CN108765350A - 一种面向航天光学遥感图像量子化滤波方法 - Google Patents
一种面向航天光学遥感图像量子化滤波方法 Download PDFInfo
- Publication number
- CN108765350A CN108765350A CN201810547440.7A CN201810547440A CN108765350A CN 108765350 A CN108765350 A CN 108765350A CN 201810547440 A CN201810547440 A CN 201810547440A CN 108765350 A CN108765350 A CN 108765350A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- quantum
- optical remote
- information
- image
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000001914 filtration Methods 0.000 title claims abstract description 44
- 238000013139 quantization Methods 0.000 title claims abstract description 36
- 239000002096 quantum dot Substances 0.000 claims abstract description 49
- 238000003384 imaging method Methods 0.000 claims abstract description 40
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 28
- 238000013519 translation Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000021615 conjugation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims description 2
- 238000003672 processing method Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
一种面向航天光学遥感图像量子化滤波方法，涉及量子层面的信息处理方法领域；首先对在轨卫星成像系统进行数学建模，并进行成像，然后对图像进行平移不变小波多层分解，进而得到高频信息和低频信息，进而对高频信息进行量子化转换、基于范数优化的量子面滤波，最后根据滤波后的高频信息进行重建，得到图像信息；本发明适于现有星上算法难以处理或质量不易提升的数据。由于方法是从量子化角度考虑的，考虑到叠加态的信息并进行量子比特面内“p范数”优化，因而能够更有效的去除噪声，提升图像的有效信息量；该方法能够有效提升空间相机在轨成像质量，加强对目标的感知能力。
Description
技术领域
本发明涉及量子层面的信息处理方法领域，特别是一种面向航天光学遥感图像量子化滤波方法。
背景技术
空间相机在轨受到很多因素影响，如在轨工作温度变化、系统元器件固有噪声或受到空间射线产生的噪声等。这些因素产生的噪声主要为散粒噪声、随机噪声。采用传统滤波方法(如均值滤波)难以去除噪声，且容易丢失图像中的高频信息，考虑将信息转换到量子空间，再进行范数优化滤波，可以更加精细的去噪，增强图像的有效信息。
发明内容
本发明解决的技术问题是：克服现有技术的不足，提供了一种面向航天光学遥感图像量子化滤波方法，利用平移小波变换后将图像分层，然后转换成不同比特面信息，在量子比特面内进行范数的约束优化，最后将所有量子化信息重构回图像信息，该方法能够有效提升图像质量，具备更好的滤波效果。
本发明的技术解决方案是：一种面向航天光学遥感图像量子化滤波方法，包括如下步骤：
(1)对在轨卫星成像系统进行数学建模并进行成像；
(2)对图像进行平移不变小波多层分解，进而得到高频信息和低频信息；
(3)对高频信息进行量子化转换、基于范数优化的量子面滤波；
(4)根据滤波后的高频信息进行重建，得到图像信息。
所述的对在轨卫星成像系统进行数学建模并进行成像的方法为：
(1)将在轨卫星成像系统标识为线性系统；
(2)获取到的光学遥感图像f(m,n)为
其中，m为光学遥感图像在横轴方向尺寸，n为光学遥感图像在纵轴方向的尺寸，P为点扩展函数PSF的二维高斯状s×s矩阵，I(m,n)为在轨卫星成像系统成像场景的理想场景信息，N为噪声项，
所述的对图像进行平移不变小波多层分解，进而得到高频信息和低频信息的方法为：
对光学遥感图像f(m,n)进行平移不变小波分解
其中，为光学遥感图像尺度函数矩阵，φjx为光学遥感图像f(m,n) 在小波域x方向的尺度函数，φjy为光学遥感图像f(m,n)在小波域y方向的尺度函数，Aj为光学遥感图像f(m,n)在小波域上的尺度系数，为小波函数，光学遥感图像f(m,n)在小波域上的小波系数，d为平移不变小波分解方向，
Ψjx为光学遥感图像f(m,n)在小波域x方向的为小波函数，Ψjy为光学遥感图像f(m,n)在小波域y方向的小波函数，表示共轭。
所述的d为平移不变小波分解的6个方向，j为分解的层数，为正整数。
所述的对高频信息进行量子化转换、基于范数优化的量子面滤波的方法为：
(1)将平移不变小波分解后的图像高频信息H(m,n)转化为量子态信息为
其中，k表示被分解到的第k个比特面，bits表示在轨卫星成像系统的量化位数，pk(μ,ν)代表位置为(μ,ν)的量子化信息在第k个比特面上分布概率的均方，|ψk(μ,ν)>为位置为(μ,ν)的量子化信息在第k个量子比特面中量子态向量，＜ψk(μ,ν)|代表位置为(μ,ν)的图像对应量子态向量的左矢，为|ψk(μ,ν)>的共轭转置，(μ,ν)代表量子态向量在量子比特面上的位置；
(2)计算得到光学遥感图像对应的量子比特面中量子态向量为
其中，θ表示量子比特空间上向量|ψk(μ,ν)>与z轴夹角，φ表示量子比特空间上向量|ψk(μ,ν)>在xy面的投影与x轴之间的夹角；
(3)将光学遥感图像对应的量子比特面中量子态向量进行滤波得到为
其中，代表系统点扩展函数P对应位置为(μ,ν)的量子化信息在第k个量子比特面中量子态向量，
代表在轨卫星成像系统成像场景的理想场景信息I(m,n)对应位置为(μ,ν)的量子化信息在第k个量子比特面中量子态向量，
代表噪声N对应位置为(μ,ν)的量子化信息在第k个量子比特面中量子态向量，|ψk(μ0,ν0)>代表获取到的光学遥感图像f(m,n)初始位置(μ0,ν0)的量子化信息在第k个量子比特面中量子态向量，
λk为第k量子面内的调整因子，代表p范数的最小化约束，
(4)将去噪后的量子信息经过量子比特面上增强，得到滤波后的量子信息为为
其中，为光学遥感成像系统对应的矩阵P在第k个量子比特面量子态向量，为理想光学遥感图像I(m,n)在第k个量子比特面量子态向量，|ψk(μ0,ν0)>为获取到的光学遥感图像I(m,n)在第k个量子比特面上的量子态向量，表示光学遥感成像系统噪声N对应第k个量子比特面上的量子态向量。
所述的根据滤波后的高频信息进行重建，得到图像信息的方法为：
(1)将滤波后的量子信息转换回图像空间H'(m,n)为
其中，为滤波后的量子态向量；为滤波后量子态向量的左矢，为的共轭转置；
(2)进行平移不变小波逆变换，重构出图像信息为
其中，等于H'(m,n)。
使用如下计算方法：
设则
一种计算机可读存储介质，所述的计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时实现如权利要求1-权利要求7任一所述方法的步骤。
一种面向航天光学遥感图像量子化滤波终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时实现如权利要求1-权利要求7任一所述方法的步骤。
本发明与现有技术相比的优点在于：
(1)本发明属于一种航天遥感技术领域中的光学卫星图像量子处理方法。目前光学遥感器在轨成像阶段，由于空间环境变化，多种复杂因素造成探测元器件性能退化，或由于探测器件固有特性，在焦面出现大量噪声，造成成像质量退化。在轨阶段采用星上常用方法，难以有效提升像质，需通过地面图像处理手段进一步提升像质；
(2)本发明将遥感图像量子化后转换到量子空间，利用“p范数”优化特性将噪声和信号在量子空间内分开，然后将信息从量子空间转换回图像信息，得到质量增强的图像。本方法适于现有星上算法难以处理或质量不易提升的数据。由于方法是从量子化角度考虑的，与传统方法的区别是考虑到叠加态的信息并进行量子比特面内“p范数”优化，因而能够更有效的去除噪声，提升图像的有效信息量。该方法能够有效提升空间相机在轨成像质量，加强对目标的感知能力。
附图说明
图1为一种面向航天光学遥感图像量子化滤波方法流程图；
图2为一个方向小波分解后在Qbit各个面上的投影；
图3为本发明滤波方法与传统方法结果比较；
表1为定量化指标。
具体实施方式
本发明针对现有技术的不足，提出一种航天遥感技术领域中的光学卫星图像量子处理方法。目前卫星在轨阶段，难以有效提升成像质量，需要通过地面图像处理的手段进一步提升像质。本发明通过将遥感图像量子化后转换到量子空间，利用范数优化特性将噪声和信号在量子空间内分开，然后将信息从量子空间转换回图像信息，得到质量增强的图像。本发明方法适于星上难以去噪或质量不易提升的图像。由于本发明方法是从量子化角度考虑的，与传统方法的区别是考虑到叠加态的信息并进行量子比特面内优化，因而能够更有效的去除噪声，提升图像的有效信息量，与现有技术相比本发明方法能够有效提升空间相机在轨成像像质，加强对目标的感知能力。
本文一种面向航天光学遥感图像量子化滤波方法，首先采用平移不变小波实现信息分层，采用量子比特的概念，将空域复杂的信息转换到量子空间分析；然后采用量子比特面内的优化的方法对图像进行滤波，经过量子空间到图像空间的转换，实现良好的滤波效果，由于信息是通过量子比特的形式表达的，能够表示出信息基态之间的叠加态，这种存在于叠加态的噪声是传统图像处理方法无法处理的，同时采用量子空间内的多范数优化实现更好的去噪效果，本发明由于该方法在量子空间实现信息优化，噪声分离效果更好。
本发明方法总体流程如下：
第一步，成像系统数学建模；
第二步，平移不变小波多层分解为高频和低频信息；
第三步，将高频信息量子化转换；
第四步，基于范数优化的量子面滤波；
第五步，量子信息重建回图像信息。
本算法较具体流程如图1所示：本发明一种航天遥感技术领域中的光学卫星图像量子处理方法，适于在轨阶段因光学遥感器受到空间环境、器件退化等复杂因素造成的系统退化，将图像信息转换到量子空间，通过采用范数量子滤波的方法去除噪声，转换回图像空间。本方法适于在星上无法处理或地面难以去噪的图像。由于方法是从信息量子化考虑，与传统方法的区别是考虑到叠加态的信息并进行范数优化，因而能够更有效的去除噪声，提升图像的有效信息量。与传统处理方法相比具有更好的细节保真度，能得到更清晰的图像，提升像质。目前，在量子领域内尚无此类发明。
表1评价指标
如图2所示是图像经过平移不变小波分解后某一方向的信息，可见量子比特面分解后的图像比传统图像可以分解的更加精细，可以有效的将噪声与信号分开。
图3.a是传统均值滤波方法处理效果，图3.b是经过量子均值滤波处理后的结果，图3.c是经过本发明方法处理结果。由结果可见，采用传统方法去噪效果很差，去噪后图像中平缓地区仍有大量噪声；均值滤波在对噪声抑制的同时也损害图像中的有用信息，影响到景物的边缘纹理信息；而采用本文方法可以更充分的分解噪声，而且保留图像中景物边缘和纹理信息，目标特征更明显。
由表1定量化指标说明，与传统方法相比，本发明方法在信息熵、方差、均值、图像信噪比等指标均较高，经过处理后可有效去除系统误差等因素引起的图像模糊，有利于后续判图与目标识别。
第一步，成像系统数学建模
在轨卫星成像系统标识为线性系统，系统获取到的光学遥感图像f(m,n)可表示为：
其中:获取到光学遥感图像f(m,n)的尺寸为(m,n)，其中m为图像在横轴方向的尺寸，n为图像在纵轴方向的尺寸；P为点扩展函数PSF的二维高斯状的 s×s矩阵表示，由测量得到，s为点扩展函数PSF在一个方向的尺寸；I(m,n)为在轨卫星成像系统成像场景的理想场景信息，N为噪声项，所述s取值为：
第二步，对获取到的光学遥感图像f(m,n)进行平移不变小波分解
式(2)中，代表图像f(m,n)在平移不变小波域的变换，φj为尺度函数，为二维DT-CWT的尺度函数矩阵，φjx为光学遥感图像f(m,n)在小波域x方向的尺度函数，φjy为光学遥感图像f(m,n)在小波域y方向的尺度函数，Aj为光学遥感图像f(m,n)在小波域上的尺度系数，为小波函数，光学遥感图像f(m,n)在小波域上的小波系数，d为分解的6个方向，j为分解的层数(j＝1… n)，这里j取4，则可以分别表示复数小波在6个方向上的高频信息，这里各方向上的二维DT-CWT小波函数为
因此，有如下展开式：
Ψjx为光学遥感图像f(m,n)在小波域x方向的为小波函数，Ψjy为光学遥感图像f(m,n)在小波域y方向的小波函数；表示共轭；
第三步，将平移不变小波分解后的图像高频信息H(m,n)转化为量子态信息，表示如下：
上式是光学遥感图像转换到量子空间转化表示，其中k表示信号被分解到第几个比特面，bits表示在轨卫星成像系统的量化位数，pk(μ,ν)代表位置为(μ,ν) 的量子化信息在第k个比特面上分布概率的均方，|ψk(μ,ν)>为位置为(μ,ν)的量子化信息在第k个量子比特面中量子态向量，＜ψk(μ,ν)|代表位置为(μ,ν)的图像对应量子态向量的左矢，为|ψk(μ,ν)>的共轭转置，(μ,ν)代表量子态向量在量子比特面上的位置。
得到光学遥感图像对应的量子比特面中量子态向量为：
上式中θ表示量子比特空间上向量|ψk(μ,ν)>与z轴夹角，φ表示量子比特空间上向量|ψk(μ,ν)>在xy面的投影与x轴之间的夹角。
所述步骤四中，光学遥感图像对应的量子比特面中量子态向量进行滤波, 通过如下式(7)优化得到表示如下
上式中，(μ0,ν0)代表量子态向量在量子比特面上的初始位置，λk为第k量子面内的调整因子，从0-1分布，代表p范数的最小化约束。量子滤波器在各个比特面内被采用来做范数优化设计。量子计算遵循如下定理。Dk为梯度值，且公式如下：
量子范畴的范数空间近似于图像域的范数空间，即在不同比特面内求得的范数表达，其展开运算遵守量子运算规则，通过优化使得趋近于理想值。
所述步骤五中，将去噪后的量子信息经过量子比特面上双边滤波，以便实现在保持边缘信息的前提下增强图像质量，滤波后的量子信息为可表示为
上式增强滤波可采用双边滤波方法。
最终得到优化后的光学遥感图像对应的量子态向量
为光学遥感成像系统PSF对应的矩阵P在第k个量子比特面量子态向量；
为理想光学遥感图像I(m,n)在第k个量子比特面量子态向量；
|ψk(μ0,ν0)>为获取到的光学遥感图像I(m,n)在第k个量子比特面上的量子态向量；
表示光学遥感成像系统噪声N对应第k个量子比特面上的量子态向量。
所述步骤五中，将滤波后的量子信息转换回图像空间H'(m,n)，表示为：
其中，为滤波后的量子态向量；为滤波后量子态向量的左矢，为的共轭转置；H'(m,n)为转换后的高频信息。
所述P由两种测量方法得到，第一种是实验室通过点源靶标，实现对系统点扩展函数PSF的精确测量；第二种是在卫星过境星下点铺设地面靶标，实现对卫星动态点扩展函数PSF的测量。
所述步骤(四)中对光学遥感图像对应的量子比特面中量子态向量进行滤波时，量子向量之间的运算满足如下法则：
且则有
和且有
和
上式中代表任意两个量子态向量之间的运算关系，其中量子态向量|ψj>的矩阵表示为而|ψp>的矩阵表示为因此|ψj>与|ψp>之间的运算关系均满足展开式与之间运算。这样量子态向量之间的运算关系就可以由矩阵之间运算来实现。
最后，进行平移不变小波逆变换，利用处理后的高频信息与低频信息重构出图像信息
其中，等于H'(m,n)，为经过滤波后的小波系数。
实验谱段的选择是根据目标辐射特性决定的，选取卫星光学影像为仿真图像。实验结果可见，经过滤波重建后的图像更清晰，可有效去除因系统动态成像等造成的图像模糊，提升像质。定量化指标说明，本发明方法在信息熵、方差、边缘保持度、图像信噪比等指标均比传统方法高，经过处理后可有效去除系统误差等因素引起的图像模糊，有利于后续判图与目标识别。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (9)
1.一种面向航天光学遥感图像量子化滤波方法，其特征在于包括如下步骤：
(1)对在轨卫星成像系统进行数学建模并进行成像；
(2)对图像进行平移不变小波多层分解，进而得到高频信息和低频信息；
(3)对高频信息进行量子化转换、基于范数优化的量子面滤波；
(4)根据滤波后的高频信息进行重建，得到图像信息。
2.根据权利要求1所述的一种面向航天光学遥感图像量子化滤波方法，其特征在于：所述的对在轨卫星成像系统进行数学建模并进行成像的方法为：
(1)将在轨卫星成像系统标识为线性系统；
(2)获取到的光学遥感图像f(m,n)为
其中，m为光学遥感图像在横轴方向尺寸，n为光学遥感图像在纵轴方向的尺寸，P为点扩展函数PSF的二维高斯状s×s矩阵，I(m,n)为在轨卫星成像系统成像场景的理想场景信息，N为噪声项，
3.根据权利要求2所述的一种面向航天光学遥感图像量子化滤波方法，其特征在于：所述的对图像进行平移不变小波多层分解，进而得到高频信息和低频信息的方法为：
对光学遥感图像f(m,n)进行平移不变小波分解
其中，为光学遥感图像尺度函数矩阵，φjx为光学遥感图像f(m,n)在小波域x方向的尺度函数，φjy为光学遥感图像f(m,n)在小波域y方向的尺度函数，Aj为光学遥感图像f(m,n)在小波域上的尺度系数，为小波函数，光学遥感图像f(m,n)在小波域上的小波系数，d为平移不变小波分解方向，
Ψjx为光学遥感图像f(m,n)在小波域x方向的为小波函数，Ψjy为光学遥感图像f(m,n)在小波域y方向的小波函数，表示共轭。
4.根据权利要求3所述的一种面向航天光学遥感图像量子化滤波方法，其特征在于：所述的d为平移不变小波分解的6个方向，j为分解的层数，为正整数。
5.根据权利要求4所述的一种面向航天光学遥感图像量子化滤波方法，其特征在于：所述的对高频信息进行量子化转换、基于范数优化的量子面滤波的方法为：
(1)将平移不变小波分解后的图像高频信息H(m,n)转化为量子态信息为
其中，k表示被分解到的第k个比特面，bits表示在轨卫星成像系统的量化位数，pk(μ,ν)代表位置为(μ,ν)的量子化信息在第k个比特面上分布概率的均方，|ψk(μ,ν)>为位置为(μ,ν)的量子化信息在第k个量子比特面中量子态向量，＜ψk(μ,ν)|代表位置为(μ,ν)的图像对应量子态向量的左矢，为|ψk(μ,ν)>的共轭转置，(μ,ν)代表量子态向量在量子比特面上的位置；
(2)计算得到光学遥感图像对应的量子比特面中量子态向量为
其中，θ表示量子比特空间上向量|ψk(μ,ν)>与z轴夹角，φ表示量子比特空间上向量|ψk(μ,ν)>在xy面的投影与x轴之间的夹角；
(3)将光学遥感图像对应的量子比特面中量子态向量进行滤波得到为
其中，代表系统点扩展函数P对应位置为(μ,ν)的量子化信息在第k个量子比特面中量子态向量，
代表在轨卫星成像系统成像场景的理想场景信息I(m,n)对应位置为(μ,ν)的量子化信息在第k个量子比特面中量子态向量，
代表噪声N对应位置为(μ,ν)的量子化信息在第k个量子比特面中量子态向量，|ψk(μ0,ν0)>代表获取到的光学遥感图像f(m,n)初始位置(μ0,ν0)的量子化信息在第k个量子比特面中量子态向量，
λk为第k量子面内的调整因子，代表p范数的最小化约束，
(4)将去噪后的量子信息经过量子比特面上增强，得到滤波后的量子信息为为
其中，为光学遥感成像系统对应的矩阵P在第k个量子比特面量子态向量，为理想光学遥感图像I(m,n)在第k个量子比特面量子态向量，|ψk(μ0,ν0)>为获取到的光学遥感图像I(m,n)在第k个量子比特面上的量子态向量，表示光学遥感成像系统噪声N对应第k个量子比特面上的量子态向量。
6.根据权利要求5所述的一种面向航天光学遥感图像量子化滤波方法，其特征在于：所述的根据滤波后的高频信息进行重建，得到图像信息的方法为：
(1)将滤波后的量子信息转换回图像空间H'(m,n)为
其中，为滤波后的量子态向量；为滤波后量子态向量的左矢，为的共轭转置；
(2)进行平移不变小波逆变换，重构出图像信息为
其中，等于H'(m,n)。
7.根据权利要求6所述的一种面向航天光学遥感图像量子化滤波方法，其特征在于：使用如下计算方法：
设则
8.一种计算机可读存储介质，所述的计算机可读存储介质存储有计算机程序，其特征在于，所述的计算机程序被处理器执行时实现如权利要求1-权利要求7任一所述方法的步骤。
9.一种面向航天光学遥感图像量子化滤波终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述的处理器执行所述的计算机程序时实现如权利要求1-权利要求7任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810547440.7A CN108765350B (zh) | 2018-05-31 | 2018-05-31 | 一种面向航天光学遥感图像量子化滤波方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810547440.7A CN108765350B (zh) | 2018-05-31 | 2018-05-31 | 一种面向航天光学遥感图像量子化滤波方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108765350A true CN108765350A (zh) | 2018-11-06 |
| CN108765350B CN108765350B (zh) | 2022-03-04 |
Family
ID=64000896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810547440.7A Active CN108765350B (zh) | 2018-05-31 | 2018-05-31 | 一种面向航天光学遥感图像量子化滤波方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108765350B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111369003A (zh) * | 2020-03-31 | 2020-07-03 | 合肥本源量子计算科技有限责任公司 | 一种量子比特读取信号保真度的确定方法、装置 |
| CN112529812A (zh) * | 2020-12-18 | 2021-03-19 | 西安微电子技术研究所 | 基于量子傅里叶变换的遥感图像去噪方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1804657A (zh) * | 2006-01-23 | 2006-07-19 | 武汉大学 | 遥感图像小目标超分辨率重建方法 |
| US20120183050A1 (en) * | 2011-01-14 | 2012-07-19 | Sony Corporation | Parametric loop filter |
| CN102609904A (zh) * | 2012-01-11 | 2012-07-25 | 云南电力试验研究院（集团）有限公司电力研究院 | 双变量非局部平均滤波x射线图像消噪方法 |
| CN103700072A (zh) * | 2013-12-17 | 2014-04-02 | 北京工业大学 | 一种基于自适应小波阈值和双边滤波器的图像去噪方法 |
| CN106600542A (zh) * | 2016-10-31 | 2017-04-26 | 北京空间机电研究所 | 一种航天光学遥感高密度量子化信息处理方法 |
| CN107993211A (zh) * | 2017-12-04 | 2018-05-04 | 中国科学院遥感与数字地球研究所 | 一种图像去噪方法 |
-
2018
- 2018-05-31 CN CN201810547440.7A patent/CN108765350B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1804657A (zh) * | 2006-01-23 | 2006-07-19 | 武汉大学 | 遥感图像小目标超分辨率重建方法 |
| US20120183050A1 (en) * | 2011-01-14 | 2012-07-19 | Sony Corporation | Parametric loop filter |
| CN102609904A (zh) * | 2012-01-11 | 2012-07-25 | 云南电力试验研究院（集团）有限公司电力研究院 | 双变量非局部平均滤波x射线图像消噪方法 |
| CN103700072A (zh) * | 2013-12-17 | 2014-04-02 | 北京工业大学 | 一种基于自适应小波阈值和双边滤波器的图像去噪方法 |
| CN106600542A (zh) * | 2016-10-31 | 2017-04-26 | 北京空间机电研究所 | 一种航天光学遥感高密度量子化信息处理方法 |
| CN107993211A (zh) * | 2017-12-04 | 2018-05-04 | 中国科学院遥感与数字地球研究所 | 一种图像去噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张智等: ""一种基于量子力学的遥感图像滤波方法研究"", 《红外与激光工程》 * |
| 郭玲玲等: ""基于多通道盲反卷积的空间光学遥感器在轨点扩展函数估算"", 《光学学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111369003A (zh) * | 2020-03-31 | 2020-07-03 | 合肥本源量子计算科技有限责任公司 | 一种量子比特读取信号保真度的确定方法、装置 |
| CN111369003B (zh) * | 2020-03-31 | 2023-04-25 | 合肥本源量子计算科技有限责任公司 | 一种量子比特读取信号保真度的确定方法、装置 |
| CN112529812A (zh) * | 2020-12-18 | 2021-03-19 | 西安微电子技术研究所 | 基于量子傅里叶变换的遥感图像去噪方法 |
| CN112529812B (zh) * | 2020-12-18 | 2022-12-02 | 西安微电子技术研究所 | 基于量子傅里叶变换的遥感图像去噪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108765350B (zh) | 2022-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fadili et al. | Image decomposition and separation using sparse representations: An overview | |
| CN109345481B (zh) | 一种用于航天光学遥感图像的量子优化方法 | |
| Starck et al. | Astronomical data analysis and sparsity: From wavelets to compressed sensing | |
| CN108416723B (zh) | 基于全变分正则化和变量分裂的无透镜成像快速重构方法 | |
| CN105931264B (zh) | 一种海面红外小目标检测方法 | |
| CN109584319A (zh) | 一种基于非局部低秩和全变分的图像压缩感知重构算法 | |
| Chountasis et al. | Applications of the Moore-Penrose inverse in digital image restoration | |
| CN105869126A (zh) | 高光谱图像的压缩感知去噪方法 | |
| CN108230280A (zh) | 基于张量模型与压缩感知理论的图像斑点噪声去除方法 | |
| CN106600542B (zh) | 一种航天光学遥感高密度量子化信息处理方法 | |
| CN108765350B (zh) | 一种面向航天光学遥感图像量子化滤波方法 | |
| Yang et al. | An improved weighted nuclear norm minimization method for image denoising | |
| CN114820352A (zh) | 一种高光谱图像去噪方法、装置及存储介质 | |
| CN111242854A (zh) | 一种图像去噪方法 | |
| CN109978802B (zh) | 基于nsct和pcnn的压缩感知域内的高动态范围图像融合方法 | |
| CN106296583B (zh) | 基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法 | |
| Pan et al. | Progressive hyperspectral image destriping with an adaptive frequencial focus | |
| CN113204051B (zh) | 一种基于变分模态分解的低秩张量地震数据去噪方法 | |
| Priyadharsini et al. | Underwater acoustic image enhancement using wavelet and KL transform | |
| Jeyakumar et al. | Hybrid hyperspectral image compression technique for non-iterative factorized tensor decomposition and principal component analysis: application for NASA’s AVIRIS data | |
| CN107133921A (zh) | 基于多层次邻域嵌入的图像超分辨率重建方法及系统 | |
| CN105096274B (zh) | 基于非下采样轮廓波域混合统计模型的红外图像降噪方法 | |
| CN115131226B (zh) | 一种基于小波张量低秩正则化的图像复原方法 | |
| CN107644406B (zh) | 一种基于改进的正交匹配追踪的图像去噪方法 | |
| Xian-chuan et al. | Remote sensing image fusion based on integer wavelet transformation and ordered nonnegative independent component analysis |
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 |