CN108830808B - 基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法 - Google Patents
基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法 Download PDFInfo
- Publication number
- CN108830808B CN108830808B CN201810559063.9A CN201810559063A CN108830808B CN 108830808 B CN108830808 B CN 108830808B CN 201810559063 A CN201810559063 A CN 201810559063A CN 108830808 B CN108830808 B CN 108830808B
- Authority
- CN
- China
- Prior art keywords
- noise
- value
- line window
- window
- column
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 230000035772 mutation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 description 1
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06T2207/10048—Infrared 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相似线窗口均值补偿的星上红外图像条纹噪声去除方法。该方法首先根据图像尺寸选取大小为N的一维滑动窗口,作为滑动线窗口,该滑动线窗口沿着条纹噪声方向从每一列的最上端扫描到最下端,选取方差最小的线窗口,即为每一列的相似线窗口;然后,计算相似线窗口和其相邻区域的灰度均差,得到相邻列的条纹噪声差值;最后,设定首列条纹噪声值为零,根据相邻列的条纹噪声差值迭代计算出每一列的噪声值,原始灰度值减去这些噪声值即可得到真实地物的理想灰度值。与现有技术相比较,本方法计算复杂度低,鲁棒性好,对纹理细节保真度高。
Description
技术领域
本发明涉及一种基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法,属于数字图像处理技术领域。
背景技术
在红外图像的形成过程中,噪声存在于影像获取的各个环节,比如传感器的周期性偏移,载荷元器件的电磁干扰等。而条纹噪声的产生是卫星在传感器、光电器件反复扫描地物的成像过程中,受扫描探测元的反复扫描响应差异,不同的光敏元件对相同的红外辐射会产生不同的输出信号,以及传感器扫描机械运动等多种因素扰动下造成的具有周期性、方向性、且呈现条状分布的一种特殊噪声。
红外遥感图像上含有条纹噪声,严重影响了红外图像的质量和解析度,而且破坏图像中的整体结构,给后续的图像处理如目标检测,海陆分割,图像分类等带来困难,限制了后续的进一步分析。
目前去条纹噪声的方法分为两类,一类是基于产生机理的去条纹算法,主要是基于矩匹配去除条纹噪声的方法;一类是与产生机理无关的去条纹算法研究,该类的算法特点是,不清楚噪声的产生机理,不能对图像内的噪声干扰正确建模,仅仅只根据噪声自身的特征来进行处理,达到改善图像质量的目的,主要包括直方图修正法,基于傅里叶变换的条纹噪声消除算法。但这些方法的适应性和广泛性较差,往往要求图像中地物类型单一,且算法计算复杂。对此类情况,不少学者提出了条纹噪声的改进算法,虽然这些方法在不同程度上达到保持图像质量,并有效去除条纹噪声的目的,但效果并不理想。
发明内容
在此背景下,本发明人深入研究红外图像条纹噪声产生机理,基于真实地物的局部相似特性和灰度方差越小相似性越高的原理,通过滑动窗口逐列扫描求取每一列的相似线窗口,并通过计算相似线窗口和其相邻区域的灰度均差,得到相邻列的条纹噪声差值,依次迭代而求得每列的噪声值。从而得到纹理细节高保真的去条纹噪声后的图像。
本发明所要解决的技术问题在于提供一种基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法。其中,相似特征窗口是指滑动窗口沿着条纹噪声方向从每一列的最上端扫描到最下端,经停处计算一次方差,每列方差最小的窗口即为每列的相似线窗口。
本发明从分析红外图像条纹噪声特性入手,给出了含有列均值和列方差的图像校正公式。该方法是首先根据图像尺寸选取大小为N的一维滑动窗口,该滑动窗口沿着条纹噪声方向逐列从最上端扫描到最下端,选取方差最小的窗口,即为每一列的相似线窗口;然后,计算相似线窗口和其相邻区域的灰度均差,得相邻列的条纹噪声差值;最后,设定首列条纹噪声值为零,根据相邻列的条纹噪声差值迭代计算出每一列的噪声值,原始灰度值减去这些噪声值即可得到真实地物的理想灰度值。
为实现上述的发明目的,本发明采用下述的技术方案:
一种基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法,包括如下步骤:
(1)根据单帧遥感图像的成像原理,大气吸收,散射,及传感器系统的性能指标都是一致的,红外探测单元的响应模型可视为线性的:
Yij=GXij+Qj (1)
式中,i表示图像的行索引号,j表示图像的列索引号,Xij表示图像(i,j)位置上的最后理想的灰度值,Yij表示图像(i,j)位置上的含有条纹噪声的图像灰度值。因此,当已知图像第j列的偏置系数Qj时,就能对含有噪声的图像进行恢复,获得真实图像的灰度值。(因为增益系数G的大小对整幅图而言只是一个重量化的系数定值,没有任何影响,不防设为1即可)。
红外探测单元的响应可以简化为:
Yij=Xij+Qj (2)
(2)根据图像尺寸选取大小为N的一维滑动窗口,该滑动窗口沿着条纹噪声方向逐列从最上端扫描到最下端,步长为S,经停处求一次窗口内的方差,最后记下每列的方差最小窗口的起始位置P(j),即为每一列的相似线窗口的起始位置;
(3)计算相似线窗口和其相邻区域的灰度均差,即表示相邻列的条纹噪声差值;
(4)设首列条纹噪声值为零(对图像质量没有影响),根据相邻列的条纹噪声差值迭代计算出每列的噪声值,原始灰度值减去这些噪声值即可得到真实地物的理想灰度值。
其中,在所述步骤(2)中,其中N取值在区间[M/20,M/10]的整数时,对噪声处理效果较优,鲁棒性强,M为被处理红外图像的每一列的像素个数。
在所述步骤(2)中,S原则上设置为1时处理结果是最好的,但为权衡时间和最终处理效果,经测试S=N时,时间效率和噪声处理结果都很不错,该参数可以根据实际工程需求适当调整。
在所述步骤(3)中,相邻列的噪声差值,是分别求取相邻两列的相似线窗口与其邻域的灰度均差,然后求和再除以2。
根据本发明的一个方面,提供了一种基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法,其特征在于包括:
(1)根据待处理图像的尺寸选取大小为N的一维滑动窗口,作为滑动线窗口,该滑动线窗口沿着条纹噪声方向逐列从最上端扫描到最下端,滑动步长为S;
(2)计算滑动线窗口每次经停处灰度值的方差,将每列中方差最小的线窗口作为相似线窗口,记录其起始位置p(j),然后根据地物之间的局部相似性计算相邻列的条纹噪声差值;
(3)计算相似线窗口和其相邻区域的灰度均差,作为相邻列的条纹噪声差值;
(4)根据相邻列的条纹噪声差值迭代计算每列的噪声值,利用原始灰度值减去所述噪声值以得到真实地物的理想灰度值。
根据本发明的基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法的优点包括:
1.本发明方法的条纹噪声去除模型简单,算法实现的计算复杂度低,能满足星上实时处理要求。
2.本发明方法通过寻找相似线窗口,由于相似线窗口本身具有与影像获取环节和地物类型无关的特点,所以对不同红外卫星的影像适用性好,对各类地物均能取得很好的噪声去除效果。
附图说明
图1为根据本发明的一个实施例的基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法的流程图;
图2是带有条纹噪声的红外遥感图像,用于说明该条纹噪声严重影响图像的质量和解析度。
图3显示了本发明所述的滑动窗口扫描方式,其中“301”表示滑动线窗口,“304”表示该列求得的相似线窗口,“302”和“303”表示该相似线窗口与相邻列对应位置的窗口。
图4(a)图本发明所述的图像大小在10000×10000左右的含有条纹噪声的四幅原图,以及对应的四幅利用本发明算法处理后的效果图;图4(b)是尺寸为1547×1508图像的去噪前后列均值统计图。
具体实施方式
下面结合附图,对本发明所提供的基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法的具体实施步骤进行详细的说明。如图2所示,红外遥感图像中的条纹噪声严重影响图像质量及舰船分析。如图1所示,在根据本发明的一个实施例的基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法中,对于红外条纹噪声原始图像,依次通过如下的步骤进行去噪处理:
(1)根据图像尺寸选取大小为N的一维滑动窗口,如图3的左边部分所示,标号“301”表示滑动线窗口,该滑动线窗口沿着条纹噪声方向逐列从最上端扫描到最下端,滑动步长为S。
通常,N取值在区间[M/20,M/10]的整数,其中M为被处理红外图像的总行数,步长S根据实时需求,权衡最终处理效果,可以适当调整,理论上是S越小,相似线窗口找的越精准,最后处理效果越好。经测试,尺寸为1547×1508以及10000×10000左右的图像,设定S=M/20时,时间效率上和噪声处理结果上都很不错,能满足星上实时性和后期检测识别的需求。
(2)计算每一个滑动窗口经停处的方差,并记下每列方差最小的窗口的起始位置P(j),即为每列的相似线窗口的起始位置,其中j为图像的列索引号。如图3的右边部分所示,标号“304”表示第j的相似线窗口。
其中滑动线窗口经停处起始位置为(i,j)的方差计算方法:
其中Mij为滑动线窗口经停处起始位置为(i,j)的灰度均值,计算方法为:
(3)计算相邻列的条纹噪声差值。
通常,真实地物图像的每个像素和邻域具有相同或者相似的一些特性,而通过方差最小的方法提取的相似线窗口,可以说明该窗口与邻域具有最相似的特性。一般情况下提取的相似线窗口的代表的区域就是比较平滑的区域,如:海洋,因为海洋的像素的灰度值比较稳定。
所以,本发明中将相似线窗口与其相邻区域的灰度均差,近似表示成相邻列的条纹噪声差值。因为在没有条纹噪声的情况下,这个相似线窗口区域附近的灰度均值可以近似看做相等,而现在有了条纹噪声,所以这个相似线窗口区域附近的灰度均值的差值就可以近似为噪声差值。
在求取相邻列的噪声差值时,分别计算这些相似线窗口的灰度均值m1 P(1),m2 P(2),…,mn P(n)(mj P(k)表示第j列以P(k)位置开始的连续N个像元的灰度均值),并计算这些相似线窗口与相邻两列的对应区域的灰度均值m1 p(2),具体实施过程如图3的右边部分所示,标号“302”表示第j-1列对应于第j列的相似线窗口的线窗口;标号“303”表示第j+1列对应在第j列的相似线窗口的线窗口。
以第j列为例,则它与第j-1列的噪声差异可以表示为:
其中,dj表示为第j列的噪声灰度值。
(4)根据真实地物的局部相似的特性,迭代得出每一列的噪声值。
由于:dj=dj-1+(dj-dj-1),dj-dj-1即相邻列的噪声差值已求出,
所以只用求出d0即可迭代算出所有的dj。
这里假设d0是0,假设依据是无论d0为何值,对全图而言所有像元的灰度值上下浮动一个定值,不会改变图像本身的质量。
(5)把原始图的每一列的灰度值减去对应列的噪声值,即可得到真实地物的理想灰度值。
由红外探测单元的响应模型:Yij=Xij+Qj
这里的Qi即为以上定义的dj,即该算法思想中的每列的噪声值。
则由Xij=Yij-dj即可获取真实地物的理想灰度值。
由于网上没有红外条纹噪声的公开数据集,所以本实验数据为实验室内部数据,共计5景。其中4张平均尺寸约为10000×10000像素,另一张尺寸为1508×1547像素。
图4(a)是四张用根据本发明的上述实施例的星上红外图像条纹噪声去除方法进行条纹噪声处理前后的图,每张图的平均尺寸约为10000×10000像素,其中上排四张是处理之前的图,下排四张是对应的处理之后的图。从图4(a)可见根据本发明的上述实施例的星上红外图像条纹噪声去除方法的效果还是很可观的,对后续的舰船检测等图像处理算法不会造成障碍。
图4(b)是处理前后的列均值的统计图。很明显,处理前的曲线黑色比较毛刺,这正是因为条纹噪声的存在,使得每一列的灰度均值是随机的;而处理后的曲线白色,看上去平滑很多,随着列索引的增加,在反映地物变化的同时,相邻列之间不会有突变,即有了更多的关联和相似性,效果还是很理想的。其中有几处也有突变,经观察是图像拼接的原因,不是条纹噪声,后续可以通过中值滤波等方法来处理此突变。
Claims (5)
1.一种基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法,其特征在于包括:
(1)根据待处理图像的尺寸选取大小为N的一维滑动窗口,作为滑动线窗口,该滑动线窗口沿着条纹噪声方向逐列从最上端扫描到最下端,滑动步长为S;
(2)计算滑动线窗口每次经停处灰度值的方差,将每列中方差最小的线窗口作为相似线窗口,记录其起始位置P(j),然后根据地物之间的局部相似性计算相邻列的条纹噪声差值;
(3)计算相似线窗口和其相邻区域的灰度均差,作为相邻列的条纹噪声差值;
(4)根据相邻列的条纹噪声差值迭代计算每列的噪声值,利用原始灰度值减去所述噪声值以得到真实地物的理想灰度值,
其中:
在所述步骤(1)之前还包括建立红外探测单元的响应模型的步骤,所述响应模型为Yij=Xij+Qj,其中Xij表示理想灰度值,Yij表示含有条纹噪声图像的灰度值,Qj为偏置系数,
所述步骤(3)中相似线窗口和其相邻区域的灰度均差计算方式为:
其中dj表示为第j列的噪声灰度值。
2.如权利要求1所述的基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法,其特征在于:
所述步骤(1)中所述滑动线窗口大小N的取值范围是[M/20,M/10],N为整数,其中M为待处理图像的总行数。
3.如权利要求1所述的基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法,其特征在于:
所述步骤(1)中步长根据时间和性能要求进行调整。
4.如权利要求1所述的基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法,其特征在于:
所述步骤(4)中,在迭代计算每一列的噪声值时,将第一列的条纹噪声值设定为0。
5.如权利要求1所述的基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法,其特征在于进一步包括:
所述步骤(4)中,把原始图的每一列的灰度值减去对应列的噪声值,从而得到真实地物的理想灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810559063.9A CN108830808B (zh) | 2018-06-01 | 2018-06-01 | 基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810559063.9A CN108830808B (zh) | 2018-06-01 | 2018-06-01 | 基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108830808A CN108830808A (zh) | 2018-11-16 |
CN108830808B true CN108830808B (zh) | 2022-05-03 |
Family
ID=64146840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810559063.9A Active CN108830808B (zh) | 2018-06-01 | 2018-06-01 | 基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830808B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211056B (zh) * | 2019-05-06 | 2022-08-12 | 南京理工大学 | 基于局部中值直方图的自适应红外图像去条纹算法 |
WO2021217643A1 (zh) * | 2020-04-30 | 2021-11-04 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、装置及可移动平台 |
CN113111878B (zh) * | 2021-04-30 | 2022-03-18 | 中北大学 | 一种复杂背景下的红外弱小目标检测方法 |
CN113487547B (zh) * | 2021-06-24 | 2023-08-15 | 北京市遥感信息研究所 | 卫星遥感图像条带噪声定位方法及装置 |
CN113538286B (zh) * | 2021-07-29 | 2023-03-07 | 杭州微影软件有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101538353B1 (ko) * | 2014-05-29 | 2015-07-22 | 숭실대학교산학협력단 | 영상 처리 방법, 이를 이용한 시스템 및 이를 수행하기 위한 기록매체 |
CN106651792B (zh) * | 2016-11-28 | 2020-04-07 | 苏州中科天启遥感科技有限公司 | 一种卫星影像条带噪声去除方法及装置 |
-
2018
- 2018-06-01 CN CN201810559063.9A patent/CN108830808B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108830808A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830808B (zh) | 基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法 | |
Chierchia et al. | Multitemporal SAR image despeckling based on block-matching and collaborative filtering | |
CN102609904B (zh) | 双变量非局部平均滤波x射线图像消噪方法 | |
CN112686935B (zh) | 基于特征融合的机载测深雷达与多光谱卫星影像配准方法 | |
CN109523585B (zh) | 一种基于方向相位一致性的多源遥感影像特征匹配方法 | |
EP2466901B1 (en) | Depth data upsampling | |
CN112906531B (zh) | 一种基于非监督分类的多源遥感影像时空融合方法及系统 | |
CN105405138B (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN102663385A (zh) | 一种星上点目标检测方法 | |
CN114881081A (zh) | 一种基于自适应时空滤波融合的干涉相位优化方法 | |
CN113899349B (zh) | 海浪参数检测方法、设备及存储介质 | |
CN110738693A (zh) | 一种地基成像雷达多角度图像配准方法 | |
CN113222898A (zh) | 基于多元统计量和深度学习的双航过sar图像痕迹检测方法 | |
Wu et al. | Research on crack detection algorithm of asphalt pavement | |
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 | |
CN115512299A (zh) | 基于雷达图像的U-net变体神经网络的洪涝预警方法 | |
CN112734819B (zh) | 一种适用于高分辨率遥感卫星dsm的地表滤波方法 | |
CN114155425A (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 | |
CN113379714A (zh) | 基于深度卷积神经网络的光学遥感图像目标检测系统 | |
Takeyama et al. | Hyperspectral pansharpening using noisy panchromatic image | |
CN114612327B (zh) | 一种基于sar影像非局部高斯加权中值滤波算法 | |
CN113870308B (zh) | 一种螺旋梯度优化估计的弱小目标检测方法 | |
Lan et al. | Research on Image Edge Distortion Correction Algorithm Based on Improved Deep Learning Self-Coding | |
CN114648564B (zh) | 用于非稳态目标的可见光和红外图像优化配准方法及系统 | |
Sadiq et al. | A Particle Swarm Optimization Based Edge Detection Algorithm for Noisy Coloured Images |
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 |