CN113962904B - 一种高光谱图像滤波降噪的方法 - Google Patents
一种高光谱图像滤波降噪的方法 Download PDFInfo
- Publication number
- CN113962904B CN113962904B CN202111418958.9A CN202111418958A CN113962904B CN 113962904 B CN113962904 B CN 113962904B CN 202111418958 A CN202111418958 A CN 202111418958A CN 113962904 B CN113962904 B CN 113962904B
- Authority
- CN
- China
- Prior art keywords
- fitting
- hyperspectral image
- filtered
- image
- dimensional filtering
- 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
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 238000009499 grossing Methods 0.000 abstract description 5
- 230000003595 spectral effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003287 optical effect Effects 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明涉及高光谱图像技术领域,具体公开了一种高光谱图像滤波降噪的方法,其中,包括:获取待滤波的高光谱图像的图像信息,所述图像信息包括图像平面坐标轴和波段;根据所述图像信息选择匹配的三维滤波窗口,并确定与所述三维滤波窗口对应的拟合多项式;根据所述三维滤波窗口遍历所述待滤波的高光谱图像,并通过所述拟合多项式实现对所述待滤波的高光谱图像内的所有数据点进行拟合;根据拟合后的数据生成新的高光谱图像,所述新的高光谱图像的空间大小与所述待滤波的高光谱图像一致。本发明提供的高光谱图像滤波降噪的方法针对高光谱图像平滑效果更加准确。
Description
技术领域
本发明涉及高光谱图像技术领域,尤其涉及一种高光谱图像滤波降噪的方法。
背景技术
高光谱图像是由光学传感器对同一场景利用几十甚至上百个光谱波段获得的图像。高光谱数据在成像、传输的过程中会受到多种噪声源的污染,噪声对高光谱图像的分类识别带来了干扰。光谱图像中的噪声分布复杂,降噪滤波是制约高光谱图像分析精度的难题。高光谱图像噪声滤除的主要方法有直方图匹配、矩匹配、光谱微分、S-G(Savitzky-Golay,平滑去噪)滤波等方法,其中S-G滤波被广泛应用于高光谱数据降噪滤波。
目前的S-G滤波方法对一维曲线的降噪平滑效果非常出色,但在高光谱数据中,由于空间信息无法利用,遇到个别噪声特别严重的波段,原有的S-G滤波方法仍不能达到较好的处理效果,并且所带来的信息丢失会导致图像失真更为严重。
发明内容
本发明提供了一种高光谱图像滤波降噪的方法,解决相关技术中存在的S-G滤波方法对于高光谱图像滤波降噪效果不好的问题。
作为本发明的一个方面,提供一种高光谱图像滤波降噪的方法,其中,包括:
获取待滤波的高光谱图像的图像信息,所述图像信息包括图像平面坐标轴和波段;
根据所述图像信息选择匹配的三维滤波窗口,并确定与所述三维滤波窗口对应的拟合多项式;
根据所述三维滤波窗口遍历所述待滤波的高光谱图像,并通过所述拟合多项式实现对所述待滤波的高光谱图像内的所有数据点进行拟合;
根据拟合后的数据生成新的高光谱图像,所述新的高光谱图像的空间大小与所述待滤波的高光谱图像一致。
进一步地,所述根据所述图像信息选择匹配的三维滤波窗口,并确定与所述三维滤波窗口对应的拟合多项式,包括:
设定三维滤波窗口的窗口大小m值,以及设定拟合多项式的阶数k值,其中2m>k,m为大于或者等于1的自然数;
根据所述m值和k值通过最小二乘法确定拟合多项式的拟合参数;
根据所述拟合参数计算得到该拟合参数下的三维滤波窗口。
进一步地,所述图像信息包括图像平面坐标轴(x,y)和波段z,所述三维滤波窗口为一组以(x,y,z)=(0,0,0)为中心且三个方向上均为2m+1个数据的立方体。
进一步地,所述根据所述m值和k值通过最小二乘法确定拟合多项式的拟合参数,包括:
根据所述m值和k值确定拟合多项式的表达式;
根据所述拟合多项式的表达式构成线性方程组;
对所述线性方程组进行最小二乘法拟合,确定拟合参数。
进一步地,所述根据所述拟合参数计算得到该拟合参数下的三维滤波窗口,包括:
根据所述拟合参数求解最佳系数矩阵;
对所述最佳系数矩阵求解得到三维滤波窗口的表达式。
进一步地,所述拟合多项式的表达式为:
进一步地,所述根据所述三维滤波窗口遍历所述待滤波的高光谱图像,并通过所述拟合多项式实现对所述待滤波的高光谱图像内的所有数据点进行拟合,包括:
对所述待滤波的高光谱图像进行扩充预处理;
遍历扩充预处理后的待滤波的高光谱图像,并与所述三维滤波窗口进行运算得到所述待滤波的高光谱图像内的所有数据点的拟合值。
进一步地,所述对所述待滤波的高光谱图像进行扩充预处理,包括:
对所述待滤波的高光谱图像的各维度边缘进行扩充,分别各自沿x轴和y轴的正负方向扩充大小为m个像素,z轴正负方向分别扩充m个波段,扩充的数据值以其所在原有长方体所在面为对称轴成对称关系。
本发明提供的高光谱图像滤波降噪的方法,通过选择匹配的三维滤波窗口遍历待滤波的高光谱图像,并通过拟合多项式对待滤波的高光谱图像内的所有数据点进行拟合,得到新的高光谱图像,从而实现对待滤波的高光谱图像的滤波降噪,且该方法由于考虑高光谱图像的空间信息,且考虑同一波段相邻像素点的相似性,平滑效果更加准确。另外,还可以通过设置不同的m值和k值,对高光谱空间滤波进行优化,对于噪声严重的波段,在达到平滑的同时,可以更好的保留图像的细节。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1为本发明提供的高光谱图像滤波降噪的方法的流程图。
图2为本发明提供的三维滤波窗口的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包括,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种高光谱图像滤波降噪的方法,图1是根据本发明实施例提供的高光谱图像滤波降噪的方法的流程图,如图1所示,包括:
S110、获取待滤波的高光谱图像的图像信息,所述图像信息包括图像平面坐标轴和波段;
需要说明的是,对于相同物质或者物体,相邻像素点的光谱图基本一致,而相邻波段的DN值(Digital Number,遥感影像像元亮度值)又十分接近,因此可以考虑三个维度的平滑,图像平面坐标轴(x,y)和波段z。
S120、根据所述图像信息选择匹配的三维滤波窗口,并确定与所述三维滤波窗口对应的拟合多项式;
在本发明实施例中,具体可以包括:
设定三维滤波窗口的窗口大小m值,以及设定拟合多项式的阶数k值,其中2m>k,m为大于或者等于1的自然数;
根据所述m值和k值通过最小二乘法确定拟合多项式的拟合参数;
根据所述拟合参数计算得到该拟合参数下的三维滤波窗口。
在本发明实施例中,所述图像信息包括图像平面坐标轴(x,y)和波段z,所述三维滤波窗口为一组以(x,y,z)=(0,0,0)为中心且三个方向上均为2m+1个数据的立方体。
进一步具体地,所述根据所述m值和k值通过最小二乘法确定拟合多项式的拟合参数,包括:
根据所述m值和k值确定拟合多项式的表达式;
根据所述拟合多项式的表达式构成线性方程组;
对所述线性方程组进行最小二乘法拟合,确定拟合参数。
在本发明实施例中,所述拟合多项式的表达式为:
进一步具体地,所述根据所述拟合参数计算得到该拟合参数下的三维滤波窗口,包括:
根据所述拟合参数求解最佳系数矩阵;
对所述最佳系数矩阵求解得到三维滤波窗口的表达式。
S130、根据所述三维滤波窗口遍历所述待滤波的高光谱图像,并通过所述拟合多项式实现对所述待滤波的高光谱图像内的所有数据点进行拟合;
在本发明实施例中,具体可以包括:
对所述待滤波的高光谱图像进行扩充预处理;
遍历扩充预处理后的待滤波的高光谱图像,并与所述三维滤波窗口进行运算得到所述待滤波的高光谱图像内的所有数据点的拟合值。
进一步具体地,所述对所述待滤波的高光谱图像进行扩充预处理,包括:
对所述待滤波的高光谱图像的各维度边缘进行扩充,分别各自沿x轴和y轴的正负方向扩充大小为m个像素,z轴正负方向分别扩充m个波段,扩充的数据值以其所在原有长方体所在面为对称轴成对称关系。
S140、根据拟合后的数据生成新的高光谱图像,所述新的高光谱图像的空间大小与所述待滤波的高光谱图像一致。
综上,本发明提供的高光谱图像滤波降噪的方法,通过选择匹配的三维滤波窗口遍历待滤波的高光谱图像,并通过拟合多项式对待滤波的高光谱图像内的所有数据点进行拟合,得到新的高光谱图像,从而实现对待滤波的高光谱图像的滤波降噪,且该方法由于考虑高光谱图像的空间信息,且考虑同一波段相邻像素点的相似性,平滑效果更加准确。另外,还可以通过设置不同的m值和k值,对高光谱空间滤波进行优化,对于噪声严重的波段,在达到平滑的同时,可以更好的保留图像的细节。
下面以m=2,k=2为例,对本发明提供的高光谱图像滤波降噪的方法的具体过程进行详细描述。
如图2所示,可以用如下的多项式来拟合:
最终有6m+1=13个这样的方程构成3k+1=7元线性方程组,且满足方程组有解的条件2m>k,通过最小二乘法拟合确定拟合参数A。由此得到:
用矩阵表示为C(3*2m+1)=X(3*2m+1)·AK*1+E(3*2m+1)。
求解可以得到最佳系数矩阵为B=X·(XT·X)-1·XT,
再由公式计算B矩阵,得到:
根据上述三维S-G卷积核求解公式得出:
对高光谱图像各维度边缘进行扩充,各沿x和y轴正负方向扩充大小为m(这里m为2)个像素,z轴正负方向上各扩充m个波段,扩充的数据值以其所在原有长方体所在面为对称轴成对称关系,最终高光谱图像由原有x*y*z大小扩充为(x+2m)*(y+2m)*(z+2m)大小。
通过滤波窗口遍历扩充后高光谱图像,对光谱图像中的每一个点分别进行拟合。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (4)
1.一种高光谱图像滤波降噪的方法,其特征在于,包括:
获取待滤波的高光谱图像的图像信息,所述图像信息包括图像平面坐标轴和波段;
根据所述图像信息选择匹配的三维滤波窗口,并确定与所述三维滤波窗口对应的拟合多项式;
根据所述三维滤波窗口遍历所述待滤波的高光谱图像,并通过所述拟合多项式实现对所述待滤波的高光谱图像内的所有数据点进行拟合;
根据拟合后的数据生成新的高光谱图像,所述新的高光谱图像的空间大小与所述待滤波的高光谱图像一致;
其中,所述根据所述图像信息选择匹配的三维滤波窗口,并确定与所述三维滤波窗口对应的拟合多项式,包括:
设定三维滤波窗口的窗口大小m值,以及设定拟合多项式的阶数k值,其中2m>k,m为大于或者等于1的自然数;
根据所述m值和k值通过最小二乘法确定拟合多项式的拟合参数;
根据所述拟合参数计算得到该拟合参数下的三维滤波窗口;
其中,所述图像信息包括图像平面坐标轴(x,y)和波段z,所述三维滤波窗口为一组以(x,y,z)=(0,0,0)为中心且三个方向上均为2m+1个数据的立方体;
所述根据所述三维滤波窗口遍历所述待滤波的高光谱图像,并通过所述拟合多项式实现对所述待滤波的高光谱图像内的所有数据点进行拟合,包括:
对所述待滤波的高光谱图像进行扩充预处理;
遍历扩充预处理后的待滤波的高光谱图像,并与所述三维滤波窗口进行运算得到所述待滤波的高光谱图像内的所有数据点的拟合值;
所述对所述待滤波的高光谱图像进行扩充预处理,包括:
对所述待滤波的高光谱图像的各维度边缘进行扩充,分别各自沿x轴和y轴的正负方向扩充大小为m个像素,z轴正负方向分别扩充m个波段,扩充的数据值以其所在原有长方体所在面为对称轴成对称关系。
2.根据权利要求1所述的高光谱图像滤波降噪的方法,其特征在于,所述根据所述m值和k值通过最小二乘法确定拟合多项式的拟合参数,包括:
根据所述m值和k值确定拟合多项式的表达式;
根据所述拟合多项式的表达式构成线性方程组;
对所述线性方程组进行最小二乘法拟合,确定拟合参数。
3.根据权利要求2所述的高光谱图像滤波降噪的方法,其特征在于,所述根据所述拟合参数计算得到该拟合参数下的三维滤波窗口,包括:
根据所述拟合参数求解最佳系数矩阵;
对所述最佳系数矩阵求解得到三维滤波窗口的表达式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418958.9A CN113962904B (zh) | 2021-11-26 | 2021-11-26 | 一种高光谱图像滤波降噪的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418958.9A CN113962904B (zh) | 2021-11-26 | 2021-11-26 | 一种高光谱图像滤波降噪的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113962904A CN113962904A (zh) | 2022-01-21 |
CN113962904B true CN113962904B (zh) | 2023-02-10 |
Family
ID=79472142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111418958.9A Active CN113962904B (zh) | 2021-11-26 | 2021-11-26 | 一种高光谱图像滤波降噪的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962904B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117474815B (zh) * | 2023-12-25 | 2024-03-19 | 山东大学 | 一种高光谱图像校准方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310571A (zh) * | 2020-01-17 | 2020-06-19 | 中国科学院长春光学精密机械与物理研究所 | 一种基于空谱维滤波的高光谱图像分类方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740799B (zh) * | 2016-01-27 | 2018-02-16 | 深圳大学 | 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统 |
CN107274376A (zh) * | 2017-07-10 | 2017-10-20 | 南京埃斯顿机器人工程有限公司 | 一种工件三维点云数据平滑滤波方法 |
CN108009550B (zh) * | 2017-11-09 | 2021-01-22 | 深圳大学 | 基于光谱曲线拟合的高光谱图像特征检测方法及装置 |
CN109886351B (zh) * | 2019-03-04 | 2021-10-15 | 北京麦飞科技有限公司 | 高光谱数据和高分辨率图像融合方法 |
CN111598797B (zh) * | 2020-04-27 | 2023-08-29 | 浙江工业大学 | 一种基于非凸张量范数和全变分的高光谱图像恢复方法 |
CN111678599B (zh) * | 2020-07-07 | 2022-11-22 | 安徽大学 | 基于深度学习优化s-g滤波的激光光谱降噪方法及装置 |
CN112309498B (zh) * | 2020-12-31 | 2021-04-09 | 武汉纽福斯生物科技有限公司 | 一种基于深度学习和荧光光谱的基因检测方法及装置 |
-
2021
- 2021-11-26 CN CN202111418958.9A patent/CN113962904B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310571A (zh) * | 2020-01-17 | 2020-06-19 | 中国科学院长春光学精密机械与物理研究所 | 一种基于空谱维滤波的高光谱图像分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113962904A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10168526B2 (en) | Cell contour formation apparatus and method of the same, and non-transitory computer readable storage medium storing a cell contour formation program | |
WO2021098083A1 (zh) | 基于显著特征的多光谱相机动态立体标定算法 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN108596975B (zh) | 一种针对弱纹理区域的立体匹配算法 | |
CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
CN110910456B (zh) | 基于Harris角点互信息匹配的立体相机动态标定方法 | |
CN110544212B (zh) | 基于层级特征融合的卷积神经网络高光谱图像锐化方法 | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
CN110969669B (zh) | 基于互信息配准的可见光与红外相机联合标定方法 | |
CN110969667A (zh) | 基于边缘特征的多光谱相机外参自校正算法 | |
CN110956661A (zh) | 基于双向单应矩阵的可见光与红外相机动态位姿计算方法 | |
CN110796616A (zh) | 基于分数阶微分算子的l0范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
CN113962904B (zh) | 一种高光谱图像滤波降噪的方法 | |
CN113538569A (zh) | 一种弱纹理物体位姿估计方法和系统 | |
CN106157240B (zh) | 基于字典学习的遥感图像超分辨率方法 | |
CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
CN111199197A (zh) | 一种人脸识别的图像提取方法及处理设备 | |
CN116823694B (zh) | 基于多聚焦信息整合的红外与可见光图像融合方法及系统 | |
CN110910457B (zh) | 基于角点特征的多光谱立体相机外参计算方法 | |
CN110310269B (zh) | 基于极平面多尺度Gabor特征相似度的光场图像质量评价方法 | |
CN109543717B (zh) | 基于自适应邻域及字典的联合协作表达高光谱分类方法 | |
CN114565563B (zh) | 基于人工智能的彩钢板表面异常检测方法 | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
CN113066030A (zh) | 一种基于空谱融合网络的多光谱图像全色锐化方法及系统 | |
CN112348823A (zh) | 一种面向对象的高分辨率遥感影像分割算法 |
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 |