CN113436093A - 一种基于能量域变换的遥感影像去噪方法 - Google Patents

一种基于能量域变换的遥感影像去噪方法 Download PDF

Info

Publication number
CN113436093A
CN113436093A CN202110667785.8A CN202110667785A CN113436093A CN 113436093 A CN113436093 A CN 113436093A CN 202110667785 A CN202110667785 A CN 202110667785A CN 113436093 A CN113436093 A CN 113436093A
Authority
CN
China
Prior art keywords
image
remote sensing
energy domain
block
denoising
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
CN202110667785.8A
Other languages
English (en)
Inventor
孙康
李方方
陈金勇
王敏
帅通
王士成
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.)
CETC 54 Research Institute
Original Assignee
CETC 54 Research Institute
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 CETC 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN202110667785.8A priority Critical patent/CN113436093A/zh
Publication of CN113436093A publication Critical patent/CN113436093A/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
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于能量域变换的遥感影像去噪方法，属于遥感图像处理技术领域。本发明首先对图像进行分块，获取相似分块图像构成的集合，然后将其变换至能量域，在能量域占比较少的分量可以认为是噪声，去除噪声分量后，将其反变换至图像域，即得到去噪后的图像。本发明方法充分利用图像块之间的相似关系，具有良好的去噪效果，不需要对噪声模型进行假设，不涉及复杂的参数，实施简单，易于操作，适用范围广，可去除多种原因产生的噪声。

Description

一种基于能量域变换的遥感影像去噪方法
技术领域
本发明属于遥感图像处理技术领域，具体涉及一种基于能量域变换的遥感影像去噪方法。
背景技术
遥感影像尤其是卫星遥感影像受到成像过程中大气、背景、太空辐射环境、数字量化等因素的影响，存在多种形式的噪声。对遥感图像进行去噪是对图像作进一步处理的可靠保证，如果对含有噪声的图像进行特征提取、图像融合等处理后的结果，处理结果往往精度不够。此外，由于不同的成像机理，得到的初始图像中都含有大量不同性质的噪声，这些噪声的存在影响着人们对图像的理解，干扰人们对图像信息的处理和应用。
传统去噪方法如中值滤波、均值滤波等，需要对噪声模型进行假设，如加性噪声、高斯白噪声等，对于复杂的、多因素叠加性的噪声不能很好的处理。其他在变换域处理的方法如小波去噪，对高频噪声有一定效果，但对条纹等低频噪声效果不佳。在去噪模型上，一般都是利用邻域像素的相似关系，对不相邻区域的相似关系没有考虑。
发明内容
有鉴于此，本发明提供一种基于能量域变换的遥感影像去噪方法，该方法可利用分块图像的相似性，在能量域进行联合滤波，去除噪声分量，从而实现去噪。
为了实现上述目的，本发明采用的技术方案为：
一种基于能量域变换的遥感图像去噪方法，包括以下步骤：
步骤1，对遥感图像进行分块；
步骤2，根据相似性对所有分块进行聚类，得到一个或多个分类；
步骤3，对每个分类的分块图像进行能量域变换，得到该分类的能量域分量；
步骤4，对于每一分类，在能量域内将噪声部分的分量图像去除，并根据剩余的能量域分量反变换出各分块图像；
步骤5，将反变换出的分块图像按原分块图像的位置组合成遥感图像，完成遥感图像的去噪。
进一步的，步骤1中，分块的大小为50×50像素，若遥感图像的长宽不是50的整数倍，则最后一个分块与相邻分块部分重叠，从而实现所有分块的大小均为50×50像素。
进一步的，步骤2中，利用ISODATA方法对所有分块进行聚类，聚类计算时，每个分块图像按行展开为1×2500的向量；聚类后得到K个分类，其中，分类
Figure BDA0003117594170000021
，1≤i≤K，
Figure BDA0003117594170000022
表示第i个分类下的第j个分块图像，1≤j≤Ni，Ni为分类
Figure BDA0003117594170000023
中分块图像的数目。
进一步的，步骤3的具体方式为：
计算分类
Figure BDA0003117594170000024
中分块图像的协方差矩阵R，R的大小为Ni×Ni；
对R进行特征分解，得到Ni个特征向量以及特征值；
利用Ni个特征向量分别对分类
Figure BDA0003117594170000025
的分块图像进行变换处理，得到Ni个能量域分量。
进一步的，步骤4的具体方式为：
对Ni个特征值
Figure BDA0003117594170000026
进行从大到小排序，并计算特征值之和s；
按从大到小的顺序对特征值进行累加，并计算累计比例，累加到第j个特征值时的累计比例为：
Figure BDA0003117594170000027
当累计比例η≥0.95时，停止累加，已累加的特征值构成序列l；将l以外的特征值所对应的能量域分量作为噪声去除；
计算变换矩阵Q＝P-1，其中，
Figure BDA0003117594170000028
为
Figure BDA0003117594170000029
的Ni个特征向量；将Q记为
Figure BDA0003117594170000031
与
Figure BDA0003117594170000032
一一对应，
Figure BDA0003117594170000033
利用l中特征值所对应的能量域分量反变换出各分块图像：
Figure BDA0003117594170000034
式中，
Figure BDA0003117594170000035
为反变换出的第i个分类下的第j个分块图像，qjk为qj的第k个分量，Fj为
Figure BDA0003117594170000036
的第j个能量域分量。
进一步的，步骤5中，将反变换出的分块图像按原分块图像的位置组合成遥感图像时，若分块图像之间有重叠，则组合后遥感图像的该部分取为两重叠部分的均值。
本发明具有如下优点：
(1)本发明方法综合利用相似分块图像在能量域内实现了噪声分量的去除，充分利用了图像块之间的相似关系，具有良好的去噪效果。
(2)本发明方法不需要对噪声模型进行假设，不涉及复杂的参数，实施简单，易于操作，适用范围广，可去除多种原因产生的噪声。
附图说明
图1为本发明方法的流程图。
图2为高分一号影像特征值的分布。
图3为高分一号影像特征值累计比例。
图4为高分一号影像去噪试验结果对比。
具体实施方式
下面结合附图及具体实施方式对本发明的技术方案做进一步的说明。
如图1所示，一种基于能量域变换的遥感影像去噪方法，首先对图像进行分块，对分块图像进行相似性分类，将相似性图像块映射到能量域，在能量域内将噪声分量去除，然后反变换至图像域，完成影像去噪。具体包括以下步骤：
步骤1，对遥感影像进行分块，分块大小为50×50像素，若图像长宽不是50的整数倍，则最后一个分块向前选取50个像素，即与相邻分块部分重叠，实现所有分块的大小均为50×50像素，对分块图像进行标号；
以145×145大小的影像为例，其共划分9个分块，第一个分块行列范围为[1:50，1:50]，第二个分块行列范围为[1:50，51:100]，第三个分块仅剩余45个像素，因此需要往前多选取5个像素，即[1:50，96:145]，这样在96:100这五个像素与第二个分块重叠。
步骤2，利用ISODATA方法对所有分块进行聚类，聚类计算时，每个分块图像按行展开为1×2500的向量，获得K个分类
Figure BDA0003117594170000041
其中每个分类含有分块图像的数目为Ni，则
Figure BDA0003117594170000042
其中
Figure BDA0003117594170000043
表示第i个分类下的第j个分块图像；
步骤3，对每个分类下的分块图像进行能量域变换。以
Figure BDA0003117594170000044
为例，其包含Ni个分块图像，首先计算分块图像的协方差矩阵R，其大小为Ni×Ni，对R进行特征分解，获得得到Ni个特征向量以及特征值，利用特征向量对分块图像进性变换处理，得到Ni个能量域分量图像；
步骤4，在能量域内将特征值之和低于总特征特征值之和5％的分量图像去除，特征值排序及能量占比分别为图2、图3所示；
步骤5，利用特征向量的逆矩阵将能量域分量图像反变换回分块图像，得到Ni个去噪后的分块图像；
步骤6，重复步骤3-步骤5，直至所有分类下的分块图像全部完成处理，按照步骤1的图像标号，将分块图像原位合并，有重叠区域的图像，重叠部分取分块图像的平均值，得到去噪后的遥感影像。
其中，步骤3所述的能量域变换方式如下：
步骤3a，以
Figure BDA0003117594170000045
为例，其包含Ni个分块图像，计算其协方差矩阵R：
Figure BDA0003117594170000051
其中rpq为
Figure BDA0003117594170000052
和
Figure BDA0003117594170000053
的内积；
步骤3b，对矩阵R进行特征分解，得到Ni个特征向量
Figure BDA0003117594170000054
和特征值
Figure BDA0003117594170000055
由于R为正定矩阵，故所有的特征值均大于0；
步骤3c，计算能量域分量。第j个能量域分量Fj的计算方式如下：
Figure BDA0003117594170000056
其中pjk为第j个特征向量pj的第k个元素。
步骤3d，对所有Ni个特征向量分别计算，得到Ni个能量域分量Fj。
其中，步骤4所述的能量域分量去除方式如下：
步骤4a，对步骤3中的特征值
Figure BDA0003117594170000057
进行从大到小排序，并计算特征值之和s，如图2所示；
步骤4b，按次序逐个计算特征的累计比例，第j个特征值的累加比例为
Figure BDA0003117594170000058
步骤4c，当累计比例η≥0.95时，停止计算，假定当前特征值的排序为l，如图3所示，可以看出前20个分量占全部126个分量重的95.54％，剩余5％是噪声分量；
步骤4d，将l后面的能量域分量删除，即删除
Figure BDA0003117594170000059
其中，步骤5所述的能量域分量图像反变换至分块图像方式如下：
步骤5a，计算变换矩阵Q＝P-1，可进一步记为
Figure BDA0003117594170000061
其中
Figure BDA0003117594170000062
步骤5b，记当前分类
Figure BDA0003117594170000063
中第j个分块图像
Figure BDA0003117594170000064
去噪后的分块图像为
Figure BDA0003117594170000065
其计算方式如下：
Figure BDA0003117594170000066
需要注意的是，计算
Figure BDA0003117594170000067
时仅使用前l个能量域分量，其余分量作为噪声去除，从而实现去噪目的。
遥感图像包含的地物种类往往是很少的，这意味着遥感图像存在着大量相似的图像块。因此从能量域的角度，遥感图像可以看作由大量相似的图像块和噪声构成。本发明方法首先对图像进行分块，获取相似分块图像构成的集合，然后将其变换至能量域，在能量域占比较少的分量可以认为是噪声，去除噪声分量后，将其反变换至图像域，即得到去噪后的图像。
本方法的效果可通过以下试验进一步说明：
1.试验条件。
计算机配置为Intel Core i7-3770 CPU 3.4Ghz，64GB内存；操作系统为Windows764位专业版，软件环境为MATLAB 2017。
2.试验方法。
利用本方法、小波去噪以及均值去噪分别对遥感影像进行去噪处理，对处理的结果进行可视化对比和信噪比定量分析。
3.试验内容与结果。
试验数据选择2017年高分一号卫星拍摄的全色影像，该影像由于天气等原因具有较强的噪声水平。
试验结果如图4所示。可以看出，本发明方法具有最好的去噪效果，小波变换去噪和均值滤波去噪效果接近。对结果进行定量分析如下，原始影像信噪比为18.35dB，本发明方法去噪影像信噪比为28.64dB，小波变换去噪和均值滤波去噪得到的影像信噪比分别为23.87dB和22.55dB。
试验结果表明，本方法利用分块图像的相似性，通过能量域变换的方式去除遥感影像噪声，具有较好的去噪效果。
总之，本发明针对遥感影像噪声来源复杂的问题，提出了一种基于能量域变换的遥感影像去噪方法。该方法对图像进行分块，对分块图像进行相似性分类，将相似性图像块映射到能量域，在能量域内将噪声分量去除，然后反变换至图像域，完成影像去噪。该方法利用了如下原理：遥感影像中包含大量相似的分块图像，在能量域内，地物是引起图像能量变化的主要原因，噪声是引起能量变化的次要原因，因此在能量域内，可将能量较小的分量视为噪声分量，将其去除后，在反变换回图像域，即实现了图像去噪。
本发明方法充分利用图像块之间的相似关系，具有良好的去噪效果，不需要对噪声模型进行假设，不涉及复杂的参数，实施简单，易于操作，适用范围广，可去除多种原因产生的噪声。

Claims (6)

1.一种基于能量域变换的遥感影像去噪方法，其特征在于，包括以下步骤：
步骤1，对遥感图像进行分块；
步骤2，根据相似性对所有分块进行聚类，得到一个或多个分类；
步骤3，对每个分类的分块图像进行能量域变换，得到该分类的能量域分量；
步骤4，对于每一分类，在能量域内将噪声部分的分量图像去除，并根据剩余的能量域分量反变换出各分块图像；
步骤5，将反变换出的分块图像按原分块图像的位置组合成遥感图像，完成遥感图像的去噪。
2.根据权利要求1所述的一种基于能量域变换的遥感影像去噪方法，其特征在于，步骤1中，分块的大小为50×50像素，若遥感图像的长宽不是50的整数倍，则最后一个分块与相邻分块部分重叠，从而实现所有分块的大小均为50×50像素。
3.根据权利要求2所述的一种基于能量域变换的遥感影像去噪方法，其特征在于，步骤2中，利用ISODATA方法对所有分块进行聚类，聚类计算时，每个分块图像按行展开为1×2500的向量；聚类后得到K个分类，其中，分类
Figure RE-FDA0003191692310000011
Figure RE-FDA0003191692310000012
表示第i个分类下的第j个分块图像，1≤j≤Ni，Ni为分类
Figure RE-FDA0003191692310000013
中分块图像的数目。
4.根据权利要求3所述的一种基于能量域变换的遥感影像去噪方法，其特征在于，步骤3的具体方式为：
计算分类
Figure RE-FDA0003191692310000014
中分块图像的协方差矩阵R，R的大小为Ni×Ni；
对R进行特征分解，得到Ni个特征向量以及特征值；
利用Ni个特征向量分别对分类
Figure RE-FDA0003191692310000015
的分块图像进行变换处理，得到Ni个能量域分量。
5.根据权利要求4所述的一种基于能量域变换的遥感影像去噪方法，其特征在于，步骤4的具体方式为：
对Ni个特征值
Figure RE-FDA0003191692310000021
进行从大到小排序，并计算特征值之和s；
按从大到小的顺序对特征值进行累加，并计算累计比例，累加到第j个特征值时的累计比例为：
Figure RE-FDA0003191692310000022
当累计比例η≥0.95时，停止累加，已累加的特征值构成序列l；将l以外的特征值所对应的能量域分量作为噪声去除；
计算变换矩阵Q＝P-1，其中，
Figure RE-FDA0003191692310000023
Figure RE-FDA0003191692310000024
为
Figure RE-FDA0003191692310000025
的Ni个特征向量；将Q记为
Figure RE-FDA0003191692310000026
Figure RE-FDA0003191692310000027
与
Figure RE-FDA0003191692310000028
一一对应，
Figure RE-FDA0003191692310000029
利用l中特征值所对应的能量域分量反变换出各分块图像：
Figure RE-FDA00031916923100000210
式中，
Figure RE-FDA00031916923100000211
为反变换出的第i个分类下的第j个分块图像，qjk为qj的第k个分量，Fj为
Figure RE-FDA00031916923100000212
的第j个能量域分量。
6.根据权利要求5所述的一种基于能量域变换的遥感影像去噪方法，其特征在于，步骤5中，将反变换出的分块图像按原分块图像的位置组合成遥感图像时，若分块图像之间有重叠，则组合后遥感图像的该部分取为两重叠部分的均值。
CN202110667785.8A 2021-06-16 2021-06-16 一种基于能量域变换的遥感影像去噪方法 Pending CN113436093A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110667785.8A CN113436093A (zh) 2021-06-16 2021-06-16 一种基于能量域变换的遥感影像去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110667785.8A CN113436093A (zh) 2021-06-16 2021-06-16 一种基于能量域变换的遥感影像去噪方法

Publications (1)

Publication Number Publication Date
CN113436093A true CN113436093A (zh) 2021-09-24

Family

ID=77756348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110667785.8A Pending CN113436093A (zh) 2021-06-16 2021-06-16 一种基于能量域变换的遥感影像去噪方法

Country Status (1)

Country Link
CN (1) CN113436093A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101719268A (zh) * 2009-12-04 2010-06-02 西安电子科技大学 基于改进Directionlet域的广义高斯模型图像去噪方法
WO2012009725A1 (en) * 2010-07-16 2012-01-19 Mayo Foundation For Medical Education And Research System and method for improved energy series of images using multi-energy ct
CN104240187A (zh) * 2013-06-08 2014-12-24 株式会社日立制作所 图像去噪装置及图像去噪方法
CN104318521A (zh) * 2014-09-29 2015-01-28 北京理工大学 多线性子空间学习的医疗图像去噪方法
CN104463808A (zh) * 2014-12-25 2015-03-25 武汉大学 基于空间相关性的高光谱数据降噪方法及系统
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
US20190213715A1 (en) * 2016-05-06 2019-07-11 Mayo Foundation For Medical Education And Research System and method for controlling noise in multi-energy computed tomography images based on spatio-spectral information

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101719268A (zh) * 2009-12-04 2010-06-02 西安电子科技大学 基于改进Directionlet域的广义高斯模型图像去噪方法
WO2012009725A1 (en) * 2010-07-16 2012-01-19 Mayo Foundation For Medical Education And Research System and method for improved energy series of images using multi-energy ct
CN104240187A (zh) * 2013-06-08 2014-12-24 株式会社日立制作所 图像去噪装置及图像去噪方法
CN104318521A (zh) * 2014-09-29 2015-01-28 北京理工大学 多线性子空间学习的医疗图像去噪方法
CN104463808A (zh) * 2014-12-25 2015-03-25 武汉大学 基于空间相关性的高光谱数据降噪方法及系统
US20190213715A1 (en) * 2016-05-06 2019-07-11 Mayo Foundation For Medical Education And Research System and method for controlling noise in multi-energy computed tomography images based on spatio-spectral information
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LENG ET AL: "Maximizing Iodine Contrast-to Noise Ratios in Abdominal CT Imaging through Use of Energy Domain Noise Reduction and Virtual Monoenergetic Dual-Energy CT", 《RADIOLOGY》 *
李春: "基于小波分解的图像多分辨率非局部去噪", 《万方数据》 *
陈凤华: "基于全变分的图像复原算法研究", 《万方数据》 *

Similar Documents

Publication Publication Date Title
CN111369457B (zh) 稀疏判别张量鲁棒性pca的遥感图像去噪方法
Aminghafari et al. Multivariate denoising using wavelets and principal component analysis
CN108122008B (zh) 基于稀疏表示和多特征决策级融合的sar图像识别方法
CN110865357A (zh) 一种基于参数优化vmd的激光雷达回波信号降噪方法
CN110533683B (zh) 一种融合传统特征与深度特征的影像组学分析方法
CN109919870A (zh) 一种基于bm3d的sar图像相干斑抑制方法
Dash et al. Multi-resolution Laws’ Masks based texture classification
CN104657951A (zh) 图像乘性噪声移除方法
US11615612B2 (en) Systems and methods for image feature extraction
CN111415323B (zh) 图像的检测方法及装置，神经网络的训练方法及装置
CN112596104B (zh) 一种结合张量分解和全变分的地震资料去噪方法
Su A filter-based post-processing technique for improving homogeneity of pixel-wise classification data
CN107301631B (zh) 一种基于非凸加权稀疏约束的sar图像降斑方法
Lee et al. Convolutional autoencoder based feature extraction in radar data analysis
Noiboar et al. Anomaly detection based on wavelet domain GARCH random field modeling
CN113359135B (zh) 一种成像及识别模型的训练方法、应用方法、装置及介质
CN109658340B (zh) 基于rsvd与直方图保存的sar图像快速去噪方法
Abramova A blind method for additive noise variance evaluation based on homogeneous region detection using the fourth central moment analysis
CN113436093A (zh) 一种基于能量域变换的遥感影像去噪方法
CN116310452A (zh) 一种多视图聚类方法及系统
CN115731462A (zh) 基于多头自-交叉混合注意力的高光谱图像变化检测方法
Moon et al. Image patch analysis and clustering of sunspots: A dimensionality reduction approach
CN109242797B (zh) 基于均质和异质区域融合的图像去噪方法、系统及介质
Huo et al. Seafloor segmentation using combined texture features of sidescan sonar images
Červinka et al. Pre-processing for Segmentation of Computer Tomography Images

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

Application publication date: 20210924

RJ01 Rejection of invention patent application after publication