CN109345475B - 一种无人机遥感山区公路图像融合滤波方法 - Google Patents

Abstract

本发明公开了一种无人机遥感山区公路图像滤波方法，获取无人机遥感山区公路图像；用小波函数对步骤1中获得的遥感图像进行两层小波分解；设置阈值向量，分别对水平、垂直、对角三个方向的高频系数进行软阈值滤波，其中垂直方向滤波两次，其他方向滤波一次；对滤波后的图像进行小波重构；对上一步获得的图像进行小波一层分解，并用改进Kuwahara滤波器对高频系数其进行滤波；重构滤波之后的图像，得到最终图像。本发明在小波变换的基础上，采用改进Kuwahara滤波器进行滤波，能够将图像中的高斯噪声滤除干净，并且具有很好的边缘细节信息保护性能。

Description

一种无人机遥感山区公路图像融合滤波方法

技术领域

本发明属于图像处理技术领域，具体涉及一种无人机遥感山区公路图像融合滤波方法。

背景技术

随着现代航天和无人机技术的飞速发展，遥感技术取得了突飞猛进的发展。无人机采集到的遥感山区公路图像的处理和分析已经成为近年来国内外的研究热点。

然而，由于传感器和山区环境等因素的影响，使得遥感山区公路的图像在采集、传输和存储过程中受到各种噪声的干扰，不利于遥感图像中有用信息的进一步处理、分析。为了获取清晰的、准确的遥感山区公路图像信息，去噪算法研究作为一项基本的图像分析处理步骤，具有重要的实际意义。

传统的图像去噪方法，常见的有均值滤波、小波阈值滤波、Kuwahara滤波等。均值滤波又称邻域平均法，是一种传统的空间域去噪算法，该算法的思想是用其邻域内的所有像素的灰度平均值来代替待滤波像素点最初的灰度值，计算量小，但处理后的图像会变模糊。小波阈值滤波通过小波变换把信号映射到频域来中处理，由于信号主要分布在低频区域，噪声主要分布在高频区域，对其高频系数设置阈值，从而去除噪声干扰。Kuwahara滤波是一种非线性滤波，将以像素点x为中心的矩形区域划分成四个子方块，分别计算这四个子区域的均值及方差，输出像素值为方差较小的子块的均值，但该滤波器无法精确反应图像中边缘曲率较大或者信息较多的区域的边缘信息，以及吉布斯效应的影响，造成输出图像中存在方块效应。此外当有两个或者多个子区域同时具有最小的标准差，导致滤波器的输出不确定，仍有较大的改进空间。

发明内容

本发明的目的在于一种无人机遥感山区公路图像融合滤波方法，以克服上述现有技术存在的缺陷，本发明采用小波软阈值滤波和改进Kuwahara滤波器的融合滤波方法，能够有效滤除遥感图像中的噪声，保持图像边缘细节信息，去除了方块效应，去噪效果优于小波软阈值滤波和传统的Kuwahara滤波。

为达到上述目的，本发明采用如下技术方案：

一种无人机遥感山区公路图像融合滤波方法，包括以下步骤：

步骤1：获取无人机遥感山区公路图像；

步骤2：用小波函数对步骤1中获得的无人机遥感山区公路图像进行两层小波分解，并获得水平、垂直、对角三个方向的高频系数；

步骤3：设置阈值向量，对步骤2中所得的高频系数分别进行水平、垂直、对角三个方向的软阈值滤波；

步骤4：用小波函数对步骤3滤波后的图像进行重构；

步骤5：将重构的图像进行小波一层分解，获得水平、垂直、对角三个方向的高频系数；用改进Kuwahara滤波器对三个方向的高频系数进行滤波；

步骤6：用小波函数重构并输出步骤5滤波之后的图像。

进一步地，步骤2、步骤4中的小波函数为coif3，步骤5、步骤6中的小波函数为coif2。

进一步地，步骤3中阈值向量为：p＝[10.12,23.28]。

进一步地，步骤3中软阈值滤波具体为：当步骤二中所得高频系数绝对值小于给定阈值向量时，令其为0，当小波系数的绝对值大于等于阈值时，令其都减去阈值，用公式表述如下：

式中，p为给定阈值向量，W为高频系数，W_p为软阈值滤波后的高频系数。

进一步地，步骤3中垂直方向的高频系数滤波两次，水平和对角方向分别滤波一次。

进一步地，步骤5中用改进Kuwahara滤波器对三个方向的高频系数进行滤波具体包括：

步骤5.1：将待滤波像素点周围的一个邻域均匀地分成8个扇形区域K_i；

步骤5.2：定义二维平方高斯核系数：

其中，(x,y)为高斯核模板的中心像素点的坐标，σ表示二维高斯核模板的离散度，

为二维平方高斯核系数；

使用二维平方高斯核系数对每个扇形区域K_i定义权重函数ω_i为：

对权重函数归一化：

其中，

为二维平方高斯核系数，V为扇形区域个数；

步骤5.3：计算步骤5.1中图像I的每个子区域K_i内的加权均值m_i及方差S_i；

m_i＝Iω_i,

其中，I为待滤波的图像，S_i为子区域对应的方差，m_i为子区域对应的加权均值，ω_i为权重函数；

步骤5.4：定义滤波器调节因子为q，改进的Kuwahara滤波器的输出为：

其中，S_i为子区域对应的方差，m_i为子区域对应的加权均值，q为滤波器调节因子，Φ(x,y)为改进Kuwahara滤波器的输出。

与现有技术相比，本发明具有以下有益的技术效果：

在对无人机遥感山区公路图像进行滤波时，传统的滤波方法很难滤除噪声同时较好的保持图像边缘细节信息，如传统小波阈值去噪，易造成小波估计系数和原信号小波系数有一定的偏差，会很大程度上影响最后信号重构的效果。传统Kuwahara滤波器易造成吉布斯效应，无法精确反映细节信息多、边缘曲率大区域的图像边缘。本发明中提出的无人机遥感山区公路图像融合滤波，在小波变换的基础上，将信号由空域变换到频域，结合软阈值滤波与改进的Kuwahara滤波器对经小波分解的水平、垂直、对角三个方向的高频系数进行多次滤波，在最大程度滤除噪声的同时保留有效信息，并且能够很好的保护图像的边缘细节信息。从实验结果来看，相比于单一的传统小波软阈值滤波，本发明中提出的滤波方法噪声滤除的更干净，滤波效果更好，而对于传统的Kuwahara滤波器，本发明中提出的滤波器滤波后的图像边缘轮廓更加清晰，不会出现方块效应使图像模糊。

进一步地，改进的Kuwahara滤波器通过增加子块的数目来较精确的保留图像中曲率较大的边缘，通过改变子块的形状以及使用高斯加权的方法来很好地抑制方块效应。

附图说明

图1是本发明的流程示意图；

图2是本发明与其它滤波算法对无人机遥感山区公路图像滤波效果对比，其中，(a)为原始无人机遥感山区公路图像，(b)无人机遥感山区公路加噪图像，(c)经典小波软阈值滤波后的图像，(d)经典Kuwahara滤波器滤波后的图像，(e)本发明提出的融合滤波器滤波后的图像；

图3为经典的Kuwahara滤波器的滤波模板；

图4为改进的Kuwahara滤波器的滤波模板。

具体实施方式

下面结合附图对本发明作进一步详细描述：

参见图1，一种无人机遥感山区公路图像融合滤波方法，包括以下步骤：

步骤1：获取无人机遥感山区公路图像；

步骤2：用小波函数对步骤1中获得的遥感图像进行两层小波分解；

步骤3：设置阈值向量，对步骤2中所得的高频系数分别进行水平、垂直、对角三个方向的软阈值滤波，其中垂直方向滤波两次，其他方向滤波一次；

步骤4:对步骤3滤波后的图像进行小波重构；

步骤5：将重构的图像进行小波一层分解；获得三个方向的高频系数；用改进Kuwahara滤波器对其进行滤波，具体方法为：

步骤5.1：将像素点周围的一个邻域均匀地分成8个扇形区域K_i；

步骤5.2：定义二维平方高斯核系数：

坐标(x,y)处像素点为高斯核模板的中心像素点，其中σ反映的是二维高斯核模板的离散度；

使用二维平方高斯核系数对每个扇形区域K_i，定义权重函数ω_i为：

对权重函数归一化：

步骤5.3：计算图像I中每个子区域内的加权均值m_i及方差S_i

m_i＝Iω_i,

步骤5.4：定义滤波器调节因子为q，改进的Kuwahara滤波器的输出为：

步骤6：重构滤波之后的图像，并输出本文滤波器滤波后的图像。

下面结合具体实施方式对本发明作进一步详细描述：

参见图1和图2，本发明提供一种对无人机遥感山区公路图像滤波方法，在小波滤波的基础上，结合改进的Kuwahara滤波器，实现对无人机遥感山区公路图像的滤波去噪。具体思路是，针对传统的Kuwahara滤波器滤波器输出的是四个子方块的方差较小的子块的均值，易造成吉布斯效应(即方块效应)和输出像素值不确定的不足，提出一种新的改进Kuwahara滤波器，通过增加子块的数目，改变子块的形状以及对子块内的像素进行高斯加权，输出子区域的加权均值与方差的线性组合。在整个过程中，首先对遥感图像进行软阈值滤波，然后用改进的Kuwahara滤波器滤波对其高频系数进行滤波，最后对滤波后的图形进行小波重构，得到滤波后的图像。

具体步骤如下：

步骤1、获得无人机遥感山区公路图像：利用图像采集设备，获得要处理的无人机遥感山区公路图像，等待下一步处理：

步骤2、对步骤1中获得的含大量噪声遥感图像进行小波变换，利用小波函数coif3对其进行2层小波分解；

步骤3、设置阈值。阈值的选择是小波去噪中最关键的一步，在去噪过程中，小波阈值p起到了决定性作用：如果阈值太小，则施加阈值后的小波系数将包含过多的噪声分量，达不到去噪的效果；反之，阈值太大，则去除了有用的成分，造成失真向量：根据经验，取阈值向量为：

p＝[10.12,23.28]

对步骤2中所得的水平、垂直、对角三个方向的高频系数分别进行软阈值滤波，即当小波系数的绝对值小于给定阈值时，令其为0，大于阈值时，令其都减去阈值，用公式表述如下所示：

其中，垂直方向的高频系数滤波两次，水平和对角方向分别滤波一次。

相比于小波硬阈值滤波，软阈值滤波避免了阈值曲线在阈值处出现不连续的现象，防止重构后的信号出现附件振荡，产生“伪吉布斯”现象。

步骤4、用coif3小波函数对软阈值处理后的小波分解结构进行重构，得到小波滤波后的图像。

步骤5、用coif2小波函数将上步得到的图像进行一层小波分解，用改进Kuwahara滤波器分别对水平、垂直、对角三个方向的高频系数进行滤波。

经典的Kuwahara滤波器在滤波处理时，一般设定滤波器窗口大小为3*3,将其分为四个子方块，记为Q_i，i∈(0,1,2,3)，中心像素及四个子区域分别由不同的阴影部分表示。若窗口包括(2n+1)*(2n+1)个元素，则子区域分别包含(n+1)*(n+1)个元素，如图3：

针对各子区域Q_i，i∈(0,1,2,3)，求局部均值m_i与方差S_i，定义为：

则针对中心像素，Kuwahara滤波器的输出Φ(x,y)为:

由于Kuwahara滤波器的输出为4个子区域Q0～Q3中方差较小的子方块均值，对于图像中边缘曲率较大或者细节信息较多的区域，无法精确地反映图像边缘，且易形成吉布斯效应。故，本发行提出了Kuwahara滤波器的改进算法，如下：

步骤5.1、定义滤波器模板大小为7*7，并将模板均匀的分为8个扇形区域K_i，每个扇区K_i中包含8个像素点，其具体结构如图4所示：

步骤5.2、定义二维平方高斯核系数：

坐标(x,y)处像素点为高斯核模板的中心像素点。σ反映的是二维平方高斯核模板的离散度；

使用二维平方高斯核系数对每个扇形区K_i，定义权重函数ω_i，即：

对权重函数归一化：

步骤5.3、计算每个子区域内的加权均值及方差：

m_i＝Iω_i,

步骤5.4、根据经典Kuwahara滤波器的输出公式，可知改进Kuwahara滤波器的输出公式：

从而得到改进的Kuwahara滤波器的输出值为：

上述滤波器的输出为局部加权均值m_i与局部方差的线性组合，避免了滤波器输出不确定的情况。调整因子q决定了滤波器中局部均值和方差所占比重的大小，当q为正值时滤波器的输出将更加靠近具有较小局部加权标准差区域的局部加权均值；若q为0，此时滤波器的输出为所有区域的局部加权标准差的算术平均值；若q→+∞，此时滤波器的输出将与原始Kuwahara滤波器的输出一致。而一般情况下，q的取值为1～3，本发明中，q取1.2。此时，滤波器的输出不但在大面积连续区域内具有较好的平滑特性，而且具有较优秀的边缘以及角点的保持特性。

步骤6、用coif2小波函数对滤波之后的图像进行小波重构，输出本文滤波器滤波后的图像。

从图2可以看出，图2中(b)为含噪的无人机遥感山区公路图像，分别使用传统的滤波方法和本文提出的滤波方法对图(b)进行滤波。首先使用经典的小波软阈值滤波算法对图(b)进行滤波，滤波后的图像如图(c)所示，从图中可以看出滤波后的图像中仍含有部分噪声没有滤除干净。图(d)是使用经典Kuwahara滤波器滤波后的图像，可以看出较好的滤除了噪声，但图像模糊，边缘细节信息丢失。图(e)是本发明提出的新方法滤波后的图像，对比前面几种滤波器算法滤波后的图像，可以看到图(e)在保护图像边缘细节信息的同时，噪声滤除彻底，图像边缘轮廓比较清晰，效果优于传统滤波器滤波后的图像。

Claims (5)

1.一种无人机遥感山区公路图像融合滤波方法，其特征在于，包括以下步骤：

步骤1：获取无人机遥感山区公路图像；

步骤2：用小波函数对步骤1中获得的无人机遥感山区公路图像进行两层小波分解，并获得水平、垂直、对角三个方向的高频系数；

步骤3：设置阈值向量，对步骤2中所得的高频系数分别进行水平、垂直、对角三个方向的软阈值滤波；

步骤4：用小波函数对步骤3滤波后的图像进行重构；

步骤5：将重构的图像进行小波一层分解，获得水平、垂直、对角三个方向的高频系数；用改进Kuwahara滤波器对三个方向的高频系数进行滤波；

用改进Kuwahara滤波器对三个方向的高频系数进行滤波具体包括：

步骤5.1：将待滤波像素点周围的一个邻域均匀地分成8个扇形区域K_i；

步骤5.2：定义二维平方高斯核系数：

其中，(x,y)为高斯核模板的中心像素点的坐标，σ表示二维高斯核模板的离散度，

为二维平方高斯核系数；

使用二维平方高斯核系数对每个扇形区域K_i定义权重函数ω_i为：

对权重函数归一化：

其中，

为二维平方高斯核系数，V为扇形区域个数；

步骤5.3：计算步骤5.1中图像I的每个子区域K_i内的加权均值m_i及方差S_i；

m_i＝Iω_i,

其中，I为待滤波的图像，S_i为子区域对应的方差，m_i为子区域对应的加权均值，ω_i为权重函数；

步骤5.4：定义滤波器调节因子为q，改进的Kuwahara滤波器的输出为：

其中，S_i为子区域对应的方差，m_i为子区域对应的加权均值，q为滤波器调节因子，Φ(x,y)为改进Kuwahara滤波器的输出；

步骤6：用小波函数重构并输出步骤5滤波之后的图像。

2.根据权利要求1所述的一种无人机遥感山区公路图像融合滤波方法，其特征在于，步骤2、步骤4中的小波函数为coif3，步骤5、步骤6中的小波函数为coif2。

3.根据权利要求1所述的一种无人机遥感山区公路图像融合滤波方法，其特征在于，步骤3中阈值向量为：p＝[10.12,23.28]。

4.根据权利要求1所述的一种无人机遥感山区公路图像融合滤波方法，其特征在于，步骤3中软阈值滤波具体为：当步骤二中所得高频系数绝对值小于给定阈值向量时，令其为0，当小波系数的绝对值大于等于阈值时，令其都减去阈值，用公式表述如下：

式中，p为给定阈值向量，W为高频系数，W_p为软阈值滤波后的高频系数。

5.根据权利要求1所述的一种无人机遥感山区公路图像融合滤波方法，其特征在于，步骤3中垂直方向的高频系数滤波两次，水平和对角方向分别滤波一次。

Images