整数。
在划分后的N个三维数据块中任意选取一个三维数据块作为参考块。
利用相似性计算公式,计算各个三维数据块与所选取的参考块之间的相似性系数。
所述的相似性计算公式如下:
其中,dn表示噪声波段组数据划分后的三维数据块中的第n个三维数据块与参考块之间的相似性系数,||表示取绝对值操作,CR表示所选取的参考块,Cn表示噪声波段组数据划分后的三维数据块中第n个三维数据块。
将所有与所选取的参考块之间的相似性系数小于2.8的三维数据块组成一个四维数据块。
步骤4,对四维数据块进行经验维纳滤波。
利用经验维纳滤波器对四维数据块进行滤波,获得经验维纳滤波后的四维数据块。
步骤5,输出去噪后高光谱遥感图像数据。
将经验维纳滤波后的四维数据块中的所有数据返回到高光谱遥感图像中,输出返回后的高光谱遥感图像数据。
Claims (3)
1.一种基于四维块匹配滤波的高光谱遥感图像去噪方法,包括如下步骤:
(1)输入高光谱遥感图像:
利用高光谱遥感图像成像仪,输入一幅高光谱遥感图像;
(2)对高光谱遥感图像中的波段进行分组:
(2a)利用高通滤波器对高光谱遥感图像进行滤波,得到高光谱遥感图像的信号图像和高光谱遥感图像的噪声图像;
(2b)利用信噪比计算公式,计算高光谱遥感图像中每个波段的信噪比;
(2c)将高光谱遥感图像中所有波段中的信噪比大于30dB的波段组成干净波段组,将高光谱遥感图像中所有波段中的信噪比小于等于30dB的波段组成噪声波段组;
(3)构造四维数据块:
(3a)将噪声波段组数据划分为N个大小为4×4×4的三维数据块,N为大于等于1的整数;
(3b)在划分后的N个三维数据块中任意选取一个三维数据块作为参考块;
(3c)利用相似性计算公式,计算每个三维数据块与参考块之间的相似性系数;
(3d)将所有与参考块之间的相似性系数小于2.8的三维数据块组成一个四维数据块;
(4)对四维数据块进行经验维纳滤波:
利用经验维纳滤波器,对四维数据块进行滤波,获得去噪后的四维数据块;
(5)输出去噪后高光谱遥感图像:
将去噪后的四维数据块中的所有数据,返回到高光谱遥感图像中,输出去噪后的高光谱遥感图像。
2.根据权利要求1所述的基于四维块匹配滤波的高光谱遥感图像去噪方法,其特征在于:步骤(2b)中所述的信噪比计算公式如下:
<mrow>
<msub>
<mi>SNR</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>10</mn>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mfrac>
<mrow>
<msup>
<msub>
<mi>&Sigma;s</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msup>
<msub>
<mi>&Sigma;n</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,SNRi表示高光谱遥感图像中第i个波段的信噪比,log表示以10为底的对数操作,∑表示求和操作,si(k)表示高光谱遥感图像的信号图像中第i个波段中第k个元素的值,ni(k)表示高光谱遥感图像的噪声图像中第i个波段中第k个元素的值。
3.根据权利要求1所述的基于四维块匹配滤波的高光谱遥感图像去噪方法,其特征在于:步骤(3c)中所述的相似性计算公式如下:
<mrow>
<msub>
<mi>d</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>C</mi>
<mi>R</mi>
<mo>-</mo>
<msub>
<mi>C</mi>
<mi>n</mi>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>4</mn>
<mo>&times;</mo>
<mn>4</mn>
<mo>&times;</mo>
<mn>4</mn>
</mrow>
</mfrac>
</mrow>
其中,dn表示第n个三维数据块与参考块之间的相似性系数,|·|表示取绝对值操作,CR表示噪声波段组数据划分后的N个三维数据块中所选取的参考块,Cn表示噪声波段组数据划分后的N个三维数据块中第n个三维数据块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710240656.4A CN107146206B (zh) | 2017-04-13 | 2017-04-13 | 基于四维块匹配滤波的高光谱遥感图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710240656.4A CN107146206B (zh) | 2017-04-13 | 2017-04-13 | 基于四维块匹配滤波的高光谱遥感图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107146206A true CN107146206A (zh) | 2017-09-08 |
CN107146206B CN107146206B (zh) | 2019-07-23 |
Family
ID=59773706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710240656.4A Expired - Fee Related CN107146206B (zh) | 2017-04-13 | 2017-04-13 | 基于四维块匹配滤波的高光谱遥感图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107146206B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808170A (zh) * | 2017-11-20 | 2018-03-16 | 中国人民解放军国防科技大学 | 高光谱遥感图像加性乘性混合噪声参数估计方法 |
CN109934789A (zh) * | 2019-03-26 | 2019-06-25 | 湖南国科微电子股份有限公司 | 图像去噪方法、装置及电子设备 |
CN111429390A (zh) * | 2020-03-18 | 2020-07-17 | 江西师范大学 | 一种地面系统遥感图像的自适应实时处理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073989A (zh) * | 2010-11-09 | 2011-05-25 | 西安电子科技大学 | 融入pca的非局部均值的极化sar数据相干斑抑制方法 |
-
2017
- 2017-04-13 CN CN201710240656.4A patent/CN107146206B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073989A (zh) * | 2010-11-09 | 2011-05-25 | 西安电子科技大学 | 融入pca的非局部均值的极化sar数据相干斑抑制方法 |
Non-Patent Citations (2)
Title |
---|
GUANGYI CHEN等: "Denoising Hyperspectral Imagery Using Principal Component Analysis and Block-Matching 4D Filtering", 《CANADIAN JOURNAL OF REMOTE SENSING》 * |
张静妙等: "基于低秩字典学习的高光谱遥感图像去噪", 《控制工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808170A (zh) * | 2017-11-20 | 2018-03-16 | 中国人民解放军国防科技大学 | 高光谱遥感图像加性乘性混合噪声参数估计方法 |
CN107808170B (zh) * | 2017-11-20 | 2019-10-29 | 中国人民解放军国防科技大学 | 高光谱遥感图像加性乘性混合噪声参数估计方法 |
CN109934789A (zh) * | 2019-03-26 | 2019-06-25 | 湖南国科微电子股份有限公司 | 图像去噪方法、装置及电子设备 |
CN109934789B (zh) * | 2019-03-26 | 2021-01-01 | 湖南国科微电子股份有限公司 | 图像去噪方法、装置及电子设备 |
CN111429390A (zh) * | 2020-03-18 | 2020-07-17 | 江西师范大学 | 一种地面系统遥感图像的自适应实时处理方法 |
CN111429390B (zh) * | 2020-03-18 | 2023-10-13 | 江西师范大学 | 一种地面系统遥感图像的自适应实时处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107146206B (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114140353B (zh) | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 | |
JP6057881B2 (ja) | ノイズを含む画素からなる入力画像のノイズを除去する方法 | |
Thaipanich et al. | Improved image denoising with adaptive nonlocal means (ANL-means) algorithm | |
CN109658351B (zh) | 一种结合l0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法 | |
CN103077508B (zh) | 基于变换域非局部和最小均方误差的sar图像去噪方法 | |
CN102158637B (zh) | 基于Surfacelet变换域的空间自适应阈值视频去噪方法 | |
CN104123705B (zh) | 一种超分辨率重建图像质量Contourlet域评价方法 | |
Deora et al. | Structure preserving compressive sensing MRI reconstruction using generative adversarial networks | |
CN106408530A (zh) | 基于稀疏与低秩矩阵逼近的高光谱图像恢复方法 | |
CN104217448B (zh) | 基于迭代特征修正的磁共振快速成像方法及系统 | |
CN103116881A (zh) | 基于PCA与Shearlet变换的遥感图像融合方法 | |
CN107146206A (zh) | 基于四维块匹配滤波的高光谱遥感图像去噪方法 | |
CN103020922A (zh) | 基于pca变换的sar图像相干斑抑制方法 | |
Mahmood et al. | Human visual enhancement using multi scale Retinex | |
Wen et al. | Learning flipping and rotation invariant sparsifying transforms | |
CN103208113B (zh) | 基于非下采样轮廓波和多相cv模型的图像分割方法 | |
CN102196155B (zh) | 基于Surfacelet变换的系数自适应收缩视频去噪方法 | |
Arya et al. | ADMM optimizer for integrating wavelet-patch and group-based sparse representation for image inpainting | |
CN106296591A (zh) | 基于马氏距离的非局部均匀数字图像去噪方法 | |
ZhiPing et al. | A new generative adversarial network for texture preserving image denoising | |
Cao et al. | Sparse representation of classified patches for CS-MRI reconstruction | |
CN108830793B (zh) | 一种高分辨率遥感图像辐射重建方法 | |
Fang et al. | De-noising of SAR images based on Wavelet-Contourlet domain and PCA | |
CN104517267A (zh) | 一种基于“谱”反演的红外图像增强与重建方法 | |
CN103747268A (zh) | 一种分层自适应阈值视频去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210824 Address after: 710000 gazelle Valley e411, Zone C, venture R & D Park, No. 69, Jinye Road, high tech Zone, Xi'an, Shaanxi Patentee after: XI'AN ZHONGKE MINGGUANG MEASUREMENT & CONTROL TECHNOLOGY Co.,Ltd. Address before: 710071 Taibai South Road, Yanta District, Xi'an, Shaanxi Province, No. 2 Patentee before: XIDIAN University |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190723 |