WO2016106960A1 - 一种对地建筑群遥感图像频谱特性约束的去噪方法 - Google Patents

一种对地建筑群遥感图像频谱特性约束的去噪方法 Download PDF

Info

Publication number
WO2016106960A1
WO2016106960A1 PCT/CN2015/072683 CN2015072683W WO2016106960A1 WO 2016106960 A1 WO2016106960 A1 WO 2016106960A1 CN 2015072683 W CN2015072683 W CN 2015072683W WO 2016106960 A1 WO2016106960 A1 WO 2016106960A1
Authority
WO
WIPO (PCT)
Prior art keywords
spectrum
real
building group
image
time 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.)
Ceased
Application number
PCT/CN2015/072683
Other languages
English (en)
French (fr)
Inventor
张天序
王正
何力
刘立
候旋
章川
凡速飞
陈一梦
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to US14/964,559 priority Critical patent/US9563939B2/en
Publication of WO2016106960A1 publication Critical patent/WO2016106960A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering

Definitions

  • the invention belongs to the intersection of digital image processing technology and aerospace technology, and more specifically relates to a denoising method for constraining the spectral characteristics of remote sensing images of a building complex, and is used for image pre-processing of high-speed aircraft for remote sensing, detection, navigation and guidance. Processing.
  • High-speed aircraft remote sensing, detection, navigation and guidance are an important area for the development of aerospace industry in the 21st century, and have important scientific significance and application value in the future of high-tech and national economic development.
  • the imaging integration time is short, resulting in strong sensor noise; remote sensing, detection, navigation and guidance based on high-speed aircraft are severely interfered by sensor noise.
  • the traditional filtering denoising method can achieve image denoising better.
  • the imaging integration time is short, which leads to strong sensor noise.
  • Traditional filtering and denoising methods are often powerless.
  • Traditional frequency domain filtering methods do not consider the spectral characteristics of the target, only by blindly filtering out the high-frequency components of the image and preserving the low-frequency components of the image to achieve image denoising. .
  • the target and some parts of the image have a certain directionality, which is a low frequency component in one direction and a high frequency or intermediate frequency component in the other direction.
  • the traditional frequency domain filtering method blindly filters out the high-frequency components of the image, and its denoising effect on strong noise is not good; the detailed information of the image is lost while filtering out the noise, which makes the image more blurred and increases the difficulty of subsequent processing.
  • Some popular airspace denoising methods have good noise performance under high image signal-to-noise conditions, and denoising effects for strong noise images with low signal-to-noise ratio. Significantly decline, while the airspace smoothing causes image blur, losing a lot of image edge detail information, more importantly, this method is very time consuming, real time is not High, unable to meet the high frame rate characteristics of the imaging system under dynamic platform conditions.
  • the present invention provides a denoising method and system for constraining the spectral characteristics of remote sensing images of a building complex, which are used for ground buildings acquired during remote sensing, detection, navigation and guidance of high speed aircraft.
  • the group target real-time image is denoised, and the purpose thereof is to solve the technical problem that the existing denoising method has poor effect on strong noise denoising and image blurring due to missing image detail information, thereby increasing the difficulty of subsequent processing.
  • a method for denoising a spectral characteristic constraint of a remote sensing image of a building complex comprising the following steps:
  • step (1) comprises the following sub-steps:
  • step (2) comprises the following sub-steps:
  • step (2.2) constructing a corresponding filter function H according to the ground-based building group target spectral binary template BW generated in step (1.6);
  • step (2.2) is specifically to first construct the filter function H:
  • BW(u,v) is any point on BW
  • H(u',v') is any point on filter function H
  • (u',v') represents the coordinates of the point
  • (u',v') (u, v), 1 ⁇ u' ⁇ 256, 1 ⁇ v' ⁇ 256; wherein ⁇ % is the filter spectrum retention ratio.
  • the specific (2.4) specifically calculates a filtered real-time image for any point F(u', v') on the centered spectrum F and a corresponding point H(u', v') on the filter function H.
  • the corresponding point G(u', v') on the spectrum G F(u', v') ⁇ H(u', v'), and the filtered real-time image spectrum G is obtained.
  • a method for denoising a spectral characteristic constraint of a remote sensing image of a building complex including:
  • the first module is configured to obtain a ground building group target reference image from a ground building group remote sensing image library, perform Fourier transform on the reference image to obtain a amplitude spectrum, and perform threshold segmentation, corrosion, and expansion operations on the amplitude spectrum result. To obtain a binary template of the target spectrum of the ground building group;
  • the second module is used for high-speed aircraft flight to obtain a real-time image of the ground building group target, Fourier transforming the real-time image to obtain a spectrum, and using the obtained ground building group target spectrum binary template to perform frequency domain filtering on the spectrum of the real-time image. Then, the inverse Fourier transform is performed to generate a real-time image of the filtered ground building group target.
  • the present invention utilizes the spectral characteristics of the ground building group target to preserve the high frequency or intermediate frequency components belonging to the image edge and detail information as much as possible, so that the image edges and details after denoising
  • the information retention is high, and the degree of image blur caused by denoising is small;
  • FIG. 1 is a flow chart of a method for denoising a spectral characteristic constraint of a remote sensing image of a building complex according to the present invention
  • 3 is a reference image of a ground building group target obtained from a remote sensing image library of a ground building group;
  • Figure 4a is a centralized spectrum of a target image of a ground building group target
  • Figure 4b is a centralized spectrum grayscale image of a target image of a ground building group target
  • Figure 5a is a binary segmentation result
  • Figure 5b is the result of the binary segmentation after corrosion
  • Figure 5c is a binary template of the target spectrum of the processed ground building group
  • Figure 6 is a real-time image of a ground building group target acquired by high-speed aircraft flight
  • Figure 7a is a centralized spectrum of real-time images of ground building group targets
  • Figure 7b is a centralized spectrum grayscale image of a real-time image of a ground building group target
  • Figure 8 is a binary template of the filter function H
  • Figure 9 is a three-dimensional view of the filter function H
  • Figure 10a is a spectrum of a real-time image after frequency domain filtering
  • Figure 10b is a spectral grayscale image of a real-time image after frequency domain filtering
  • Figure 11 is a real-time image of the ground building group target after denoising.
  • Ground buildings are an important category of high-speed aircraft for remote sensing, detection, navigation and guidance.
  • the various basic structures and components of the ground building have a unique spatial orientation.
  • the Gaussian noise is Fourier transformed and its amplitude spectrum It is approximately evenly distributed throughout the space and has no directionality.
  • the invention utilizes the spectral characteristic constraint of the ground building group target, performs targeted filtering in the frequency domain, removes noise as much as possible and preserves the edge and detail information of the image. Provide a good foundation for subsequent image processing and target recognition positioning.
  • the method for denoising the spectral characteristics of the remote sensing image of the building group of the present invention comprises the following steps:
  • this step includes the following sub-steps:
  • the ground building group target reference image p (in the present embodiment, the image is a 256 ⁇ 256 size gray image) from the ground building group remote sensing image library, and performing two-dimensional fast Fourier transform on the reference image p (FFT) and centered to obtain the centered spectrum P of the reference image p;
  • FIG. 3 shows the acquired ground building group target reference image p; the reference image p is subjected to two-dimensional fast Fourier transform to obtain the uncentered spectrum P 0 of the reference image p, and the uncentralized spectrum P is obtained.
  • 0 is divided into 2 ⁇ 2 sub-blocks, as shown in Figure 2, the first sub-block and the third sub-block are exchanged, and the second sub-block and the fourth sub-block are exchanged to realize the centralization of the spectrum.
  • the centralized spectrum P is obtained; the centered spectrum has a low frequency center and a high frequency around it;
  • (u,v) is a point coordinate satisfying the condition 1 ⁇ u ⁇ 256, 1 ⁇ v ⁇ 256;
  • the etching operation is performed on the binary segmentation result BW 0 , and the etched binary segmentation result BW 1 is obtained as shown in FIG. 5b; the etch template can be selected according to the actual situation, and the radius 1 is selected in the embodiment. Round template
  • the erosive binary segmentation result BW 1 is expanded to obtain the processed target building binary template BW of the ground building group, as shown in Fig. 5c; the expansion template generally adopts the same template as the corrosion template, and may also be based on actual conditions.
  • This step includes the following substeps:
  • the real-time image f of the ground building group acquired by the high-speed aircraft flight (in the present embodiment, the image size is 256 ⁇ 256), as shown in FIG. 6; subsequently, the real-time image f is subjected to two-dimensional fast Fu Transform the inner leaf and center it according to the method in the above step (1.1) to obtain the centralized spectrum F of the real-time image f; as shown in Fig. 7a, the three-dimensional view of the amplitude spectrum of F, as shown in Fig. 7b is the amplitude of F Spectral grayscale image;
  • step (2.2) constructing a corresponding filter function H according to the ground-based building group target spectral binary template BW generated in step (1.6);
  • BW(u,v) is any point on BW
  • H(u',v') is any point on filter function H
  • (u',v') represents the coordinates of the point
  • (u',v') (u, v), 1 ⁇ u' ⁇ 256, 1 ⁇ v' ⁇ 256
  • a corresponding point on the filtered real-time image spectrum G is calculated.
  • G(u',v') F(u',v') ⁇ H(u',v')
  • the filtered real-time image spectrum G is obtained; as shown in FIG. 10a, the filtered real-time image spectrum G a three-dimensional view of the amplitude spectrum; as shown in FIG. 10b, is a amplitude spectrum grayscale image of the filtered real-time image spectrum G;
  • IFFT two-dimensional inverse fast Fourier transform
  • Table 1 shows the denoising method proposed by the present invention and the existing Gaussian low-pass filter, wavelet denoising, singular value decomposition denoising, non-local mean denoising four denoising methods in terms of denoising effect, image detail information retention Performance comparisons in terms of degrees and real-time.

Landscapes

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

Abstract

一种对地建筑群遥感图像频谱特性约束的去噪方法，包括：从地面建筑群遥感图像库中获取地面建筑群目标参考图像，对该参考图像进行傅里叶变换得到幅频谱，对其幅频谱结果进行阈值分割、腐蚀、和膨胀操作，以获取地面建筑群目标频谱二值模板，高速飞行器飞行获取地面建筑群目标实时图像，对该实时图像进行傅里叶变换得到频谱，利用获取的地面建筑群目标频谱二值模板对实时图像的频谱进行频域滤波处理，再进行傅里叶逆变换以生成滤波后的地面建筑群目标实时图像。

Description

一种对地建筑群遥感图像频谱特性约束的去噪方法 【技术领域】
本发明属于数字图像处理技术与航天科技的交叉领域，更具体地，涉及一种对地建筑群遥感图像频谱特性约束的去噪方法，用于高速飞行器遥感、探测、导航和制导时的图像预处理过程。
【背景技术】
高速飞行器遥感、探测、导航和制导是二十一世纪航空航天事业发展的一个重要领域，在未来的高科技和国民经济发展中具有重要的科学意义和应用价值。但是由于高速飞行器成像系统的高帧频特性，成像积分时间短，从而导致传感器噪声强；以高速飞行器为平台的遥感、探测、导航和制导受到了传感器噪声的严重干扰。
对于一般情况下的弱噪声，传统的滤波去噪方法可以较好地实现图像去噪。但是在动平台条件下，成像积分时间短，导致传感器噪声很强，传统的滤波去噪方法常常无能为力。
传统的频域滤波方法(如高斯低通滤波器、小波去噪等)都没有考虑目标的频谱特性，仅是通过盲目地滤掉图像的高频成分、保留图像的低频成分来实现图像去噪。但是图像中的目标及某些部分有一定的方向性，其在一个方向上是低频成分，在另外一个方向上却表现为高频或中频成分。传统的频域滤波方法盲目地滤掉图像的高频成分，其针对强噪声的去噪效果不好；在滤除噪声的同时丢失图像的细节信息，使图像更加模糊，增加后续处理难度。一些流行的空域去噪方法(如非局部均值去噪、奇异值分解去噪)在图像信噪比较高的条件下去噪效果良好，而对于信噪比较低的强噪声图像，去噪效果明显下降，同时空域平滑引起图像模糊，丢失了大量图像的边缘细节信息，更重要的是，这类方法计算非常耗时，实时性不 高，无法满足动平台条件下成像系统的高帧频特性。
【发明内容】
针对现有技术的以上缺陷或改进需求，本发明提供了一种对地建筑群遥感图像频谱特性约束的去噪方法和系统，用于对高速飞行器遥感、探测、导航和制导时获取的地面建筑群目标实时图像进行去噪，其目的在于，解决现有去噪方法针对强噪声去噪效果差、丢失图像细节信息造成图像模糊从而增加后续处理难度的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种对地建筑群遥感图像频谱特性约束的去噪方法，包括以下步骤：
(1)从地面建筑群遥感图像库中获取地面建筑群目标参考图像，对该参考图像进行傅里叶变换得到幅频谱，对其幅频谱结果进行阈值分割、腐蚀、和膨胀操作，以获取地面建筑群目标频谱二值模板；
(2)高速飞行器飞行获取地面建筑群目标实时图像，对该实时图像进行傅里叶变换得到频谱，利用获取的地面建筑群目标频谱二值模板对实时图像的频谱进行频域滤波处理，再进行傅里叶逆变换以生成滤波后的地面建筑群目标实时图像。
优选地，步骤(1)包括以下子步骤：
(1.1)从地面建筑群遥感图像库中获取地面建筑群目标参考图像p，对参考图像p进行二维快速傅里叶变换并中心化，得到参考图像p的中心化频谱P；
(1.2)根据参考图像p的中心化频谱P计算其幅频谱
Figure PCTCN2015072683-appb-000001
即中心化频谱P的模，
Figure PCTCN2015072683-appb-000002
(1.3)统计幅频谱
Figure PCTCN2015072683-appb-000003
的直方图分布Histp(x)，并对直方图分布Histp(x)进 行归一化，以得到归一化直方图
Figure PCTCN2015072683-appb-000004
其中横坐标x为幅频谱
Figure PCTCN2015072683-appb-000005
的幅度值；
(1.4)根据归一化直方图Histp′(x)计算分割阈值T，使其满足条件：
Figure PCTCN2015072683-appb-000006
其中γ是目标频谱模板保留量；
(1.5)根据分割阈值T对幅频谱
Figure PCTCN2015072683-appb-000007
进行阈值分割，以得到二值分割结果BW0；
(1.6)对二值分割结果BW0先进行腐蚀操作，再进行膨胀操作，以得到处理后的地面建筑群目标频谱二值模板BW。
优选地，步骤(1.2)具体为，对于中心化频谱P中的每一点P(u,v)，(u,v)是点坐标，满足条件1≤u≤256,1≤v≤256；P(u,v)有如下复数形式P(u,v)＝a+bi，a,b为常数；计算幅频谱
Figure PCTCN2015072683-appb-000008
上每一点
Figure PCTCN2015072683-appb-000009
得到幅频谱
Figure PCTCN2015072683-appb-000010
优选地，步骤(1.5)具体为，对于幅频谱
Figure PCTCN2015072683-appb-000011
中每一点
Figure PCTCN2015072683-appb-000012
如果
Figure PCTCN2015072683-appb-000013
则二值分割结果BW0中对应的点BW0(u,v)＝1；否则BW0(u,v)＝0。
优选地，步骤(2)包括以下子步骤：
(2.1)高速飞行器飞行获取地面建筑群目标实时图像f，对其进行二维快速傅里叶变换并中心化，以得到实时图像f的中心化频谱F；
(2.2)根据步骤(1.6)中生成的地面建筑群目标频谱二值模板BW构造相应的滤波器函数H；
(2.3)将中心化频谱F与滤波器函数H的对应元素进行点乘，以得到滤波后的实时图像频谱G，即G＝F.*H，从而实现对实时图像f的频域滤波；
(2.4)将滤波后的实时图像频谱G进行二维快速傅里叶逆变换(IFFT)，并对变换结果取模，以得到去噪后的实时图像g；
优选地，步骤(2.2)具体为，首先构造滤波器函数H：
Figure PCTCN2015072683-appb-000014
其中BW(u,v)是BW上任意一点；H(u′,v′)是滤波器函数H上任意一点，(u′,v′)表示该点坐标，且(u′,v′)＝(u,v)，1≤u′≤256,1≤v′≤256；其中λ％为滤波频谱保留比例。
优选地，具体(2.4)具体为，对于中心化频谱F上任意一点F(u′,v′)及滤波器函数H上对应的点H(u′,v′)，计算滤波后的实时图像频谱G上对应的点G(u′,v′)＝F(u′,v′)·H(u′,v′)，得到滤波后的实时图像频谱G。
按照本发明的另一方面，提供了一种对地建筑群遥感图像频谱特性约束的去噪方法，包括：
第一模块，用于从地面建筑群遥感图像库中获取地面建筑群目标参考图像，对该参考图像进行傅里叶变换得到幅频谱，对其幅频谱结果进行阈值分割、腐蚀、和膨胀操作，以获取地面建筑群目标频谱二值模板；
第二模块，用于高速飞行器飞行获取地面建筑群目标实时图像，对该实时图像进行傅里叶变换得到频谱，利用获取的地面建筑群目标频谱二值模板对实时图像的频谱进行频域滤波处理，再进行傅里叶逆变换以生成滤波后的地面建筑群目标实时图像。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)去噪效果好：由于本发明利用地面建筑群目标的频谱特性约束，在频域进行有针对性的滤波，尽可能滤除了非目标频谱处的频谱成分，本发明的去噪效果良好，去噪后图像的PSNR大幅提高；实验证明，本发明提出的去噪方法能够将地面建筑群目标实时图像的PSNR提高8db以上；
(2)图像边缘和细节信息保留度高：本发明利用地面建筑群目标的频谱特性约束，尽可能地保留了属于图像边缘和细节信息的高频或中频成分，使得去噪后图像边缘和细节信息保留度高，去噪造成的图像模糊程度小；
(3)实时性高：由于采用先验知识约束，本发明实时去噪处理过程简单，仅采用一次二维快速傅里叶变换以及逆变换，无论是软件实现还是硬件实现都能达到较高的实时性要求。
【附图说明】
图1是本发明对地建筑群遥感图像频谱特性约束的去噪方法的流程图；
图2是频谱中心化过程示意图；
图3是从地面建筑群遥感图像库中获取的地面建筑群目标参考图像；
图4a是地面建筑群目标参考图像的中心化频谱；
图4b是地面建筑群目标参考图像的中心化频谱灰度图像；
图5a是二值分割结果；
图5b是腐蚀后的二值分割结果；
图5c是处理后的地面建筑群目标频谱二值模板；
图6是高速飞行器飞行获取的地面建筑群目标实时图像；
图7a是地面建筑群目标实时图像的中心化频谱；
图7b是地面建筑群目标实时图像的中心化频谱灰度图像；
图8是滤波器函数H的二值模板；
图9是滤波器函数H的三维视图；
图10a是频域滤波后实时图像的频谱；
图10b是频域滤波后实时图像的频谱灰度图像；
图11是去噪后的地面建筑群目标实时图像。
【具体实施方式】
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
地面建筑群是高速飞行器遥感、探测、导航和制导时的一类重要目标。地面建筑物的各种基本结构和部件具有独特空间方向性，当这些建筑物群集成建筑群时，集中起来在频域中表现出独特的方向性；高斯噪声经过傅里叶变换，其幅频谱在整个空间近似均匀分布，没有方向性。本发明根据地面建筑群目标和高斯噪声的空频特性差异，利用地面建筑群目标的频谱特性约束，在频域进行有针对性的滤波，尽可能地去除噪声并保留图像的边缘和细节信息，为后续图像处理和目标识别定位提供良好的基础。
如图1所示，本发明对地建筑群遥感图像频谱特性约束的去噪方法包括以下步骤：
(1)从地面建筑群遥感图像库中获取地面建筑群目标参考图像，对该参考图像进行傅里叶变换得到幅频谱，对其幅频谱结果进行阈值分割、腐蚀、和膨胀操作，以获取地面建筑群目标频谱二值模板；
具体而言，本步骤包括以下子步骤：
(1.1)从地面建筑群遥感图像库中获取地面建筑群目标参考图像p(在本实施方式中，图像为256×256大小的灰度图像)，对参考图像p进行二维快速傅里叶变换(FFT)并中心化，得到参考图像p的中心化频谱P；
具体而言，图3所示是获取的地面建筑群目标参考图像p；将参考图像p进行二维快速傅里叶变换，得到参考图像p的未中心化频谱P0，将未中心化频谱P0等分为2×2个子块，如图2所示，将图中第1子块和第3子块交换，第2子块和第4子块交换，即可实现对频谱的中心化，得到中心化频谱P；中心化后的频谱，其中心为低频，四周为高频；
(1.2)根据参考图像p的中心化频谱P计算其幅频谱
Figure PCTCN2015072683-appb-000015
即中心化频谱P的模，
Figure PCTCN2015072683-appb-000016
具体而言，对于中心化频谱P中的每一点P(u,v)，(u,v)是点坐标，满足条件1≤u≤256,1≤v≤256；P(u,v)有如下复数形式P(u,v)＝a+bi，a,b为常数； 计算幅频谱
Figure PCTCN2015072683-appb-000017
上每一点
Figure PCTCN2015072683-appb-000018
得到幅频谱
Figure PCTCN2015072683-appb-000019
如图4a所示是中心化幅频谱
Figure PCTCN2015072683-appb-000020
的三维视图，如图4b所示是中心化幅频谱
Figure PCTCN2015072683-appb-000021
的灰度图像；
(1.3)统计幅频谱P的直方图分布Histp(x)，并对直方图分布Histp(x)进行归一化，以得到归一化直方图
Figure PCTCN2015072683-appb-000022
其中横坐标x为幅频谱
Figure PCTCN2015072683-appb-000023
的幅度值；
具体而言，首先对幅频谱
Figure PCTCN2015072683-appb-000024
进行向下取整，并统计直方图分布得到Histp(x)；然后对直方图分布Histp(x)进行归一化处理，即
Figure PCTCN2015072683-appb-000025
得到归一化直方图Histp′(x)；
(1.4)根据归一化直方图Histp′(x)计算分割阈值T，使其满足条件：
Figure PCTCN2015072683-appb-000026
其中γ是目标频谱模板保留量，其取值为0到1之间；
在本实施方式中，设定目标频谱模板保留量γ＝0.2，一般可根据实际情况设定γ大小，保证γ∈[0,1]；γ越大，目标频谱模板越大；
(1.5)根据分割阈值T对幅频谱
Figure PCTCN2015072683-appb-000027
进行阈值分割，以得到二值分割结果BW0；
具体而言，对于幅频谱
Figure PCTCN2015072683-appb-000028
中每一点
Figure PCTCN2015072683-appb-000029
如果
Figure PCTCN2015072683-appb-000030
则二值分割结果BW0中对应的点BW0(u,v)＝1；否则BW0(u,v)＝0；二值分割结果BW0如图5a所示；
(1.6)对二值分割结果BW0先进行腐蚀操作，再进行膨胀操作，以得到处理后的地面建筑群目标频谱二值模板BW；
具体而言，对二值分割结果BW0进行腐蚀操作，得到腐蚀后的二值分割结果BW1如图5b所示；腐蚀模板可根据实际情况选取，本实施方式中选 取的是半径为1的圆形模板；
对腐蚀后的二值分割结果BW1进行膨胀操作，得到处理后的地面建筑群目标频谱二值模板BW，如图5c所示；膨胀模板一般采用与腐蚀模板相同的模板，也可根据实际情况选取；
(2)高速飞行器飞行获取地面建筑群目标实时图像，对该实时图像进行傅里叶变换得到频谱，利用获取的地面建筑群目标频谱二值模板对实时图像的频谱进行频域滤波处理，再进行傅里叶逆变换以生成滤波后的地面建筑群目标实时图像：
本步骤包括以下子步骤：
(2.1)高速飞行器飞行获取地面建筑群目标实时图像f，对其进行二维快速傅里叶变换(FFT)并中心化，以得到实时图像f的中心化频谱F；
具体而言，利用高速飞行器飞行获取的地面建筑群目标实时图像f(在本实施方式中，该图像大小为256×256)，如图6所示；随后，将实时图像f进行二维快速傅里叶变换，并按照上述步骤(1.1)中的方法进行中心化，得到实时图像f的中心化频谱F；如图7a所示是F的幅频谱三维视图，如图7b所示是F的幅频谱灰度图像；
(2.2)根据步骤(1.6)中生成的地面建筑群目标频谱二值模板BW构造相应的滤波器函数H；
具体而言，首先构造滤波器函数H：
Figure PCTCN2015072683-appb-000031
其中BW(u,v)是BW上任意一点；H(u′,v′)是滤波器函数H上任意一点，(u′,v′)表示该点坐标，且(u′,v′)＝(u,v)，1≤u′≤256,1≤v′≤256；其中λ％为滤波频谱保留比例，其根据实际情况选取，一般为λ∈[0,20]；本实施方式选取λ＝5；滤波器函数H的三维视图如图9所示；
(2.3)将中心化频谱F与滤波器函数H的对应元素进行点乘，以得到 滤波后的实时图像频谱G，即G＝F.*H，从而实现对实时图像f的频域滤波；
具体而言，对于中心化频谱F上任意一点F(u′,v′)及滤波器函数H上对应的点H(u′,v′)，计算滤波后的实时图像频谱G上对应的点G(u′,v′)＝F(u′,v′)·H(u′,v′)，得到滤波后的实时图像频谱G；如图10a所示，是滤波后的实时图像频谱G的幅频谱三维视图；如图10b所示，是滤波后的实时图像频谱G的幅频谱灰度图像；
(2.4)将滤波后的实时图像频谱G进行二维快速傅里叶逆变换(IFFT)，并对变换结果取模，以得到去噪后的实时图像g；
具体而言，对滤波后的实时图像频谱G进行二维快速傅里叶逆变换(IFFT)，然后对变换结果取模，即g＝|IFFT(G)|，得到去噪后的实时图像g，如图11所示；
性能比较
表1示出本发明提出的去噪方法与现有高斯低通滤波器、小波去噪、奇异值分解去噪、非局部均值去噪四种去噪方法在去噪效果方面、图像细节信息保留度方面以及实时性方面的性能比较。
表1
Figure PCTCN2015072683-appb-000032
通过上表1可以看出，本发明提出的去噪方法去噪后图像的峰值信噪比(PSNR)、去噪后图像与参考图像的结构相似度(SSIM)都明显高于高斯低通滤波器、小波去噪和非局部均值去噪三种方法，说明本发明在去噪 效果方面和图像边缘和细节信息保留度方面优于这三种方法；虽然本发明去噪后图像的峰值信噪比(PSNR)略低于奇异值分解去噪，但本发明的结构相似度(SSIM)较高，说明本发明在图像边缘和细节信息保留度方面优于奇异值分解去噪，去噪造成的图像模糊较小，更重要的是，本发明的计算耗时远远小于奇异值分解去噪，能达到实时性；综合来看，本发明在去噪效果、图像边缘和细节信息保留度、实时性三个方面有着综合优势；
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

  1. 一种对地建筑群遥感图像频谱特性约束的去噪方法，其特征在于，包括以下步骤：
    (1)从地面建筑群遥感图像库中获取地面建筑群目标参考图像，对该参考图像进行傅里叶变换得到幅频谱，对其幅频谱结果进行阈值分割、腐蚀、和膨胀操作，以获取地面建筑群目标频谱二值模板；
    (2)高速飞行器飞行获取地面建筑群目标实时图像，对该实时图像进行傅里叶变换得到频谱，利用获取的地面建筑群目标频谱二值模板对实时图像的频谱进行频域滤波处理，再进行傅里叶逆变换以生成滤波后的地面建筑群目标实时图像。
  2. 根据权利要求1所述的去噪方法，其特征在于，步骤(1)包括以下子步骤：
    (1.1)从地面建筑群遥感图像库中获取地面建筑群目标参考图像p，对参考图像p进行二维快速傅里叶变换并中心化，得到参考图像p的中心化频谱P；
    (1.2)根据参考图像p的中心化频谱P计算其幅频谱
    Figure PCTCN2015072683-appb-100001
    即中心化频谱P的模，
    Figure PCTCN2015072683-appb-100002
    (1.3)统计幅频谱
    Figure PCTCN2015072683-appb-100003
    的直方图分布Histp(x)，并对直方图分布Histp(x)进行归一化，以得到归一化直方图
    Figure PCTCN2015072683-appb-100004
    其中横坐标x为幅频谱
    Figure PCTCN2015072683-appb-100005
    的幅度值；
    (1.4)根据归一化直方图Histp′(x)计算分割阈值T，使其满足条件：
    Figure PCTCN2015072683-appb-100006
    其中γ是目标频谱模板保留量；
    (1.5)根据分割阈值T对幅频谱
    Figure PCTCN2015072683-appb-100007
    进行阈值分割，以得到二值分割结 果BW0；
    (1.6)对二值分割结果BW0先进行腐蚀操作，再进行膨胀操作，以得到处理后的地面建筑群目标频谱二值模板BW。
  3. 根据权利要求2所述的去噪方法，其特征在于，步骤(1.2)具体为，对于中心化频谱P中的每一点P(u,v)，(u,v)是点坐标，满足条件1≤u≤256,1≤v≤256；P(u,v)有如下复数形式P(u,v)＝a+bi，a,b为常数；计算幅频谱
    Figure PCTCN2015072683-appb-100008
    上每一点
    Figure PCTCN2015072683-appb-100009
    得到幅频谱
    Figure PCTCN2015072683-appb-100010
  4. 根据权利要求3所述的去噪方法，其特征在于，步骤(1.5)具体为，对于幅频谱
    Figure PCTCN2015072683-appb-100011
    中每一点
    Figure PCTCN2015072683-appb-100012
    如果
    Figure PCTCN2015072683-appb-100013
    则二值分割结果BW0中对应的点BW0(u,v)＝1；否则BW0(u,v)＝0。
  5. 根据权利要求4所述的去噪方法，其特征在于，步骤(2)包括以下子步骤：
    (2.1)高速飞行器飞行获取地面建筑群目标实时图像f，对其进行二维快速傅里叶变换并中心化，以得到实时图像f的中心化频谱F；
    (2.2)根据步骤(1.6)中生成的地面建筑群目标频谱二值模板BW构造相应的滤波器函数H；
    (2.3)将中心化频谱F与滤波器函数H的对应元素进行点乘，以得到滤波后的实时图像频谱G，即G＝F.*H，从而实现对实时图像f的频域滤波；
    (2.4)将滤波后的实时图像频谱G进行二维快速傅里叶逆变换(IFFT)，并对变换结果取模，以得到去噪后的实时图像g；
  6. 根据权利要求5所述的去噪方法，其特征在于，步骤(2.2)具体为，首先构造滤波器函数H：
    Figure PCTCN2015072683-appb-100014
    其中BW(u,v)是BW上任意一点；H(u′,v′)是滤波器函数H上任意一点，(u′,v′)表示该点坐标，且(u′,v′)＝(u,v)，1≤u′≤256,1≤v′≤256；其中λ％为滤波 频谱保留比例。
  7. 根据权利要求6所述的去噪方法，其特征在于，具体(2.4)具体为，对于中心化频谱F上任意一点F(u′,v′)及滤波器函数H上对应的点H(u′,v′)，计算滤波后的实时图像频谱G上对应的点G(u′,v′)＝F(u′,v′)·H(u′,v′)，得到滤波后的实时图像频谱G。
  8. 一种对地建筑群遥感图像频谱特性约束的去噪方法，其特征在于，包括：
    第一模块，用于从地面建筑群遥感图像库中获取地面建筑群目标参考图像，对该参考图像进行傅里叶变换得到幅频谱，对其幅频谱结果进行阈值分割、腐蚀、和膨胀操作，以获取地面建筑群目标频谱二值模板；
    第二模块，用于高速飞行器飞行获取地面建筑群目标实时图像，对该实时图像进行傅里叶变换得到频谱，利用获取的地面建筑群目标频谱二值模板对实时图像的频谱进行频域滤波处理，再进行傅里叶逆变换以生成滤波后的地面建筑群目标实时图像。
PCT/CN2015/072683 2014-12-30 2015-02-10 一种对地建筑群遥感图像频谱特性约束的去噪方法 Ceased WO2016106960A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US14/964,559 US9563939B2 (en) 2014-12-30 2015-12-09 De-noising system for remote images of ground buildings using spectrum constraints and de-noising method thereof

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201410844639.8A CN104574324B (zh) 2014-12-30 2014-12-30 对地面建筑群遥感图像频谱特性约束的去噪方法和系统
CN201410844639.8 2014-12-30

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US14/964,559 Continuation-In-Part US9563939B2 (en) 2014-12-30 2015-12-09 De-noising system for remote images of ground buildings using spectrum constraints and de-noising method thereof

Publications (1)

Publication Number Publication Date
WO2016106960A1 true WO2016106960A1 (zh) 2016-07-07

Family

ID=53090305

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2015/072683 Ceased WO2016106960A1 (zh) 2014-12-30 2015-02-10 一种对地建筑群遥感图像频谱特性约束的去噪方法

Country Status (2)

Country Link
CN (1) CN104574324B (zh)
WO (1) WO2016106960A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915552A (zh) * 2020-06-02 2020-11-10 华南理工大学 一种太阳能电池内部缺陷检测方法
CN112241759A (zh) * 2020-07-22 2021-01-19 西安交通大学 一种用于多尺度几何分析的金字塔分解方法及系统
CN114820351A (zh) * 2022-04-07 2022-07-29 中国科学院空天信息创新研究院 高光谱噪声滤波方法、装置、设备和存储介质
CN115372909A (zh) * 2022-07-14 2022-11-22 西北工业大学 一种基于多时相耦合分析的干扰抑制方法
CN115661098A (zh) * 2022-10-31 2023-01-31 河海大学 一种海底管线二维冲刷剖面图像识别与数据提取方法
CN115861359A (zh) * 2022-12-16 2023-03-28 兰州交通大学 一种水面漂浮垃圾图像自适应分割提取方法
CN115965552A (zh) * 2022-12-30 2023-04-14 华中科技大学 用于低信噪比图像序列的频空时域联合去噪与恢复系统
CN116246295A (zh) * 2023-05-09 2023-06-09 深圳市嘉闰州生态建工有限公司 一种基于gis的建筑模板适配性智能分析装置及方法
CN116612048A (zh) * 2023-07-17 2023-08-18 山东产研卫星信息技术产业研究院有限公司 一种光学卫星遥感影像去模糊处理方法及系统
CN117710749A (zh) * 2023-12-26 2024-03-15 中国科学院空天信息创新研究院 一种基于扩散模型的遥感图像变化检测方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105912739B (zh) * 2016-07-14 2019-03-26 湖南琴海数码股份有限公司 一种相似图片检索系统及其方法
CN108305257B (zh) * 2017-12-27 2020-08-04 华中科技大学 一种背景热辐射约束下的海底隧道遥感探测定位方法
CN108535863B (zh) 2018-03-30 2020-10-27 武汉华星光电技术有限公司 一种盖板的处理方法、控制器、盖板处理装置及存储介质
CN109490072B (zh) * 2018-10-09 2021-07-27 广东交通职业技术学院 一种土木工程建筑用检测系统及其检测方法
CN114998112B (zh) * 2022-04-22 2024-06-28 广州市天誉创高电子科技有限公司 基于自适应频域滤波的图像去噪方法及系统
CN115468893A (zh) * 2022-04-22 2022-12-13 深圳市瑞图生物技术有限公司 液基细胞分析方法、设备和存储介质
CN115937231B (zh) * 2022-12-30 2023-10-20 华中科技大学 一种频谱结构约束的红外图像迭代去噪方法及系统
CN118916755B (zh) * 2024-10-11 2024-12-17 南京航天工业科技有限公司 一种基于实时频谱分析的同频信号分离识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5430445A (en) * 1992-12-31 1995-07-04 Raytheon Company Synthetic aperture radar guidance system and method of operating same
CN103714541A (zh) * 2013-12-24 2014-04-09 华中科技大学 一种利用山体轮廓区域约束识别定位建筑物的方法
CN103824309A (zh) * 2014-03-12 2014-05-28 武汉大学 一种城市建成区边界自动提取方法
CN103971377A (zh) * 2014-05-27 2014-08-06 中国科学院遥感与数字地球研究所 基于先验形状水平集分割的建筑物提取方法
CN103984947A (zh) * 2014-05-30 2014-08-13 武汉大学 基于形态学房屋指数的高分辨率遥感影像房屋提取方法
CN104200212A (zh) * 2014-06-25 2014-12-10 西安煤航信息产业有限公司 一种基于机载LiDAR数据的建筑物外边界线提取方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7260242B2 (en) * 2003-08-15 2007-08-21 United States Of America As Represented By The Secretary Of The Air Force Spatial surface prior information reflectance estimation (SPIRE) algorithms
CN102201110B (zh) * 2011-04-27 2012-12-19 华中科技大学 一种利用目标图像频谱特性的频域滤波去噪方法
CN103177458B (zh) * 2013-04-17 2015-11-25 北京师范大学 一种基于频域分析的可见光遥感图像感兴趣区域检测方法
CN104021521A (zh) * 2014-04-08 2014-09-03 刘健 基于傅里叶高通滤波与聚焦分析的遥感影像去条带方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5430445A (en) * 1992-12-31 1995-07-04 Raytheon Company Synthetic aperture radar guidance system and method of operating same
CN103714541A (zh) * 2013-12-24 2014-04-09 华中科技大学 一种利用山体轮廓区域约束识别定位建筑物的方法
CN103824309A (zh) * 2014-03-12 2014-05-28 武汉大学 一种城市建成区边界自动提取方法
CN103971377A (zh) * 2014-05-27 2014-08-06 中国科学院遥感与数字地球研究所 基于先验形状水平集分割的建筑物提取方法
CN103984947A (zh) * 2014-05-30 2014-08-13 武汉大学 基于形态学房屋指数的高分辨率遥感影像房屋提取方法
CN104200212A (zh) * 2014-06-25 2014-12-10 西安煤航信息产业有限公司 一种基于机载LiDAR数据的建筑物外边界线提取方法

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915552A (zh) * 2020-06-02 2020-11-10 华南理工大学 一种太阳能电池内部缺陷检测方法
CN111915552B (zh) * 2020-06-02 2024-06-21 华南理工大学 一种太阳能电池内部缺陷检测方法
CN112241759B (zh) * 2020-07-22 2023-06-09 西安交通大学 一种用于多尺度几何分析的金字塔分解方法及系统
CN112241759A (zh) * 2020-07-22 2021-01-19 西安交通大学 一种用于多尺度几何分析的金字塔分解方法及系统
CN114820351A (zh) * 2022-04-07 2022-07-29 中国科学院空天信息创新研究院 高光谱噪声滤波方法、装置、设备和存储介质
CN115372909A (zh) * 2022-07-14 2022-11-22 西北工业大学 一种基于多时相耦合分析的干扰抑制方法
CN115372909B (zh) * 2022-07-14 2024-10-15 西北工业大学 一种基于多时相耦合分析的干扰抑制方法
CN115661098A (zh) * 2022-10-31 2023-01-31 河海大学 一种海底管线二维冲刷剖面图像识别与数据提取方法
CN115661098B (zh) * 2022-10-31 2024-02-06 河海大学 一种海底管线二维冲刷剖面图像识别与数据提取方法
CN115861359B (zh) * 2022-12-16 2023-07-21 兰州交通大学 一种水面漂浮垃圾图像自适应分割提取方法
CN115861359A (zh) * 2022-12-16 2023-03-28 兰州交通大学 一种水面漂浮垃圾图像自适应分割提取方法
CN115965552B (zh) * 2022-12-30 2023-08-29 华中科技大学 用于低信噪比图像序列的频空时域联合去噪与恢复系统
CN115965552A (zh) * 2022-12-30 2023-04-14 华中科技大学 用于低信噪比图像序列的频空时域联合去噪与恢复系统
CN116246295A (zh) * 2023-05-09 2023-06-09 深圳市嘉闰州生态建工有限公司 一种基于gis的建筑模板适配性智能分析装置及方法
CN116612048A (zh) * 2023-07-17 2023-08-18 山东产研卫星信息技术产业研究院有限公司 一种光学卫星遥感影像去模糊处理方法及系统
CN116612048B (zh) * 2023-07-17 2023-09-26 山东产研卫星信息技术产业研究院有限公司 一种光学卫星遥感影像去模糊处理方法及系统
CN117710749A (zh) * 2023-12-26 2024-03-15 中国科学院空天信息创新研究院 一种基于扩散模型的遥感图像变化检测方法

Also Published As

Publication number Publication date
CN104574324B (zh) 2017-09-29
CN104574324A (zh) 2015-04-29

Similar Documents

Publication Publication Date Title
WO2016106960A1 (zh) 一种对地建筑群遥感图像频谱特性约束的去噪方法
CN108537814B (zh) 一种基于ViBe的三维声纳点云图像分割方法
US9563939B2 (en) De-noising system for remote images of ground buildings using spectrum constraints and de-noising method thereof
CN103873743A (zh) 一种基于结构张量和卡尔曼滤波的视频去噪方法
CN102609917B (zh) 一种基于聚类算法的图像边缘拟合b样条生成方法
CN108932699B (zh) 基于变换域的三维匹配调和滤波图像去噪方法
WO2016169244A1 (zh) 基于随机喷射retinex的视频图像去噪与增强方法及装置
CN108986185B (zh) 基于深度学习的图像数据扩增方法
CN103093441A (zh) 基于变换域的非局部均值和双变量模型的图像去噪方法
CN115797374B (zh) 基于图像处理的机场跑道提取方法
CN107169932A (zh) 一种适用于中子成像系统图像的基于高斯‑泊松混合噪声模型的图像复原方法
WO2017107344A1 (zh) 一种气动热辐射效应的频域校正方法
CN109858438B (zh) 一种基于模型拟合的车道线检测方法
CN114779185A (zh) 编解码卷积神经网络的雷达信号抗干扰低损恢复方法
CN106599891A (zh) 一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法
CN102722879A (zh) 基于目标提取和三维块匹配去噪的sar图像去斑方法
CN104537624B (zh) 基于ssim校正聚类稀疏表示的sar图像降斑方法
CN117889923A (zh) 一种基于时空图像纹理特征提取的明渠流量测量方法及装置
CN115035350A (zh) 一种基于边缘检测增强的对空地、地面背景小目标检测方法
CN109003247B (zh) 彩色图像混合噪声的去除方法
CN112927169B (zh) 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法
CN115147613A (zh) 一种基于多向融合的红外小目标检测方法
CN108257153A (zh) 一种基于方向梯度统计特征的目标跟踪方法
CN109636822A (zh) 一种基于新构建隶属度函数的改进Canny自适应边缘提取方法
CN111242891B (zh) 一种钢轨表面缺陷识别分类方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15874653

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15874653

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 15874653

Country of ref document: EP

Kind code of ref document: A1