CN108447039A - 一种基于改进非局部均值的非下采样Shearlet降斑方法 - Google Patents
一种基于改进非局部均值的非下采样Shearlet降斑方法 Download PDFInfo
- Publication number
- CN108447039A CN108447039A CN201810264990.8A CN201810264990A CN108447039A CN 108447039 A CN108447039 A CN 108447039A CN 201810264990 A CN201810264990 A CN 201810264990A CN 108447039 A CN108447039 A CN 108447039A
- Authority
- CN
- China
- Prior art keywords
- image
- pass filtering
- shearlet
- formula
- local mean
- 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.)
- Pending
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 82
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000010287 polarization Effects 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010008 shearing Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于改进非局部均值的非下采样Shearlet降斑方法,包括以下步骤:S1.将SAR图像进行对数变换;S2.分解成低通滤波图像和高通滤波图像;S3.带通滤波处理;S4.使用改进的非局部均值滤波算法处理变换图像,得到降斑图像;S5.将得到的低通滤波图像和降斑图像进行重构;S6.对重构图像指数变换。本发明利用具有最优的稀疏表示的剪切波来处理同样具有极好稀疏性的高分三SAR图像,并且采用非下采样Shearlet变换代替传统的Shearlet变换,避免了由于采样操作造成的频谱混叠现象,有效的利用了剪切波的良好的方向性,有效的保留了图像的边缘细节部分。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于改进非局部均值的非下采样Shearlet降斑方法。
背景技术
高分三号是世界上成像模式最多的合成孔径雷达(SAR)卫星,具有12种成像模式,而且它能同时发射、接收水平波和垂直波,是我国首颗多极化SAR卫星。高分三号卫星的投入使用,填补了民用高分辨率合成孔径雷达卫星的空白,标志着高分专项全天时全天候对地观测能力初步形成,对服务经济社会发展、保障国家安全和民生安全具有重要意义。但是由于相干成像机理,导致高分三SAR图像也会产生亮暗相间的斑点,严重影响图像的解译,所以能否有效地滤除图像的斑点并同时保留边缘信息显得尤为重要。
高分三号卫星由于成像模式多,分辨率高导致形成的高分三SAR图像的边缘、点、纹理等信息异常明显,说明高分三SAR图像具有良好的稀疏性。传统的Lee滤波、Kuan滤波、GammaMAP滤波没有考虑到图像的稀疏性,不适合处理具有明显稀疏性的高分三SAR图像。
Shearlet具有最优的稀疏表示和最完备的数学理论,所以使用Shearlet来处理高分三SAR图像的降斑。但是传统Shearlet变换中采样操作会造成频谱混叠,导致一个方向上出现几个方向上的信息,严重破坏了剪切波的良好的方向性。
传统非局部均值滤波利用图像本身所具有的的冗余性,并且考虑了尽可能多的图像的相似性结构信息,但是存在图像细节平滑过度,权值分配容易受到斑点影响的问题。
发明内容
为了解决采用传统非局部均值滤波降斑效果不明显的问题,本发明提供了一种基于改进非局部均值的非下采样Shearlet降斑方法。本发明要解决的技术问题通过以下技术方案实现:
一种基于改进非局部均值的非下采样Shearlet降斑方法,包括以下步骤:
步骤一、将SAR图像进行对数变换,得到转换图像;
步骤二、将所述转换图像分解成一个低通滤波图像和一个高通滤波图像
步骤三、先在伪极化格上对高通滤波图像进行离散傅里叶变换产生矩阵再对该矩阵进行带通滤波处理,然后将带通滤波处理后的结果做二维逆傅里叶变换,得到变换图像;
步骤四、使用改进的非局部均值滤波算法处理变换图像,得到降斑图像;改进的非局部均值滤波算法为:
式(1)中:NL[V](i)为降斑结果;fk(i,j)为加权核函数,i,j为任意像素点;
式(2)中,h为平滑参数,N为滤波参数;
式(3)中:Ni与Nj分别表示以像素i和像素j为中心的方形邻域;α为高斯加权的标准差,α>0,||·||2为范数;
步骤五、将得到的低通滤波图像和降斑图像进行Shearlet重构;
步骤六、对Shearlet重构后的图像进行指数变换,得到降斑后的图像。
上述的一种基于改进非局部均值的非下采样Shearlet降斑方法,所述步骤一中将SAR图像进行对数变换的公式为:
log(Y)=log(F)+log(X) (4)
式(4)中,Y是SAR图像,F是斑点,X是降斑后的图像。
上述的一种基于改进非局部均值的非下采样Shearlet降斑方法,所述步骤二具体为:采用非下采样拉普拉斯金字塔将转换图像分解成一个低通滤波图像和一个高通滤波图像分解表达式为:
式(5)中,为转换图像,和为j和k尺度上的高通滤波器和低通滤波器,为低通滤波图像,为高通滤波图像。
上述的一种基于改进非局部均值的非下采样Shearlet降斑方法,所述步骤三在伪极化格上对高通滤波图像进行离散傅里叶变换的方程式为:
式(6)中,f[n1,n2]为高通滤波图像该高通滤波图像大小为N×N,n1,n2∈[0,N-1],是对f进行离散傅里叶变换,为离散傅里叶变换的结果;
对离散傅里叶变换的结果,在离散域计算得到矩阵其中: 为实数集;ε1,ε2为实数,V为窗函数,V的表达式为j是尺度参数,-代表求平均值运算。
上述的一种基于改进非局部均值的非下采样Shearlet降斑方法,所述步骤三是利用窗函数W对矩阵进行带通滤波处理的,对j为尺度参数,窗函数W的表达式为:
式(7)中,
为Bump函数且 表示D0上的指示函数,表示D1上的指示函数。
上述的一种基于改进非局部均值的非下采样Shearlet降斑方法,所述二维逆傅里叶变换的表达式为:
式(8)中,ψ∈L2(R2),L为实数域,j为尺度参数,k为平移参数,j为尺度参数,l是剪切参数,d=0,1, 是对f进行离散傅里叶变换,W为窗函数;是二维逆傅里叶变换时的标准正交基函数,窗函数V的表达式为 为Meyer函数
与现有技术相比,本发明的有益效果:
本发明利用具有最优的稀疏表示的剪切波来处理同样具有极好稀疏性的高分三SAR图像,并且采用非下采样Shearlet变换代替传统的Shearlet变换,避免了由于采样操作造成的频谱混叠现象,有效的利用了剪切波的良好的方向性,有效的保留了图像的边缘细节部分。同时采用改进的非局部均值滤波算法对非下采样Shearlet变换后的高频系数进行处理,有效的达到了滤除斑点的效果。
附图说明
图1是非下采样Shearlet降斑方法的流程图。
图2是本发明实施例实验使用的高分三SAR图像a和高分三SAR图像b。
图3从左向右依次是对图像a使用Lee滤波,Gamma MAP滤波,改进权重的非局部均值滤波,基于改进非局部均值的非下采样Shearlet降斑的结果图。
图4从左向右依次是对图像b使用Lee滤波,Gamma MAP滤波,改进权重的非局部均值滤波,基于改进非局部均值的非下采样Shearlet降斑的结果图。
图5是图4中降斑结果的定性评价指标斑点图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
参照图1,本实施例公开了一种基于改进非局部均值的非下采样Shearlet降斑方法,该方法是:S1.将SAR图像进行对数变换,得到转换图像;S2.将转换图像分解成一个低通滤波图像和一个高通滤波图像S3.先在伪极化格上对高通滤波图像进行离散傅里叶变换产生矩阵再对该矩阵进行带通滤波处理,然后将带通滤波处理后的结果做二维逆傅里叶变换,得到变换图像;S4.使用改进的非局部均值滤波算法处理变换图像,得到降斑图像;S5.将得到的低通滤波图像和降斑图像进行Shearlet重构;S6.对Shearlet重构后的图像进行指数变换,得到降斑后的图像。
由于SAR图像中充分发育的斑点应该服从乘性模型。模型如下:
Y=F×X (1)
其中Y是观察图像(即卫星传回来的SAR图像),F是斑点,X是真实图像(即降斑后的图像)。
本实施例在进行SAR图像噪声处理之前,先将SAR图像进行对数变换,即:采用公式(2)将SAR图像乘性斑点模型转化为加性斑点模型。
log(Y)=log(F)+log(X) (2)
转换成加性模型就说明图像的预处理完成,转换后的图像就可以用进行降斑了。
在详细叙述本实施例的方法之前,先对Shearlet变换做以下说明:
Shearlet变换是通过把几何和多尺度分析结合起来构造Shearlet的形式的具有合成膨胀的仿射系统构造而成。当维数n=2时,具有合成膨胀的仿射系统定义如下:
ΨAB(ψ)={ψ(j,l,k)(x)=|det A|j/2ψ(BlAjx-k):j,l∈Z;k∈Z2} (3)
其中ψ∈L2(R2),j是尺度参数,l是剪切参数,k是平移参数,A和B为2×2可逆矩阵,|det B|=1,各向异性膨胀矩阵剪切矩阵
一种基于改进非局部均值的非下采样Shearlet降斑方法,包括以下步骤:
步骤一、将SAR图像进行对数变换,得到转换图像;
即:步骤一中将SAR图像进行对数变换的公式为:
log(Y)=log(F)+log(X) (S1)
式(S1)中,Y是SAR图像,F是斑点,X是降斑后的图像。
步骤二、将转换图像分解成一个低通滤波图像和一个高通滤波图像
即:采用非下采样拉普拉斯金字塔将转换图像分解成一个低通滤波图像和一个高通滤波图像分解表达式为:
式(S2)中,为转换图像,和为j和k尺度上的高通滤波器和低通滤波器,为低通滤波图像,为高通滤波图像。
步骤三、先在伪极化格上对高通滤波图像进行离散傅里叶变换产生矩阵再对该矩阵进行带通滤波处理,然后将带通滤波处理后的结果做二维逆傅里叶变换,得到变换图像;
即:在伪极化格上对高通滤波图像进行离散傅里叶变换的方程式为:
式(S31)中,f[n1,n2]为高通滤波图像该高通滤波图像大小为N×N,n1,n2∈[0,N-1],是对f进行离散傅里叶变换,为离散傅里叶变换的结果;
对离散傅里叶变换的结果,在离散域计算得到矩阵其中: 为实数集;ε1,ε2为实数,V为窗函数,V的表达式为j是尺度参数,-代表求平均值运算。
步骤三是利用窗函数W对矩阵进行带通滤波处理的,对j为尺度参数,窗函数W的表达式为:
式(S32)中,
为Bump函数且 表示D0上的指示函数,表示D1上的指示函数。
二维逆傅里叶变换的表达式为:
式(S33)中,ψ∈L2(R2),L为实数域,j为尺度参数,k为平移参数,l是剪切参数,d=0,1, 是对f进行离散傅里叶变换,W为窗函数;是二维逆傅里叶变换时的标准正交基函数,窗函数V的表达式为 为Meyer函数
步骤四、使用改进的非局部均值滤波算法处理变换图像,得到降斑图像;改进的非局部均值滤波算法为:
式(S41)中:NL[V](i)为降斑结果;fk(i,j)为加权核函数,i,j为任意像素点;
式(S42)中,h为平滑参数,决定了滤波函数的衰减速度;N为滤波参数,控制着滤波函数的理想程度;d(i,j)是采用高斯加权欧氏距离来衡量各邻接矩阵的相似度;
式(S43)中:Ni与Nj分别表示以像素i和像素j为中心的方形邻域;α为高斯加权的标准差,α>0,||·||2为范数。
步骤五、将得到的低通滤波图像和降斑图像进行Shearlet重构。
步骤六、对Shearlet重构后的图像进行指数变换,得到降斑后的图像。
本实施例在实验时使用了两幅图像,即图2所示的高分三SAR图像a和高分三SAR图像b,如下的表1为这两幅高分三SAR图像的详细信息,包括它的分辨率、成像模式、极化方式、成像位置信息。
表1高分三SAR图像a和高分三SAR图像b的详细信息
如图3所示的高分三SAR图像a降斑结果图,我们可以看到Lee滤波、GammaMAP滤波不能有效的抑制斑点,改进权重的非局部均值滤波虽然可以有效抑制斑点,但是严重模糊了图像的边缘信息,而本实施例所提算法可以较为彻底的抑制斑点,同时很好的保留了边缘细节信息。
下表2是图3的定量评价指标,本实施例使用定量指标等效视数(ENL)和变异系数之差(DCV)来评价算法的优劣,ENL是对图像降斑后的均匀区域的降斑效果的评价指标,对于均匀区域,ENL值越大,说明算法对斑点的抑制能力越强。DCV是对SAR图像边缘细节信息保留好坏的评价指标,它定义为降斑后的图像与真实图像在边缘区域上的变异系数之差,它的值越接近0,说明对边缘细节信息的保留能力越强。
表2图3的定量评价指标
从表2我们可以看出本实施例算法在均匀区域斑点抑制和边缘区域细节信息的保留两方面的效果都比其他算法的效果好。
如图4所示的高分三SAR图像b降斑结果图,我们可以看到Lee滤波、GammaMAP滤波不能有效的抑制斑点,改进权重的非局部均值滤波虽然可以有效抑制斑点,但是严重模糊了图像的边缘信息,但是本实施例所提算法得到的降斑结果图可以更精确表示图像的信息,纹理更加清晰,降斑更加彻底。
图5是图4的降斑结果的定性评价指标斑点图。斑点图是使用观察图像和降斑后图像的比值图来评价降斑算法对边缘细节的保留能力及对边缘区域斑点的抑制能力,斑点图中边缘区域颗粒状的斑点越明显,说明该算法对边缘区域斑点的抑制能力越强,斑点图中出现的结构信息越少,说明该算法对边缘细节的保留能力越强。从图中我们可以看出Lee滤波,GammaMAP滤波,改进权重的非局部均值滤波对应的斑点图出现较多的边缘信息。但是本实施例所提算法对应的斑点图边缘信息较少,并且边缘区域空白处也被颗粒状的斑点所覆盖,证明本实施例所提算法相比其他算法来说可以更好的抑制斑点的同时更好的保留边缘信息。
综上可知,本实施例是利用具有最优的稀疏表示的剪切波来处理同样具有极好稀疏性的高分三SAR图像。并且采用非下采样Shearlet变换代替传统的Shearlet变换,避免了由于采样操作造成的频谱混叠现象,有效的利用了剪切波的良好的方向性,有效的保留了图像的边缘细节部分。同时采用改进的非局部均值滤波算法对非下采样Shearlet变换后的高频系数进行处理,有效的达到了滤除斑点的作用。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (6)
1.一种基于改进非局部均值的非下采样Shearlet降斑方法,包括以下步骤:
步骤一、将SAR图像进行对数变换,得到转换图像;
步骤二、将所述转换图像分解成一个低通滤波图像和一个高通滤波图像
步骤三、先在伪极化格上对高通滤波图像进行离散傅里叶变换产生矩阵再对该矩阵进行带通滤波处理,然后将带通滤波处理后的结果做二维逆傅里叶变换,得到变换图像;
步骤四、使用改进的非局部均值滤波算法处理变换图像,得到降斑图像;改进的非局部均值滤波算法为:
式(1)中:NL[V](i)为降斑结果;fk(i,j)为加权核函数,i,j为任意像素点;
式(2)中,h为平滑参数,N为滤波参数;
式(3)中:Ni与Nj分别表示以像素i和像素j为中心的方形邻域;α为高斯加权的标准差,α>0,||·||2为范数;
步骤五、将得到的低通滤波图像和降斑图像进行Shearlet重构;
步骤六、对Shearlet重构后的图像进行指数变换,得到降斑后的图像。
2.如权利要求1所述的基于改进非局部均值的非下采样Shearlet降斑方法,其特征在于,所述步骤一中将SAR图像进行对数变换的公式为:
log(Y)=log(F)+log(X) (4)
式(4)中,Y是SAR图像,F是斑点,X是降斑后的图像。
3.如权利要求1所述的基于改进非局部均值的非下采样Shearlet降斑方法,其特征在于,所述步骤二具体为:采用非下采样拉普拉斯金字塔将转换图像分解成一个低通滤波图像和一个高通滤波图像分解表达式为:
式(5)中,为转换图像,和为j和k尺度上的高通滤波器和低通滤波器,为低通滤波图像,为高通滤波图像。
4.如权利要求1所述的基于改进非局部均值的非下采样Shearlet降斑方法,其特征在于,所述步骤三在伪极化格上对高通滤波图像进行离散傅里叶变换的方程式为:
式(6)中,f[n1,n2]为高通滤波图像该高通滤波图像大小为N×N,n1,n2∈[0,N-1],是对f进行离散傅里叶变换,为离散傅里叶变换的结果;
对离散傅里叶变换的结果,在离散域计算得到矩阵其中: 为实数集;ε1,ε2为实数,V为窗函数,V的表达式为j是尺度参数,-代表求平均值运算。
5.如权利要求1或4所述的基于改进非局部均值的非下采样Shearlet降斑方法,其特征在于,
所述步骤三是利用窗函数W对矩阵进行带通滤波处理的,窗函数W的表达式为:
式(7)中,
为Bump函数且 表示D0上的指示函数,表示D1上的指示函数,j是尺度参数,l是剪切参数。
6.如权利要求5所述的基于改进非局部均值的非下采样Shearlet降斑方法,其特征在于,所述二维逆傅里叶变换的表达式为:
式(8)中,ψ∈L2(R2),L为实数域,j为尺度参数,k为平移参数,l是剪切参数,d=0,1, 是对f进行离散傅里叶变换,W为窗函数;是二维逆傅里叶变换时的标准正交基函数,窗函数V的表达式为 为Meyer函数
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810264990.8A CN108447039A (zh) | 2018-03-28 | 2018-03-28 | 一种基于改进非局部均值的非下采样Shearlet降斑方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810264990.8A CN108447039A (zh) | 2018-03-28 | 2018-03-28 | 一种基于改进非局部均值的非下采样Shearlet降斑方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108447039A true CN108447039A (zh) | 2018-08-24 |
Family
ID=63197225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810264990.8A Pending CN108447039A (zh) | 2018-03-28 | 2018-03-28 | 一种基于改进非局部均值的非下采样Shearlet降斑方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108447039A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064421A (zh) * | 2018-07-13 | 2018-12-21 | 陕西师范大学 | 基于l1/2范数的高分三sar图像的非局部均值降斑算法 |
CN110009652A (zh) * | 2019-04-04 | 2019-07-12 | 陕西师范大学 | 基于剪切波的高分三号sar图像道路检测方法 |
CN110443169A (zh) * | 2019-07-24 | 2019-11-12 | 广东工业大学 | 一种边缘保留判别分析的人脸识别方法 |
CN110458774A (zh) * | 2019-08-02 | 2019-11-15 | 陕西师范大学 | 一种基于改进Frost滤波和剪切波的高分三号SAR图像降斑方法 |
CN113436218A (zh) * | 2021-07-28 | 2021-09-24 | 西安电子科技大学 | 基于高斯滤波与均值滤波的sar图像边缘检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230191A (zh) * | 2017-05-27 | 2017-10-03 | 武汉科技大学 | 一种基于结构相似性的非局部均值去噪优化方法 |
-
2018
- 2018-03-28 CN CN201810264990.8A patent/CN108447039A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230191A (zh) * | 2017-05-27 | 2017-10-03 | 武汉科技大学 | 一种基于结构相似性的非局部均值去噪优化方法 |
Non-Patent Citations (5)
Title |
---|
GLENN EASLEY等: "Sparse directional image representations using the discrete shearlet", 《HTTPS://WWW.SCIENCEDIRECT.COM/SCIENCE/ARTICLE/PII/S1063520307000875》 * |
ZENGGUO SUN ET AL: "GF-3 SAR image despeckling based on non-subsampled shearlet transform", 《2017 SAR IN BIG DATA ERA: MODELS, METHODS AND APPLICATIONS》 * |
张书豪: "一种改进权重的非局部均值滤波算法", 《信息通信》 * |
苗启广等: "《多传感器图像融合技术及应用》", 30 April 2014 * |
苗启广等: "Shearlet变换基本理论", 《多传感器图像融合技术及应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064421A (zh) * | 2018-07-13 | 2018-12-21 | 陕西师范大学 | 基于l1/2范数的高分三sar图像的非局部均值降斑算法 |
CN110009652A (zh) * | 2019-04-04 | 2019-07-12 | 陕西师范大学 | 基于剪切波的高分三号sar图像道路检测方法 |
CN110443169A (zh) * | 2019-07-24 | 2019-11-12 | 广东工业大学 | 一种边缘保留判别分析的人脸识别方法 |
CN110443169B (zh) * | 2019-07-24 | 2022-10-21 | 广东工业大学 | 一种边缘保留判别分析的人脸识别方法 |
CN110458774A (zh) * | 2019-08-02 | 2019-11-15 | 陕西师范大学 | 一种基于改进Frost滤波和剪切波的高分三号SAR图像降斑方法 |
CN113436218A (zh) * | 2021-07-28 | 2021-09-24 | 西安电子科技大学 | 基于高斯滤波与均值滤波的sar图像边缘检测方法 |
CN113436218B (zh) * | 2021-07-28 | 2023-02-10 | 西安电子科技大学 | 基于高斯滤波与均值滤波的sar图像边缘检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108447039A (zh) | 一种基于改进非局部均值的非下采样Shearlet降斑方法 | |
CN100464694C (zh) | 舌象纹理自动分析方法 | |
CN105844627B (zh) | 一种基于卷积神经网络的海面目标图像背景抑制方法 | |
Alam et al. | Local masking in natural images: A database and analysis | |
CN107340518A (zh) | 一种用于信号缺失下的isar雷达成像方法 | |
CN108196253B (zh) | 一种用于合成孔径雷达的方位模糊抑制方法 | |
CN109902715A (zh) | 一种基于上下文聚合网络的红外弱小目标检测方法 | |
CN107895354A (zh) | 一种基于非下采样Shearlet变换的高分三SAR图像降斑方法 | |
CN108646247A (zh) | 基于伽马过程线性回归的逆合成孔径雷达成像方法 | |
CN108717698A (zh) | 一种基于深度卷积生成对抗网络的高质量图像生成方法 | |
Yilmaz et al. | Metaheuristic pansharpening based on symbiotic organisms search optimization | |
CN103020922A (zh) | 基于pca变换的sar图像相干斑抑制方法 | |
CN114821261A (zh) | 一种图像融合的算法 | |
CN109949256A (zh) | 一种基于傅里叶变换的天文图像融合方法 | |
CN109102503A (zh) | 一种基于色彩空间平滑和改进频率调谐显著模型的高分图像变化检测方法 | |
CN110335196A (zh) | 一种基于分形解码的超分辨率图像重建方法及系统 | |
CN104463805B (zh) | 一种基于同质性显著度和方向选择的极化sar相干斑噪声抑制方法 | |
CN109271864A (zh) | 一种基于小波变换和支持向量机的人群密度估计方法 | |
CN110458774A (zh) | 一种基于改进Frost滤波和剪切波的高分三号SAR图像降斑方法 | |
Wang et al. | Exposure fusion via sparse representation and shiftable complex directional pyramid transform | |
CN107464255A (zh) | 一种基于信息量与多尺度异常检测的船舶目标检测方法 | |
CN106651781A (zh) | 一种激光主动成像的图像噪声抑制方法 | |
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 | |
CN107092790B (zh) | 冷冻电镜三维密度图分辨率检测方法 | |
Liu et al. | A super resolution method for remote sensing images based on cascaded conditional Wasserstein GANs |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180824 |