CN107730454B - 一种基于线追踪的线阵影像中横条纹噪声去除的方法 - Google Patents

Abstract

本发明提出一种基于横条纹噪声图像条纹位置检测的方法，根据线阵影像中的横条纹噪声引起的突变，利用线追踪法，确定影像当中的特征点位置，之后通过特征点的之间的联系，从而确定出横条纹噪声的位置信息。在横条纹噪声的位置上，利用周围信息的辐射值继承性，用拉格朗日插值法对其进行处理，从而实现横条纹噪声的位置的噪声干扰的快速去除。对高分一号存在横条纹噪声的遥感影像进行处理，结果显示本发明的算法能有效且快速的利用横条纹噪声的特征特点，将影像中的横条纹噪声去除，使得图像质量得到提高。

Description

一种基于线追踪的线阵影像中横条纹噪声去除的方法

技术领域

本发明属于图像处理技术领域，是一直基于线追踪的寻找横条纹噪声位置的检测及修复方法，主要应用于存在横条纹噪声的遥感影像的去噪处理等领域。

背景技术

线阵影像是由电荷耦合元件CCD线阵列推扫描仪成像而获得的，但是由于工艺或者平台机械振动的原因，线阵影像上会出现随机的出现条纹噪声。其中有一类条纹噪声在图像上的显示为一些细长状的黑色坏线。这些细长状的黑线，就是本发明中所要去除的横条纹噪声。

由于条纹噪声具有周期性和方向性等显著特征，随机分布在整幅图像当中。这些条纹噪声会严重的影响图片质量。因此需要一种快速且有效的算法对图像进行处理，从而减弱条纹噪声对遥感线阵图像的影响。

专家学者对条纹噪声的去除方法有着深入的研究，现在最常见的研究方法有基于变换域的傅里叶变换法和小波变换法，和基于时域的直方图法，矩匹配法和遍历全图法等。但是由于基于变换域的方法在去除噪声的过程中会去除图像中的有效信息，多次进行变化与反变换对计算要求较高和不好确定频域选定的频率范围等多种原因，故较少采用。而直方图法和矩匹配法主要针对是竖条纹噪声的特点进行噪声去除，不适合于横条纹噪声的去除。现在常用的遍历全图法主要是利用横条纹噪声会使得图像上像素点的辐射值减小的特点，通过遍历整幅图像中的像素点，找出所有辐射值小于附近像素一定阈值的点，将这些像素点视为异常像素点，然后利用邻域均值法处理异常像素点的方法。但是这个方法不能完全针对横条纹噪声的特点和特性，存在修复效果较差和处理速度慢等缺点。因此，本文提出利用一种基于线追踪的横条纹噪声处理的方法，在提高处理效率的同时，提高图像的修复质量。

发明内容

本发明的目的是提供一种基于线追踪的线阵影像中横条纹噪声去除的方法，它能够实现快速有效的将线阵影像中的横条纹噪声位置找到的同时，并将横条纹噪声位置的黑线去除，得到较好的修复效果，以满足修复受横条纹噪声图像的需求。

本发明的技术方案为一种基于线追踪的线阵影像中横条纹噪声去除的方法，主要包括以下几个步骤：

其中步骤1-步骤4和步骤6为利用线追踪法对横条纹噪声所在位置的位置及被干扰的像素点进行判断的部分，步骤5为利用拉格朗日插值法对横条纹噪声的位置的像素点辐射值进行修复的部分。

步骤1，取出遥感影像最左侧一列数据中发生辐射值突变的点。首先取出遥感影像最左侧一列上的所有数据，并且每一个数据点对后一个数据点进行做差值，如果差值的绝对值大于一定的数值，则将该点视为突变点，从而取得一系列的辐射值突变点，如果突变点数量为零则将横坐标位置加10重复步骤1；

步骤2，对步骤1中所取得的辐射值突变点进行逐个判别，对辐射值突变点进行筛选得到横条纹噪声的边缘起点，即横条纹噪声最左侧的点。判别辐射值突变点是否为横条纹噪声的边缘起点的方式如下：在其横向方向上等间隔取出5个校验点作为判别，即取出与该辐射值突变点纵坐标相同，横坐标增加10个像素，20个像素，…50个像素的5个校验点。将该5个点的校验点的辐射值分别和该校验点横坐标相同，纵坐标加1个像素点位置的辐射值做差得到校验数组，如果校验数组的绝对值均大于阈值，则表示该辐射值突变点为横条纹噪声的边缘起点；

步骤3，通过步骤2得到的横条纹噪声的边缘起点数组后，利用边缘起点之间的距离对横条纹噪声所在区间范围进行判断；

步骤4，判别横条纹噪声的横坐标结束位置。取步骤2中取得的横条纹噪声边缘点上方2个纵坐标距离的位置的辐射值和下方2个纵坐标距离的位置的辐射值进行比较，如果2个数据差值大于阈值T3就将该位置右移，直到将出现2个数值小于阈值T3的时候，该坐标减1位置就是横条纹噪声的终点位置，从而得到横条纹噪声的长度信息；

步骤5，利用线追踪法找到条纹噪声位置后，利用拉格朗日插值法对横条纹噪声位置的数据进行修复；

步骤6，取出步骤4得出的横条纹图案结束点横坐标增加10像素位置的那列数据重复步骤1到步骤5，直至整幅图像处理完毕。

其中步骤5中的拉格朗日插值的算法公式如下，

其中x点是需要进行调整的像素点的纵坐标，f(x)是该像素点调整后的辐射值，x_n，y_n表示的是参考点的纵坐标及对应的辐射值，本发明中选取了横条纹噪声影响到的像素点上方及下个各2个点作为参考值以达到最优的图像修复效果。根据拉格朗日算法建立的拟合曲线，就能推测出横条纹噪声处的像素点原本应该存在的辐射值大小。

本发明的优点是先用线追踪法充分利用横条纹噪声对图像幅度值引起的辐射值变化及直线平行的特征，快速而准确的找到条纹噪声位置后将横条纹噪声的位置，能大大地提高算法的准确性和算法效率。然后利用拉格朗日插值法能得到之前对横条纹噪声处理的方法达不到的修复效果。存在横条纹噪声的图像通过本文发明处理后，能大大减少横条纹噪声对原图像的影响，使原图像的质量得到提高。

附图说明

图1是本发明实施的对高分一号卫星灰度数据影像中存在的横条纹噪声去除方法的总体流程图。

具体实施方式

以下结合附图和实施例详细说明本发明技术方案。

参见图1，因为横条纹噪声在图像中表现为不连续的相互平行的有着相同起点和相同终点的细长坏线状，并且会引起条纹噪声附近图像幅度值的特殊变化的特点，所以本发明的具体流程是先利用线追踪法通过横条纹噪声特征，将横条纹噪声的位置信息找出来。然后利用拉格朗日算法将图像当中的横条纹噪声引起的不和谐的黑线去除。

实施例的具体实现方法主要包括以下步骤：

其中步骤1-步骤4和步骤6为利用线追踪法对横条纹噪声所在位置的位置及被干扰的像素点进行判断的部分，步骤5为利用拉格朗日插值法对横条纹噪声的位置的像素点辐射值进行修复的部分。

步骤1：寻找数据突变点数组。竖直地取出图像的某一列数据，第一次取纵坐标为1的位置，然后对这列数值上下做差：

|f(m₁，t)-f(m₁，t+1)|＞T₁

其中m₁表示处理像素点的横坐标位置，t表示从0开始递增的处理像素点的纵坐标位置，f(m₁，t)表示待处理像素点的辐射值，T₁表示判断的阈值。如果满足上面的公式，则将该t点位置标记为X，得到数据为X₁，X₂，X₃...的突变点。如果在该列数据线上无法找到突变点的话，说明该列数据没有横条纹噪声的影响。故取该数据位置坐标位置m₁加10位置的那列数据重复进行步骤1。

步骤2：寻找横条纹边缘起点数组。将离X点的每相隔10同横坐标值的点取出5个点，将这些点与这些点的本身位置的上面的数据点做差判断是否能大于阈值T₁，如下：

|f(m₁+10，t)-f(m₁+10，t+1)|＞T₁

|f(m₁+20，t)-f(m₁+20，t+1)|＞T₁

|f(m₁+50，t)-f(m₁+50，t+1)|＞T₁

如果这平行的5个点都能满足大于阈值T₁要求的话，则判断该X点是出现横条纹噪声的边缘起点的纵坐标，将该X点视为A₁点。如果不满足要求，则X点是原本图像中出现的辐射值变化较大的部分，而非横条纹噪声引起的突变，则忽视该X点位置，继续判断下一个X点。重复步骤2对所有X点进行处理，从而得到数据A₁，A₂，A₃...等横条纹噪声边界点。如果无法找到噪声边界点，说明此列图像也未受到横条纹噪声的影响，故取取该数据位置坐标加10后重复进行步骤1。

步骤3：横条纹噪声区间判断。将A₁，A₂，A₃...的数据点前后两点之间的距离与阈值T₂进行比较，若

A_n+1-A_n＜T₂

则将A_n+1，A_n之间的部分视为横条纹噪声存在的部分。

步骤4：横条纹噪声结束点判断。为了避开条纹噪声对横条纹噪声边缘数据幅度值的干扰，取步骤2中取得的横条纹噪声边缘点上方2个纵坐标距离的位置和下方2个纵坐标距离的位置进行比较：

|f(i，A_n+2)-f(i，A_n-2)|＞T₃

如果2者差值大于阈值T₃的情况下，则视为该横坐标的数据还在条纹噪声位置内，将横坐标位置i加1，对下一个位置继续进行比较和判断，直到出现2个数据之间的差值小于T₃为止，此时则可判断该条条纹噪声的终结点到这横坐标i-1为止，将该横坐标标记为K。如果一直比较到最后一个横坐标位置都未出现大于阈值T₃的点，则将图像的横坐标最大位置作为条纹噪声的终结点位置。

步骤5：横条纹噪声处理。通过步骤1-4中确定的横条纹噪声位置信息后，利用拉格朗日插值法建立拟合曲线对寻找到的横条纹噪声位置上的像素点进行处理。使用的调整公式为：

其中x点是需要进行调整的像素点的纵坐标，f(x)是该像素点调整后的辐射值，x_n，y_n表示的是参考点的纵坐标及对应的辐射值。本发明中选取了横条纹噪声影响到的像素点上方及下个各2个点作为参考值以达到最优的图像修复效果。

步骤6：对全图的横条纹位置进行查找。取出步骤4的终点位置横坐标加10像素位置的一列数据进行处理。重复步骤1到步骤5，直到将整幅图像中的全部横条纹噪声处理完毕。从而得到完整的去掉横条纹噪声后的图像。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于线追踪的线阵影像中横条纹噪声去除的方法，其特征在于，包括以下几个步骤：

其中步骤1-步骤4和步骤6为利用线追踪法对横条纹噪声所在位置及被干扰的像素点进行判断的部分，步骤5为利用拉格朗日插值法对横条纹噪声的位置的像素点辐射值进行修复的部分；

步骤1，取出遥感影像最左侧一列数据中发生辐射值突变的点，首先取出遥感影像最左侧一列上的所有数据，并且每一个数据点对后一个数据点进行做差值，如果差值的绝对值大于一定的数值，则将该点视为突变点，从而取得一系列的辐射值突变点，如果突变点数量为零则将横坐标位置加10重复步骤1；

步骤2，对步骤1中所取得的辐射值突变点进行逐个判别，对辐射值突变点进行筛选得到横条纹噪声的边缘起点，即横条纹噪声最左侧的点，判别辐射值突变点是否为横条纹噪声的边缘起点的方式如下：在其横向方向上等间隔取出5个校验点作为判别，即取出与该辐射值突变点纵坐标相同，横坐标增加10个像素，20个像素，…50个像素的5个校验点，将该5个点的校验点的辐射值分别和该校验点横坐标相同，纵坐标加1个像素点位置的辐射值做差得到校验数组，如果校验数组的绝对值均大于阈值，则表示该辐射值突变点为横条纹噪声的边缘起点；

步骤3，通过步骤2得到的横条纹噪声的边缘起点数组后，利用边缘起点之间的距离对横条纹噪声所在区间范围进行判断；步骤4，判别横条纹噪声的横坐标结束位置，取步骤2中取得的横条纹噪声边缘点上方2个纵坐标距离的位置的辐射值和下方2个纵坐标距离的位置的辐射值进行比较，如果2个数据差值大于阈值T3就将该位置右移，直到将出现2个数据差值小于阈值T3的时候，该横坐标减1位置就是横条纹噪声的终点位置，从而得到横条纹噪声的长度信息；

步骤5，利用线追踪法找到条纹噪声位置后，利用拉格朗日插值法对横条纹噪声位置的数据进行修复；

步骤6，取出步骤4得出的横条纹图案结束点横坐标增加10像素位置的那列数据重复步骤1到步骤5，直至整幅图像处理完毕。

2.根据权利要求1所述基于线追踪的线阵影像中横条纹噪声去除的方法，其特征在于：步骤2中通过取出5个纵坐标相同，横坐标不同的校验点判别辐射值突变点是否为横条纹噪声的边缘起点的方法。

3.根据权利要求1所述基于线追踪的线阵影像中横条纹噪声去除的方法，其特征在于：步骤4中利用横条纹噪声边缘点上方2个纵坐标距离的位置的辐射值和下方2个纵坐标距离的位置的辐射值进行比较判别横条纹噪声终点的方法。

4.根据权利要求1或2所述基于线追踪的线阵影像中横条纹噪声去除的方法，其特征在于：步骤1-步骤4中线追踪法利用横条纹噪声的引起的辐射值变化的特征，找出横条纹噪声的位置信息。

5.根据权利要求1或者2所述基于线追踪的线阵影像中横条纹噪声去除的方法，其特征在于：步骤5中用拉格朗日插值算法对横条纹噪声的像素点进行修复，如公式：

其中x点是需要进行调整的像素点的纵坐标，f(x)是该像素点调整后的辐射值，x_n，y_n表示的是参考点的纵坐标及对应的辐射值，根据拉格朗日算法建立的拟合曲线，就能推测出横条纹噪声处的像素点原本应该存在的辐射值大小。

6.根据权利要求1所述基于线追踪的线阵影像中横条纹噪声去除的方法，其特征在于：步骤5中用横条纹噪声附近的点的辐射值作为参考进行修复。

Images