CN107146206B - 基于四维块匹配滤波的高光谱遥感图像去噪方法 - Google Patents

基于四维块匹配滤波的高光谱遥感图像去噪方法 Download PDF

Info

Publication number
CN107146206B
CN107146206B CN201710240656.4A CN201710240656A CN107146206B CN 107146206 B CN107146206 B CN 107146206B CN 201710240656 A CN201710240656 A CN 201710240656A CN 107146206 B CN107146206 B CN 107146206B
Authority
CN
China
Prior art keywords
remote sensing
spectrum remote
data block
block
noise
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.)
Expired - Fee Related
Application number
CN201710240656.4A
Other languages
English (en)
Other versions
CN107146206A (zh
Inventor
张静
牛高阳
李云松
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.)
Xi'an Zhongke Mingguang Measurement & Control Technology Co ltd
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201710240656.4A priority Critical patent/CN107146206B/zh
Publication of CN107146206A publication Critical patent/CN107146206A/zh
Application granted granted Critical
Publication of CN107146206B publication Critical patent/CN107146206B/zh
Expired - Fee Related 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image

Landscapes

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

Abstract

本发明公开了一种基于四维块匹配滤波的高光谱遥感图像去噪方法，主要解决了现有技术中高光谱遥感图像的去噪结果中细节信息模糊泛化和边缘轮廓信息丢失的问题。其实现步骤如下：(1)输入高光谱遥感图像；(2)对高光谱遥感图像中的波段进行分组；(3)构造四维数据块；(4)对四维数据块进行经验维纳滤波；(5)输出去噪后高光谱遥感图像数据。本发明能够较好地保持去噪后的结果中的细节信息及边缘信息，可用于高光谱遥感图像的去噪。

Description

基于四维块匹配滤波的高光谱遥感图像去噪方法
技术领域
本发明属于图像处理技术领域，更进一步涉及高光谱图像滤波处理技术领域中的一种基于四维块匹配滤波BM4D(Block-Matching and 4D filtering)的高光谱遥感图像去噪方法。本发明可用于对高光谱遥感图像的噪声进行抑制。
背景技术
高光谱遥感图像是最近几十年发展起来的一种新兴遥感图像，它能更为全面，更为详细地描述地物特征。然而，高光谱遥感图像在成像及传播过程中受到很多复杂因素影响，会引入大量噪声，对高光谱遥感图像后续的应用带来很大困难。目前的高光谱遥感图像去噪方法主要分为两类：一类是基于变换域滤波的高光谱遥感图像去噪方法，该方法是对高光谱遥感图像采用某种变换方法，在变换域对高光谱遥感图像进行去噪处理；另一类是基于空间域滤波的高光谱遥感图像去噪方法，该方法是利用相邻像元间的相关性对高光谱遥感图像进行去噪。
Maggioni M，Katkovnik V，Egiazarian K三人在其发表的论文“Nonlocaltransform-domain filter for volumetric data denoising and reconstruction”(IEEE Transactions on Image Processing A Publication of the IEEE SignalProcessing Society,2013,22(1))中提出了一种基于非局部变换域滤波的高光谱遥感图像去噪方法。该方法首先把高光谱遥感图像分成一定大小的块，根据图像块之间的相似性，把具有相似结构的三维图像块组合在一起形成四维数组，然后用联合滤波的方法对这些四维数组进行处理，最后，通过逆变换，把处理后的结果返回到原图像中，从而得到去噪后的图像。该方法存在的不足之处是，没有考虑不同波段信噪比之间的差异而导致去噪结果中细节信息的模糊泛化。
武汉大学在其申请的专利文献“基于空间相关性的高光谱数据降噪方法及***”(专利申请号CN201410821313.3，公开号CN104463808A)中公开了一种基于空间相关性的高光谱数据降噪方法。该方法首先求解高光谱数据中各个波段所成图像的平均图像，计算高光谱数据的协方差矩阵并进行特征值分解得到变换矩阵和特征值矩阵；然后再利用变换矩阵将高光谱数据进行线性投影，得到变换域中的三维数据，利用特征值矩阵对变换域中的三维数据进行降噪处理；最后，利用变换矩阵的逆矩阵对降噪后的变换域中的三维数据进行线性投影，重构得到降噪后的高光谱图像。该方法存在的不足之处是，没有考虑高光谱遥感图像的谱间相关性而导致去噪后的结果会丢失图像中的边缘轮廓信息和纹理信息。
发明内容
本发明的目的在于克服上述现有技术的不足，提出一种基于四维块匹配滤波的高光谱遥感图像去噪方法，使得去噪后的高光谱遥感图像能够更好地保持边缘轮廓信息和纹理信息。
实现本发明目的的思路是，利用高光谱遥感图像自身局部块之间的相似性来估计高光谱遥感图像中的噪声，将高光谱遥感图像中的待估计的图像块与其相似块滤波后的值作为该图像块的真实值。
为实现上述目的，本发明具体实现步骤如下：
(1)输入高光谱遥感图像。
利用高光谱遥感图像成像仪，输入一幅高光谱遥感图像。
(2)对高光谱遥感图像中的波段进行分组。
利用高通滤波器对高光谱遥感图像进行滤波，得到高光谱遥感图像的信号图像和高光谱遥感图像的噪声图像。
利用信噪比计算公式，计算高光谱遥感图像中每个波段的信噪比。
所述的信噪比计算公式如下：
其中，SNRi表示高光谱遥感图像中第i个波段的信噪比，log表示以10为底的对数操作，∑表示求和操作，si(k)表示高光谱遥感图像的信号图像中第i 个波段中第k个元素的值，ni(k)表示高光谱遥感图像的噪声图像中第i个波段中第k个元素的值。
将高光谱遥感图像中所有波段中的信噪比大于30dB的波段组成干净波段组，将高光谱遥感图像中所有波段中的信噪比小于等于30dB的波段组成噪声波段组。
(3)构造四维数据块。
将噪声波段组数据划分为N个大小为4×4×4的三维数据块，N为大于等于 1的整数。
在划分后的N个三维数据块中任意选取一个三维数据块作为参考块。
利用相似性计算公式，计算每个三维数据块与参考块之间的相似性系数。
所述的相似性计算公式如下：
其中，dn表示第n个三维数据块与参考块之间的相似性系数，|·|表示取绝对值操作，CR表示噪声波段组数据划分后的N个三维数据块中所选取的参考块，Cn表示噪声波段组数据划分后的N个三维数据块中第n个三维数据块。
将所有与参考块之间的相似性系数小于2.8的三维数据块组成一个四维数据块。
(4)对四维数据块进行经验维纳滤波。
利用经验维纳滤波器，对四维数据块进行滤波，获得去噪后的四维数据块。
(5)输出去噪后高光谱遥感图像。
将去噪后的四维数据块中的所有数据，返回到高光谱遥感图像中，输出去噪后的高光谱遥感图像。
本发明与现有的技术相比具有以下优点：
第一，由于本发明对高光谱遥感图像中的波段进行了分组，克服了现有技术中没有考虑不同波段信噪比之间的差异而导致去噪结果中细节信息模糊泛化的问题，采用本发明能够较好地保持去噪后的高光谱遥感图像中的细节信息。
第二，由于本发明利用经验维纳滤波器对四维数据块进行滤波，获得去噪后的四维数据块，克服了现有技术中没有考虑高光谱遥感图像的谱间相关性而导致去噪后的结果会丢失图像中的边缘轮廓信息和纹理信息的问题，使得本发明能够较好地保持去噪后高光谱遥感图像中的边缘轮廓信息和纹理信息。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图1对本发明做进一步的描述。
步骤1，输入高光谱遥感图像。
利用光谱遥感图像成像仪，输入一幅高光谱遥感图像。
步骤2，对高光谱遥感图像中的波段进行分组。
利用高通滤波器对高光谱遥感图像进行滤波，得到高光谱遥感图像的信号图像和高光谱遥感图像的噪声图像。
利用信噪比计算公式，计算高光谱遥感图像中每个波段的信噪比。
所述的信噪比计算公式如下：
其中，SNRi表示高光谱遥感图像中第i个波段的信噪比，log表示以10为底的对数操作，∑表示求和操作，si(k)表示高光谱遥感图像的信号图像中第i 个波段中第k个元素的值，ni(k)表示高光谱遥感图像的噪声图像中第i个波段中第k个元素的值。
将高光谱遥感图像中所有波段中的信噪比大于30dB的波段组成干净波段组，高光谱遥感图像中所有波段中的信噪比小于等于30dB的波段组成噪声波段组。
步骤3，构造四维数据块。
将噪声波段组数据划分为N个大小为4×4×4的三维数据块，N为大于等于 1的整数。
在划分后的N个三维数据块中任意选取一个三维数据块作为参考块。
利用相似性计算公式，计算各个三维数据块与所选取的参考块之间的相似性系数。
所述的相似性计算公式如下：
其中，dn表示噪声波段组数据划分后的三维数据块中的第n个三维数据块与参考块之间的相似性系数，||表示取绝对值操作，CR表示所选取的参考块，Cn表示噪声波段组数据划分后的三维数据块中第n个三维数据块。
将所有与所选取的参考块之间的相似性系数小于2.8的三维数据块组成一个四维数据块。
步骤4，对四维数据块进行经验维纳滤波。
利用经验维纳滤波器对四维数据块进行滤波，获得经验维纳滤波后的四维数据块。
步骤5，输出去噪后高光谱遥感图像数据。
将经验维纳滤波后的四维数据块中的所有数据返回到高光谱遥感图像中，输出返回后的高光谱遥感图像数据。

Claims (3)

1.一种基于四维块匹配滤波的高光谱遥感图像去噪方法，包括如下步骤：
(1)输入高光谱遥感图像：
利用高光谱遥感图像成像仪，输入一幅高光谱遥感图像；
(2)对高光谱遥感图像中的波段进行分组：
(2a)利用高通滤波器对高光谱遥感图像进行滤波，得到高光谱遥感图像的信号图像和高光谱遥感图像的噪声图像；
(2b)利用信噪比计算公式，计算高光谱遥感图像中每个波段的信噪比；
(2c)将高光谱遥感图像中所有波段中的信噪比大于30dB的波段组成干净波段组，将高光谱遥感图像中所有波段中的信噪比小于等于30dB的波段组成噪声波段组；
(3)构造四维数据块：
(3a)将噪声波段组数据划分为N个大小为4×4×4的三维数据块，N为大于或等于1的整数；
(3b)在划分后的N个三维数据块中任意选取一个三维数据块作为参考块；
(3c)利用相似性计算公式，计算每个三维数据块与参考块之间的相似性系数；
(3d)将所有与参考块之间的相似性系数小于2.8的三维数据块组成一个四维数据块；
(4)对四维数据块进行经验维纳滤波：
利用经验维纳滤波器，对四维数据块进行滤波，获得去噪后的四维数据块；
(5)输出去噪后高光谱遥感图像：
将去噪后的四维数据块中的所有数据，返回到高光谱遥感图像中，输出去噪后的高光谱遥感图像。
2.根据权利要求1所述的基于四维块匹配滤波的高光谱遥感图像去噪方法，其特征在于：步骤(2b)中所述的信噪比计算公式如下：
其中，SNRi表示高光谱遥感图像中第i个波段的信噪比，log表示以10为底的对数操作，∑表示求和操作，si(k)表示高光谱遥感图像的信号图像中第i个波段中第k个元素的值，ni(k)表示高光谱遥感图像的噪声图像中第i个波段中第k个元素的值。
3.根据权利要求1所述的基于四维块匹配滤波的高光谱遥感图像去噪方法，其特征在于：步骤(3c)中所述的相似性计算公式如下：
其中，dn表示第n个三维数据块与参考块之间的相似性系数，|·|表示取绝对值操作，CR表示噪声波段组数据划分后的N个三维数据块中所选取的参考块，Cn表示噪声波段组数据划分后的N个三维数据块中第n个三维数据块。
CN201710240656.4A 2017-04-13 2017-04-13 基于四维块匹配滤波的高光谱遥感图像去噪方法 Expired - Fee Related CN107146206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710240656.4A CN107146206B (zh) 2017-04-13 2017-04-13 基于四维块匹配滤波的高光谱遥感图像去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710240656.4A CN107146206B (zh) 2017-04-13 2017-04-13 基于四维块匹配滤波的高光谱遥感图像去噪方法

Publications (2)

Publication Number Publication Date
CN107146206A CN107146206A (zh) 2017-09-08
CN107146206B true CN107146206B (zh) 2019-07-23

Family

ID=59773706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710240656.4A Expired - Fee Related CN107146206B (zh) 2017-04-13 2017-04-13 基于四维块匹配滤波的高光谱遥感图像去噪方法

Country Status (1)

Country Link
CN (1) CN107146206B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107808170B (zh) * 2017-11-20 2019-10-29 中国人民解放军国防科技大学 高光谱遥感图像加性乘性混合噪声参数估计方法
CN109934789B (zh) * 2019-03-26 2021-01-01 湖南国科微电子股份有限公司 图像去噪方法、装置及电子设备
CN111429390B (zh) * 2020-03-18 2023-10-13 江西师范大学 一种地面***遥感图像的自适应实时处理方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073989A (zh) * 2010-11-09 2011-05-25 西安电子科技大学 融入pca的非局部均值的极化sar数据相干斑抑制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073989A (zh) * 2010-11-09 2011-05-25 西安电子科技大学 融入pca的非局部均值的极化sar数据相干斑抑制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Denoising Hyperspectral Imagery Using Principal Component Analysis and Block-Matching 4D Filtering;Guangyi Chen等;《Canadian Journal of Remote Sensing》;20140611;60-66
基于低秩字典学习的高光谱遥感图像去噪;张静妙等;《控制工程》;20160630;第23卷(第6期);823-827

Also Published As

Publication number Publication date
CN107146206A (zh) 2017-09-08

Similar Documents

Publication Publication Date Title
Naimi et al. Medical image denoising using dual tree complex thresholding wavelet transform and Wiener filter
JP6057881B2 (ja) ノイズを含む画素からなる入力画像のノイズを除去する方法
Mohan et al. MRI denoising using nonlocal neutrosophic set approach of Wiener filtering
Thaipanich et al. Improved image denoising with adaptive nonlocal means (ANL-means) algorithm
CN103077508B (zh) 基于变换域非局部和最小均方误差的sar图像去噪方法
CN109658351B (zh) 一种结合l0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法
CN104123705B (zh) 一种超分辨率重建图像质量Contourlet域评价方法
CN107146206B (zh) 基于四维块匹配滤波的高光谱遥感图像去噪方法
Shi et al. Translation invariant directional framelet transform combined with Gabor filters for image denoising
CN103093433A (zh) 基于区域划分和字典学习的自然图像去噪方法
CN108765313B (zh) 基于类内低秩结构表示的高光谱图像去噪方法
Yang et al. Image denoising using bilateral filter and Gaussian scale mixtures in shiftable complex directional pyramid domain
CN102945548A (zh) 一种基于方向金字塔滤波的图像处理方法及装置
Rasti et al. Hyperspectral image denoising using a new linear model and sparse regularization
Jian et al. A multi-source image fusion algorithm based on gradient regularized convolution sparse representation
CN103903228A (zh) 一种基于hwd变换的非局部图像去噪方法
Hostalkova et al. Multi-dimensional biomedical image de-noising using Haar transform
CN103839237B (zh) 基于svd字典和线性最小均方误差估计的sar图像去斑方法
Sun et al. Overview of SAR image denoising based on transform domain
Fang et al. De-noising of SAR images based on Wavelet-Contourlet domain and PCA
CN103747268B (zh) 一种分层自适应阈值视频去噪方法
Sugamya et al. Image enhancement using singular value decomposition
Reddy et al. Multispectral Image Denoising With Kriging Interpolation Based Wiener Filter
Talbi et al. A hybrid technique of image denoising using the curvelet transform based denoising method and two-stage image denoising by PCA with local pixel grouping
CN113902618B (zh) 一种基于多模态空间滤波的图像超分算法

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
TR01 Transfer of patent right

Effective date of registration: 20210824

Address after: 710000 gazelle Valley e411, Zone C, venture R & D Park, No. 69, Jinye Road, high tech Zone, Xi'an, Shaanxi

Patentee after: XI'AN ZHONGKE MINGGUANG MEASUREMENT & CONTROL TECHNOLOGY Co.,Ltd.

Address before: 710071 Taibai South Road, Yanta District, Xi'an, Shaanxi Province, No. 2

Patentee before: XIDIAN University

TR01 Transfer of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190723

CF01 Termination of patent right due to non-payment of annual fee