CN110930339A - 基于nsct域的航空及遥感图像去雾方法 - Google Patents

基于nsct域的航空及遥感图像去雾方法 Download PDF

Info

Publication number
CN110930339A
CN110930339A CN201911235294.5A CN201911235294A CN110930339A CN 110930339 A CN110930339 A CN 110930339A CN 201911235294 A CN201911235294 A CN 201911235294A CN 110930339 A CN110930339 A CN 110930339A
Authority
CN
China
Prior art keywords
image
remote sensing
frequency
nsct
coefficients
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
Application number
CN201911235294.5A
Other languages
English (en)
Inventor
李娟�
许志猛
陈良琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201911235294.5A priority Critical patent/CN110930339A/zh
Publication of CN110930339A publication Critical patent/CN110930339A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

本发明涉及一种基于NSCT域的航空及遥感图像去雾方法，包括以下步骤：步骤S1:获取航空及遥感图像；步骤S2:采用NSCT变换对航空遥感图像进行变换，将图像分成得到不同尺度以及不同方向上的变换系数，包括一个低频子带和多个高频子带；步骤S3:利用模糊集理论对低频子带系数做增强处理，提高图像的对比度;步骤S4:利用非线性增益函数对不同的高频系数采用自适应确定阈值T，先后求出增强范围b和增强函数f(x)，对高频子带系数做去除噪声，并做导向滤波，进一步增强图像细节；步骤S5:利用NSCT反变换将低频和高频子带重构，得到最终的增强效果图。本发明可以很好地恢复航空遥感雾霾图像色彩对比度以及边缘细节信息。

Description

基于NSCT域的航空及遥感图像去雾方法
技术领域
本发明涉及航空及遥感图像去雾方法，具体涉及一种基于NSCT域的航空及遥感图像去雾方法。
背景技术
随着计算机视觉和图像识别技术的飞速发展，航空及遥感图像在林业、地表测绘、抗震救灾等场合得到了广泛的应用，并以其高分辨率，信息丰富以及几何定位等优势，成为获取空间信息的有效手段。然而，这类高空摄像系统在成像时，极容易受到各种天气条件的影响，雾霾天气就是一种。使得图像对比度、色彩均匀性大大下降，严重的甚至会造成颜色偏移和失真，这就给成像数据的准确性和利用率造成了恶劣的影响。如军事侦察和灾情监测，需要对田野山丘、乡村公路等区域的色彩和边缘细节进行辨别和分析，这类工作往往不能耗时重复进行，如果不能从有限的图像中获取有用的信息，会带来严重的后果。人们常用图像增强法有全局直方图法、局部直方图法，基于小波变换法，同态滤波法,Retinex以及模糊集理论等，提升了图像对比度，增强了视觉效果，但此类全局处理算法没有考虑到图像的深度和浓度不均匀等信息，在增强图像的过程中往往会导致噪声放大。
发明内容
有鉴于此，本发明的目的在于提供一种基于NSCT域的航空及遥感图像去雾方法，可以很好地恢复航空遥感雾霾图像色彩对比度以及边缘细节信息。
为实现上述目的，本发明采用如下技术方案：
一种基于NSCT域的航空及遥感图像去雾方法，包括以下步骤：
步骤S1:获取航空及遥感图像；
步骤S2:采用NSCT变换对航空遥感图像进行变换，将图像分成得到不同尺度以及不同方向上的变换系数，包括一个低频子带和多个高频子带；
步骤S3:：利用模糊集理论对低频子带系数做增强处理，提高图像的对比度；
步骤S4:利用非线性增益函数对不同的高频系数采用自适应确定阈值T，先后求出增强范围b和增强函数f(x)，对高频子带系数做去除噪声，并做导向滤波，进一步增强图像细节；
步骤S5:利用NSCT反变换将低频和高频子带重构，得到最终的增强效果图。
进一步的，所述采用NSCT变换对航空遥感图像进行变换，是利用非下采样方向滤波器组实现的，具体为：
步骤S21:通过扇形滤波器和象限滤波器将图像分为四个方向子带；
步骤S22:通过平行滤波器组将图像进行方向分解；若需求的方向数较多，则通过NSDFB进行迭代处理而得到。
进一步的，所述步骤S3具体为：
步骤S31:设d为低频系数，dmax和dmin分别为低频系数的最大值和最小值，则构造隶属度函数
Figure BDA0002304722300000031
式中，Fp和Fe分别是指数模糊参数和分数模糊参数，其影响了模糊平面的不确定性，Fp∈[0.5(dmax-dmin)，2(dmax-dmin)]，Fe∈[1，3]；
步骤S32:采用广义对比度增强算子：
Figure BDA0002304722300000032
式中，乘幂q为正数，q越大，增强后图像的对比度越高；
步骤S33:对调整后的隶属度进行逆变换，得到增强后低频系数D：
Figure BDA0002304722300000033
进一步的，所述步骤S4具体为：
步骤S41:采用增益函数为：
f(x)＝a{sigm[c(x-b)]-sigm[-c(x+b)]} (4)
其中，
Figure BDA0002304722300000034
sigm函数定义为：
Figure BDA0002304722300000035
0＜b＜1用来控制增强范围，c控制增强强度；f(x)在[-1,1]内单调递增，且总有f(0)＝0，f(1)＝1；
步骤S42:采用双阈值对噪声、强边缘和弱边缘系数分别进行处理，用T1、T2来约束函数增强范围，其中[0，T1]为噪声系数得以抑制,[T1，T2]为弱边缘系数得到增强，而[T2，1]为强边缘系数保持不变；
步骤S43:对于第m尺度上第n个方向子带系数，存在一个阈值
Figure BDA0002304722300000046
系数小于
Figure BDA0002304722300000048
时对应图像噪声，反之代表边缘信息，
Figure BDA0002304722300000047
为子带系数，根据下式自适应计算阈值：
Figure BDA0002304722300000041
对子带系数进行归一化，其中
Figure BDA0002304722300000042
表示该子带的最大系数，由f(x)＝x,可计算b的值：
Figure BDA0002304722300000043
步骤S44:由该方向子带完整的非线性增益函数得增强后的系数
Figure BDA0002304722300000044
Figure BDA0002304722300000045
本发明与现有技术相比具有以下有益效果：
本发明对图像进行NSCT多尺度分解，得到一个低频子带和多个具有不同方向信息的高频子带，对于低频子带系数进行模糊集增强，提升图像整体轮廓的动态范围和亮度均匀性，之后对于高频部分采用改进的非线性阈值函数对噪声进行抑制处理，再高频细节采用引导滤波进一步增强，最后，将增强后的低频和高频子带重新融合，得到去雾的效果图，很好地恢复航空遥感雾霾图像色彩对比度以及边缘细节信息。
附图说明
图1是本发明一实施例中的方法流程图；
图2是本发明一实施例中的非线性增益函数；
图3是本发明一实施例中的采集的三张彩色航空遥感图像；
图4是本发明一实施例中的处理后的效果图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于NSCT域的航空及遥感图像去雾方法，包括以下步骤：
步骤S1:利用无人机获取航空及遥感图像；
步骤S2:采用NSCT变换对航空遥感图像进行变换，将图像分成得到不同尺度以及不同方向上的变换系数，包括一个低频子带和多个高频子带；
步骤S3:：利用模糊集理论对低频子带系数做增强处理，提高图像的对比度；
步骤S4:利用非线性增益函数对不同的高频系数采用自适应确定阈值T，先后求出增强范围b和增强函数f(x)，对高频子带系数做去除噪声，并做导向滤波，进一步增强图像细节；
步骤S5:利用NSCT反变换将低频和高频子带重构，得到最终的增强效果图。
在本实施例中，所述采用NSCT变换对航空遥感图像进行变换，是利用非下采样方向滤波器组实现的，具体为：
步骤S21:通过扇形滤波器和象限滤波器将图像分为四个方向子带；
步骤S22:通过平行滤波器组将图像进行方向分解；若需求的方向数较多，则通过NSDFB进行迭代处理而得到。
在本实施例中，所述步骤S3具体为：
步骤S31:设d为低频系数，dmax和dmin分别为低频系数的最大值和最小值，则构造隶属度函数
Figure BDA0002304722300000061
式中，Fp和Fe分别是指数模糊参数和分数模糊参数，其影响了模糊平面的不确定性，Fp∈[0.5(dmax-dmin)，2(dmax-dmin)]，Fe∈[1，3]；
步骤S32:采用广义对比度增强算子：
Figure BDA0002304722300000062
式中，乘幂q为正数，q越大，增强后图像的对比度越高；
步骤S33:对调整后的隶属度进行逆变换，得到增强后低频系数D：
Figure BDA0002304722300000063
在本实施例中，所述步骤S4具体为：
步骤S41:采用增益函数为：
f(x)＝a{sigm[c(x-b)]-sigm[-c(x+b)]} (4)
其中，
Figure BDA0002304722300000071
sigm函数定义为：
Figure BDA0002304722300000072
0＜b＜1用来控制增强范围，c控制增强强度；可以根据图像设定一个固定值，其取值区间为20到50，设定c＝20。f(x)在[-1,1]内单调递增，且总有f(0)＝0，f(1)＝1。可以看出，总是存在一个阈值T，对于小于阈值T的绝对值看作图像噪声并被削弱，对于大于阈值T的绝对值认为对应于模糊边缘并被增强。
步骤S42:采用双阈值对噪声、强边缘和弱边缘系数分别进行处理，用T1、T2来约束函数增强范围，其中[0，T1]为噪声系数得以抑制,[T1，T2]为弱边缘系数得到增强，而[T2，1]为强边缘系数保持不变；
步骤S43:对于第m尺度上第n个方向子带系数，存在一个阈值
Figure BDA0002304722300000073
系数小于
Figure BDA0002304722300000074
时对应图像噪声，反之代表边缘信息，
Figure BDA0002304722300000075
为子带系数，根据下式自适应计算阈值：
Figure BDA0002304722300000076
对子带系数进行归一化，其中
Figure BDA0002304722300000077
表示该子带的最大系数，由f(x)＝x,可计算b的值：
Figure BDA0002304722300000078
步骤S44:由该方向子带完整的非线性增益函数得增强后的系数
Figure BDA0002304722300000079
Figure BDA00023047223000000710
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (4)

1.一种基于NSCT域的航空及遥感图像去雾方法，其特征在于，包括以下步骤：
步骤S1:获取航空及遥感图像；
步骤S2:采用NSCT变换对航空遥感图像进行变换，将图像分成得到不同尺度以及不同方向上的变换系数，包括一个低频子带和多个高频子带；
步骤S3:：利用模糊集理论对低频子带系数做增强处理，提高图像的对比度;
步骤S4:利用非线性增益函数对不同的高频系数采用自适应确定阈值T ，先后求出增强范围b和增强函数f(x)，对高频子带系数做去除噪声，并做导向滤波，进一步增强图像细节；
步骤S5:利用NSCT反变换将低频和高频子带重构，得到最终的增强效果图。
2.根据权利要求1所述的基于NSCT域的航空及遥感图像去雾方法，其特征在于：所述采用NSCT变换对航空遥感图像进行变换，是利用非下采样方向滤波器组实现的，具体为：
步骤S21:通过扇形滤波器和象限滤波器将图像分为四个方向子带;
步骤S22:通过平行滤波器组将图像进行方向分解;若需求的方向数较多，则通过NSDFB进行迭代处理而得到。
3.根据权利要求1所述的基于NSCT域的航空及遥感图像去雾方法，其特征在于，所述步骤S3具体为：
步骤S31:设d为低频系数，dmax和dmin分别为低频系数的最大值和最小值，则构造隶属度函数
Figure DEST_PATH_IMAGE001
（1）
式中，Fp和Fe分别是指数模糊参数和分数模糊参数，其影响了模糊平面的不确定性，Fp∈［0.5（dmax-dmin），2（dmax-dmin）］，Fe∈［1，3］；
步骤S32:采用广义对比度增强算子：
Figure 127239DEST_PATH_IMAGE002
（2）
式中，乘幂q 为正数，q 越大，增强后图像的对比度越高;
步骤S33:对调整后的隶属度进行逆变换，得到增强后低频系数D：
Figure DEST_PATH_IMAGE003
（3）。
4.根据权利要求1所述的基于NSCT域的航空及遥感图像去雾方法，其特征在于，所述步骤S4具体为：
步骤S41:采用增益函数为：
Figure 513221DEST_PATH_IMAGE004
（4）
其中，
Figure DEST_PATH_IMAGE005
,
Figure 135701DEST_PATH_IMAGE006
Figure DEST_PATH_IMAGE007
函数定义为：
Figure 734173DEST_PATH_IMAGE008
,
Figure DEST_PATH_IMAGE009
用来控制增强范围，
Figure 17387DEST_PATH_IMAGE010
控制增强强度；
Figure DEST_PATH_IMAGE011
在[-1,1]内单调递增，且总有
Figure 408224DEST_PATH_IMAGE012
；
步骤S42:采用双阈值对噪声、强边缘和弱边缘系数分别进行处理，用
Figure DEST_PATH_IMAGE013
、
Figure 144099DEST_PATH_IMAGE014
来约束函数增强范围，其中
Figure DEST_PATH_IMAGE015
为噪声系数得以抑制,
Figure 546261DEST_PATH_IMAGE016
为弱边缘系数得到增强，而
Figure DEST_PATH_IMAGE017
为强边缘系数保持不变；
步骤S43:对于第
Figure 57883DEST_PATH_IMAGE018
尺度上第
Figure 582405DEST_PATH_IMAGE020
个方向子带系数，存在一个阈值
Figure DEST_PATH_IMAGE021
,系数小于
Figure 680942DEST_PATH_IMAGE021
时对应图像噪声，反之代表边缘信息，
Figure 591523DEST_PATH_IMAGE022
为子带系数，根据下式自适应计算阈值：
Figure DEST_PATH_IMAGE023
（5）
对子带系数进行归一化，其中
Figure 583750DEST_PATH_IMAGE024
表示该子带的最大系数，由
Figure DEST_PATH_IMAGE025
,可计算b的值：
Figure 357802DEST_PATH_IMAGE026
（6）
步骤S44:由该方向子带完整的非线性增益函数得增强后的系数
Figure DEST_PATH_IMAGE027
：
Figure 301225DEST_PATH_IMAGE028
（7）。
CN201911235294.5A 2019-12-05 2019-12-05 基于nsct域的航空及遥感图像去雾方法 Pending CN110930339A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911235294.5A CN110930339A (zh) 2019-12-05 2019-12-05 基于nsct域的航空及遥感图像去雾方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911235294.5A CN110930339A (zh) 2019-12-05 2019-12-05 基于nsct域的航空及遥感图像去雾方法

Publications (1)

Publication Number Publication Date
CN110930339A true CN110930339A (zh) 2020-03-27

Family

ID=69857174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911235294.5A Pending CN110930339A (zh) 2019-12-05 2019-12-05 基于nsct域的航空及遥感图像去雾方法

Country Status (1)

Country Link
CN (1) CN110930339A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643197A (zh) * 2021-07-19 2021-11-12 海南大学 一种结合引导滤波和nsct的两阶轻量型网络全色锐化方法
CN113962894A (zh) * 2021-10-29 2022-01-21 北京中恒博瑞数字电力科技有限公司 一种屏幕图像处理方法
CN114036990A (zh) * 2022-01-06 2022-02-11 青岛鼎信通讯股份有限公司 一种低压台区拓扑信号模糊增强方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392421A (zh) * 2014-12-12 2015-03-04 西华大学 一种基于nsct的接触网图像增强方法
US20160267632A1 (en) * 2015-03-13 2016-09-15 The Boeing Company Apparatus, system, and method for enhancing image data
CN108416739A (zh) * 2018-01-16 2018-08-17 辽宁师范大学 基于非下采样轮廓波和马尔可夫随机场的交通图像去雾方法
CN110246106A (zh) * 2019-06-22 2019-09-17 福州大学 基于量子和声搜索模糊集的nsst域浮选泡沫图像增强及去噪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392421A (zh) * 2014-12-12 2015-03-04 西华大学 一种基于nsct的接触网图像增强方法
US20160267632A1 (en) * 2015-03-13 2016-09-15 The Boeing Company Apparatus, system, and method for enhancing image data
CN108416739A (zh) * 2018-01-16 2018-08-17 辽宁师范大学 基于非下采样轮廓波和马尔可夫随机场的交通图像去雾方法
CN110246106A (zh) * 2019-06-22 2019-09-17 福州大学 基于量子和声搜索模糊集的nsst域浮选泡沫图像增强及去噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
严红丽等: "《基于NSCT变换的红外图像增强新算法》", 《重庆科技学院学报（自然科学版）》 *
韩晶: "《基于NSCT和NSST的遥感图像增强算法研究》", 《万方学位论文》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643197A (zh) * 2021-07-19 2021-11-12 海南大学 一种结合引导滤波和nsct的两阶轻量型网络全色锐化方法
CN113643197B (zh) * 2021-07-19 2023-06-20 海南大学 一种结合引导滤波和nsct的两阶轻量型网络全色锐化方法
CN113962894A (zh) * 2021-10-29 2022-01-21 北京中恒博瑞数字电力科技有限公司 一种屏幕图像处理方法
CN114036990A (zh) * 2022-01-06 2022-02-11 青岛鼎信通讯股份有限公司 一种低压台区拓扑信号模糊增强方法
CN114036990B (zh) * 2022-01-06 2022-04-26 青岛鼎信通讯股份有限公司 一种低压台区拓扑信号模糊增强方法

Similar Documents

Publication Publication Date Title
CN109816599B (zh) 一种基于小波分解卷积神经网络的图像条带噪声抑制方法
CN110930339A (zh) 基于nsct域的航空及遥感图像去雾方法
CN109816605B (zh) 一种基于多通道卷积的msrcr图像去雾方法
CN104574293A (zh) 基于有界运算的多尺度Retinex图像清晰化算法
CN107274365A (zh) 一种基于反锐化掩模和nsct算法的矿井图像增强方法
CN110992292B (zh) 一种增强型低秩稀疏分解模型医学ct图像去噪方法
CN110047055B (zh) 一种红外图像细节增强及去噪方法
CN104715461A (zh) 图像去噪方法
CN105046664A (zh) 一种基于自适应epll算法的图像去噪方法
CN108932699B (zh) 基于变换域的三维匹配调和滤波图像去噪方法
CN107610074B (zh) 一种提高遥感图像质量的方法
CN104881847A (zh) 一种基于小波分析和伪彩色处理的比赛视频图像增强方法
Gopinathan et al. Wavelet and FFT Based Image Denoising Using Non-Linear Filters.
CN110796616A (zh) 基于分数阶微分算子的l0范数约束和自适应加权梯度的湍流退化图像恢复方法
CN111242854A (zh) 一种图像去噪方法
CN111563854B (zh) 用于水下图像增强处理的粒子群优化方法
CN109685730A (zh) 一种基于自适应非局域均值的小波去噪方法
CN114820352A (zh) 一种高光谱图像去噪方法、装置及存储介质
Ngo et al. Nonlinear unsharp masking algorithm
CN113793278A (zh) 一种改进的加权核范数最小化和Laplace算子选择性增强的遥感影像去噪方法
CN117252773A (zh) 基于自适应颜色校正和导向滤波的图像增强方法及系统
CN107895356A (zh) 一种基于steerable pyramid的近红外图像增强方法
CN109064413B (zh) 图像对比度增强方法及采用其的图像采集医疗设备
CN101957984A (zh) 基于非局部萎缩因子参数估计的图像去噪方法
CN113487509A (zh) 一种像素聚类及透射率融合的遥感图像雾气去除方法

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: 20200327