CN107180418A - 一种基于Tetrolet变换的遥感图像增强方法及装置 - Google Patents
一种基于Tetrolet变换的遥感图像增强方法及装置 Download PDFInfo
- Publication number
- CN107180418A CN107180418A CN201710531266.2A CN201710531266A CN107180418A CN 107180418 A CN107180418 A CN 107180418A CN 201710531266 A CN201710531266 A CN 201710531266A CN 107180418 A CN107180418 A CN 107180418A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing images
- processing
- denoising
- images
- 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 50
- 238000012545 processing Methods 0.000 claims abstract description 95
- 230000002708 enhancing effect Effects 0.000 claims abstract description 52
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
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Tetrolet变换的遥感图像增强方法及装置,涉及图像处理技术领域,主要目的是解决现有的遥感图像增强方法无法很好的保持遥感图像边缘和方向纹理等特性,从而导致遥感图像增强处理的精度较低的问题。技术方案包括:对待处理遥感图像进行去噪,得到第一遥感图像,所述第一遥感图像为去噪处理后的遥感图像;将所述待处理遥感图像与所述第一遥感图像之间的差值,确定为差异遥感图像;对所述差异遥感图像进行核各向异性扩散处理;根据处理后的差异图像计算第二遥感图像并输出,所述第二遥感图像为增强处理后的遥感图像。主要用于遥感图像的增强。
Description
技术领域
本发明涉及遥感图像处理技术领域,尤其涉及一种基于Tetrolet变换的遥感图像增强方法及装置。
背景技术
在遥感图像成像过程中,由于受传感器和环境因素等的影响,遥感图像中会产生一些噪声干扰,使得图像出现模糊和细节丢失等,因而需要对遥感图像进行增强处理。对遥感图像进行增强处理有很多种图像增强算法,其中多尺度几何分析(MultiscaleGeometric Analysis,MGA)的图像增强算法能够提供较为理想的图像而被广泛应用。典型的MGA方法有曲波变换(Curvelet)、轮廓波变换(Contourlet)、方块波(Tetrolet)变换和方向波(Directionlet)变换等,其中Tetrolet是一种新颖的自适应小波变换,具有良好的非线性逼近能力,并且能够很好的表示图像的几何结构特性,更稀疏的表述图像。
目前在使用Tetrolet变换时,通常是基于Tetrolet和脉冲耦合神经网络(PulseCoupled Neural Network,PCNN)相结合的图像增强算法,然而,虽然这种图像增强算法很好的抑制了噪声和增强图像细节,但无法很好的保持遥感图像边缘和方向纹理等特性,从而导致遥感图像增强处理的精度较低。
发明内容
鉴于上述问题,提出了本发明以便提供一种基于Tetrolet变换的遥感图像增强方法及装置,主要目的是解决现有的遥感图像增强处理时,无法很好的保持遥感图像边缘和方向纹理等特性,从而导致遥感图像增强处理精度较低的问题。
借由上述技术方案,本发明提供的一种基于Tetrolet变换的遥感图像增强方法,包括:
对待处理遥感图像进行去噪,得到第一遥感图像,所述第一遥感图像为去噪处理后的遥感图像;
将所述待处理遥感图像与所述第一遥感图像之间的差值,确定为差异遥感图像;
对所述差异遥感图像进行核各向异性扩散处理;
根据处理后的差异图像计算第二遥感图像并输出,所述第二遥感图像为增强处理后的遥感图像。
借由上述技术方案,本发明提供的一种基于Tetrolet变换的遥感图像增强装置,包括:
去噪单元,用于对待处理遥感图像进行去噪,得到第一遥感图像,所述第一遥感图像为去噪处理后的遥感图像;
确定单元,用于将所述待处理遥感图像与所述第一遥感图像之间的差值,确定为差异遥感图像;
处理单元,用于对所述差异遥感图像进行核各向异性扩散处理;
计算单元,用于根据处理后的差异图像计算第二遥感图像并输出,所述第二遥感图像为增强处理后的遥感图像。
本发明实施例提供的一种基于Tetrolet变换的遥感图像增强方法及装置,与现有基于Tetrolet和PCNN相结合的图像增强算法相比,本发明实施例通过首先对待处理遥感图像进行去噪处理,利用待处理图像与去噪处理后的图像之差计算得到差异遥感图像,并对差异遥感图像进行核各向异性扩散处理,而后根据核各向异性扩散处理后的差异图像计算得到增强处理后的遥感图像,可以在抑制噪声和增强图像细节的同时,很好的保持遥感图像边缘和方向纹理等特性,提高了遥感图像增强处理的精度。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了发明实施例提供的一种基于Tetrolet变换的遥感图像增强方法的流程图;
图2示出了发明实施例提供的另一种基于Tetrolet变换的遥感图像增强方法的流程图;
图3示出了发明实施例提供的一种Tetrolet变换分解结构示意图;
图4示出了发明实施例提供的一种基于Tetrolet变换的遥感图像增强装置的方框图;
图5示出了发明实施例提供的另一种基于Tetrolet变换的遥感图像增强装置的方框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种基于Tetrolet变换的遥感图像增强方法,如图1所示,所述方法包括:
101、对待处理遥感图像进行去噪。
进一步地,得到第一遥感图像,所述第一遥感图像为去噪处理后的遥感图像。
需要说明的是,所述待处理遥感图像可以是原始遥感图像,也可以是经过增强处理后精度仍然较低的遥感图像。具体地,所述步骤101可以为通过对待处理遥感图像进行Tetrolet(方块波)变换,得到不同的遥感图像分解图像,并进一步对其中部分图像进行进一步的Tetrolet变换,直至分解结束,对遥感图像实现稀疏逼近以完成对待处理遥感图像的去噪处理。
102、将所述待处理遥感图像与所述第一遥感图像之间的差值,确定为差异遥感图像。
例如,待处理遥感图像为X0,经过去噪处理后的遥感图像为Xc,则可以得到差异遥感图像ΔX为ΔX=X0-Xc。
103、对所述差异遥感图像进行核各向异性扩散处理。
其中,所述核各向异性扩散(kernel anisotropic diffusion,KAD)是一种可以将图像噪声和梯度间的线性不可分问题转化为特征空间中的线性可分问题的算法。具体地,所述步骤103可以为根据预设模型对差异遥感图像进行处理,实现对差异遥感图像进行核各向异性扩散处理,例如,预设模型可以如下所示:
式中,div为散度算子,为梯度算子,t为时间,进一步地,表示扩散方程,可以表示为:
其中,k为扩散门限,是函数Φ映射到特征空间的梯度模,具体地梯度模可以表示为:
式中ξp是像素点p的8邻域空间。
需要说明的是,为了提高对遥感图像的增强处理精度,本实施例中对差异图像进行处理后,可以对处理后的差异图像进行检测,当差异图像符合预设的处理合格标准时,则确定对差异图像处理完成,当差异图像不符合预设的处理合格标准时,则继续对差异图像进行进一步的处理,直至得到符合预设处理合格标准时结束。
104、根据处理后的差异图像计算第二遥感图像并输出。
其中,所述第二遥感图像为增强处理后的遥感图像。
本发明实施例提供的一种基于Tetrolet变换的遥感图像增强方法,与现有基于Tetrolet和PCNN相结合的图像增强算法相比,本发明实施例通过首先对待处理遥感图像进行去噪处理,利用待处理图像与去噪处理后的图像之差计算得到差异遥感图像,并对差异遥感图像进行核各向异性扩散处理,而后根据核各向异性扩散处理后的差异图像计算得到增强处理后的遥感图像,可以在抑制噪声和增强图像细节的同时,很好的保持遥感图像边缘和方向纹理等特性,提高了遥感图像增强处理的精度。
本发明实施例还提供了另一种基于Tetrolet变换的遥感图像增强方法,如图2所示,所述方法包括:
201、对待处理遥感图像进行去噪。
进一步地,得到第一遥感图像。其中,所述第一遥感图像为去噪处理后的遥感图像。所述待处理遥感图像的概念解释可以参考所述步骤101中相应描述,在此不再赘述。
对于本发明实施例,所述步骤201具体可以包括:对所述待处理遥感图像进行Tetrolet变换,得到与所述待处理遥感图像对应的低频系数、高频系数和分布覆盖系数;按照预置规则对所述高频系数进行去噪;根据去噪处理后的高频系数、所述低频系数和所述分布覆盖系数进行逆Tetrolet变换处理,得到第一遥感图像。其中,所述预置规则可以为如下所示的软阈值函数:
其中,Sl,k是软阈值处理之前的系数,SSl,k是处理之后的Tetrolet高频系数,Tr是采用Donoho和Johnstone的统一阈值的软阈值,且而σ=median(abs(C))/0.6745。
需要说明的是,遥感图像的高频系数主要包含有图像的细节和纹理信息,但同时也包含有较多噪声,因此首先对高频系数进行降噪可以避免在增强处理之后进行去噪而造成的处理较为繁琐的问题,从而提高了遥感图像增强处理操作的便捷性和效率。
对于本发明实施例,具体的应用场景可以如下所示,但不限于此,包括:
对待处理遥感图像进行Tetrolet变换可以如图3所示,将大小为64×64的图像经Tetrolet变换得到分解图像,在每层使用滤波器算法将低通图像划分为4×4块,随之对每一块图像进行Tetrolet基变换,将其分解为大小为2×2的低通部分及大小为12×1高通部分,而后继续对低通部分进行4×4分解,直至分解结束。之后对分解得到的高频系数通过上述软阈值处理进行去噪,得到去噪后的高频系数,再结合低频系数和分布覆盖系数进行逆Tetrolet变换处理,完成对遥感图像的去噪处理。
202、将所述待处理遥感图像与所述第一遥感图像之间的差值,确定为差异遥感图像。
本步骤与图1所示的步骤102方法相同,在此不再赘述。
203、对所述差异遥感图像进行核各向异性扩散处理。
具体地,所述核各向异性扩散处理可以参考所述步骤103中相应描述,在此不再赘述。
对于本发明实施例,通过根据去噪处理后的遥感图像计算差异遥感图像,并对差异遥感图像进行核各向异性扩散处理,可以在抑制了遥感图像噪声的同时,对遥感图像细节进行增强处理,确保保持遥感图像的边缘和方向纹理等特性,从而提高了遥感图像增强处理的精度。
204、将处理后的差异图像与所述第一遥感图像之和,确定为所述第二遥感图像。
其中,所述第二遥感图像为增强处理后的遥感图像。
例如,待处理遥感图像为X0,经过去噪处理后的遥感图像为Xc,差异遥感图像ΔX为ΔX=X0-Xc,对差异遥感图像ΔX进行核各向异性处理,得到ΔX’,则增强处理后的遥感图像为X’=Xc+ΔX’。
205、检测所述第二遥感图像是否满足预设迭代终止条件。
其中,所述预设迭代终止条件可以根据不同的用户需求进行设定,例如可以为增强处理前和增强处理后的两幅图像的均方误差小于0.15,本发明实施例不做具体限定。
对于本发明实施例,根据所述步骤204得到的处理后的遥感图像可以为最终得到的遥感图像,也可以为需要进一步处理的遥感图像,因而通过设定预设迭代条件,可以检测得到的第二遥感图像是否满足遥感图像增强的精度,从而提高了遥感图像增强的精确性。
206a、若满足,则将所述第二遥感图像输出。
对于本发明实施例,当得到的第二遥感图像满足预设迭代终止条件时,说明得到的遥感图像精度符合预期标准,此时可以结束对遥感图像的增强处理。输出处理结果。
与所述步骤206a并列的步骤206b、若所述第二遥感图像不满足预设迭代终止条件,则将所述第二遥感图像确定为待处理遥感图像。
需要说明的是,根据所述步骤101所述待处理图像可以为原始图像,也可以为经过增强处理后精度仍然较低的遥感图像,所以当检测到增强处理后的第二遥感图像不满足预设迭代终止条件时,说明此时得到的遥感图像为待处理遥感图像,此时需要对该遥感图像循环执行所述步骤201至所述步骤206b,直至得到的增强处理后的遥感图像满足预设迭代终止条件。
对于本发明实施例,通过在对遥感图像进行增强处理后对图像进行检测,并根据检测结果选择完成处理或者再次对遥感图像进行循环处理以得到更高精度的遥感图像,从而可以确保输出的遥感图像满足用于预先设定的条件,提高了遥感图像增强处理的准确性。
207、对所述第二遥感图像进行非锐化掩蔽滤波处理并输出。
具体的,所述步骤207可以为根据如下所示函数进行非锐化掩蔽滤波:
g(x,y)=f(x,y)+k*gmask(x,y),其中,f(x,y)为原图像,g(x,y)表示增强后的图像。
对于本发明实施例,通过对得到的遥感图像进行非锐化掩蔽滤波处理,可以进一步突出图像的细节和边缘,实现对遥感图像的进一步增强。
本发明实施例提供的另一种基于Tetrolet变换的遥感图像增强方法,本发明实施例通过对待处理遥感图像进行Tetrolet变换,并按照预置规则对得到的高频系数进行去噪,而后将得到去噪后的高频系数、低频系数和分布覆盖系数进行逆Tetrolet变换,完成对待处理遥感图像的去噪,再计算差异遥感图像且对差异遥感图像进行核各向异性扩散处理,计算核各向异性扩散处理后的差异遥感图像与去噪后的遥感图像之和,并检测是否满足预设迭代终止条件,如满足则进一步进行非锐化掩蔽增强处理得到最终的增强遥感图像,若不满足则将所得图像再次进行循环处理,直至满足预设迭代终止条件,与现有技术相比,本发明实施例可以在抑制噪声和增强图像细节的同时,很好的保持遥感图像边缘和方向纹理等特性,提高了遥感图像增强处理的精度。
进一步地,作为图1所示方法的具体实现,本发明实施例提供一种基于Tetrolet变换的遥感图像增强装置,如图4所示,所述装置可以包括:去噪单元31、确定单元32、处理单元33、计算单元34。
去噪单元31,用于对待处理遥感图像进行去噪,得到第一遥感图像,所述第一遥感图像为去噪处理后的遥感图像;所述去噪单元31为一种基于Tetrolet变换的遥感图像增强装置执行对待处理遥感图像进行去噪的功能模块。
确定单元32,用于将所述待处理遥感图像与所述第一遥感图像之间的差值,确定为差异遥感图像;所述确定单元32为一种基于Tetrolet变换的遥感图像增强装置执行将所述待处理遥感图像与所述第一遥感图像之间的差值,确定为差异遥感图像的功能模块。
处理单元33,用于对所述差异遥感图像进行核各向异性扩散处理;所述处理单元33为一种基于Tetrolet变换的遥感图像增强装置执行对所述差异遥感图像进行核各向异性扩散处理的功能模块。
计算单元34,用于根据处理后的差异图像计算第二遥感图像并输出,所述第二遥感图像为增强处理后的遥感图像;所述计算单元34为一种基于Tetrolet变换的遥感图像增强装置执行根据处理后的差异图像计算第二遥感图像并输出的功能模块。
该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。
本发明实施例提供的一种基于Tetrolet变换的遥感图像增强装置,与现有基于Tetrolet和PCNN相结合的图像增强算法相比,本发明实施例通过首先对待处理遥感图像进行去噪处理,利用待处理图像与去噪处理后的图像之差计算得到差异遥感图像,并对差异遥感图像进行核各向异性扩散处理,而后根据核各向异性扩散处理后的差异图像计算得到增强处理后的遥感图像,可以在抑制噪声和增强图像细节的同时,很好的保持遥感图像边缘和方向纹理等特性,提高了遥感图像增强处理的精度。
进一步地,作为图2所示方法的具体实现,本发明实施例提供另一种基于Tetrolet变换的遥感图像增强装置,如图5所示,所述装置可以包括:去噪单元41、确定单元42、处理单元43、计算单元44。
去噪单元41,用于对待处理遥感图像进行去噪,得到第一遥感图像,所述第一遥感图像为去噪处理后的遥感图像;
确定单元42,用于将所述待处理遥感图像与所述第一遥感图像之间的差值,确定为差异遥感图像;
处理单元43,用于对所述差异遥感图像进行核各向异性扩散处理;
计算单元44,用于根据处理后的差异图像计算第二遥感图像并输出,所述第二遥感图像为增强处理后的遥感图像。
具体地,为了对待处理的遥感图像进行去噪,所述去噪单元41包括:
变换模块4101,用于对所述待处理遥感图像进行Tetrolet变换,得到与所述待处理遥感图像对应的低频系数、高频系数和分布覆盖系数;
去噪模块4102,用于按照预置规则对所述高频系数进行去噪;
处理模块4103,用于根据去噪处理后的高频系数、所述低频系数和所述分布覆盖系数进行逆Tetrolet变换处理,得到第一遥感图像。
具体地,为了根据处理后的差异图像计算第二遥感图像,所述装置还包括:检测单元45、输出单元46。
所述确定单元42,还用于将处理后的差异图像与所述第一遥感图像之和,确定为所述第二遥感图像。
所述检测单元45,用于检测所述第二遥感图像是否满足预设迭代终止条件。
所述输出单元46,用于若满足,则将所述第二遥感图像输出。
所述确定单元42,还用于若所述第二遥感图像不满足预设迭代终止条件,则将所述第二遥感图像确定为待处理遥感图像。
此外,为了进一步地突出遥感图像的细节和边缘,
所述处理单元43,还用于对所述第二遥感图像进行非锐化掩蔽滤波处理并输出。
该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。
本发明实施例提供的另一种基于Tetrolet变换的遥感图像增强装置,本发明实施例通过对待处理遥感图像进行Tetrolet变换,并按照预置规则对得到的高频系数进行去噪,而后将得到去噪后的高频系数、低频系数和分布覆盖系数进行逆Tetrolet变换,完成对待处理遥感图像的去噪,再计算差异遥感图像且对差异遥感图像进行核各向异性扩散处理,计算核各向异性扩散处理后的差异遥感图像与去噪后的遥感图像之和,并检测是否满足预设迭代终止条件,如满足则进一步进行非锐化掩蔽增强处理得到最终的增强遥感图像,若不满足则将所得图像再次进行循环处理,直至满足预设迭代终止条件,与现有技术相比,本发明实施例可以在抑制噪声和增强图像细节的同时,很好的保持遥感图像边缘和方向纹理等特性,提高了遥感图像增强处理的精度。
所述基于Tetrolet变换的遥感图像增强装置包括处理器和存储器,上述去噪单元、确定单元、处理单元和计算单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决现有的基于Tetrolet和脉冲耦合神经网络(PulseCoupled Neural Network,PCNN)相结合的图像增强算法,虽然很好的抑制了噪声和增强图像细节,但无法很好的保持遥感图像边缘和方向纹理等特性,从而导致遥感图像增强处理的精度较低。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序代码:对待处理遥感图像进行去噪,得到第一遥感图像,所述第一遥感图像为去噪处理后的遥感图像;将所述待处理遥感图像与所述第一遥感图像之间的差值,确定为差异遥感图像;对所述差异遥感图像进行核各向异性扩散处理;根据处理后的差异图像计算第二遥感图像并输出,所述第二遥感图像为增强处理后的遥感图像。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于Tetrolet变换的遥感图像增强方法,其特征在于,包括:
对待处理遥感图像进行去噪,得到第一遥感图像,所述第一遥感图像为去噪处理后的遥感图像;
将所述待处理遥感图像与所述第一遥感图像之间的差值,确定为差异遥感图像;
对所述差异遥感图像进行核各向异性扩散处理;
根据处理后的差异图像计算第二遥感图像并输出,所述第二遥感图像为增强处理后的遥感图像。
2.根据权利要求1所述的方法,其特征在于,所述对待处理遥感图像进行去噪,得到第一遥感图像,包括:
对所述待处理遥感图像进行Tetrolet变换,得到与所述待处理遥感图像对应的低频系数、高频系数和分布覆盖系数;
按照预置规则对所述高频系数进行去噪;
根据去噪处理后的高频系数、所述低频系数和所述分布覆盖系数进行逆Tetrolet变换处理,得到第一遥感图像。
3.根据权利要求1所述的方法,其特征在于,所述根据处理后的差异图像计算第二遥感图像并输出,包括:
将处理后的差异图像与所述第一遥感图像之和,确定为所述第二遥感图像;
检测所述第二遥感图像是否满足预设迭代终止条件;
若满足,则将所述第二遥感图像输出。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若所述第二遥感图像不满足预设迭代终止条件,则将所述第二遥感图像确定为待处理遥感图像。
5.根据权利要求1或3所述的方法,其特征在于,所述根据处理后的差异图像计算第二遥感图像并输出之后,所述方法还包括:
对所述第二遥感图像进行非锐化掩蔽滤波处理并输出。
6.一种基于Tetrolet变换的遥感图像增强装置,其特征在于,包括:
去噪单元,用于对待处理遥感图像进行去噪,得到第一遥感图像,所述第一遥感图像为去噪处理后的遥感图像;
确定单元,用于将所述待处理遥感图像与所述第一遥感图像之间的差值,确定为差异遥感图像;
处理单元,用于对所述差异遥感图像进行核各向异性扩散处理;
计算单元,用于根据处理后的差异图像计算第二遥感图像并输出,所述第二遥感图像为增强处理后的遥感图像。
7.根据权利要求6所述的装置,其特征在于,所述去噪单元包括:
变换模块,用于对所述待处理遥感图像进行Tetrolet变换,得到与所述待处理遥感图像对应的低频系数、高频系数和分布覆盖系数;
去噪模块,用于按照预置规则对所述高频系数进行去噪;
处理模块,用于根据去噪处理后的高频系数、所述低频系数和所述分布覆盖系数进行逆Tetrolet变换处理,得到第一遥感图像。
8.根据权利要求6所述的装置,其特征在于,所述计算单元包括:
确定模块,用于将处理后的差异图像与所述第一遥感图像之和,确定为所述第二遥感图像;
检测模块,用于检测所述第二遥感图像是否满足预设迭代终止条件;
输出模块,用于若满足,则将所述第二遥感图像输出。
9.根据权利要求8所述的装置,其特征在于,所述计算单元还包括:
确定模块,用于若所述第二遥感图像不满足预设迭代终止条件,则将所述第二遥感图像确定为待处理遥感图像。
10.根据权利要求6或8所述的装置,其特征在于,
所述处理单元,还用于对所述第二遥感图像进行非锐化掩蔽滤波处理并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710531266.2A CN107180418A (zh) | 2017-06-29 | 2017-06-29 | 一种基于Tetrolet变换的遥感图像增强方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710531266.2A CN107180418A (zh) | 2017-06-29 | 2017-06-29 | 一种基于Tetrolet变换的遥感图像增强方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107180418A true CN107180418A (zh) | 2017-09-19 |
Family
ID=59845939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710531266.2A Pending CN107180418A (zh) | 2017-06-29 | 2017-06-29 | 一种基于Tetrolet变换的遥感图像增强方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107180418A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967676A (zh) * | 2017-11-10 | 2018-04-27 | 安徽大学 | 一种平稳Tetrolet变换算法 |
CN109712094A (zh) * | 2018-12-26 | 2019-05-03 | 新疆大学 | 图像处理方法及装置 |
CN111340732A (zh) * | 2020-02-28 | 2020-06-26 | 新疆大学 | 一种低照度视频图像增强方法及装置 |
CN113033314A (zh) * | 2021-02-26 | 2021-06-25 | 浙江方大通信有限公司 | 一种旅游高峰部署的移动式景区智能服务***及服务方法 |
CN113545255A (zh) * | 2021-06-30 | 2021-10-26 | 河北地质大学 | 一种草原斑块沙地的修复方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679663A (zh) * | 2013-12-25 | 2014-03-26 | 浙江师范大学 | Tetrolet变换域结合PDE和GCV理论的图像去噪方法 |
-
2017
- 2017-06-29 CN CN201710531266.2A patent/CN107180418A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679663A (zh) * | 2013-12-25 | 2014-03-26 | 浙江师范大学 | Tetrolet变换域结合PDE和GCV理论的图像去噪方法 |
Non-Patent Citations (2)
Title |
---|
PARAS JAIN ET AL.: "《An adaptive edge-preserving image denoising technique》", 《SPRINGER》 * |
吴一全等: "《Shearlet变换与核各向异性扩散的图像噪声抑制》", 《哈尔滨工业大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967676A (zh) * | 2017-11-10 | 2018-04-27 | 安徽大学 | 一种平稳Tetrolet变换算法 |
CN107967676B (zh) * | 2017-11-10 | 2022-01-11 | 安徽大学 | 一种平稳Tetrolet变换算法 |
CN109712094A (zh) * | 2018-12-26 | 2019-05-03 | 新疆大学 | 图像处理方法及装置 |
CN109712094B (zh) * | 2018-12-26 | 2022-07-08 | 新疆大学 | 图像处理方法及装置 |
CN111340732A (zh) * | 2020-02-28 | 2020-06-26 | 新疆大学 | 一种低照度视频图像增强方法及装置 |
CN113033314A (zh) * | 2021-02-26 | 2021-06-25 | 浙江方大通信有限公司 | 一种旅游高峰部署的移动式景区智能服务***及服务方法 |
CN113545255A (zh) * | 2021-06-30 | 2021-10-26 | 河北地质大学 | 一种草原斑块沙地的修复方法 |
CN113545255B (zh) * | 2021-06-30 | 2022-06-21 | 河北地质大学 | 一种草原斑块沙地的修复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Fast guided global interpolation for depth and motion | |
CN107180418A (zh) | 一种基于Tetrolet变换的遥感图像增强方法及装置 | |
CN112132959B (zh) | 数字岩心图像处理方法、装置、计算机设备及存储介质 | |
Lu et al. | Nonlocal Means‐Based Denoising for Medical Images | |
Hashemi et al. | Adaptively tuned iterative low dose CT image denoising | |
Benou et al. | De-noising of contrast-enhanced MRI sequences by an ensemble of expert deep neural networks | |
Sevcenco et al. | A wavelet based method for image reconstruction from gradient data with applications | |
Tan et al. | Pixelwise Estimation of Signal‐Dependent Image Noise Using Deep Residual Learning | |
Zhang et al. | Spatial adaptive and transformer fusion network (STFNet) for low‐count PET blind denoising with MRI | |
CN108734658B (zh) | 一种高分辨率图像的重建方法及*** | |
Chang et al. | Brain MR image restoration using an automatic trilateral filter with GPU-based acceleration | |
Zhang et al. | Guided hyperspectral image denoising with realistic data | |
Zhou et al. | Spatial orthogonal attention generative adversarial network for MRI reconstruction | |
US8989462B2 (en) | Systems, methods and computer readable storage mediums storing instructions for applying multiscale bilateral filtering to magnetic resonance (RI) images | |
Huang et al. | A total variation denoising method based on median filter and phase consistency | |
Mandal et al. | Employing structural and statistical information to learn dictionary (s) for single image super-resolution in sparse domain | |
Du et al. | DRGAN: a deep residual generative adversarial network for PET image reconstruction | |
Haq et al. | Block-based compressed sensing of MR images using multi-rate deep learning approach | |
CN107895387B (zh) | Mri图像重建方法及装置 | |
Yang et al. | X‐Ray Breast Images Denoising Method Based on the Convolutional Autoencoder | |
Alrefaya et al. | A novel adaptive probabilistic nonlinear denoising approach for enhancing PET data sinogram | |
El-Shafai et al. | Traditional and deep-learning-based denoising methods for medical images | |
CN115039134A (zh) | 基于参考图像将输入图像转换为输出图像的计算机实现方法 | |
Chang et al. | CUDA‐based acceleration and BPN‐assisted automation of bilateral filtering for brain MR image restoration | |
CN111932466A (zh) | 一种图像去雾方法、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170919 |