CN115393205A - 红外遥感图像修复方法、装置、电子设备和存储介质 - Google Patents
红外遥感图像修复方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115393205A CN115393205A CN202210957801.1A CN202210957801A CN115393205A CN 115393205 A CN115393205 A CN 115393205A CN 202210957801 A CN202210957801 A CN 202210957801A CN 115393205 A CN115393205 A CN 115393205A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- ideal
- pixel
- ideal image
- 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 77
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000005855 radiation Effects 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000000694 effects Effects 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 230000006872 improvement Effects 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000011158 quantitative evaluation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Transforming Light Signals Into Electric Signals (AREA)
Abstract
本发明提供一种红外遥感图像修复方法、装置、电子设备和存储介质，涉及图像处理技术领域，所述方法包括：获取目标观测图像；基于理想图像中各像素的差分曲率值，确定用于去除条带噪声的约束项，理想图像中条带噪声污染区域的差分曲率值大于非条带噪声污染区域的差分曲率值；基于约束项，构建去噪能量泛函模型；将目标观测图像输入至去噪能量泛函模型进行迭代处理，将最终得到的理想图像确定为去除条带噪声的修复图像，其中：每次迭代过程中将上一次迭代输出的理想图像输入去噪能量泛函模型，直至满足迭代限定条件。本发明可有效去除太阳污染导致的条带噪声，且在条带噪声去除过程中使原始图像辐射信息保持不变。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种红外遥感图像修复方法、装置、电子设备和存储介质。
背景技术
遥感图像质量是影响其应用领域及精度水平的重要因素之一。但是成像过程中由于环境、系统以及人为因素等影响，往往导致图像退化，限制了遥感图像的应用。风云三号(FY-3C)是我国新一代极轨气象卫星，可见光红外扫描辐射计(Visible and Infra-RedRadiometer，VIRR)是主要载荷之一，包含10个光谱通道，其中3个为红外通道，风云三号卫星的主要用途是监测全球云量，判识云的高度、类型和相态，探测海洋表面温度，监测植被生长状况和类型，监测高温火点，识别地表积雪覆盖，探测海洋水色等。
在VIRR红外通道中，由于晨昏交界处太阳光线直射进入传感器扫描镜，以及杂散光污染冷空气引起的钳位电压异常等原因，导致第3通道(3.74μm)产生了明显的条带噪声污染现象，影响了后续影像产品的应用。
现有技术中，条带噪声去除方法主要包括以下三类：
(一)、数字滤波方法，该方法虽然可以去除或降低相关噪声，但往往存在计算量大、步骤繁琐、处理效果稳定性差、效率较低等问题，并且对于地物分布复杂的地表，经过滤波处理后易导致图像纹理、边缘等细节信息缺失，造成条带去除结果模糊等问题，更重要的是处理前后图像的辐射定量信息难以有效保持；
(二)、基于图像灰度信息统计特性的直方图匹配、矩匹配等方法，然而，该方法主要针对多元探测器并扫导致的条带噪声，对于VIRR这种单元成像且随机条带问题并不适用；
(三)、基于变分和偏微分方程的方法，结合条带噪声的方向特性和变分算法进行条带去除，使得条带噪声去除具备较高的效率和精度，然而，该方法去除条带噪声的同时，也模糊了图像的细节，影响条带噪声去除结果。
发明内容
本发明提供一种红外遥感图像修复方法、装置、电子设备和存储介质，用以解决现有技术中无法兼容去除条带噪声且保持细节特征的缺陷，有效去除太阳污染导致的条带噪声，且在条带噪声去除过程中使原始图像辐射信息保持不变。
本发明提供一种红外遥感图像修复方法，包括：
获取目标观测图像，所述目标观测图像包括理想图像与条带噪声；
基于所述理想图像中各像素的差分曲率值，确定用于去除所述条带噪声的约束项，所述理想图像中条带噪声污染区域的差分曲率值大于非条带噪声污染区域的差分曲率值；
基于所述约束项，构建去噪能量泛函模型，其中：所述去噪能量泛函模型是基于所述条带噪声的各向异性与全变差去噪模型得到的，所述去噪能量泛函模型包括保真项和所述约束项，所述保真项用于保持所述目标观测图像的细节特征信息；
将所述目标观测图像输入至所述去噪能量泛函模型进行迭代处理，将最终得到的理想图像确定为去除所述条带噪声的修复图像，其中：每次迭代过程中将上一次迭代输出的理想图像输入所述去噪能量泛函模型，直至满足迭代限定条件。
根据本发明提供的红外遥感图像修复方法，所述基于所述理想图像中各像素的差分曲率值，确定用于去除所述条带噪声的约束项，包括：
基于上一迭代周期内正则化参数与调整系数的比值，确定正则化参数，其中，初始正则化参数为所述理想图像分别垂直于所述条带噪声梯度方向与沿所述梯度方向的L2范数比值；
基于所述理想图像中各像素的差分曲率值，构造权矩阵，所述权矩阵用于调整所述条带噪声在不同强度区域内的正则化参数；
基于所述理想图像垂直于所述条带噪声梯度方向的梯度，构造正则约束项；
基于所述正则化参数、所述权矩阵和所述正则约束项，构造所述约束项。
根据本发明提供的红外遥感图像修复方法，所述基于所述理想图像中各像素的差分曲率值，构造权矩阵，包括：
在当前迭代周期内，分别确定所述理想图像内各像素的像素一阶偏导数、像素二阶偏导数和像素二阶混合偏导数；
基于所述像素一阶偏导数、像素二阶偏导数和像素二阶混合偏导数，分别确定所述理想图像沿所述条带噪声梯度方向的水平二阶偏导数，以及垂直于所述梯度方向的垂直二阶偏导数；
基于所述水平二阶偏导数和所述垂直二阶偏导数，构造所述权矩阵。
根据本发明提供的红外遥感图像修复方法，所述将所述目标观测图像输入至所述去噪能量泛函模型进行迭代处理，将最终得到的理想图像确定为去除所述条带噪声的修复图像，包括：
构造所述去噪能量泛函模型对应的欧拉-拉格朗日方程；
基于所述目标观测图像、前一迭代周期输出的所述理想图像分别对应的像素点的像素值和所述欧拉-拉格朗日方程，确定离散化的欧拉-拉格朗日方程；
基于所述离散化的欧拉-拉格朗日方程，确定当前迭代周期输出的理想图像；
将所述当前迭代周期输出的理想图像，作为下一迭代周期的输入图像，重复输出对应迭代周期的理想图像；
在满足限定条件的情况下，迭代终止，并将最终输出的理想图像确定为所述修复图像。
根据本发明提供的红外遥感图像修复方法，所述限定条件包括迭代次数大于第一阈值或相邻两次迭代周期输出的理想图像差值的L2范数值小于第二阈值。
根据本发明提供的红外遥感图像修复方法，还包括：
基于评价指标，对所述目标观测图像和对应的所述修复图像的条带噪声修复效果进行量化评价，其中，所述评价指标包括：行均值曲线、辐射质量改进因子和逆变异系数的至少一项，所述行均值曲线用于表征条带噪声去除前后图像各行像素的平均值，所述辐射质量改进因子用于表征条带噪声去除前后条带噪声方向分布变化信息，所述逆变异系数用于表征条带噪声去除前后图像的变异程度。
本发明还提供一种红外遥感图像修复装置，包括：
获取模块，用于获取目标观测图像，所述目标观测图像包括理想图像与条带噪声；
确定模块，用于基于所述理想图像中各像素的差分曲率值，确定用于去除所述条带噪声的约束项，所述理想图像中条带噪声污染区域的差分曲率值大于非条带噪声污染区域的差分曲率值；
模型构建模块，用于基于所述约束项，构建去噪能量泛函模型，其中：所述去噪能量泛函模型是基于所述条带噪声的各向异性与全变差去噪模型得到的，所述去噪能量泛函模型包括保真项和所述约束项，所述保真项用于保持所述目标观测图像的细节特征信息；
输出模块，用于将所述目标观测图像输入至所述去噪能量泛函模型进行迭代处理，将最终得到的理想图像确定为去除所述条带噪声的修复图像，其中：每次迭代过程中将上一次迭代输出的理想图像输入所述去噪能量泛函模型，直至满足迭代限定条件。
根据本发明提供的红外遥感图像修复装置，还包括：
评价模块，用于基于评价指标，对所述目标观测图像和对应的所述修复图像的条带噪声修复效果进行量化评价。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述红外遥感图像修复方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述红外遥感图像修复方法。
本发明提供的红外遥感图像修复方法、装置、电子设备和存储介质，通过约束项和保真项，并结合条带噪声的各向异性与全变差去噪模型，构建去噪能量泛函模型，约束项用于去除条带噪声，保真项用于保持细节特征信息，且根据理想图像中条带噪声污染区域的差分曲率值大于非条带噪声污染区域的差分曲率值，较好区分输入图像中的条带噪声污染区域和非条带噪声污染区域，提高条带噪声的去除效果，并通过正则化参数平衡约束项和保真项，进一步提高图像中条带噪声去除精度及修复图像质量。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的红外遥感图像修复方法的流程示意图之一；
图2是本发明提供的红外遥感图像修复方法的流程示意图之二；
图3是本发明提供的第一示例原始观测图像；
图4是本发明提供的第一示例修复图像；
图5是本发明提供的第一示例修复图像的行均值曲线示意图；
图6是本发明提供的第二示例原始观测图像的沿梯度方向变化示意图；
图7是本发明提供的第二示例原始观测图像的垂直梯度方向变化示意图；
图8是本发明提供的第二示例修复图像的沿梯度方向变化示意图；
图9是本发明提供的第二示例修复图像的垂直梯度方向变化示意图；
图10是本发明提供的红外遥感图像修复装置的结构示意图；
图11是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
遥感图像质量是影响其应用领域及精度水平的重要因素之一。但是成像过程中由于环境、系统以及人为因素等影响，往往导致图像退化，限制了遥感图像的应用。风云三号(FY-3C)是我国新一代极轨气象卫星，主要用途是监测全球云量，判识云的高度、类型和相态，探测海洋表面温度，监测植被生长状况和类型，监测高温火点，识别地表积雪覆盖，探测海洋水色等。可见光红外扫描辐射计(Visible and Infra-Red Radiometer，VIRR)是风云三号(FY-3C)的主要载荷之一，采用光机扫描成像方式，包含10个光谱通道，其中3个为红外通道，即红外通道第3通道、第4通道和第5通道，三个通道波长如表1所示。
表1风云三号VIRR红外通道波长
在VIRR红外通道中，由于晨昏交界处太阳光线直射进入传感器扫描镜，以及杂散光污染冷空气引起的钳位电压异常等原因，导致红外通道产生明显的条带噪声污染现象，其中，以第3通道(3.74μm)条带噪声最为严重，影响了后续影像产品的应用。
现有技术中，条带噪声去除方法主要包括以下三类：
(一)、数字滤波方法，该方法虽然可以去除或降低相关噪声，但往往存在计算量大、步骤繁琐、处理效果稳定性差、效率较低等问题，并且对于地物分布复杂的地表，经过滤波处理后易导致图像纹理、边缘等细节信息缺失，造成条带去除结果模糊等问题，更重要的是处理前后图像的辐射定量信息难以有效保持；
(二)、基于图像灰度信息统计特性的直方图匹配、矩匹配等方法，然而，该方法主要针对多元探测器并扫导致的条带噪声，对于VIRR这种单元成像且随机条带问题并不适用；
(三)、基于变分和偏微分方程的方法，结合条带噪声的方向特性和变分算法进行条带去除，使得条带噪声去除具备较高的效率和精度，然而，该方法去除条带噪声的同时，也模糊了图像的细节，影响条带噪声去除结果。
针对上述问题，本发明提供一种红外遥感图像修复方法，图1是本发明提供的红外遥感图像修复方法的流程示意图之一，如图1所示，该方法包括：
步骤110、获取目标观测图像，所述目标观测图像包括理想图像与条带噪声；
步骤120、基于所述理想图像中各像素的差分曲率值，确定用于去除所述条带噪声的约束项，所述理想图像中条带噪声污染区域的差分曲率值大于非条带噪声污染区域的差分曲率值；
步骤130、基于所述约束项，构建去噪能量泛函模型，其中：所述去噪能量泛函模型是基于所述条带噪声的各向异性与全变差去噪模型得到的，所述去噪能量泛函模型包括保真项和所述约束项，所述保真项用于保持所述目标观测图像的细节特征信息；
步骤140、将所述目标观测图像输入至所述去噪能量泛函模型进行迭代处理，将最终得到的理想图像确定为去除所述条带噪声的修复图像，其中：每次迭代过程中将上一次迭代输出的理想图像输入所述去噪能量泛函模型，直至满足迭代限定条件。
具体地，由于现有方法中无法在去除条带噪声的同时保持原始图像的细节特征信息，因此，本发明实施例中，通过构建约束项进行条带噪声去除，并通过保真项保持原始图像中的细节特征信息，且通过正则化参数平衡保真项和约束项，避免因正则化参数过大而导致图像细节特征信息损失过大，或因正则化参数过小而造成噪声残留，进而影响图像修复质量。之后，通过约束项和保真项构建去噪能量泛函模型，将目标观测图像输入去噪能量泛函模型进行多次迭代计算，最终输出去除条带噪声的修复图像，以修复太阳污染造成的条带噪声，提高修复图像的使用价值，便于图像的后续应用。
可选地，条带噪声可以视为加性噪声，目标观测图像可以视为理想图像与条带噪声的和，即，f(x,y)＝u(x,y)+s(x,y)，其中，f(x,y)表示目标观测图像，u(x,y)表示理想图像，s(x,y)表示条带噪声。
可选地，由于在对目标观测图像去除条带噪声时需要迭代求解，且理想图像未知，在条带噪声视为加性噪声的情况下，可以将理想图像初值设为目标观测图像f(x,y)。
可选地，条带噪声具有各向异性，即条带噪声具有明显的方向特性，图像在沿条带噪声方向的梯度远小于图像在垂直于条带噪声方向的梯度，将沿条带噪声方向视为x轴，将垂直于条带噪声方向视为y轴，则条带噪声的各向异性可表示为：
其中，s表示条带噪声，
表示沿条带噪声方向的梯度算子，
表示垂直于条带噪声方向的梯度算子。
可选地，所述基于所述理想图像中各像素的差分曲率值，确定用于去除所述条带噪声的约束项，包括：
基于上一迭代周期内正则化参数与调整系数的比值，确定正则化参数，其中，初始正则化参数为所述理想图像分别垂直于所述条带噪声梯度方向与沿所述梯度方向的L2范数比值；
基于所述理想图像中各像素的差分曲率值，构造权矩阵，所述权矩阵用于调整所述条带噪声在不同强度区域内的正则化参数；
基于所述理想图像垂直于所述条带噪声梯度方向的梯度，构造正则约束项；
基于所述正则化参数、所述权矩阵和所述正则约束项，构造所述约束项。
具体地，为有效去除条带噪声，本发明实施例中，在将条带噪声视为加性噪声的基础上，分别构建正则化参数、权矩阵和正则约束项，并基于上述三项构建约束项，在提高条带噪声去除效果的同时，平衡约束项和保真项，使得目标观测图像在去除条带噪声后仍保持与原始图像相同的诸如纹理、边缘等细节特征信息。
可选地，正则化参数为动态变化的参数，即，随着迭代次数的增加，由于条带噪声污染被逐渐修复，当前迭代周期内的正则化参数，需依据前一迭代周期输出的理想图像对前一迭代周期的正则化参数进行动态调整，以获得当前迭代周期内的正则化参数，以避免当前迭代周期内噪声残留或惩罚过度。其中，初始正则化参数为理想图像分别垂直于条带噪声梯度方向与沿梯度方向的L2范数比值，初始正则化参数λ0如式(1)所示，式(1)为：
其中，ux表示理想图像沿条带噪声方向的梯度，uy表示理想图像垂直于条带噪声方向的梯度，||·||2表示L2范数，k表示迭代次数。
迭代过程中，正则化参数如式(2)所示，式(2)为：
其中，M表示调整系数。
可选地，所述基于所述理想图像中各像素的差分曲率值，构造权矩阵，包括：
分别确定对应的所述理想图像内各像素的像素一阶偏导数、像素二阶偏导数和像素二阶混合偏导数；
基于所述像素一阶偏导数、像素二阶偏导数和像素二阶混合偏导数，分别确定对应的所述理想图像沿所述条带噪声梯度方向的水平二阶偏导数，以及垂直于所述梯度方向的垂直二阶偏导数；
基于所述水平二阶偏导数和所述垂直二阶偏导数，构造所述权矩阵。
具体地，为较好的区分条带噪声污染区域和非条带噪声污染区域，利用在条带噪声污染区域的差分曲率值较大，在非条带噪声污染区域的差分曲率值较小的特性，构造权矩阵，权矩阵如式(3)所示，式(3)为：
W＝||uηη|-|uεε||
其中，|·|表示绝对值算子，uηη表示理想图像沿条带噪声梯度方向的水平二阶偏导数，uεε表示垂直于所述梯度方向的垂直二阶偏导数，uηη如式(4)所示，uεε如式(5)所示，式(4)为：
式(5)为：
其中，ux和uy均表示理想图像中的像素一阶偏导数，uxx和uyy均表示理想图像中的像素二阶偏导数，uxy表示理想图像中的像素二阶混合偏导数。
可选地，基于上述正则化参数、权矩阵和正则约束项的乘积，构建约束项为
在较好区分条带噪声污染区域和非条带噪声污染区域的情况下，提高噪声的去除精度，避免噪声残留。
可选地，基于上述约束项，结合条带噪声的各向异性，构建去噪能量泛函模型如式(6)所示，式(6)为：
其中，u表示理想图像，f表示观测图像，
表示保真项，保持条带噪声去除过程中的纹理、边缘等细节特征信息，条带噪声的去除问题可转化为求解去噪能量泛函模型中的极值问题。
可选地，若去噪能量泛函模型为E(u)＝∫ΩF(x,y,u,ux,uy)dΩ，则求解E(u)的极值问题即为求解F(x,y,u,ux,uy)＝0的解，则，将构造的去噪能量泛函模型依照上述步骤进行转化，则E(u)如式(7)所示，式(7)为：
在E(u)的极值为0的情况下，即，在E'(u)＝0的情况下，式(7)可转化为式(8)，式(8)为：
F(x,y,u,ux,uy)＝|ux-fx|2+λW|uy|2
可选地，所述将所述目标观测图像输入至所述去噪能量泛函模型进行迭代处理，将最终得到的理想图像确定为去除所述条带噪声的修复图像，包括：
构造所述去噪能量泛函模型对应的欧拉-拉格朗日方程；
基于所述目标观测图像、前一迭代周期输出的所述理想图像分别对应的像素点的像素值和所述欧拉-拉格朗日方程，确定离散化的所述欧拉-拉格朗日方程；
基于所述离散化的所述欧拉-拉格朗日方程，确定当前迭代周期输出的理想图像；
将所述当前迭代周期输出的理想图像，作为下一迭代周期的输入图像，重复输出对应迭代周期的理想图像；
在满足限定条件的情况下，迭代终止，并将最终输出的理想图像确定为所述修复图像。
具体地，在构建好去噪能量泛函模型后，条带噪声的去除问题可转换为求解去噪能量泛函模型的极值问题，而去噪能量泛函模型的极值问题可通过构造去噪能量泛函模型对应的欧拉-拉格朗日方程进行求解。具体在求解时，可将去噪能量泛函模型离散化，通过目标观测图像和前一迭代周期输出的理想图像分别对应的像素点的像素值，构造离散化的所述欧拉-拉格朗日方程，进而确定出当前迭代周期去除条带噪声的每个像素的值，构成理想图像进行输出，并将当前迭代周期输出的理想图像下一迭代周期的输入图像，继续输入去噪能量泛函模型中进行迭代计算，直至满足限定条件，以获得满足要求的修复图像。
可选地，根据式(8)，本发明实施例中，欧拉-拉格朗日方程如-式(9)所示，式(9)为：
其中，fx表示目标观测图像沿条带噪声方向的一阶导数。
式(9)可进一步转化为式(10)，式(10)为：
uxx-fxx+λWuyy＝0
其中，fxx表示目标观测图像沿条带噪声方向的二阶梯度。
可选地，将去噪能量泛函模型离散化，构建偏导数与像素值的关系，便于后续进行迭代求解，则理想图像的像素一阶偏导数ux和uy如式(11)所示，式(11)为：
其中，i表示理想图像的列数，j表示理想图像的行数，M表示理想图像的像素总列数，N表示理想图像的像素总行数，ui,j表示理想图像中第i列、第j行的像素值，
为ux的离散化形式，即，理想图像的像素一阶偏导数ux可表示为理想图像中第i+1列、第j行的像素值与第i列、第j行的像素值之差，
为uy的离散化形式。
理想图像的像素二阶偏导数uxx、uyy和像素二阶混合偏导数uxy如式(12)所示，式(12)为：
其中，
为uxx的离散化形式，
为uyy的离散化形式，
为uxy的离散化形式。
将式(11)和式(12)代入式(10)，构建离散化的欧拉-拉格朗日方程，则式(10)的离散化形式如式(13)所示，式(13)为：
ui+1,j-2ui,j+ui-1,j-(fi+1,j-2fi,j+fi-1,j)+λW(ui,j+1-2ui,j+ui,j-1)＝0
可选地，基于离散化的欧拉-拉格朗日方程，在迭代过程中，利用高斯-赛德尔迭代法，通过前一迭代周期输出的理想图像的像素值和目标观测图像的像素值，对当前迭代周期的理想图像的各像素值进行求解，迭代结果如式(14)所示：
其中，k表示迭代次数。
需要说明的是，由于理想图像边界处不存在以该像素点为中心，且分别处于该像素点水平方向和竖直方向上的四个相邻且处于对称位置的像素点，因此，图像梯度计算在边界处需满足诺依曼边界条件，诺依曼边界条件如式(15)所示，式(15)为：
可选地，所述限定条件包括迭代次数大于第一阈值或相邻两次迭代周期输出的理想图像差值的L2范数值小于第二阈值。
可选地，在满足限定条件的情况下，可视为目标观测图像的条带噪声已去除。最终输出的修复图像可以与目标观测图像采用相同的图像格式，如可以均采用HDF格式。
可选地，图2是本发明提供的红外遥感图像修复方法的流程示意图之二，如图2所示，本发明还可以在目标观测图像数量较多的情况下，对目标观测图像进行批量修复。在进行目标观测图像的批量修复时，关键在于根据不同的目标观测图像，按照式(1)确定合适的初始正则化参数，通过确定每幅目标观测图像的初始正则化参数λ0、初始理想图像u0、迭代限定条件的第二阈值ε0和迭代次数k，通过式(14)可求解每次迭代的输出结果，并依据与第二阈值ε0的比较结果，判定迭代计算是否终止，若终止则输出最终的修复图像，若不满足限定条件，则需将当前迭代周期输出的理想图像作为下一迭代周期的输入图像，并根据式(2)调整正则化参数后，再次进行迭代计算。
可选地，在输出修复图像后，除了通过直观的比较目标观测图像和修复图像，主观评价修复效果外，还可以通过确定修复图像的评价指标，对修复图像的修复效果进行量化评价，具体包括：
基于评价指标，对所述目标观测图像和对应的所述修复图像的条带噪声修复效果进行量化评价，其中，所述评价指标包括：行均值曲线、辐射质量改进因子和逆变异系数的至少一项，所述行均值曲线用于表征条带噪声去除前后图像各行像素的平均值，所述辐射质量改进因子用于表征条带噪声去除前后条带噪声方向分布变化信息，所述逆变异系数用于表征条带噪声去除前后图像的变异程度。
可选地，辐射质量改进因子(Improvement Factors of Radiometric Quality,IF)值越大，表明图像条带噪声去除效果越好，反之，辐射质量改进因子值越小，则表明图像条带噪声去除效果越差，IF值如式(16)所示，式(16)为：
其中，
和
表示过程参数，且如式(17)所示，式(17)为：
其中，
和
分别表示原始观测图像和修复图像的第j行平均值。
可选地，为研究区域平均值与标准差的比值，逆变异系数(ICV)通常在均匀区域内计算，且逆变异系数(ICV)如式(18)所示，式(18)为：
其中，Rm表示所选区域均值，Rs表示所选区域标准差，逆变异系数值越大，表明条带噪声去除效果越好，反之，则表明条带噪声去除效果越差。
示例地，图3是本发明提供的第一示例原始观测图像，图4是本发明提供的第一示例修复图像，如图3-图4所示，以VIRR红外通道第3通道的截取部分图像为例，图3和图4分别为原始观测图像和修复图像，从主观比较来看，图4中明显修复了图3中存在的严重的条带噪声，图5是本发明提供的第一示例修复图像的行均值曲线示意图，如图5所示，原始观测图像的行均值由于条带噪声的存在，行均值曲线中带有尖锐的毛刺，起伏度较大，而修复图像中的行均值曲线比较平滑，去掉了尖锐的毛刺，即去掉了条带噪声，使得修复图像具有更好的视觉效果，且在细节特征方面最大程度地保留了原始观测图像的信息。
示例地，图6是本发明提供的第二示例原始观测图像的沿梯度方向变化示意图，图7是本发明提供的第二示例原始观测图像的垂直梯度方向变化示意图，如图6-图7所示，原始观测图像中的垂直梯度方向存在明显的条带噪声，沿梯度方向几乎不存在条带噪声，图8是本发明提供的第二示例修复图像的沿梯度方向变化示意图，图9是本发明提供的第二示例修复图像的垂直梯度方向变化示意图，如图8-图9所示，原始观测图像中垂直梯度方向的条带噪声被有效去除，同时，如表2所示，在条带噪声去除的过程中梯度特征基本保持不变，修复图像中的ICV值大于原始观测图像中的ICV值，表明条带噪声去除效果较佳，去除条带噪声的修复图像可以用户改善图形产品质量及遥感数据后续定量化反演产品的研究应用，并为其提供精度保证。
表2修复图像评价指标
本发明提供的红外遥感图像修复方法，通过约束项和保真项，并结合条带噪声的各向异性与全变差去噪模型，构建去噪能量泛函模型，约束项用于去除条带噪声，保真项用于保持细节特征信息，且根据理想图像中条带噪声污染区域的差分曲率值大于非条带噪声污染区域的差分曲率值，较好区分输入图像中的条带噪声污染区域和非条带噪声污染区域，提高条带噪声的去除效果，并通过正则化参数平衡约束项和保真项，进一步提高图像中条带噪声去除精度及修复图像质量。
下面对本发明提供的红外遥感图像修复装置进行描述，下文描述的红外遥感图像修复装置与上文描述的红外遥感图像修复方法可相互对应参照。
图10是本发明提供的红外遥感图像修复装置的结构示意图，如图10所示，该红外遥感图像修复装置1000，包括：获取模块1001、确定模块1002、模型构建模块1003和输出模块1004，其中：
获取模块1001，用于获取目标观测图像，所述目标观测图像包括理想图像与条带噪声；
确定模块1002，用于基于所述理想图像中各像素的差分曲率值，确定用于去除所述条带噪声的约束项，所述理想图像中条带噪声污染区域的差分曲率值大于非条带噪声污染区域的差分曲率值；
模型构建模块1003，用于基于所述约束项，构建去噪能量泛函模型，其中：所述去噪能量泛函模型是基于所述条带噪声的各向异性与全变差去噪模型得到的，所述去噪能量泛函模型包括保真项和所述约束项，所述保真项用于保持所述目标观测图像的细节特征信息；
输出模块1004，用于将所述目标观测图像输入至所述去噪能量泛函模型进行迭代处理，将最终得到的理想图像确定为去除所述条带噪声的修复图像，其中：每次迭代过程中将上一次迭代输出的理想图像输入所述去噪能量泛函模型，直至满足迭代限定条件。
本发明提供的红外遥感图像修复装置，通过约束项和保真项，并结合条带噪声的各向异性与全变差去噪模型，构建去噪能量泛函模型，约束项用于去除条带噪声，保真项用于保持细节特征信息，且根据理想图像中条带噪声污染区域的差分曲率值大于非条带噪声污染区域的差分曲率值，较好区分输入图像中的条带噪声污染区域和非条带噪声污染区域，提高条带噪声的去除效果，并通过正则化参数平衡约束项和保真项，进一步提高图像中条带噪声去除精度及修复图像质量。
可选地，该红外遥感图像修复装置1000，还包括：
评价模块1005，用于基于评价指标，对所述目标观测图像和对应的所述修复图像的条带噪声修复效果进行量化评价。
可选地，评价模块1005，具体用于：
基于评价指标，对所述目标观测图像和对应的所述修复图像的条带噪声修复效果进行量化评价，其中，所述评价指标包括：行均值曲线、辐射质量改进因子和逆变异系数的至少一项，所述行均值曲线用于表征条带噪声去除前后图像各行像素的平均值，所述辐射质量改进因子用于表征条带噪声去除前后条带噪声方向分布变化信息，所述逆变异系数用于表征条带噪声去除前后图像的变异程度。
可选地，确定模块1002，具体用于：
所述基于所述理想图像中各像素的差分曲率值，确定用于去除所述条带噪声的约束项，包括：
基于上一迭代周期内正则化参数与调整系数的比值，确定正则化参数，其中，初始正则化参数为所述理想图像分别垂直于所述条带噪声梯度方向与沿所述梯度方向的L2范数比值；
基于所述理想图像中各像素的差分曲率值，构造权矩阵，所述权矩阵用于调整所述条带噪声在不同强度区域内的正则化参数；
基于所述理想图像垂直于所述条带噪声梯度方向的梯度，构造正则约束项；
基于所述正则化参数、所述权矩阵和所述正则约束项，构造所述约束项。
可选地，确定模块1002，具体用于：
所述基于所述理想图像中各像素的差分曲率值，构造权矩阵，包括：
在当前迭代周期内，分别确定所述理想图像内各像素的像素一阶偏导数、像素二阶偏导数和像素二阶混合偏导数；
基于所述像素一阶偏导数、像素二阶偏导数和像素二阶混合偏导数，分别确定所述理想图像沿所述条带噪声梯度方向的水平二阶偏导数，以及垂直于所述梯度方向的垂直二阶偏导数；
基于所述水平二阶偏导数和所述垂直二阶偏导数，构造所述权矩阵。
可选地，输出模块1004，具体用于：
所述将所述目标观测图像输入至所述去噪能量泛函模型进行迭代处理，将最终得到的理想图像确定为去除所述条带噪声的修复图像，包括：
构造所述去噪能量泛函模型对应的欧拉-拉格朗日方程；
基于所述目标观测图像、前一迭代周期输出的所述理想图像分别对应的像素点的像素值和所述欧拉-拉格朗日方程，确定离散化的欧拉-拉格朗日方程；
基于所述离散化的欧拉-拉格朗日方程，确定当前迭代周期输出的理想图像；
将所述当前迭代周期输出的理想图像，作为下一迭代周期的输入图像，重复输出对应迭代周期的理想图像；
在满足限定条件的情况下，迭代终止，并将最终输出的理想图像确定为所述修复图像。
可选地，输出模块1004，具体用于：
所述限定条件包括迭代次数大于第一阈值或相邻两次迭代周期输出的理想图像差值的L2范数值小于第二阈值。
图11示例了一种电子设备的实体结构示意图，如图11所示，该电子设备1100可以包括：处理器(processor)1110、通信接口(Communications Interface)1120、存储器(memory)1130和通信总线1140，其中，处理器1110，通信接口1120，存储器1130通过通信总线1140完成相互间的通信。处理器1110可以调用存储器1130中的逻辑指令，以执行红外遥感图像修复方法，该方法包括：
获取目标观测图像，所述目标观测图像包括理想图像与条带噪声；
基于所述理想图像中各像素的差分曲率值，确定用于去除所述条带噪声的约束项，所述理想图像中条带噪声污染区域的差分曲率值大于非条带噪声污染区域的差分曲率值；
基于所述约束项，构建去噪能量泛函模型，其中：所述去噪能量泛函模型是基于所述条带噪声的各向异性与全变差去噪模型得到的，所述去噪能量泛函模型包括保真项和所述约束项，所述保真项用于保持所述目标观测图像的细节特征信息；
将所述目标观测图像输入至所述去噪能量泛函模型进行迭代处理，将最终得到的理想图像确定为去除所述条带噪声的修复图像，其中：每次迭代过程中将上一次迭代输出的理想图像输入所述去噪能量泛函模型，直至满足迭代限定条件。
此外，上述的存储器1130中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的红外遥感图像修复方法，该方法包括：
获取目标观测图像，所述目标观测图像包括理想图像与条带噪声；
基于所述理想图像中各像素的差分曲率值，确定用于去除所述条带噪声的约束项，所述理想图像中条带噪声污染区域的差分曲率值大于非条带噪声污染区域的差分曲率值；
基于所述约束项，构建去噪能量泛函模型，其中：所述去噪能量泛函模型是基于所述条带噪声的各向异性与全变差去噪模型得到的，所述去噪能量泛函模型包括保真项和所述约束项，所述保真项用于保持所述目标观测图像的细节特征信息；
将所述目标观测图像输入至所述去噪能量泛函模型进行迭代处理，将最终得到的理想图像确定为去除所述条带噪声的修复图像，其中：每次迭代过程中将上一次迭代输出的理想图像输入所述去噪能量泛函模型，直至满足迭代限定条件。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的红外遥感图像修复方法，该方法包括：
获取目标观测图像，所述目标观测图像包括理想图像与条带噪声；
基于所述理想图像中各像素的差分曲率值，确定用于去除所述条带噪声的约束项，所述理想图像中条带噪声污染区域的差分曲率值大于非条带噪声污染区域的差分曲率值；
基于所述约束项，构建去噪能量泛函模型，其中：所述去噪能量泛函模型是基于所述条带噪声的各向异性与全变差去噪模型得到的，所述去噪能量泛函模型包括保真项和所述约束项，所述保真项用于保持所述目标观测图像的细节特征信息；
将所述目标观测图像输入至所述去噪能量泛函模型进行迭代处理，将最终得到的理想图像确定为去除所述条带噪声的修复图像，其中：每次迭代过程中将上一次迭代输出的理想图像输入所述去噪能量泛函模型，直至满足迭代限定条件。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种红外遥感图像修复方法，其特征在于，包括：
获取目标观测图像，所述目标观测图像包括理想图像与条带噪声；
基于所述理想图像中各像素的差分曲率值，确定用于去除所述条带噪声的约束项，所述理想图像中条带噪声污染区域的差分曲率值大于非条带噪声污染区域的差分曲率值；
基于所述约束项，构建去噪能量泛函模型，其中：所述去噪能量泛函模型是基于所述条带噪声的各向异性与全变差去噪模型得到的，所述去噪能量泛函模型包括保真项和所述约束项，所述保真项用于保持所述目标观测图像的细节特征信息；
将所述目标观测图像输入至所述去噪能量泛函模型进行迭代处理，将最终得到的理想图像确定为去除所述条带噪声的修复图像，其中：每次迭代过程中将上一次迭代输出的理想图像输入所述去噪能量泛函模型，直至满足迭代限定条件。
2.根据权利要求1所述的红外遥感图像修复方法，其特征在于，所述基于所述理想图像中各像素的差分曲率值，确定用于去除所述条带噪声的约束项，包括：
基于上一迭代周期内正则化参数与调整系数的比值，确定正则化参数，其中，初始正则化参数为所述理想图像分别垂直于所述条带噪声梯度方向与沿所述梯度方向的L2范数比值；
基于所述理想图像中各像素的差分曲率值，构造权矩阵，所述权矩阵用于调整所述条带噪声在不同强度区域内的正则化参数；
基于所述理想图像垂直于所述条带噪声梯度方向的梯度，构造正则约束项；
基于所述正则化参数、所述权矩阵和所述正则约束项，构造所述约束项。
3.根据权利要求2所述的红外遥感图像修复方法，其特征在于，所述基于所述理想图像中各像素的差分曲率值，构造权矩阵，包括：
在当前迭代周期内，分别确定所述理想图像内各像素的像素一阶偏导数、像素二阶偏导数和像素二阶混合偏导数；
基于所述像素一阶偏导数、像素二阶偏导数和像素二阶混合偏导数，分别确定所述理想图像沿所述条带噪声梯度方向的水平二阶偏导数，以及垂直于所述梯度方向的垂直二阶偏导数；
基于所述水平二阶偏导数和所述垂直二阶偏导数，构造所述权矩阵。
4.根据权利要求1至3任一项所述的红外遥感图像修复方法，其特征在于，所述将所述目标观测图像输入至所述去噪能量泛函模型进行迭代处理，将最终得到的理想图像确定为去除所述条带噪声的修复图像，包括：
构造所述去噪能量泛函模型对应的欧拉-拉格朗日方程；
基于所述目标观测图像、前一迭代周期输出的所述理想图像分别对应的像素点的像素值和所述欧拉-拉格朗日方程，确定离散化的欧拉-拉格朗日方程；
基于所述离散化的欧拉-拉格朗日方程，确定当前迭代周期输出的理想图像；
将所述当前迭代周期输出的理想图像，作为下一迭代周期的输入图像，重复输出对应迭代周期的理想图像；
在满足限定条件的情况下，迭代终止，并将最终输出的理想图像确定为所述修复图像。
5.根据权利要求4所述的红外遥感图像修复方法，其特征在于，所述限定条件包括迭代次数大于第一阈值或相邻两次迭代周期输出的理想图像差值的L2范数值小于第二阈值。
6.根据权利要求1至3任一项所述的红外遥感图像修复方法，其特征在于，还包括：
基于评价指标，对所述目标观测图像和对应的所述修复图像的条带噪声修复效果进行量化评价，其中，所述评价指标包括：行均值曲线、辐射质量改进因子和逆变异系数的至少一项，所述行均值曲线用于表征条带噪声去除前后图像各行像素的平均值，所述辐射质量改进因子用于表征条带噪声去除前后条带噪声方向分布变化信息，所述逆变异系数用于表征条带噪声去除前后图像的变异程度。
7.一种红外遥感图像修复装置，其特征在于，包括：
获取模块，用于获取目标观测图像，所述目标观测图像包括理想图像与条带噪声；
确定模块，用于基于所述理想图像中各像素的差分曲率值，确定用于去除所述条带噪声的约束项，所述理想图像中条带噪声污染区域的差分曲率值大于非条带噪声污染区域的差分曲率值；
模型构建模块，用于基于所述约束项，构建去噪能量泛函模型，其中：所述去噪能量泛函模型是基于所述条带噪声的各向异性与全变差去噪模型得到的，所述去噪能量泛函模型包括保真项和所述约束项，所述保真项用于保持所述目标观测图像的细节特征信息；
输出模块，用于将所述目标观测图像输入至所述去噪能量泛函模型进行迭代处理，将最终得到的理想图像确定为去除所述条带噪声的修复图像，其中：每次迭代过程中将上一次迭代输出的理想图像输入所述去噪能量泛函模型，直至满足迭代限定条件。
8.根据权利要求7所述的红外遥感图像修复装置，其特征在于，还包括：
评价模块，用于基于评价指标，对所述目标观测图像和对应的所述修复图像的条带噪声修复效果进行量化评价。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述红外遥感图像修复方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述红外遥感图像修复方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210957801.1A CN115393205A (zh) | 2022-08-10 | 2022-08-10 | 红外遥感图像修复方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210957801.1A CN115393205A (zh) | 2022-08-10 | 2022-08-10 | 红外遥感图像修复方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115393205A true CN115393205A (zh) | 2022-11-25 |
Family
ID=84119100
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210957801.1A Pending CN115393205A (zh) | 2022-08-10 | 2022-08-10 | 红外遥感图像修复方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115393205A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841435A (zh) * | 2023-02-24 | 2023-03-24 | 湖南大学 | 基于排序域方向梯度直方图约束的遥感影像去条带方法 |
| CN116402725A (zh) * | 2023-06-08 | 2023-07-07 | 四川工程职业技术学院 | 一种斜条带去除方法、装置、设备及介质 |
| CN117274798A (zh) * | 2023-09-06 | 2023-12-22 | 中国农业科学院农业信息研究所 | 基于正则化的时序变分模型的遥感水稻识别方法 |
-
2022
- 2022-08-10 CN CN202210957801.1A patent/CN115393205A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841435A (zh) * | 2023-02-24 | 2023-03-24 | 湖南大学 | 基于排序域方向梯度直方图约束的遥感影像去条带方法 |
| CN115841435B (zh) * | 2023-02-24 | 2023-04-25 | 湖南大学 | 基于排序域方向梯度直方图约束的遥感影像去条带方法 |
| CN116402725A (zh) * | 2023-06-08 | 2023-07-07 | 四川工程职业技术学院 | 一种斜条带去除方法、装置、设备及介质 |
| CN116402725B (zh) * | 2023-06-08 | 2023-08-22 | 四川工程职业技术学院 | 一种斜条带去除方法、装置、设备及介质 |
| CN117274798A (zh) * | 2023-09-06 | 2023-12-22 | 中国农业科学院农业信息研究所 | 基于正则化的时序变分模型的遥感水稻识别方法 |
| CN117274798B (zh) * | 2023-09-06 | 2024-03-29 | 中国农业科学院农业信息研究所 | 基于正则化的时序变分模型的遥感水稻识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115393205A (zh) | 红外遥感图像修复方法、装置、电子设备和存储介质 | |
| Chen et al. | Group sparsity based regularization model for remote sensing image stripe noise removal | |
| CN104252700A (zh) | 一种红外图像的直方图均衡化方法 | |
| CN115456956B (zh) | 一种液晶屏划痕检测方法、设备及存储介质 | |
| CN101226639A (zh) | 一种星载tdiccd相机的相对辐射校正方法 | |
| CN110849814A (zh) | 一种基于多源遥感卫星的遥感影像处理方法 | |
| CN106651792A (zh) | 一种卫星影像条带噪声去除方法及装置 | |
| CN104036493A (zh) | 一种基于多重分形谱的无参考图像质量评价方法 | |
| CN111339989A (zh) | 一种水体提取方法、装置、设备及存储介质 | |
| CN111179196A (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
| CN113222992A (zh) | 基于多重分形谱的裂纹特征表征方法及系统 | |
| Wang et al. | Unidirectional total variation destriping using difference curvature in MODIS emissive bands | |
| CN115272303A (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
| CN110766640B (zh) | 一种基于深度语义分割的图像去雾方法 | |
| Voutilainen et al. | A filtering approach for estimating lake water quality from remote sensing data | |
| CN112907441B (zh) | 一种基于地下水卫星图像超分辨率的空间降尺度方法 | |
| Liu et al. | A novel fusion framework of infrared and visible images based on RLNSST and guided filter | |
| Kim et al. | ADOM: ADMM-based optimization model for stripe noise removal in remote sensing image | |
| CN111273376B (zh) | 降尺度的海表净辐射确定方法、系统、设备及存储介质 | |
| Gouasnouane et al. | A nonlinear fractional partial differential equation for image inpainting | |
| CN116309170A (zh) | 一种输电线路巡检图像去雾方法和装置 | |
| Tang et al. | Destriping and evaluating FY-3D MERSI-2 data with the moment matching method based on synchronous reference image | |
| Hesabi et al. | A modified patch propagation-based image inpainting using patch sparsity | |
| CN104933713A (zh) | 一种利用边缘分析的图像mtf估计方法 | |
| CN111091601B (zh) | 一种实时白天室外手机图像的pm2.5指数估计方法 |
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 |