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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000009466 transformation Effects 0.000 title claims abstract description 26
- 230000001131 transforming effect Effects 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 10
- 230000000903 blocking effect Effects 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 description 5
- 238000005192 partition Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000011426 transformation 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
- 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
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,1≤i≤K,表示第i个分类下的第j个分块图像,1≤j≤Ni,Ni为分类中分块图像的数目。
进一步的,步骤3的具体方式为:
对R进行特征分解,得到Ni个特征向量以及特征值;
进一步的,步骤4的具体方式为:
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:
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;
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:
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3,对每个分类下的分块图像进行能量域变换。以为例,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3c,计算能量域分量。第j个能量域分量Fj的计算方式如下:
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
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;
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:
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。
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。
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)
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 |
-
2021
- 2021-06-16 CN CN202110667785.8A patent/CN113436093A/zh active Pending
Patent Citations (7)
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)
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 |