CN110827223A - 结合分数阶全变差的cs高噪声天文图像去噪重建方法 - Google Patents
结合分数阶全变差的cs高噪声天文图像去噪重建方法 Download PDFInfo
- Publication number
- CN110827223A CN110827223A CN201911070104.9A CN201911070104A CN110827223A CN 110827223 A CN110827223 A CN 110827223A CN 201911070104 A CN201911070104 A CN 201911070104A CN 110827223 A CN110827223 A CN 110827223A
- Authority
- CN
- China
- Prior art keywords
- image
- curvelet
- noise
- astronomical
- coefficient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000003247 decreasing effect Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 238000005070 sampling Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000959638 Geastrum saccatum Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种结合分数阶全变差的CS高噪声天文图像去噪重建方法，步骤为：根据原始天文图像初始化重建图像参数和含噪声观测值；利用带有自适应滤波算子的曲波变换对高噪声条件下的高分辨率天文图像进行多尺度分解获得曲波系数；利用迭代收缩阈值算法对曲波系数进行迭代更新得图像曲波系数；利用下降曲波阈值算子对图像曲波系数进行降噪处理；利用曲波逆变换进行处理获得重建天文图像；利用分数阶全变差方法对重建天文图像进行特征调整，获得调整后的重建图像；判断迭代停止条件。本发明有效地提高了高噪声条件下的高分辨率天文图像的去噪能力，解决了深空探测中高噪声条件下天文图像的去噪重建问题，且实现简单，鲁棒性强。
Description
技术领域
本发明涉及图像处理的技术领域，尤其涉及一种结合分数阶全变差的CS高噪声天文图 像去噪重建方法，结合压缩感知(CS)和全变差对天文图像进行去噪处理，实现高噪声天文 图像的快速去噪重建，尤其涉及高噪声条件下的高分辨率天文图像快速去噪能力。
背景技术
随着航天科技技术的不断发展，深空探测变得越来越重要。为了能够积极开发和利用空 间资源，世界各国都在积极努力地探索地外星体、太空资源等，并纷纷制定了长远的深空探 测计划。天文图像在深空探测中具有重要意义，从卫星或者探测器携带的高分辨率相机获得 的高分辨率天文图像中可以快速获得许多重要的信息如某一星体地表结构、是否存在水资源 和星体的环境条件等。然而，在天文图像拍摄和传输的过程中，由于宇宙噪声的影响，导致 在地面接收站接收到的天文图像经常含有大量的噪声信息，给天文图像的分析带来了一定的 影响，很难从图像中获得某些重要信息。随着图像传感器技术(CMOS或者CCD)的不断进 步，天文图像分辨率也变得越来越高。高分辨率天文图像虽然能给我们带来视觉享受，但给 相应的图像处理算法带来了一定的挑战，在某些情况下，甚至无法直接处理高分辨率天文图 像。因此，高噪声条件下的高分辨率天文图像的去噪问题是目前深空探测中亟需解决的问题。
为了解决高分辨率图像或者高维数信号的重建问题，Donoho等人于2006年提出了著名 的压缩感知(Compressed sensing，CS)理论。CS理论指出：如果信号在某一稀疏基上是稀 疏的或者是可压缩的，则可以使用一个与该稀疏基不相干的测量矩阵对该信号进行测量，获 得少量的图像重要信息，CS重建算法直接使用获得的少量信息就可以实现图像的高质量重 建。因此，CS理论仅使用少量的图像重要数据就能实现图像的高质量重建。从本质上看，CS 重建过程也是去噪重建的过程。CS重建算法直接决定了图像的重建质量和重建精度，目前提 出的CS重建算法通常分为三类：贪婪类算法、凸优化类算法和组合类算法。这三类算法针 对低噪声高分辨率天文图像能够获得高质量的重建效果，但针对高噪声情况下的高分辨率天 文图像的重建效果较差。此外，贪婪类算法重建速度快，但重建精度低；凸优化类算法重建 精度高，但重建速度慢；组合类算法重建精度较高，但算法复杂度和重建速度相对较高。
因此，必须寻找一种算法复杂度低和重建精度高的CS去噪重建方法既能有效解决高噪 声条件下高分辨率天文图像的去噪重建问题，同时，通过参数的调节以提高其通用性。
发明内容
针对现有CS重建方法重建高噪声条件下高噪声天文图像时重建质量差的技术问题，本 发明提出一种结合分数阶全变差的CS高噪声天文图像去噪重建方法，首先在图像稀疏表示 阶段，引入自适应滤波算子对高噪声天文图像进行稀疏变换和去噪处理；随后，将分数阶全 变差方法引入到CS中的迭代收缩阈值算法当中，在每次迭代过程中，使用分数阶全变差方 法对重建的天文图像进行调整，有效地提高了天文图像的重建质量，最终实现了高噪声条件 下高分辨率天文图像的高质量重建。
为了达到上述目的，本发明的技术方案是这样实现的：一种结合分数阶全变差的CS高 噪声天文图像去噪重建方法，其步骤如下：
步骤一、初始化：根据原始天文图像初始化重建图像参数和含噪声观测值，初始化迭代 次数；
步骤二、计算自适应滤波算子，利用带有自适应滤波算子的曲波变换对高噪声条件下的 高分辨率天文图像进行多尺度分解，自适应地获得滤波后的曲波系数；
步骤三、利用迭代收缩阈值算法对步骤二获得的曲波系数进行迭代更新，获得图像曲波 系数；
步骤四、计算下降曲波阈值算子，利用下降曲波阈值算子对步骤三获得的图像曲波系数 进行降噪处理，当图像曲波系数大于等于计算的下降曲波阈值算子时，则保留，否则剔除；
步骤五、利用曲波逆变换过程对降噪后的图像曲波系数进行处理，获得重建天文图像；
步骤六、利用分数阶全变差方法对重建天文图像进行特征调整，获得调整后的重建图像；
步骤七：当获得的迭代图像f′i+1与上一次迭代获得的重建图像fi′差值的L2范数小于设定 参数时，继续重复步骤二-步骤六；否者停止迭代，输出步骤六获得的调整后的重建图像。
所述步骤一中初始化重建图像f0＝0，迭代索引i＝0，含噪观测值y＝Φf+e＝ΦΨs+e， 其中，Φ为测量矩阵，f表示原始清晰天文图像，e表示高斯白噪声，Ψ表示曲波变换矩阵； s表示稀疏系数且s＝Ψ-1f。
所述步骤二中自适应滤波算子μ(x)为：
其中，x表示自变量，J表示曲波分解的总层数，具体指的是根据图像的尺寸分解得到的 子图像的数量；ρ表示曲波分解的层数，且ρ＝1,...,J；
表示第k3级的子带的长度；σ表示 高斯白噪声的标准差；σλ表示曲波变换后的噪声标准差，采用Monte-Carlo测试仿真方法获 得。
所述步骤二中曲波重建系数si的计算过程为：
其中，母曲波
为：在旋转角
的等间隔序列中、 在位置
处，具有2-j尺度的曲波；f′表示原始含噪图像且f′＝f+e； γj[·]表示进行傅里叶变换运算，
表示由旋转角
旋转获得的矩阵；
为矩 阵
的逆矩阵；k＝(k1,k2)∈Z2表示转换参数，Z表示全体整数的集合；j表示尺度参数， j＝1,2,…，
表示对j/2向下取整；R表示实数集合，l＝0,1,2…表示方向参数；f表示原始清 晰图像，f(x)表示积分计算中原始清晰图像的函数，x表示自变量；
表示函数γ(j,l,k)(x) 的共轭函数。
所述步骤二中获得的滤波后的曲波系数si+1为：
即利用自适应滤波算子进行运算，当获得 的曲波重建系数si大于或者等于设定阈值T0时，则保留即获得si+1滤波后的曲波系数；否则， 将获得的曲波重建系数si设定为零。
所述步骤三中利用迭代收缩阈值算法迭代更新，获得的图像曲波系数
为：
其中，
表示迭代后获得的重建系数。
所述步骤四中下降曲波阈值算子η(x)为：
其中，x表示自变量，
利用下降曲波阈值算子，在迭代过程中对重建图像曲波系数进行去噪处理，获得降噪后 的重建图像曲波系数：
当获得的重建图像曲波系数
大于或者等于下降曲波阈 值T1i时，获得降噪后的重建图像曲波系数s′i+1；否则，重建图像曲波系数s′i+1为零。
所述步骤五中重建天文图像
为：
所述步骤六中获得调整后的重建图像
为：
分数阶全变差模型为：
其中，
为分数阶全变差调整步长，α为FRTV模型的分数阶数，N表示分数阶导数计算过程中的项数；p和q分别表示重建天文图像
的行变量和列变量；
和
分别表示图像像素在垂直和水平方向的分数阶差分前R项的近似，且
其中，r表示为求和变量，正的求导阶次α取任意实数；
表示广义二项式系数，
表示为Gamma函数，x表示自变量，t＞0表示积分变量，e1表示无理数 e1＝2.71828。
所述步骤其中迭代停止条件为：
ε为设定的很小的值，
如果不满 足迭代停止条件，迭代索引i＝i+1，重复步骤二～步骤六的迭代过程；如果满足迭代停止条件， 输出调整后的重建图像
本发明的有益效果：采用带有自适应滤波算子的曲波变换对高噪声天文图像进行稀疏表 示过程，就完成了高噪声天文图像的去噪过程，有效地解决了传统CS稀疏表示方法没有充 分考虑稀疏变换过程中的去噪问题；同时，在稀疏变换过程中，自适应滤波算子的运行时间 较短，可以忽略不计，提高了稀疏变换过程中系数筛选能力；分数阶全变差方法的使用，不 仅能够保留更多的图像细节特征信息，同时可有效地解决传统迭代收缩阈值算法中硬阈值去 噪导致重建图像中出现伪吉布斯效应问题，进而提高了天文图像的重建质量。本发明能够在 高噪声条件下，重建一幅高质量的高分辨率天文图像，有效地解决了高噪声条件下的高分辨 率天文图像去噪重建问题，对后续的大型空间活动、载人登月及深空探测具有重要意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术 描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一 些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些 附图获得其他的附图。
图1为本发明的流程示意图。
图2为本发明随压缩采样比变化获得的重建效果图，其中，(a)为原始月球含噪图像， (b)为原始木星含噪图像，(c)为原始土星含噪图像，(d)CSR为0.1时(a)的重建图像，(e)CSR为0.1时(b)的重建图像，(f)CSR为0.1时(c)的重建图像，(g)CSR为0.3 时(a)的重建图像，(h)CSR为0.3时(b)的重建图像，(i)CSR为0.3时(c)的重建图 像，(j)为CSR为0.5时(a)的重建图像，(k)为CSR为0.5时(b)的重建图像，(l)为 CSR为0.5时(c)的重建图像。
图3为本发明随压缩采样比变化获得的峰值信噪比和重建时间比较结果图，其中，(a) 为峰值信噪比，(b)为重建时间。
图4为本发明随压缩采样比变化重建局部特征图像获得的重建结果图，其中，(a)为月 球局部特征图像，(b)为木星局部特征图像，(c)为土星局部特征图像，(d)CSR为0.1时(a)的重建图像，(e)CSR为0.1时(b)的重建图像，(f)CSR为0.1时(c)的重建图像， (g)CSR为0.3时(a)的重建图像，(h)CSR为0.3时(b)的重建图像，(i)CSR为0.3 时(c)的重建图像，(j)为CSR为0.5时(a)的重建图像，(k)为CSR为0.5时(b)的重 建图像，(l)为CSR为0.5时(c)的重建图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描 述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明 中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。
一种结合分数阶全变差的CS高噪声天文图像去噪重建方法，其思想在于：(1)在CS稀 疏变换过程中，引入自适应滤波算子，在进行高噪声天文图像稀疏变换的过程中，自适应地 去除图像中的部分噪声，有效地提高了天文图像的重建质量，同时自适应滤波算子的引入并 不会有效增加算法的运行时间。(2)在每次迭代过程中，采用分数阶全变差方法对IST算法 重建的天文图像进行调整，有效地抑制了重建图像中出现的伪吉布斯效应，同时保留了较多 的天文图像细节特征信息，提高了天文图像的重建质量。
如图1所示，具体地，本发明的步骤如下：
步骤一、初始化：根据原始天文图像初始化重建图像参数和含噪声观测值，初始化迭代 次数。
初始化重建图像f0＝0，迭代索引i＝0，含噪观测值y＝Φf+e＝ΦΨs+e，其中，Φ为 测量矩阵，f表示原始清晰图像，e表示高斯白噪声，Ψ表示曲波变换矩阵；s表示稀疏系数。仿真时，测量矩阵Φ选取为高斯随机测量矩阵，噪声e选取噪声标准差为30的高斯白噪声，原始清晰图像f为拍摄的2048×2048原始月球、木星和土星图像以及从拍摄的原始图像中取出的512×512的月球、木星和土星局部特征图像。矩阵Ψ为二维离散曲波变换矩阵，稀疏系数s通过计算得到s＝Ψ-1f。
步骤二、计算自适应滤波算子，利用带有自适应滤波算子的曲波变换对高噪声条件下的 高分辨率天文图像进行多尺度分解，自适应地获得滤波后的曲波系数。
计算自适应滤波算子μ(x)：
其中，x表示自变量，J表示曲波分解的总层数，具体指的是根据图像的尺寸分解得到的 子图像的数量；ρ表示曲波分解的层数，其取值范围为ρ＝1,...,J；
表示第k3级的子带的长 度；σ表示高斯白噪声的标准差；σλ表示曲波变换后的噪声标准差，采用Monte-Carlo测试 仿真方法获得。曲波重建系数si的计算过程表示为：
其中，母曲波
定义为：在旋转角
的等间隔序 列中，在位置
处，具有2-j尺度的曲波。f′表示原始含噪图像且 f′＝f+e；γj[·]表示进行傅里叶变换获得的矩阵，
表示由旋转角
旋转获得 的矩阵；
为矩阵
的逆矩阵；k＝(k1,k2)∈Z2表示转换参数，Z表示全体整数的集合；j 表示尺度参数，j＝1,2,…，
表示对j/2向下取整；R表示实数集合，l＝0,1,2…表示方向参数。 f表示原始清晰图像，f(x)表示原始清晰图像的函数，用于积分计算。表示γ(j,l,k)(x) 的共轭函数。
利用自适应滤波算子，当获得的曲波重建系数si大于或者等于设定阈值T0时，则保留即 获得si+1滤波后的曲波系数；其他情况，将获得的曲波重建系数si设定为零。即利用带有自适 应滤波算子μ(x)对曲波变换后的曲波重建系数si进行变换，自适应地获取滤波后的曲波系数 si+1：
步骤三、利用迭代收缩阈值算法对步骤二获得的曲波系数进行迭代更新，获得图像曲波 系数。
利用迭代收缩阈值(Iterative Shrinkage Thresholding，IST)算法迭代更新，获得图像曲 波系数
其中，
表示迭代后获得的重建系数。
步骤四、计算下降曲波阈值算子，利用下降曲波阈值算子对步骤三获得的图像曲波系数 进行降噪处理，当图像曲波系数大于等于计算的下降曲波阈值算子时，则保留，否则剔除。
计算下降曲波阈值算子η(x)：
其中，x表示自变量，
当获得的重建图像曲波系数
大于或者等于下降曲波 阈值T1i时，则保留；其他情况，将获得的曲波重建系数
设定为零。
利用下降曲波阈值算子，在迭代过程中对重建图像曲波系数进行去噪处理，获得降噪后 的重建图像曲波系数s′i+1：
步骤五、利用曲波逆变换过程对降噪后的图像曲波系数进行处理，获得重建天文图像。
重建天文图像
为：
步骤六、利用分数阶全变差(Fractional-order Total Variation:FRTV)方法对重建天文图 像进行特征调整，获得调整后的重建图像为：
其中，分数阶全变差模型为：
其中，
为分数阶全变差调整步长，α为FRTV模型的分数阶数，N表示分数阶导数计算过程中的项数，通常N≥3；p和q分别表示重建图像
的行变量和列变量。且
分别表示图像像素在垂直和水平方向的分数阶差分前R项的近似， 参数
其中，r表示为求和变量，正的求导阶次α可取任意实数。
表示广义二项式系数， 
表示为Gamma函数，是阶乘函数在实数与负数上扩展的一类函数。其中， t＞0表示积分变量，e1表示无理数e1＝2.71828。
步骤七：当获得的迭代图像f′i+1与上一次迭代获得的重建图像fi′差值的L2范数小于设定 参数时，继续重复步骤二-步骤六；否者停止迭代，输出步骤六获得的调整后的重建图像。
判断是否达到迭代停止条件：
ε为设定的很小的值，
如果不满足 迭代停止条件，迭代索引i＝i+1，重复步骤二～步骤六的迭代过程；如果满足迭代停止条件， 输出调整后的重建图像
本发明的实施步骤如下：初始化重建图像参数、迭代次数参数和含噪观测值；使用带有 自适应滤波算子的曲波变换对高噪声天文图像进行稀疏变换过程，获得天文图像稀疏系数； 使用迭代收缩阈值算法对获得的图像曲波系数进行迭代更新，使用下降曲波阈值算子对获得 的重建图像曲波系数进行去噪处理，获得去噪后的重建天文图像曲波系数；通过逆曲波变换 过程获得重建天文图像；使用分数阶全变差方法对去噪后的重建天文图像进行调整，获得调 整后的重建天文图像；判断是否达到迭代停止条件时，达到迭代停止条件时，输出重建图像， 否则重复以上过程。
本发明用于实施的硬件环境为：Intel(R)Core(TM)i5 CPU 2.5G计算机、8G内存，运行 软件环境：MATLAB2014b，操作系统为Windows7。天文图像是本发明团队采用JAI公司SPARK系列的SP-20000M-PMCL黑白工业相机结合天文望远镜LX200系列16寸大口径拍摄的。
采用主观和可观两种评价方法来评价本发明的有效性。主观评价方法主要通过人的视觉 系统直接对重建图像进行评价，如图2和图4所示。图2(a)-(c)显示了拍摄的2048×2048 原始月球、木星和土星含噪图像；图2(d)-(f)显示了压缩采样比(CompressionSampling Ratio， CSR)为0.1时，本发明获得的重建结果；图2(h)-(j)显示了CSR为0.3时，本发明获得 的重建结果；图2(j)-(l)显示了CSR为0.5时，本发明获得的重建结果。CSR的定义为 获得的重建观测值维数与原始图像维数的比值，CSR的值越小，则重建图像所需的测量数据 就越少；反之越多。可以看出，本发明在高压缩采样比情况下，能够获得清晰的天文图像； 在低压缩采样比情况下，本发明也可去除大部分的图像噪声，获得较高质量的天文图像。图 4显示了，本发明在不同压缩采样比情况下，获得的各个图像的局部特征图像。图4(a)-(c) 显示获取的512×512的月球、木星和土星局部特征图像；图4(d)-(f)显示了CSR为0.1 时，本发明获得的重建结果；图4(g)-(i)显示了CSR为0.3时，本发明获得的重建结果；图4(j)-(l)显示了CSR为0.5时，本发明获得的重建结果。可以看出，本发明能够获得 清晰的局部特征图，有效地保护了天文图像的特征信息。
客观评价方法主要是通过建立的数学模型，使用具体的公式完成对重建图像质量的评价。 图3(a)和图3(b)分别显示了本发明在不同CSR情况下，重建月球、木星和土星获得的 峰值信噪比(Peak Signal to Noise Ratio，PSNR)和重建时间(Reconstruction Time,RT)；可以看 出，随着CSR的不断增加，本发明获得的PSNR和花费的重建时间逐渐增加，在低CSR时， 本发明能够花费较短的时间获得较高的PSNR值。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原 则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种结合分数阶全变差的CS高噪声天文图像去噪重建方法，其特征在于，其步骤如下：
步骤一、初始化：根据原始天文图像初始化重建图像参数和含噪声观测值，初始化迭代次数；
步骤二、计算自适应滤波算子，利用带有自适应滤波算子的曲波变换对高噪声条件下的高分辨率天文图像进行多尺度分解，自适应地获得滤波后的曲波系数；
步骤三、利用迭代收缩阈值算法对步骤二获得的曲波系数进行迭代更新，获得图像曲波系数；
步骤四、计算下降曲波阈值算子，利用下降曲波阈值算子对步骤三获得的图像曲波系数进行降噪处理，当图像曲波系数大于等于计算的下降曲波阈值算子时，则保留，否则剔除；
步骤五、利用曲波逆变换过程对降噪后的图像曲波系数进行处理，获得重建天文图像；
步骤六、利用分数阶全变差方法对重建天文图像进行特征调整，获得调整后的重建图像；
步骤七：当获得的迭代图像与上一次迭代获得的重建图像差值的L2范数小于设定参数时，继续重复步骤二-步骤六；否者停止迭代，输出步骤六获得的调整后的重建图像。
2.根据权利要求1所述的结合分数阶全变差的CS高噪声天文图像去噪重建方法，其特征在于，所述步骤一中初始化重建图像f0＝0，迭代索引i＝0，含噪观测值y＝Φf+e＝ΦΨs+e，其中，Φ为测量矩阵，f表示原始清晰天文图像，e表示高斯白噪声，Ψ表示曲波变换矩阵；s表示稀疏系数且s＝Ψ-1f。
3.根据权利要求2所述的结合分数阶全变差的CS高噪声天文图像去噪重建方法，其特征在于，所述步骤二中自适应滤波算子μ(x)为：
T0＝3υσσλ，
其中，x表示自变量，J表示曲波分解的总层数，具体指的是根据图像的尺寸分解得到的子图像的数量；ρ表示曲波分解的层数，且ρ＝1,...,J；
表示第k3级的子带的长度；σ表示高斯白噪声的标准差；σλ表示曲波变换后的噪声标准差，采用Monte-Carlo测试仿真方法获得。
4.根据权利要求3所述的结合分数阶全变差的CS高噪声天文图像去噪重建方法，其特征在于，所述步骤二中曲波重建系数si的计算过程为：
其中，母曲波
为：在旋转角的等间隔序列中、在位置
处，具有2-j尺度的曲波；f′表示原始含噪图像且f′＝f+e；γj[·]表示进行傅里叶变换运算，
表示由旋转角
旋转获得的矩阵；
为矩阵
的逆矩阵；k＝(k1,k2)∈Z2表示转换参数，Z表示全体整数的集合；j表示尺度参数，j＝1,2,…，
表示对j/2向下取整；R表示实数集合，l＝0,1,2…表示方向参数；f表示原始清晰图像，f(x)表示积分计算中原始清晰图像的函数，x表示自变量；
表示函数γ(j,l,k)(x)的共轭函数。
5.根据权利要求4所述的结合分数阶全变差的CS高噪声天文图像去噪重建方法，其特征在于，所述步骤二中获得的滤波后的曲波系数si+1为：即利用自适应滤波算子进行运算，当获得的曲波重建系数si大于或者等于设定阈值T0时，则保留即获得si+1滤波后的曲波系数；否则，将获得的曲波重建系数si设定为零。
6.根据权利要求5所述的结合分数阶全变差的CS高噪声天文图像去噪重建方法，其特征在于，所述步骤三中利用迭代收缩阈值算法迭代更新，获得的图像曲波系数
为：
其中，
表示迭代后获得的重建系数。
7.根据权利要求6所述的结合分数阶全变差的CS高噪声天文图像去噪重建方法，其特征在于，所述步骤四中下降曲波阈值算子η(x)为：
其中，x表示自变量，
利用下降曲波阈值算子，在迭代过程中对重建图像曲波系数进行去噪处理，获得降噪后的重建图像曲波系数：
当获得的重建图像曲波系数
大于或者等于下降曲波阈值T1i时，获得降噪后的重建图像曲波系数s′i+1；否则，重建图像曲波系数s′i+1为零。
8.根据权利要求7所述的结合分数阶全变差的CS高噪声天文图像去噪重建方法，其特征在于，所述步骤五中重建天文图像
为：。
9.根据权利要求1或8所述的结合分数阶全变差的CS高噪声天文图像去噪重建方法，其特征在于，所述步骤六中获得调整后的重建图像
为：
分数阶全变差模型为：
其中，
为分数阶全变差调整步长，α为FRTV模型的分数阶数，N表示分数阶导数计算过程中的项数；p和q分别表示重建天文图像的行变量和列变量；和
分别表示图像像素
在垂直和水平方向的分数阶差分前R项的近似，且
其中，r表示为求和变量，正的求导阶次α取任意实数；
表示广义二项式系数，表示为Gamma函数，x表示自变量，t＞0表示积分变量，e1表示无理数e1＝2.71828。
10.根据权利要求9所述的结合分数阶全变差的CS高噪声天文图像去噪重建方法，其特征在于，所述步骤其中迭代停止条件为：
ε为设定的很小的值，
如果不满足迭代停止条件，迭代索引i＝i+1，重复步骤二～步骤六的迭代过程；如果满足迭代停止条件，输出调整后的重建图像
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911070104.9A CN110827223B (zh) | 2019-11-05 | 2019-11-05 | 结合分数阶全变差的cs高噪声天文图像去噪重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911070104.9A CN110827223B (zh) | 2019-11-05 | 2019-11-05 | 结合分数阶全变差的cs高噪声天文图像去噪重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110827223A true CN110827223A (zh) | 2020-02-21 |
| CN110827223B CN110827223B (zh) | 2021-08-24 |
Family
ID=69552477
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911070104.9A Active CN110827223B (zh) | 2019-11-05 | 2019-11-05 | 结合分数阶全变差的cs高噪声天文图像去噪重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110827223B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111640080A (zh) * | 2020-06-05 | 2020-09-08 | 郑州轻工业大学 | 一种基于高光谱全变差的cs图像去噪重建方法 |
| CN114255182A (zh) * | 2021-12-13 | 2022-03-29 | 郑州轻工业大学 | 基于空间自适应全变差的cs迭代阈值图像去噪重建方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521796A (zh) * | 2011-10-31 | 2012-06-27 | 南京大学 | 一种基于曲波变换的图像去块效应方法 |
| US20140198992A1 (en) * | 2013-01-15 | 2014-07-17 | Apple Inc. | Linear Transform-Based Image Processing Techniques |
| CN105676292A (zh) * | 2016-01-22 | 2016-06-15 | 东华理工大学 | 一种基于二维曲波变换的三维地震数据去噪方法 |
| CN105869126A (zh) * | 2016-04-05 | 2016-08-17 | 天津大学 | 高光谱图像的压缩感知去噪方法 |
| CN106530253A (zh) * | 2016-11-09 | 2017-03-22 | 西南科技大学 | 一种sar图像压缩感知重建样本的构建方法 |
| CN107292855A (zh) * | 2017-08-02 | 2017-10-24 | 桂林电子科技大学 | 一种结合自适应非局部样本和低秩的图像去噪方法 |
| CN109035156A (zh) * | 2018-06-15 | 2018-12-18 | 浙江医院 | 基于dnst的医学ct图像去噪方法 |
-
2019
- 2019-11-05 CN CN201911070104.9A patent/CN110827223B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521796A (zh) * | 2011-10-31 | 2012-06-27 | 南京大学 | 一种基于曲波变换的图像去块效应方法 |
| US20140198992A1 (en) * | 2013-01-15 | 2014-07-17 | Apple Inc. | Linear Transform-Based Image Processing Techniques |
| CN105676292A (zh) * | 2016-01-22 | 2016-06-15 | 东华理工大学 | 一种基于二维曲波变换的三维地震数据去噪方法 |
| CN105869126A (zh) * | 2016-04-05 | 2016-08-17 | 天津大学 | 高光谱图像的压缩感知去噪方法 |
| CN106530253A (zh) * | 2016-11-09 | 2017-03-22 | 西南科技大学 | 一种sar图像压缩感知重建样本的构建方法 |
| CN107292855A (zh) * | 2017-08-02 | 2017-10-24 | 桂林电子科技大学 | 一种结合自适应非局部样本和低秩的图像去噪方法 |
| CN109035156A (zh) * | 2018-06-15 | 2018-12-18 | 浙江医院 | 基于dnst的医学ct图像去噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张杰: ""基于压缩感知的天文图像压缩及去噪重建算法研究"", 《中国博士学位论文全文数据库信息科技辑》 * |
| 陈高: ""基于分数阶全变差的视频图像压缩感知重构算法研究"", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111640080A (zh) * | 2020-06-05 | 2020-09-08 | 郑州轻工业大学 | 一种基于高光谱全变差的cs图像去噪重建方法 |
| CN111640080B (zh) * | 2020-06-05 | 2021-03-16 | 郑州轻工业大学 | 一种基于高光谱全变差的cs图像去噪重建方法 |
| CN114255182A (zh) * | 2021-12-13 | 2022-03-29 | 郑州轻工业大学 | 基于空间自适应全变差的cs迭代阈值图像去噪重建方法 |
| CN114255182B (zh) * | 2021-12-13 | 2023-05-23 | 郑州轻工业大学 | 基于空间自适应全变差的cs迭代阈值图像去噪重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110827223B (zh) | 2021-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035142B (zh) | 一种对抗网络结合航拍图像先验的卫星图像超分辨方法 | |
| CN110675347B (zh) | 一种基于组稀疏表示的图像盲复原方法 | |
| CN111028163A (zh) | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 | |
| CN110766632A (zh) | 基于通道注意力机制和特征金字塔的图像去噪方法 | |
| Pantin et al. | Deconvolution and blind deconvolution in astronomy | |
| CN110827223B (zh) | 结合分数阶全变差的cs高噪声天文图像去噪重建方法 | |
| CN105205788B (zh) | 一种针对高通量基因测序图像的去噪方法 | |
| CN111861894A (zh) | 基于生成式对抗网络的图像去运动模糊方法 | |
| CN109345481B (zh) | 一种用于航天光学遥感图像的量子优化方法 | |
| CN112596104B (zh) | 一种结合张量分解和全变分的地震资料去噪方法 | |
| CN102945548A (zh) | 一种基于方向金字塔滤波的图像处理方法及装置 | |
| CN114723630A (zh) | 基于空洞双残差多尺度深度网络的图像去模糊方法及系统 | |
| CN112233046B (zh) | 一种柯西噪声下的图像复原方法及其应用 | |
| CN113724149B (zh) | 一种弱监督的可见光遥感图像薄云去除方法 | |
| CN111968047A (zh) | 一种基于生成式对抗网络的自适应光学图像盲复原方法 | |
| Liu et al. | Multi-filters guided low-rank tensor coding for image inpainting | |
| CN116757955A (zh) | 一种基于全维动态卷积多融合对比网络 | |
| 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 | |
| CN111242873A (zh) | 基于稀疏表示的图像去噪方法 | |
| CN114202459A (zh) | 一种基于深度先验的盲图像超分辨率方法 | |
| CN111640080B (zh) | 一种基于高光谱全变差的cs图像去噪重建方法 | |
| CN108765350B (zh) | 一种面向航天光学遥感图像量子化滤波方法 | |
| CN113689336A (zh) | 一种电力设备红外图像非盲超分辨率方法 | |
| CN113066033A (zh) | 一种彩色图像的多阶段去噪系统及方法 | |
| CN111553860A (zh) | 水色遥感影像的深度学习非邻域均值化处理方法及系统 |
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 |