CN113706397B - 基于小波变换的遥测图像降噪处理方法 - Google Patents

基于小波变换的遥测图像降噪处理方法 Download PDF

Info

Publication number
CN113706397B
CN113706397B CN202010437437.7A CN202010437437A CN113706397B CN 113706397 B CN113706397 B CN 113706397B CN 202010437437 A CN202010437437 A CN 202010437437A CN 113706397 B CN113706397 B CN 113706397B
Authority
CN
China
Prior art keywords
matrix
principal component
image
wavelet
noise reduction
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.)
Active
Application number
CN202010437437.7A
Other languages
English (en)
Other versions
CN113706397A (zh
Inventor
董建超
苏成谦
彭雪明
辛振芳
刘先灿
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.)
Beijing Machinery Equipment Research Institute
Original Assignee
Beijing Machinery Equipment 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 Beijing Machinery Equipment Research Institute filed Critical Beijing Machinery Equipment Research Institute
Priority to CN202010437437.7A priority Critical patent/CN113706397B/zh
Publication of CN113706397A publication Critical patent/CN113706397A/zh
Application granted granted Critical
Publication of CN113706397B publication Critical patent/CN113706397B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]

Landscapes

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

Abstract

本说明书提供一种基于小波变换的遥测图像降噪处理方法，包括：对n通道图像进行主成分分析，获得n个主成分分量；将n个所述主成分分量分别转换为与所述n通道图像尺寸相同的n个第一矩阵；对前m阶主成分分量对应的m个第一矩阵进行第一尺度的小波降噪，对其他第一矩阵进行第二尺度的小波降噪，获得n个第二矩阵；对n个第二矩阵进行逆转换，得到n个滤波主成分分量，以及根据n个所述滤波主成分分量组成n通道降噪图像；其中，所述第一尺度小于所述第二尺度。本说明书提供的降噪处理方法可以更好地去除图像中噪声，并保留图像的有效高频细节信息，因此提高了遥测图像降噪处理的质量。

Description

基于小波变换的遥测图像降噪处理方法
技术领域
本申请涉及图像处理技术领域，具体涉及一种基于小波变换的遥测图像降噪处理方法。
背景技术
遥测图像获取过程中，因为采集环境中光照特性、大气湍流特性等环境特性的影响，以及由于环境特征造成的光学镜头、图像传感器等设备的特性变化，都将造成噪声而使得遥测图像的清晰度下降。
因为实际应用领域的特点，遥测图像中包括大量的点、线和尖顶图像细节，而噪声影响此类细节的有效识别而需要去除。目前已有的后端去除噪声的方法包括小波变换滤波方法等。
小波变换滤波方法通过小波处理，将高频小波基函数对应的系数进行调整，并利用调整后的系数和小波基函重构图像。但是，因为遥测图像中包括具有价值的高频成分(例如前述的点、线和顶尖细节)，采用小波变换滤波方法会将此类高频成分去除，而造成图像有效信息的丢失。
发明内容
本说明书提供一种基于小波变换的遥测图像降噪处理方法和装置，以减小常规小波变换滤波方法使得遥测图像中高频成分易被去除的问题。
本说明书提供一种基于小波变换的遥测图像降噪处理方法，包括：
对n通道图像进行主成分分析，获得n个主成分分量；
将n个所述主成分分量分别转换为与所述n通道图像尺寸相同的n个第一矩阵；
对前m阶主成分分量对应的m个第一矩阵进行第一尺度的小波降噪，对其他第一矩阵进行第二尺度的小波降噪，获得n个第二矩阵；
对n个第二矩阵进行逆转换，得到n个滤波主成分分量，以及根据n个所述滤波主成分分量组成n通道降噪图像；
其中，所述第一尺度小于所述第二尺度。
可选地，对n通道图像进行主成分分析，获得n个主成分分量，包括：
将所述n通道图像的第j个通道变换为一维向量xi，并采用所述一维向量xi组成第三矩阵
计算所述第三矩阵的协方差矩阵Cx，以及计算所述协方差矩阵Cx对应的特征向量矩阵V；
采用所述特征向量矩阵V和所述n通道图像计算得到第四矩阵PC，第四矩阵PC＝VTx，并根据所述第四矩阵PC获得n个所述主成分分量；
根据所述n个所述滤波主成分分量获得n通道降噪图像，包括：
采用n个滤波后主成分分量，组成n个第五矩阵PC'；
采用所述第五矩阵PC'和所述特征向量矩阵V得到第六矩阵
将所述第六矩阵中的yj逆变换为所述n通道降噪图像的第j个颜色通道，而得到所述n通道降噪图像。
可选地，对前进行第一尺度的小波降噪，对其他的第一矩阵进行第二尺度的小波降噪，获得n个第二矩阵，包括：
对前m阶主成分分量对应的m个第一矩阵进行第一尺度的小波分解，得到对应各个双正交小波基函数的第一系数，以及对其他第一矩阵进行第二尺度的小波分解，得到对应各个双正交小波基函数的第二系数；
获取各个第一矩阵在各个尺度上的系数阈值；
根据所各个第一矩阵对应的系数阈值修正对应的第一系数或第二系数，得到第一修正系数和第二修正系数；
采用所述第一修正系数或所述第二修正系数，以及对应的双正交小波基函数进行矩阵重构，得到分别对应各个所述第一矩阵的第二矩阵。
可选地，根据所述系数阈值修正对应的第一系数或第二系数，得到第一修正系数和第二修正系数，包括：
采用软阈值降噪法修正对应的所述第一系数或第二系数，得到所述第一修正系数和所述第二修正系数。
可选地，对所述m个第一矩阵进行小波分解采用的双正交小波基函数不同于对其他的第一矩阵进行小波分解采用的双正交小波基函数。
本说明书提供一种遥测图像的降噪处理装置，包括：
主成分分析单元，用于对n通道图像进行主成分分析，获得n个主成分分量；
转换单元，用于将n个所述主成分分量分别转换为与所述n通道图像尺寸相同的n个第一矩阵；小波滤波单元，用于对前m阶主成分分量对应的m个第一矩阵进行第一尺度的小波降噪，对其他第一矩阵进行第二尺度的小波降噪，获得n个第二矩阵；
逆转换单元，用于对n个第二矩阵进行逆转换，得到n个滤波主成分分量，以及根据n个所述滤波主成分分量组成n通道降噪图像；
其中，第一滑动窗函数的窗口尺寸小于第二滑动窗函数的窗口尺寸。
可选地，所述主成分分析单元包括：
第一子单元，用于将所述n通道图像的第j个颜色通道变换为一维向量xi，并采用所述一维向量xi组成第三矩阵
第二子单元，用于计算所述第三矩阵的协方差矩阵Cx，以及计算所述协方差矩阵Cx对应的特征向量矩阵V；
第三子单元，用于采用所述特征向量矩阵V和所述n通道图像计算得到第四矩阵PC，第四矩阵PC＝VTx，并根据所述第四矩阵PC获得n个所述主成分分量；
所述逆转换单元包括：
第四子单元，用于采用n个滤波后主成分分量，组成n个第五矩阵PC'；
第五子单元，用于采用第五矩阵PC'和所述特征向量矩阵V得到第六矩阵
第六子单元，用于将所述第六矩阵中的yj逆变换为所述n通道降噪图像的第j个颜色通道，而得到所述n通道降噪图像。
可选地，所述小波滤波单元包括：
分解子单元，用于对前m阶主成分分量对应的m个第一矩阵进行第一尺度的小波分解，得到对应各个双正交小波基函数的第一系数，以及对其他第一矩阵进行第二尺度的小波分解，获得对应各个双正交小波基函数的第二系数；
阈值确定子单元，用于获取各个第一矩阵在各个尺度上的的系数阈值；
系数修正子单元，用于根据所述系数阈值修正对应的第一系数或第二系数，得到第一修正系数和第二修正系数；
重构子单元，用于采用所述第一修正系数或所述第二修正系数，以及对应的双正交小波基函数进行矩阵重构，得到分别对应各个所述第一矩阵的第二矩阵。
本说明书提供的降噪处理方法，首先对n通道图像进行主成分分析，获得n个主成分分量。后续步骤中，对前m阶主成分分量对应的第一矩阵进行第一尺度的小波去噪，具有较高的频率分辨率，其可以保留大部分的图像有效信息；而对其他阶主成分分量对应的第一矩阵进行第二尺度的小波去噪，具有较高的空间分辨率，能够高效地识别出噪声的空间位置信息。也就是通过本说明书提供的降噪处理方法可以在保留图像中频率分辨率的情况下识别出其中的噪声。即其可以更好地去除图像中噪声，并保留图像的有效高频细节信息。因此提高了遥测图像降噪处理的质量。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制。
图1是实施例提供的基于小波变换的遥测图像降噪处理方法流程图；
图2是实施例提供的遥测图像的降噪处理装置示意图；
其中：11-主成分分析单元，12-转换单元，13-小波滤波单元，14-逆转换单元。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本说明书提供一种基于小波变换的遥测图像降噪处理方法，通过将原始遥测图像分解为多个成分分量，针对各个成分分量分别进行各异化的小波降噪而分别去除噪声特性，再利用多个成分分量合成降噪图像。
图1是实施例提供的基于小波变换的遥测图像降噪处理方法流程图。如图1所示，本实施例提供的降噪处理方法包括步骤S101-S105。
S101：对n通道图像进行主成分分析，获得n个主成分分量。
本实施例中，n至少为3。具体应用中，n通道图像可以是满足人眼视觉的RGB图像，也可以说具有红外谱段、紫外谱段等具有多频谱识别的图像。对n通道图像进行主成分分析的步骤包括步骤S1011-S1013。
n通道图像可能为各种存储格式的图像，本说明书并不做特别地限定。实际应用中，n通道图像可以是BMP、JPEG、PNG、CUR、JPEG 2000、PPM、GIF、PBM、RAS、HDF4、PCX、TIFF、ICO、PGM、XWD等各种存储格式。
实际应用中，n通道图像中每个通道的数据类型可能为unit8、unit16或者logical等类型(也就是每个通道的位深度为前述类型)。为了避免后续运算过程中造成的数据溢出，可以将各个通道均转换为0～1之间的double类型。
S1011：将n通道图像中的各个通道变换为一维向量，并将所有的一维向组成第三矩阵。
假设n通道图像的尺寸为p×q，则可以知道第j个颜色通道变换得到的一维向量xi的长度为p×q。将各个颜色通道变换为一维向量后，形成的第三矩阵为
S1012：计算第三矩阵对应的协方差矩阵，以及计算协方差矩阵对应的特征向量矩阵。
第三矩阵对应的协方差矩阵为Cx,，其中协方差矩阵中的元素为Cx(i,j)＝E[(xi-E(xi))(xj-E(xj))]。
在获得协方差矩阵Cx后，对协方差矩阵进行特征分解，得到特征值对角阵D和特征向量矩阵V，其中Cx·V＝V·D。特征值对角阵D中对应各阶主成分分量的特征值，其按照降序进行排列，V中的列向量为各阶主成分分量的特征向量。
S1013：采用特征向量矩阵C和n通道图像计算得到第四矩阵，并根据第四矩阵获得n个主成分分量。
第四矩阵采用PC表示，PC＝VTx。对应的，第四矩阵PC中的各个行向量分别一个主成分分量。
采用步骤S1011-S1013的方法分解处理得到的各个主成分分量，采用不同于n通道的方式将n通道图像分解为n个主成分。
S102：将n个主成分分量分别转换为与n通道图像尺寸相同的n个第一矩阵。
根据步骤S101可知，n个主成分分量中，每个主成分分量的元素个数均为p×q。将n个主成分分量转换为n个第一矩阵的过程，即使将一维向量重新转换为p×q矩阵的过程。在转换为第一矩阵的过程中，需要保证转换过程按照与步骤S1011相反转换过程进行转换，以保证与n通道图像像素点的对应。
S103：对前m阶主成分分量对应的m个第一矩阵进行第一尺度的小波降噪，对其他第一矩阵进行第二尺度的小波降噪，获得n个第二矩阵。
本实施例中，第一尺度小于第二尺度。
具体应用中，步骤S103可以包括步骤S1031-S1034。
S1031：对前m阶主成分分量对应的m个第一矩阵进行第一尺度的小波分解，得到对应的第一系数，以及，对其他第一矩阵进行第二尺度的小波分解，得到对应的第二系数。
在本实施中，n通道图像为RGB图像，对应的m设置为1。
应当注意的是，本实施例中，进行主成分分析的各个第一矩阵均为二维矩阵，所以进行小波分解时采用的小波基函数均为双正交小波基函数。
实际应用中，可以使用的双正交小波基函数的小波基可以为：haar小波基，Biorthogonal小波基、Daubechies小波基、Symlets小波基或者Coiflets小波基等。
可以想到，对任一第一矩阵进行小波分解后，可以得到对应各个尺度小波基的系数(也就是多个第一系数或者多个第二系数)。
S1032：获取各个第一矩阵在各个尺寸上的系数阈值。
本实施例中，可以采用经典的VisuShrink阈值方法、SUPEShrink阈值方法、OCV(Ordinary Cross Validation)函数、BayesShrink阈值方法求取系数阈值。具体各种系数阈值方法可以在各种小波处理软件的小波工具箱中获得。
S1033：根据各个第一矩阵对应的系数阈值修正对应的第一系数或第二系数，得到第一修正系数和第二修正系数。
步骤S1033中，是以求取的系数阈值为参照，对各个第一矩阵对应的第一系数和第二系数进行处理的过程。
实际应用中，可以采用硬阈值处理方法、软阈值处理方法、半软阈值处理方法等对第一系数和第二系数进行处理，得到第一修正系数和第二修正系数；其中优选采用软阈值处理方法或者半软阈值处理方法。
S1034：采用第一修正系数或第二修正系数，以及对应的双正交小波基函数进行矩阵重构，得到分别对应各个第一矩阵的第二矩阵。
步骤S1034是基于修正的小波基系数，和对应的双正交小波基函数进行矩阵重构的过程。其中，针对一个第一矩阵，采用第一修正系数或者第二修正系数和对应的双正交小波基函数进行相乘，得到对应时频情况下的分量，并将各个分量相加得到第二矩阵。
本实施例具体应用中，针对不同的第一矩阵，可以采用不同的双正交小波基函数进行分解。在选择的双正交小波基函数与第一矩阵的时频特性匹配的情况下，可以更好地分离出图像中的有用信息和噪声。当然，在实际应用中，各个第一矩阵也可以采用相同的双正交小波基函数进行小波分解，并采用此双正交小波基函数进行第二矩阵的重构。
S104：对n个第二矩阵进行逆转换，得到n个滤波主成分分量。
步骤S104是前述步骤S102的逆操作。相应的操作方法与步骤S102相反。
S105：根据n个所述滤波主成分分量组成n通道降噪图像。
步骤S105可以包括步骤S1051-S1053。
S1051：采用n个滤波主成分分量，组成n个第五矩阵PC'。
应当注意的是，采用n个滤波主成分分量组成第五矩阵PC'时，各个滤波主成分分量在第五矩阵PC'的位置与对应的步骤S101中的主成分分量的位置相同。
S1052：采用第五矩阵和特征向量矩阵V得到第六矩阵。
本实施例中，第六矩阵采用表示，第六矩阵/>
S1053：将第六矩阵中的yj逆变换为n通道降噪图像的第j个颜色通道，而得到n通道降噪图像。
步骤S1053为前述步骤S1011的逆操作。其中，将yj逆变换为n通道降噪图像的第j个颜色通道，也需要形成p×q的矩阵。在得到n个p×q矩阵后，将n个矩阵按照对应的颜色通道组合，即可以得到n通道降噪图像。
参见前述的步骤S101和S102，因为采用主成分分析获得n个主成分分量，在前阶的主成分分量对应的图像有效信息较多，噪声信息较少；而较后阶的主成分分量对应的图像有效信息较少，噪声信息较多；其中噪声为随机高频成分。
相应的，步骤S103对前m阶主成分分量对应的第一矩阵进行第一尺度的小波去噪，具有较高的频率分辨率，其可以保留大部分的图像有效信息；而对其他阶主成分分量对应的第一矩阵进行第二尺度的小波去噪，具有较高的空间分辨率，能够高效地识别出噪声的空间位置信息。也就是通过前述处理，可以同时保留图像中频率分辨率的情况下识别出其中的噪声。因此，采用前述步骤S101-S105的方法，可以更好地去除图像中噪声，并保留图像的有效高频细节信息。因此提高了遥测图像降噪处理的质量。
除了提供前述的基于小波变换的遥测图像降噪处理方法外，本说明书实施还提供一种遥测图像的降噪处理装置。处理装置与前述的处理方法采用相同的发明构思。下文，仅对本说明书实施例的处置装置结构做介绍，相应解决的技术问题、达到技术效果可以参见前文表述。
图2是实施例提供的遥测图像的降噪处理装置示意图。如图2所示，本实施例提供的处理装置包括主成分分析单元11、转换单元12、小波滤波单元13和逆转换单元14。
主成分分析单元11用于对n通道图像进行主成分分析，获得n个主成分分量。
转换单元12用于将n个主成分分量分别转换为与n通道图像尺寸相同的n个第一矩阵。
小波滤波单元13用于对前m阶主成分分量对应的m个第一矩阵进行第一尺度的小波降噪，对其他第一矩阵进行第二尺度的小波降噪，获得n个第二矩阵。
逆转换单元14用于对n个第二矩阵进行逆转换，得到n个滤波主成分分量，以及根据n个滤波主成分分量组成n通道降噪图像；
其中，第一滑动窗函数的窗口尺寸小于第二滑动窗函数的窗口尺寸。
在一个应用中，主成分分析单元11包括第一子单元、第二子单元和第三子单元，逆转换单元14包括第四子单元、第五子单元和第六子单元。
第一子单元用于将n通道图像的第j个颜色通道变换为一维向量xi，并采用一维向量xi组成第三矩阵第二子单元用于计算第三矩阵的协方差矩阵Cx，以及计算协方差矩阵Cx对应的特征向量矩阵V；第三子单元用于采用特征向量矩阵V和n通道图像计算得到第四矩阵PC，第四矩阵PC＝VTx，并根据第四矩阵PC获得n个主成分分量。
第四子单元用于采用n个滤波后主成分分量，组成n个第五矩阵PC′；第五子单元用于采用第五矩阵PC′和特征向量矩阵V得到第六矩阵 第六子单元用于将第六矩阵中的yj逆变换为n通道降噪图像的第j个颜色通道，而得到n通道降噪图像。
在一个应用中，小波滤波单元13包括分解子单元、阈值确定子单元、系数修正子单元和重构子单元。
分解子单元用于对前m阶主成分分量对应的m个第一矩阵进行第一尺度的小波分解，得到对应各个双正交小波基函数的第一系数，以及对其他第一矩阵进行第二尺度的小波分解，获得对应各个双正交小波基函数的第二系数。
阈值确定子单元用于获取各个第一矩阵在各个尺度上的的系数阈值。
系数修正子单元用于根据系数阈值修正对应的第一系数或第二系数，得到第一修正系数和第二修正系数。
重构子单元用于采用第一修正系数或第二修正系数，以及对应的双正交小波基函数进行矩阵重构，得到分别对应各个第一矩阵的第二矩阵。
除了提供前述的遥测图像的降噪处理装置外，本说明书实施例还提供一种电子设备。电子设备包括存储器和处理器；存储器存储有程序指令，处理器在加载程序指令后可以执行前述的基于小波变换的遥测图像降噪处理方法。
另外，本说明书实施例还提供一种计算机可读存储介质；计算机可读存储介质存储有程序指令；程序指令被计算机加载后可以执行前述的基于小波变换的遥测图像降噪处理方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于小波变换的遥测图像降噪处理方法，其特征在于，包括：
对n通道图像进行主成分分析，获得n个主成分分量，包括：将所述n通道图像的第j个通道变换为一维向量xi，并采用所述一维向量xi组成第三矩阵计算所述第三矩阵的协方差矩阵Cx，以及计算所述协方差矩阵Cx对应的特征向量矩阵V；采用所述特征向量矩阵V和所述n通道图像计算得到第四矩阵PC，第四矩阵PC＝VTx，并根据所述第四矩阵PC获得n个所述主成分分量；
将n个所述主成分分量分别转换为与所述n通道图像尺寸相同的n个第一矩阵；
对前m阶主成分分量对应的m个第一矩阵进行第一尺度的小波降噪，对其他第一矩阵进行第二尺度的小波降噪，获得n个第二矩阵；
对n个第二矩阵进行逆转换，得到n个滤波主成分分量，以及根据n个所述滤波主成分分量组成n通道降噪图像，包括：采用n个滤波后主成分分量，组成n个第五矩阵PC'；采用所述第五矩阵PC′和所述特征向量矩阵V得到第六矩阵 将所述第六矩阵中的yj逆变换为所述n通道降噪图像的第j个颜色通道，而得到所述n通道降噪图像；
其中，m<n，所述第一尺度小于所述第二尺度。
2.根据权利要求1所述的方法，其特征在于：
对前进行第一尺度的小波降噪，对其他的第一矩阵进行第二尺度的小波降噪，获得n个第二矩阵，包括：
对前m阶主成分分量对应的m个第一矩阵进行第一尺度的小波分解，得到对应各个双正交小波基函数的第一系数，以及对其他第一矩阵进行第二尺度的小波分解，得到对应各个双正交小波基函数的第二系数；
获取各个第一矩阵在各个尺度上的系数阈值；
根据所各个第一矩阵对应的系数阈值修正对应的第一系数或第二系数，得到第一修正系数和第二修正系数；
采用所述第一修正系数或所述第二修正系数，以及对应的双正交小波基函数进行矩阵重构，得到分别对应各个所述第一矩阵的第二矩阵。
3.根据权利要求2所述的方法，其特征在于：
根据所述系数阈值修正对应的第一系数或第二系数，得到第一修正系数和第二修正系数，包括：
采用软阈值降噪法修正对应的所述第一系数或第二系数，得到所述第一修正系数和所述第二修正系数。
4.根据权利要求2所述的方法，其特征在于：
对所述m个第一矩阵进行小波分解采用的双正交小波基函数不同于对其他的第一矩阵进行小波分解采用的双正交小波基函数。
5.一种基于小波变换的遥测图像的降噪处理装置，其特征在于，包括：
主成分分析单元，用于对n通道图像进行主成分分析，获得n个主成分分量，包括：将所述n通道图像的第j个通道变换为一维向量xi，并采用所述一维向量xi组成第三矩阵计算所述第三矩阵的协方差矩阵Cx，以及计算所述协方差矩阵Cx对应的特征向量矩阵V；采用所述特征向量矩阵V和所述n通道图像计算得到第四矩阵PC，第四矩阵PC＝VTx，并根据所述第四矩阵PC获得n个所述主成分分量；
转换单元，用于将n个所述主成分分量分别转换为与所述n通道图像尺寸相同的n个第一矩阵；
小波滤波单元，用于对前m阶主成分分量对应的m个第一矩阵进行第一尺度的小波降噪，对其他第一矩阵进行第二尺度的小波降噪，获得n个第二矩阵；
逆转换单元，用于对n个第二矩阵进行逆转换，得到n个滤波主成分分量，以及根据n个所述滤波主成分分量组成n通道降噪图像，包括：采用n个滤波后主成分分量，组成n个第五矩阵PC'；采用所述第五矩阵PC'和所述特征向量矩阵V得到第六矩阵将所述第六矩阵中的yj逆变换为所述n通道降噪图像的第j个颜色通道，而得到所述n通道降噪图像；
其中，m<n，所述第一尺度小于所述第二尺度。
6.根据权利要求5所述的装置，其特征在于，
所述主成分分析单元包括：
第一子单元，用于将所述n通道图像的第j个颜色通道变换为一维向量xi，并采用所述一维向量xi组成第三矩阵
第二子单元，用于计算所述第三矩阵的协方差矩阵Cx，以及计算所述协方差矩阵Cx对应的特征向量矩阵V；
第三子单元，用于采用所述特征向量矩阵V和所述n通道图像计算得到第四矩阵PC，第四矩阵PC＝VTx，并根据所述第四矩阵PC获得n个所述主成分分量；
所述逆转换单元包括：
第四子单元，用于采用n个滤波后主成分分量，组成n个第五矩阵PC'；
第五子单元，用于采用第五矩阵PC'和所述特征向量矩阵V得到第六矩阵
第六子单元，用于将所述第六矩阵中的yj逆变换为所述n通道降噪图像的第j个颜色通道，而得到所述n通道降噪图像。
7.根据权利要求5或6所述的装置，其特征在于，
所述小波滤波单元包括：
分解子单元，用于对前m阶主成分分量对应的m个第一矩阵进行第一尺度的小波分解，得到对应各个双正交小波基函数的第一系数，以及对其他第一矩阵进行第二尺度的小波分解，获得对应各个双正交小波基函数的第二系数；
阈值确定子单元，用于获取各个第一矩阵在各个尺度上的的系数阈值；
系数修正子单元，用于根据所述系数阈值修正对应的第一系数或第二系数，得到第一修正系数和第二修正系数；
重构子单元，用于采用所述第一修正系数或所述第二修正系数，以及对应的双正交小波基函数进行矩阵重构，得到分别对应各个所述第一矩阵的第二矩阵。
8.一种电子设备，包括存储器和处理器；所述存储器中存储有程序指令；所述处理器用于加载所述程序指令而执行如权利要求1-4任一项所述的方法。
9.一种计算机可读存储介质，存储有程序指令；所述程序指令被计算机加载后用于执行如权利要求1-4任一项所述的方法。
CN202010437437.7A 2020-05-21 2020-05-21 基于小波变换的遥测图像降噪处理方法 Active CN113706397B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010437437.7A CN113706397B (zh) 2020-05-21 2020-05-21 基于小波变换的遥测图像降噪处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010437437.7A CN113706397B (zh) 2020-05-21 2020-05-21 基于小波变换的遥测图像降噪处理方法

Publications (2)

Publication Number Publication Date
CN113706397A CN113706397A (zh) 2021-11-26
CN113706397B true CN113706397B (zh) 2024-05-07

Family

ID=78645916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010437437.7A Active CN113706397B (zh) 2020-05-21 2020-05-21 基于小波变换的遥测图像降噪处理方法

Country Status (1)

Country Link
CN (1) CN113706397B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2348325A1 (en) * 2000-05-23 2001-11-23 Jonathan Martin Shekter System for manipulating noise in digital images
WO2017148451A1 (zh) * 2016-03-02 2017-09-08 深圳竹信科技有限公司 一种基于平稳小波变换滤除肌电干扰的方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2348325A1 (en) * 2000-05-23 2001-11-23 Jonathan Martin Shekter System for manipulating noise in digital images
WO2017148451A1 (zh) * 2016-03-02 2017-09-08 深圳竹信科技有限公司 一种基于平稳小波变换滤除肌电干扰的方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于多光谱图像融合和形态重构的图像分割方法;毛罕平;李明喜;张艳诚;;农业工程学报(06);全文 *
基于结构张量的GrabCut图像分割算法;张勇;袁家政;刘宏哲;李青;;计算机工程(08);全文 *

Also Published As

Publication number Publication date
CN113706397A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
Shao et al. From heuristic optimization to dictionary learning: A review and comprehensive comparison of image denoising algorithms
Needell et al. Stable image reconstruction using total variation minimization
Bashar et al. Exploring duplicated regions in natural images
US20190087726A1 (en) Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications
Fadili et al. Image decomposition and separation using sparse representations: An overview
US7778484B2 (en) Method and apparatus for reducing noise in an image using wavelet decomposition
CN110276726B (zh) 一种基于多通道网络先验信息引导的图像去模糊方法
US6823090B2 (en) Image processing apparatus and its method, program, and storage medium
US6801672B1 (en) Removing noise from a color image using wavelets
US20040008904A1 (en) Method and apparatus for noise reduction using discrete wavelet transform
CN110929581A (zh) 一种基于时空特征加权卷积神经网络的脑电信号识别方法
CN111798396A (zh) 一种基于小波变换的多功能图像处理方法
CN110598584A (zh) 一种基于小波变换和dct的卷积神经网络人脸识别算法
Sufyanu et al. Enhanced Face Recognition Using Discrete Cosine Transform.
JP6476531B1 (ja) 処理装置、処理方法、コンピュータプログラム及び処理システム
Naveed et al. Multiscale image denoising using goodness-of-fit test based on EDF statistics
Sun et al. Compressive superresolution imaging based on local and nonlocal regularizations
CN116012243A (zh) 面向真实场景的暗光图像增强去噪方法、系统和存储介质
CN113706397B (zh) 基于小波变换的遥测图像降噪处理方法
CN113706396B (zh) 基于滑动窗函数的遥测图像降噪处理方法
Pai et al. Medical color image enhancement using wavelet transform and contrast stretching technique
JP2020181402A (ja) 画像処理装置、画像処理方法、およびプログラム
Ngocho et al. Single image super resolution with guided back-projection and LoG sharpening
WO2022194344A1 (en) Learnable augmentation space for dense generative adversarial networks
Talebi et al. Asymptotic performance of global denoising

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