CN112907460A - 一种遥感图像增强方法 - Google Patents

Abstract

本发明提供了一种遥感图像增强方法，其包括S1，将遥感图像转换为灰度化图像；S2，对所述灰度化图像进行噪声点检测，获取噪声点集合；S3，对所述噪声点集合中的噪声点进行降噪处理，获得降噪图像；S4，对所述降噪图像进行增强处理，获得增强图像。本发明在图像增强之前先对图像进行噪声点检测，然后对噪声点降噪后再进行图像增强处理，能够有效地避免现有技术中，对所有的像素点都进行降噪处理出现的信息丢失严重的问题。因为降噪处理一般是对像素点进行平滑，平滑后信息就会有较大的损失。

Description

一种遥感图像增强方法

技术领域

本发明涉及图像处理领域，尤其涉及一种遥感图像增强方法。

背景技术

现有技术中，对遥感图像进行增强之前一般需要进行降噪处理，但是现有的降噪算法一般是全局降噪，即对所有的像素点都进行降噪处理，这样的处理方式容易导致信息丢失比较严重。

发明内容

鉴于上述问题，本发明的目的在于提供一种遥感图像增强方法，其包括：

S1，将遥感图像转换为灰度化图像；

S2，对所述灰度化图像进行噪声点检测，获取噪声点集合；

S3，对所述噪声点集合中的噪声点进行降噪处理，获得降噪图像；

S4，对所述降噪图像进行增强处理，获得增强图像。

与现有技术相比，本发明的优点在于：

本发明在图像增强之前先对图像进行噪声点检测，然后对噪声点降噪后再进行图像增强处理，能够有效地避免现有技术中，对所有的像素点都进行降噪处理出现的信息丢失严重的问题。因为降噪处理一般是对像素点进行平滑，平滑后信息就会有较大的损失。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1，为本发明一种遥感图像增强方法的一种示例性实施例图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

如图1中的实施例所示，本发明提供了一种遥感图像增强方法，其包括：

S1，将遥感图像转换为灰度化图像；

S2，对所述灰度化图像进行噪声点检测，获取噪声点集合；

S3，对所述噪声点集合中的噪声点进行降噪处理，获得降噪图像；

S4，对所述降噪图像进行增强处理，获得增强图像。

在一种实施方式中，所述将遥感图像转换为灰度化图像，包括：

S11，使用下述公式将遥感图像转换为中间图像：

f(a₁)＝ω₁×R(a₁)+ω₂×G(a₁)+ω₃×B(a₁)

式中，f(a₁)表示遥感图像中的像素点a₁转换为中间图像后的像素值，R(a₁)、G(a₁)、B(a₁)分别表示像素点a₁在RGB颜色模型中的红色通道、绿色通道和蓝色通道的值；ω₁、ω₂和ω₃表示预设的权重参数；

S12，将所述中间图像划分为多个子图像；

S13，对于每个子图像，分别采用下述方式对其进行处理，获得处理后的子图像：

计算所述子图像中每个像素点的颜色模型结构参数和空间结构参数：

所述颜色模型结构参数计算方式如下：

式中，cols(d)表示所述子图像中的像素点d的颜色模型结构参数，U_d表示像素点d的h×h大小的邻域的像素点的集合，var∈{L,a,b}，L，a,b分别表示Lab颜色模型中的3个要素；munU_d表示U_d中的像素点的总数；var_d和var_c分别表示像素点d和U_d中的像素点c在要素var上的值；

所述空间结构参数的计算方式如下：

式中，g_d和g_c分别表示像素点d和c的梯度幅值，spas(d)表示像素点d的空间结构参数；

建立待求解模型dm：

式中，k₁和k₂表示比例系数，k₁与k₂的和为1，tar(d)表示像素点d在处理后的子图像中的像素值，f(d)表示像素点d在处理前的子图像中的像素值，qz(d)表示判断函数，若var_d大于var_c，则qz(d)的值为r，否则qz(d)的值为-r，r的取值范围为[0.99,1.01]，sumU表示在处理前的子图像中的像素点的集合；

使用迭代的方式对dm进行求解，使得dm具有最小值，从而得到tar(d)；

S14，将所有处理后的子图像进行合并，从而得到灰度化图像。

现有技术中，对图像的灰度化一般是采用分量法，最大值法或者加权平均法来进行，这种处理方式容易导致像素点之间的颜色差异和空间结构差异等信息丢失比较严重，从而导致灰度化图像中携带的信息量相较于遥感图像有了较大的降低，会对后续的增强处理的准确率产生影响。而本申请上述实施方式，通过对求解模型最小化，从而使得到的灰度化图像中，各个像素点之间在一定程度上保留了遥感图像中的的颜色差异和空间结构差异信息，从而有效地提高了后续的增强处理的准确率。

具体地，将遥感图像划分为多个子图像然后再进行进一步的处理，这种处理方式能够使得每一个子图像的处理结果与其所在的区域匹配度更高，能够更好地保留遥感图像中的细节信息。因为待求解模型考虑的是整个子图像所有的像素点，因此，若将模型放大到整个遥感图像，获得的处理结果针对性会降低，从而不能很好地保留遥感图像中的细节信息。

在计算颜色模型结构参数时，考率了当前计算的像素点与其邻域的像素点在Lab颜色模型上的3个要素之间的差异的均值，使得颜色模型结构参数更能反应当前计算的像素点与其邻域的像素点在颜色上的差异。

而在计算空间结构参数时，主要是考虑了梯度幅值，梯度幅值的时像素点的空间结构的反映。

在一种实施方式中，ω₁、ω₂和ω₃的取值分别为0.287、0.591和0.133。

在一种实施方式中，所述将所述中间图像划分为多个子图像，包括：

S121，使用otsu算法对所述中间图像进行计算，将所述中间图像的中的像素点划分为前景像素点和背景像素点；

S122，使用迭代的方式对所述中间图像进行划分：

第1次迭代，将中间图像划分为面积相等的u个子图像，并将所述u个子图像存入待判断集合wpU₁；

使用下述公式计算wpU₁中的子图像wpu的判断参数：

式中，ccp(wpu)表示wpu的判断参数，q₁、q₂、q₃表示权重参数，S(wpu)表示wpu中的像素点的总数，Smid表示中间图像中的像素点的总数，front(wpu)表示wpu所包含的前景像素点的总数，Sfr表示中间图像中的所有前景像素点的总数，fe(wpu)表示wpu中的所有像素点的梯度幅值的方差，Sfe表示中间图像中的所有像素点的梯度幅值的标准差；

对wpU₁中的所有子图像进行上述判断参数的计算，若所述子图像的判断参数大于预设的判断阈值，则将所述子图像加入到第2次迭代的划分集合dctU₁中；

第2次迭代，将dctU₁中的子图像分别划分为面积相等的u个子图像,并将获得的所有子图像存入待判断集合wpU₂中，分别计算wpU₂中的子图像的判断参数，若所述子图像的判断参数大于预设的判断阈值，则将所述子图像加入到第3次迭代的划分集合dctU₂中；

以此类推，第n次迭代，将dctU_n-1中的子图像分别划分为面积相等的u个子图像,并将获得的所有子图像存入待判断集合wpU_n中，分别计算wpU_n中的子图像的判断参数，若所述子图像的判断参数大于预设的判断阈值，则将所述子图像加入到第n+1次迭代的划分集合dctU_n+1中。

在子图像的划分上，本申请通过判断参数来判断是否需要进一步进行划分，具体地，若当前的子图像中包含的像素点的数量过少或者是前景像素点过少，则不适宜再对其进行划分，因为划分之后可能只包含前景像素点或背景像素点，由于同一类型的像素点在像素值上相差较少，不利于后续的灰度化处理。因为后续的灰度化处理主要利用了像素点在结构和颜色上的差异。而fe(wpu)的设置则是从梯度的角度对子图像中的像素点之间的差异程度进行了反映，使得判断参数能够从不同的角度反应子图像中的像素点之间的差异程度，有效地提高了子图像划分的准确率。

在一种实施方式中，对所述灰度化图像进行噪声点检测，获取噪声点集合，包括：

S21，计算灰度化图像中的像素点的噪声指数：

式中，noicdx(i)表示所述灰度化图像中的像素点i的噪声指数，neiU_i表示像素点i的h×h大小的邻域中的像素点的集合，dt(i,j)表示像素点i的中点和neiU_i中的像素点j的中点的连线的长度，madt(i)表示neiU_i中的像素点的中点与i的中点的连线的长度的最大值，midt(i)表示neiU_i中的像素点的中点与i的中点的连线的长度的最小值，numneiU_i表示neiU_i中的元素的总数，tk表示控制参数，取值范围为[1,10]，

t为正整数，t∈[1,4]，

以像素点i为坐标原点建立直角坐标系，U₁表示在所述直角坐标系中，neiU_i中的所有在直线y＝0上的像素点的集合，U₂表示在所述直角坐标系中，neiU_i中的所有在直线x＝0上的像素点的集合，U₃表示在所述直角坐标系中，neiU_i中的所有在直线y＝x上的像素点的集合，U₄表示在所述直角坐标系中，neiU_i中的所有在直线y＝-x上的像素点的集合，g_k表示集合U_t中的像素点k的像素值，ave_t表示集合U_t中的像素点的像素值的平均值，numU_t表示集合U_t中的像素点的总数；

S22，将所述噪声指数与噪声指数阈值进行对比，判断所述噪声指数是否大于所述噪声指数阈值，若是，则所述噪声指数对应的像素点为噪声点；

S23，对所有的像素点进行S21和S22的判断，将所有的噪声点存入噪声点集合。

传统的噪点判断一般是直接将像素点的像素值与阈值进行对比，若大于阈值，则该像素点为噪点，然而，一些边缘像素点的像素值有可能也会比较大，这就导致了边缘像素点被误认为是噪点被进行降噪处理，从而使得该边缘像素点所携带的边缘信息的准确度降低。而本申请上述实施方式，通过当前判断像素点与其邻居像素点在中点之间的连线长度以及当前判断像素点与其邻居像素点中的不同直线上的像素点之间的像素值的差异，对于边缘像素点，由于其邻居像素点也一般是边缘像素点，因此分母会比较大，从而导致噪声指数的数值比较小，从而能够有效地降低边缘像素点被错判为噪点的概率。

在一种实施方式中，使用像素点的坐标作为所述像素点的中点的坐标进行计算。

在一种实施方式中，所述对所述噪声点集合中的噪声点进行降噪处理，获得降噪图像，包括：

S31，根据噪声点的像素值大小差异将所述噪声点集合中的噪声点划分到numC个集合中；

S32，根据每个集合中的像素值均值从大到小对numC个集合进行排序，获得排序集合ps，ps＝{noi₁,noi₂,…noi_numC}；

S33，采用迭代的方式对所述噪声点集合中的噪声点进行降噪处理：

第1次迭代，在所述灰度化图像上分别对noi₁中的像素点进行降噪处理，获得第1次降噪图像；

第2次迭代，在所述第1次降噪图像上分别对noi₂中的像素点进行降噪处理，获得第2次降噪图像；

以此类推，第numc次迭代，numc∈[1,numC]，在第numc-1次降噪图像上分别对noi_numc中的像素点进行降噪处理，获得第numc+1次降噪图像；

当numc＝numC时，第numc+1次降噪图像即为最终的降噪图像。

在一种实施方式中，所述根据噪声点的像素值大小差异将所有噪声点划分到numC个集合中，包括：

将所述噪声点集合中的噪声点的像素值的最大值和最小值分别记为manoi和minoi；

以间距

对所述噪声点集合中的噪声点进行划分，

以noi₁为例，noi₁中的像素点的像素值的范围为

在一种实施方式中，使用伽马变换进行图像增强处理。

尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：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、替换和变形，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种遥感图像增强方法，其特征在于，其包括：

S1，将遥感图像转换为灰度化图像；

S2，对所述灰度化图像进行噪声点检测，获取噪声点集合；

S3，对所述噪声点集合中的噪声点进行降噪处理，获得降噪图像；

S4，对所述降噪图像进行增强处理，获得增强图像。

2.根据权利要求1所述的一种遥感图像增强方法，其特征在于，所述将遥感图像转换为灰度化图像，包括：

S11，使用下述公式将遥感图像转换为中间图像：

f(a₁)＝ω₁×R(a₁)+ω₂×G(a₁)+ω₃×B(a₁)

式中，f(a₁)表示遥感图像中的像素点a₁转换为中间图像后的像素值，R(a₁)、G(a₁)、B(a₁)分别表示像素点a₁在RGB颜色模型中的红色通道、绿色通道和蓝色通道的值；ω₁、ω₂和ω₃表示预设的权重参数；

S12，将所述中间图像划分为多个子图像；

S13，对于每个子图像，分别采用下述方式对其进行处理，获得处理后的子图像：

计算所述子图像中每个像素点的颜色模型结构参数和空间结构参数：

所述颜色模型结构参数计算方式如下：

式中，cols(d)表示所述子图像中的像素点d的颜色模型结构参数，U_d表示像素点d的h×h大小的邻域的像素点的集合，var∈{L,a,b}，L，a,b分别表示Lab颜色模型中的3个要素；munU_d表示U_d中的像素点的总数；var_d和var_c分别表示像素点d和U_d中的像素点c在要素var上的值；

所述空间结构参数的计算方式如下：

式中，g_d和g_c分别表示像素点d和c的梯度幅值，spas(d)表示像素点d的空间结构参数；

建立待求解模型dm：

式中，k₁和k₂表示比例系数，k₁与k₂的和为1，tar(d)表示像素点d在处理后的子图像中的像素值，f(d)表示像素点d在处理前的子图像中的像素值，qz(d)表示判断函数，若var_d大于var_c，则qz(d)的值为r，否则qz(d)的值为-r，r的取值范围为[0.99,1.01]，sumU表示在处理前的子图像中的像素点的集合；

使用迭代的方式对dm进行求解，使得dm具有最小值，从而得到tar(d)；

S14，将所有处理后的子图像进行合并，从而得到灰度化图像。

3.根据权利要求2所述的一种遥感图像增强方法，其特征在于，所述将所述中间图像划分为多个子图像，包括：

S121，使用otsu算法对所述中间图像进行计算，将所述中间图像的中的像素点划分为前景像素点和背景像素点；

S122，使用迭代的方式对所述中间图像进行划分：

第1次迭代，将中间图像划分为面积相等的u个子图像，并将所述u个子图像存入待判断集合wpU₁；

使用下述公式计算wpU₁中的子图像wpu的判断参数：

式中，ccp(wpu)表示wpu的判断参数，q₁、q₂、q₃表示权重参数，S(wpu)表示wpu中的像素点的总数，Smid表示中间图像中的像素点的总数，front(wpu)表示wpu所包含的前景像素点的总数，Sfr表示中间图像中的所有前景像素点的总数，fe(wpu)表示wpu中的所有像素点的梯度幅值的方差，Sfe表示中间图像中的所有像素点的梯度幅值的标准差；

对wpU₁中的所有子图像进行上述判断参数的计算，若所述子图像的判断参数大于预设的判断阈值，则将所述子图像加入到第2次迭代的划分集合dctU₁中；

第2次迭代，将dctU₁中的子图像分别划分为面积相等的u个子图像,并将获得的所有子图像存入待判断集合wpU₂中，分别计算wpU₂中的子图像的判断参数，若所述子图像的判断参数大于预设的判断阈值，则将所述子图像加入到第3次迭代的划分集合dctU₂中；

以此类推，第n次迭代，将dctU_n-1中的子图像分别划分为面积相等的u个子图像,并将获得的所有子图像存入待判断集合wpU_n中，分别计算wpU_n中的子图像的判断参数，若所述子图像的判断参数大于预设的判断阈值，则将所述子图像加入到第n+1次迭代的划分集合dctU_n+1中。

4.根据权利要求1所述的一种遥感图像增强方法，其特征在于，对所述灰度化图像进行噪声点检测，获取噪声点集合，包括：

S21，计算灰度化图像中的像素点的噪声指数：

式中，noicdx(i)表示所述灰度化图像中的像素点i的噪声指数，neiU_i表示像素点i的h×h大小的邻域中的像素点的集合，dt(i,j)表示像素点i的中点和neiU_i中的像素点j的中点的连线的长度，madt(i)表示neiU_i中的像素点的中点与i的中点的连线的长度的最大值，midt(i)表示neiU_i中的像素点的中点与i的中点的连线的长度的最小值，numneiU_i表示neiU_i中的元素的总数，tk表示控制参数，取值范围为[1,10]，

t为正整数，t∈[1,4]，

以像素点i为坐标原点建立直角坐标系，U₁表示在所述直角坐标系中，neiU_i中的所有在直线y＝0上的像素点的集合，U₂表示在所述直角坐标系中，neiU_i中的所有在直线x＝0上的像素点的集合，U₃表示在所述直角坐标系中，neiU_i中的所有在直线y＝x上的像素点的集合，U₄表示在所述直角坐标系中，neiU_i中的所有在直线y＝-x上的像素点的集合，g_k表示集合U_t中的像素点k的像素值，ave_t表示集合U_t中的像素点的像素值的平均值，numU_t表示集合U_t中的像素点的总数；

S22，将所述噪声指数与噪声指数阈值进行对比，判断所述噪声指数是否大于所述噪声指数阈值，若是，则所述噪声指数对应的像素点为噪声点；

S23，对所有的像素点进行S21和S22的判断，将所有的噪声点存入噪声点集合。

5.根据权利要求1所述的一种遥感图像增强方法，其特征在于，所述对所述噪声点集合中的噪声点进行降噪处理，获得降噪图像，包括：

S31，根据噪声点的像素值大小差异将所有噪声点划分到numC个集合中；

S32，根据每个集合中的像素值均值从大到小对numC个集合进行排序，获得排序集合ps，ps＝{noi₁,noi₂,…noi_numC}；

S33，采用迭代的方式对所述噪声点集合中的噪声点进行降噪处理：

第1次迭代，在所述灰度化图像上分别对noi₁中的像素点进行降噪处理，获得第1次降噪图像；

第2次迭代，在所述第1次降噪图像上分别对noi₂中的像素点进行降噪处理，获得第2次降噪图像；

以此类推，第numc次迭代，numc∈[1,numC]，在第numc-1次降噪图像上分别对noi_numc中的像素点进行降噪处理，获得第numc+1次降噪图像；

当numc＝numC时，第numc+1次降噪图像即为最终的降噪图像。

Images