CN112053302A - 高光谱图像的去噪方法、装置及存储介质 - Google Patents
高光谱图像的去噪方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112053302A CN112053302A CN202010916443.0A CN202010916443A CN112053302A CN 112053302 A CN112053302 A CN 112053302A CN 202010916443 A CN202010916443 A CN 202010916443A CN 112053302 A CN112053302 A CN 112053302A
- Authority
- CN
- China
- Prior art keywords
- column
- extreme
- value
- hyperspectral image
- mean
- 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 50
- 238000001914 filtration Methods 0.000 claims abstract description 60
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种高光谱图像的去噪方法、装置及存储介质,包括如下步骤:获取高光谱图像上的像素点,组成列均值分布图;获取列均值分布图中的所有极值点,确定陡度值小于陡度阈值的对应极值点,生成第一极值集合;获取相对距离小于距离阈值的相邻第一极值,根据相邻第一极值的数值,在第一极值集合中剔除数值较小的第一极值,生成第二极值集合;对第二极值对高光谱图像进行分类处理,得到噪声列和非噪声列;对噪声列和非噪声列上的像素点分别进行平滑滤波处理,得到每列的滤波均值和滤波方差;对高光谱图像进行校对,得到去噪图像。本发明能够对高光谱图像进行去噪,减少条带噪声对高光谱图像的影响,提高高光谱图像的识别准确度。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种高光谱图像的去噪方法、装置及存储介质。
背景技术
在高光谱图像在获取的过程中,一般会受到条带噪声的污染,这些条带噪声在不同波段的高光谱图像中,所表现的形式是不完全相同,有些波段图像中会多一些,有些波段图像中会少一些,而且条带的宽度和散射强度也不固定。由此可见,条带噪声对高光谱图像的应用带来了极大挑战,不利于对图像目标的准确识别,因此有效去除条带噪声是高光谱图像很好应用的前提和基础。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种高光谱图像的去噪方法、装置及存储介质,能够对高光谱图像进行去噪,减少条带噪声对高光谱图像的影响,提高高光谱图像的识别准确度。
根据本发明的第一方面的实施例的高光谱图像的去噪方法,包括如下步骤:
获取高光谱图像上的像素点,根据所述像素点确定灰度值、每列的列均值和列方差,并将所述列均值组成列均值分布图;
获取所述列均值分布图中的所有极值点,并根据所述极值点处的陡度值,确定所述陡度值小于陡度阈值的对应所述极值点,生成第一极值集合;所述第一极值集合包括有若干个第一极值;
获取相对距离小于距离阈值的两个相邻的所述第一极值,根据相邻的所述第一极值的数值,在所述第一极值集合中剔除数值较小的所述第一极值,生成第二极值集合;所述第二极值集合内含有若干个第二极值;
对所述第二极值对高光谱图像进行分类处理,得到噪声列和非噪声列;
对所述噪声列和所述非噪声列上的像素点分别进行平滑滤波处理,得到每列的滤波均值和滤波方差;
根据所述灰度值、所述列均值、所述列方差、所述滤波均值和所述滤波方差对高光谱图像进行校对,得到去噪图像。
根据本发明实施例的高光谱图像的去噪方法,至少具有如下有益效果:通过陡度阈值和距离阈值对列均值分布图的处理,能够有效的筛选出不含有条带噪声的位置;通过第二极值对高光谱图像进行分类处理,能够对有效的筛选出高光谱图像中的噪声列,便于对噪声列进行平滑滤波处理,有效的消除高光谱图像上的条带噪声,减少条带噪声对高光谱图像的影响;最后通过对高光谱图像进行校对,得到去噪图像,从而提高去噪图像的特征识别的准确度。
根据本发明的一些实施例,所述获取所述列均值分布图中的所有极值点,并根据所述极值点处的陡度值,确定所述陡度值小于所述陡度阈值的对应所述极值点,生成第一极值集合,包括如下步骤:
获取所述列均值分布图中的所有极值点,生成第三极值集合;
根据所述第三极值集合中的所述极值点,确定所述列均值分布图中对应所述极值点的两个相邻的所述列均值;
根据所述极值点与相邻的所述列均值之间的差分值,确定所述极值点处的陡度值;
根据所述陡度值,获取所述陡度值小于陡度阈值的对应所述极值点,生成第一极值集合。
根据本发明的一些实施例,所述极值点处的所述陡度值通过如下公式计算:
其中,Tg'为所述陡度值,μx为所述极值点,μx-1和μx+1为所述极值点的两个相邻的所述列均值。
根据本发明的一些实施例,所述陡度阈值通过如下步骤获取:
根据所述列均值分布图确定所有相邻的两个所述列均值之间的差值,得到差值集合;
获取所述差值集合的平均值,得到陡度阈值。
根据本发明的一些实施例,所述列均值通过如下公式计算:
其中,μi为高光谱图像的第i列的所述列均值,H为高光谱图像的高度,L为高光谱图像的宽度,I(i,j)为高光谱图像中的第i列第j行的像素点的灰度值。
根据本发明的一些实施例,所述非噪声列上的像素点通过S-G滤波处理。
根据本发明的一些实施例,所述噪声列上的像素点通过均值滤波处理。
根据本发明的一些实施例,所述灰度值、所述列均值、所述列方差、所述滤波均值和所述滤波方差通过如下公式对高光谱图像进行校对:
根据本发明的第二方面的实施例的一种高光谱图像的去噪装置,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如以上任一项所述的一种高光谱图像的去噪方法。
根据本发明的第三方面的实施例的一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如以上任一项所述的一种高光谱图像的去噪方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明实施例的高光谱图像的去噪方法的流程图。
具体实施方式
下面结合附图,对本发明实施例作进一步阐述。
如图1所示,根据本发明实施例的高光谱图像的去噪方法,包括如下步骤:
步骤S100:获取高光谱图像上的像素点,根据像素点确定灰度值、每列的列均值和列方差,并将所有列均值组成列均值分布图;
步骤S200:获取列均值分布图中的所有极值点,并根据极值点处的陡度值,确定陡度值小于陡度阈值的对应极值点,生成第一极值集合;所述第一极值集合包括有若干个第一极值;
步骤S300:获取相对距离小于距离阈值的两个相邻的所述第一极值,根据相邻的所述第一极值的数值,在所述第一极值集合中剔除数值较小的所述第一极值,生成第二极值集合;所述第二极值集合内含有若干个第二极值;
步骤S400:对第二极值对高光谱图像进行分类处理,得到噪声列和非噪声列;
步骤S500:对噪声列和非噪声列上的像素点分别进行平滑滤波处理,得到每列的滤波均值和滤波方差;
步骤S600:根据灰度值、列均值、列方差、滤波均值和滤波方差对高光谱图像进行校对,得到去噪图像。
例如,如图1所示,在步骤S100中,高光谱图像上的像素点具有红绿蓝三个颜色通道,分别对应为R通道、G通道和B通道,通过对像素点上的R通道、G通道和B通道的色度值进行灰度转换,得到该像素点的灰度值。
根据高光谱图像上的像素点的灰度值,可以计算得到每列的像素点的均值和方差,得到每列的列均值和列方差。列均值分布图可以表示为:
U=[μ1,μ2,μ3,...,μL],
其中,L为高光谱图像的宽度,μi(i=1,2,3,...,L)为高光谱图像的列均值。由于列均值带有列标签,因此列均值分布图是根据列均值的列标签和数值的大小进行建图的,有效的反应了每个列均值之间的关系、例如是升降趋势、大小比较等。
在步骤S200中,通过对列均值分布图中,每个列均值之间的数值进行大小比较,能够得到均值分布图中的所有极值点。其中极值点包括:极大值和极小值,极大值在列均值分布图中的定义为:
P={(i,μi)|μi-1<μi&μi>μi+1},(i=2,...,L-1),
极小值在列均值分布图中的定义为:
V={(i,μi)|μi-1>μi&μi<μi+1},(i=2,...,L-1)。
极值点处的陡度值,可以根据极值点与相邻的列均值之间的倾斜度的关系获得,或者是极值点与相邻的列均值之间的差值获得。即陡度值的计算方法没有限制,只要能够体现极值点与相邻的列均值之间的升降趋势即可。
当极值点处的陡度值大于陡度阈值时,该极值点一般是由条带噪声引起的,因此通过筛选出陡度值小于陡度阈值的第一极值,即能降低第一极值集合受条带噪声的影响。
在步骤S300中,当相邻的第一极值之间的距离小于距离阈值时,可以看出这两个相邻的第一极值之间的距离是较近的,这是由于条带噪声引起的,通过删除数值较小的第一极值,可以保证剩余的第一极值之间的距离均大于距离阈值,即保证第二极值之间的距离均大于距离阈值,减少了条带噪声对第二极值集合的影响。同时,保留数值较大的第一极值,能够有效的保留高光谱图像的特征,便于后期特征提取和识别的准确率。
进一步,相邻的第一极值之间的距离,可以设置为列间距,例如其中一个第一极值是第二列的列均值,另一个第一极值是第五列的列均值,则其之间的列间距为三,那么距离阈值可以设置为五,该距离阈值是通过多次实验测试得到的数据,在该距离阈值下,能够有效的区分条带噪声。另外,相邻的第一极值之间的距离,也可以设置为:相邻的第一极值在列均值分布图中的直线距离。
在步骤S400中,由于第二极值集合内的第二极值受到条带噪声的影响较少,因此可以通过第二极值对高光谱图像进行分类处理。由于第二极值也带有列标签,因此通过获取第二极值的列标签,可以筛选出第二极值所对应的高光谱图像中的列,从而分类得到含有第二极值的非噪声列,以及不含有第二极值的噪声列。
在步骤S500中,平滑滤波是低频增强的空间域滤波技术,目的包括有两类:一类是模糊;另一类是消除噪音。空间域的平滑滤波一般采用简单邻域平均法进行,就是求邻近像素点的平均亮度值。其中邻域的大小与平滑的效果直接相关,邻域越大平滑的效果越好,但邻域过大,平滑会使边缘信息损失的越大,从而使输出的图像变得模糊,因此需合理选择邻域的大小。平滑滤波包括有领域平滑滤波、终止滤波、频率域滤波、高斯滤波等。
通过选取一种平滑滤波对噪声列上的像素点进行处理,能够有效消除条带噪声对噪声列的影响;通过选取另一种平滑滤波对非噪声列上的像素点进行处理,能够消除其他噪声对非噪声列的影响;进而得到噪声列和非噪声列的滤波均值和滤波方差。
在步骤S600中,通过灰度值、列均值、列方差、滤波均值和滤波方差之间的比较,对高光谱图像的灰度值进行校正,即可得到去噪图像,有效的消除了条带噪声对图像的影响,从而提高对去噪图像的特征提取和识别的准确率,从而提高了高光谱图像的使用范围。
在本发明的一些具体实施例中,获取列均值分布图中的所有极值点,并根据极值点处的陡度值,确定陡度值小于陡度阈值的对应极值点,生成第一极值集合,包括如下步骤:
步骤S210:获取列均值分布图中的所有极值点,生成第三极值集合;
步骤S220:根据第三极值集合中的极值点,确定列均值分布图中对应极值点的两个相邻的列均值;
步骤S230:根据极值点与相邻的列均值之间的差分值,确定极值点处的陡度值;
步骤S240:根据陡度值,获取陡度值小于陡度阈值的对应极值点,生成第一极值集合。
具体地,在步骤S210中,通过对比列均值分布图中的所有列均值,获取列均值中的极大值和极小值,并将其划分到第三极值集合中。
在步骤S220中,由于第三极值集合中的极值点带有列标签,便于在列均值分布图中找到对应的极值点的位置,并有效的确认极值点的相邻的两个列均值。
在步骤S230和步骤S240中,极值点与相邻的两个列均值之间的差分值,能够反映极值点位置的倾斜趋势;通过筛选陡度值小于陡度阈值的极值点,能够有效的剔除由条带噪声引起的异常极值点。
具体地,(μx-μx-1)为极值点与相邻的前一个列均值之间的第一差值,(μx-μx+1)为极值点与相邻的后一个列均值之间的第二差值,Tg'为第一差值与第二差值之间的平均数,也表示为极值点的陡度值。
另外,陡度值公式也可以转换为:
其中,表示极值点与相邻的前一个列均值之间的第一倾斜度,表示极值点与相邻的后一个列均值之间第二倾斜度,Tg'表示为第一倾斜度与第二倾斜度之间的差值,即陡度值可以看作是极值点的倾斜度的变化趋势。若变化趋势过大,则表示该极值点是异常的,受到了条带噪声的影响,因此通过筛选陡度值小于陡度阈值的极值点,能够有效的剔除由条带噪声引起的异常极值点。
在本发明的一些具体实施例中,陡度阈值通过如下步骤获取:
步骤S250:根据列均值分布图确定所有相邻的两个列均值之间的差值,得到差值集合;
步骤S260:获取差值集合的平均值,得到陡度阈值。
具体地,差值集合内含有相邻的两个列均值之间的差值,可以表示为:μdiff[μ2-μ1,μ3-μ2,...,μL-μL-1],其中μdiff为差值集合。
陡度阈值可以通过如下公式计算得到:
其中,Tg表示陡度阈值。
在本发明的一些具体实施例中,列均值通过如下公式计算:
其中,μi为高光谱图像的第i列的列均值,H为高光谱图像的高度,L为高光谱图像的宽度,I(i,j)为高光谱图像中的第i列第j行的像素灰度值。
具体地,由于高光谱图像的高为H,宽为L,因此在高光谱图像中,每行的像素点一共有L个,每列的像素点一共有H个,即列均值表示为该列中H个像素点的平均值,且列均值分布图中一共有L个列均值。
在本发明的一些具体实施例中,非噪声列上的像素点通过S-G滤波处理。
具体地,Savitzky-Golay滤波器简称为S-G滤波器,广泛地运用于数据流平滑除噪,是一种在时域内基于局域多项式的最小二乘法拟合的滤波方法,这种滤波器最大的特点在于,能够在滤除噪声的同时,确保高光谱图像的形状、宽度不变。
通过构建一个局域多项式,对非噪声列上的像素点进行拟合,得到拟合多项式,在通过该拟合多项式获取S-G滤波处理后的极值列上的滤波均值和滤波方差。其中,该滤波均值和滤波方差是去除噪声影响后的非噪声列的真实均值和真实方差。
在本发明的一些具体实施例中,噪声列上的像素点通过均值滤波处理。
具体地,均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值,即通过选取一个卷积核,使得噪声列上的像素点由卷积核范围内的近邻的若干像素点组成,再通过求取卷积核内所有像素的平均值,得到该噪声列的卷积均值。由于与噪声列相邻的其他列一般都是非噪声列,因此卷积核范围内的像素点一般都是没有受到条带噪声影响的,故卷积均值能够有效的减少条带噪声的影响。
通过使卷积核在极值列上进行滑动,依次求得若干卷积均值,然后求取若干卷积均值的平均数和方差,得到均值滤波处理后的滤波均值和滤波方差。其中,该滤波均值和滤波方差是去除条带噪声影响后,噪声列的真实均值和真实方差。
在本发明的一些具体实施例中,灰度值、列均值、列方差、滤波均值和滤波方差通过如下公式对高光谱图像进行校对:
具体地,通过校对公式对高光谱图像中的每个像素点进行校对,得到去噪后的像素点的灰度值;再将所有的去噪后的像素点的灰度值进行融合,即可得到去噪图像的灰度图片,该灰度图片有效的去除了条带噪声的影响,有利于后期对去噪图像的特征识别和提取,从而提高了高光谱图像的使用范围。
根据本发明实施例的高光谱图像的去噪方法的其他构成以及操作,对于本领域普通技术人员而言都是已知的,这里不再详细描述。
下面参考图1,以一个具体的实施例详细描述根据本发明实施例的高光谱图像的去噪方法,值得理解的是,下述描述仅是示例性说明,而不是对发明的具体限制。
如图1所示,高光谱图像的去噪方法,包括如下步骤:
步骤S100:获取高光谱图像上的像素点,根据像素点确定灰度值、每列的列均值和列方差,并将所有列均值组成列均值分布图;
步骤S210:获取列均值分布图中的所有极值点,生成第三极值集合;
步骤S220:根据第三极值集合中的极值点,确定列均值分布图中对应极值点的两个相邻的列均值;
步骤S230:根据极值点与相邻的列均值之间的差分值,确定极值点处的陡度值;
步骤S250:根据列均值分布图确定所有相邻的两个列均值之间的差值,得到差值集合;
步骤S260:获取差值集合的平均值,得到陡度阈值;
步骤S240:根据陡度值,获取陡度值小于陡度阈值的对应极值点,生成第一极值集合;所述第一极值集合包括有若干个第一极值;
步骤S300:获取相对距离小于距离阈值的两个相邻的所述第一极值,根据相邻的所述第一极值的数值,在所述第一极值集合中剔除数值较小的所述第一极值,生成第二极值集合;所述第二极值集合内含有若干个第二极值;
步骤S400:对第二极值对高光谱图像进行分类处理,得到噪声列和非噪声列;
步骤S500:对非噪声列上的像素点通过S-G滤波处理,对噪声列上的像素点通过均值滤波处理,得到每列的滤波均值和滤波方差;
步骤S600:根据灰度值、列均值、列方差、滤波均值和滤波方差对高光谱图像进行校对,得到去噪图像。
根据本发明实施例的高光谱图像的去噪方法,通过如此设置,可以达成至少如下的一些效果,通过陡度阈值和距离阈值对列均值分布图的处理,能够有效的确定非条带噪声的所在列;通过第二极值对高光谱图像进行分类处理,能够对有效的筛选出高光谱图像中的噪声列和非噪声列。
通过对非噪声列上的像素点通过S-G滤波处理,能够去除噪声对非噪声列的影响;通过对噪声列上的像素点通过均值滤波处理,能够去除条带噪声对噪声列的影响。
通过灰度值、列均值、列方差、滤波均值和滤波方差对高光谱图像进行校对,能够得到去噪后的像素点的灰度值;将所有去噪后的像素点的灰度值进行融合,可以得到去噪图像的灰度图片,该灰度图片有效的去除了条带噪声的影响,有利于后期对去噪图像的特征识别和提取,从而提高了高光谱图像的使用范围。
此外,本发明的另一个实施例还提供了一种高光谱图像的去噪装置,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如上的任一项所述的一种高光谱图像的去噪方法。
在本实施例中,去噪装置包括:一个或多个控制处理器和存储器,控制处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的去噪方法对应的程序指令/模块。控制处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行去噪装置的各种功能应用以及数据处理,即实现上述方法实施例的去噪方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据去噪装置的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于控制处理器远程设置的存储器,这些远程存储器可以通过网络连接至该去噪装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个控制处理器执行时,执行上述方法实施例中的去噪方法,例如,执行以上描述去噪方法步骤S100至S600和S210至S260的功能。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,一个控制处理器执行,可使得上述一个或多个控制处理器执行上述方法实施例中的去噪方法,例如,执行以上描述的方法步骤S100至S600和S210至S260的功能。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、或“本实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种高光谱图像的去噪方法,其特征在于,包括如下步骤:
获取高光谱图像上的像素点,根据所述像素点确定灰度值、每列的列均值和列方差,并将所述列均值组成列均值分布图;
获取所述列均值分布图中的所有极值点,并根据所述极值点处的陡度值,确定所述陡度值小于陡度阈值的对应所述极值点,生成第一极值集合;所述第一极值集合包括有若干个第一极值;
获取相对距离小于距离阈值的两个相邻的所述第一极值,根据相邻的所述第一极值的数值,在所述第一极值集合中剔除数值较小的所述第一极值,生成第二极值集合;所述第二极值集合内含有若干个第二极值;
对所述第二极值对高光谱图像进行分类处理,得到噪声列和非噪声列;
对所述噪声列和所述非噪声列上的像素点分别进行平滑滤波处理,得到每列的滤波均值和滤波方差;
根据所述灰度值、所述列均值、所述列方差、所述滤波均值和所述滤波方差对高光谱图像进行校对,得到去噪图像。
2.根据权利要求1所述的一种高光谱图像的去噪方法,其特征在于:所述获取所述列均值分布图中的所有极值点,并根据所述极值点处的陡度值,确定所述陡度值小于所述陡度阈值的对应所述极值点,生成第一极值集合,包括如下步骤:
获取所述列均值分布图中的所有极值点,生成第三极值集合;
根据所述第三极值集合中的所述极值点,确定所述列均值分布图中对应所述极值点的两个相邻的所述列均值;
根据所述极值点与相邻的所述列均值之间的差分值,确定所述极值点处的陡度值;
根据所述陡度值,获取所述陡度值小于陡度阈值的对应所述极值点,生成第一极值集合。
4.根据权利要求2所述的一种高光谱图像的去噪方法,其特征在于:所述陡度阈值通过如下步骤获取:
根据所述列均值分布图确定所有相邻的两个所述列均值之间的差值,得到差值集合;
获取所述差值集合的平均值,得到陡度阈值。
6.根据权利要求1所述的一种高光谱图像的去噪方法,其特征在于:所述非噪声列上的像素点通过S-G滤波处理。
7.根据权利要求1所述的一种高光谱图像的去噪方法,其特征在于:所述噪声列上的像素点通过均值滤波处理。
9.一种高光谱图像的去噪装置,其特征在于,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1-8任一项所述的高光谱图像的去噪方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1-8任一项所述的高光谱图像的去噪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010916443.0A CN112053302B (zh) | 2020-09-03 | 2020-09-03 | 高光谱图像的去噪方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010916443.0A CN112053302B (zh) | 2020-09-03 | 2020-09-03 | 高光谱图像的去噪方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112053302A true CN112053302A (zh) | 2020-12-08 |
CN112053302B CN112053302B (zh) | 2023-10-17 |
Family
ID=73607332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010916443.0A Active CN112053302B (zh) | 2020-09-03 | 2020-09-03 | 高光谱图像的去噪方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112053302B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113176510A (zh) * | 2021-04-02 | 2021-07-27 | 深圳力维智联技术有限公司 | 铅酸电池放电过程中电压极值的预测方法、装置及设备 |
CN115937051A (zh) * | 2023-03-06 | 2023-04-07 | 浙江华感科技有限公司 | 一种图像噪声处理方法、装置、设备及存储介质 |
CN115950846A (zh) * | 2023-03-10 | 2023-04-11 | 灌南县北陈集动物防疫检疫所 | 基于光学手段的猪饮用水检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504214A (zh) * | 2016-10-31 | 2017-03-15 | 西京学院 | 小波变换和局部插值融合的高光谱图像条带噪声消除方法 |
CN107392864A (zh) * | 2017-07-01 | 2017-11-24 | 南京理工大学 | 一种去除高斯噪声和脉冲噪声的混合噪声滤波方法 |
CN111028179A (zh) * | 2019-12-20 | 2020-04-17 | 浙江大华技术股份有限公司 | 一种条纹校正方法、装置、电子设备及存储介质 |
CN111489309A (zh) * | 2020-04-07 | 2020-08-04 | 重庆工商大学 | 一种稀疏解混的预处理装置及方法 |
-
2020
- 2020-09-03 CN CN202010916443.0A patent/CN112053302B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504214A (zh) * | 2016-10-31 | 2017-03-15 | 西京学院 | 小波变换和局部插值融合的高光谱图像条带噪声消除方法 |
CN107392864A (zh) * | 2017-07-01 | 2017-11-24 | 南京理工大学 | 一种去除高斯噪声和脉冲噪声的混合噪声滤波方法 |
CN111028179A (zh) * | 2019-12-20 | 2020-04-17 | 浙江大华技术股份有限公司 | 一种条纹校正方法、装置、电子设备及存储介质 |
CN111489309A (zh) * | 2020-04-07 | 2020-08-04 | 重庆工商大学 | 一种稀疏解混的预处理装置及方法 |
Non-Patent Citations (1)
Title |
---|
冯迪;纪建伟;张莉;刘思伽;田有文;: "苹果品质高光谱成像检测技术研究进展", 食品工业科技, no. 10, pages 1 - 3 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113176510A (zh) * | 2021-04-02 | 2021-07-27 | 深圳力维智联技术有限公司 | 铅酸电池放电过程中电压极值的预测方法、装置及设备 |
CN115937051A (zh) * | 2023-03-06 | 2023-04-07 | 浙江华感科技有限公司 | 一种图像噪声处理方法、装置、设备及存储介质 |
CN115950846A (zh) * | 2023-03-10 | 2023-04-11 | 灌南县北陈集动物防疫检疫所 | 基于光学手段的猪饮用水检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112053302B (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
US11127117B2 (en) | Information processing method, information processing apparatus, and recording medium | |
CN109741356B (zh) | 一种亚像素边缘检测方法及系统 | |
KR101518722B1 (ko) | 안개 등의 대기 산란 입자로 인한 왜곡 보정용 영상 처리 방법 및 장치 | |
CN112053302A (zh) | 高光谱图像的去噪方法、装置及存储介质 | |
CN107203981B (zh) | 一种基于雾气浓度特征的图像去雾方法 | |
CN105740876B (zh) | 一种图像预处理方法及装置 | |
CN111080661A (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
US20100303372A1 (en) | Digital image processing and enhancing system and method with function of removing noise | |
CN105654436A (zh) | 一种基于前景背景分离的背光图像增强去噪方法 | |
JP7212554B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
CN109214996B (zh) | 一种图像处理方法及装置 | |
CN110717922A (zh) | 一种图像清晰度评价方法及装置 | |
CN115984148B (zh) | 一种高通量基因测序数据的去噪增强方法 | |
CN113344801A (zh) | 一种应用于燃气计量设施环境下的图像增强方法、系统、终端及存储介质 | |
CN114127784A (zh) | 用于生成相机流的掩模的方法、计算机程序产品和计算机可读介质 | |
CN113344810A (zh) | 基于动态数据分布的图像增强方法 | |
CN116664457B (zh) | 一种用于增强去噪的图像处理方法 | |
CN105809677B (zh) | 一种基于双边滤波器的图像边缘检测方法及系统 | |
CN111915497B (zh) | 一种图像黑白增强方法、装置、电子设备和可读存储介质 | |
CN111311610A (zh) | 图像分割的方法及终端设备 | |
CN116883868A (zh) | 基于自适应图像去雾的无人机智能巡航检测方法 | |
CN113160103B (zh) | 图像处理方法及装置、存储介质、终端 | |
CN111105361B (zh) | 基于场景先验的遥感图像增强方法 | |
CN112950488A (zh) | 基于多尺度细节优化的msrcr图像去雾算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |