CN107862666A - 基于nsst域的混合遥感图像增强方法 - Google Patents

基于nsst域的混合遥感图像增强方法 Download PDF

Info

Publication number
CN107862666A
CN107862666A CN201711175671.1A CN201711175671A CN107862666A CN 107862666 A CN107862666 A CN 107862666A CN 201711175671 A CN201711175671 A CN 201711175671A CN 107862666 A CN107862666 A CN 107862666A
Authority
CN
China
Prior art keywords
nsst
frequency sub
coefficient
processing
band
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
Application number
CN201711175671.1A
Other languages
English (en)
Inventor
张兰花
贾振红
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.)
Xinjiang University
Original Assignee
Xinjiang 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 Xinjiang University filed Critical Xinjiang University
Priority to CN201711175671.1A priority Critical patent/CN107862666A/zh
Publication of CN107862666A publication Critical patent/CN107862666A/zh
Pending legal-status Critical Current

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

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NSST域的混合遥感图像增强方法，包括：步骤S1、首先利用顶帽变换和底帽变换增强遥感图像的整体对比度；步骤S2、然后采用NSST(Non‑subsampled shearlet transform)变换将上述增强整体对比度后的遥感图像分解成多尺度的高通和低通子带系数；步骤S3、对高频子带系数进行自适应阈值去噪处理，然后对去噪处理后的高频子带系数进行线性增强处理；步骤S4、然后根据经步骤S3处理后的高频子带系数以及步骤S2中得到的低通子带系数进行NSST反变换，并采用参数化对数图像处理(PLIP)模型对NSST反变换后的高频子带系数和低通子带系数进行增强处理，突出图像的边缘细节信息。以实现显著改善遥感图像的视觉效果，并有效增强遥感图像清晰度的优点。

Description

基于NSST域的混合遥感图像增强方法
技术领域
本发明涉及图像处理领域，具体地，涉及一种基于NSST域的混合遥感图像增强方法。
背景技术
由于受传感器和环境等因素的影响，遥感图像在成像过程中会产生一些噪声干扰，从而使图像出现对比度不足和细节丢失等问题。因此首先必须对遥感图像进行增强预处理。目前，图像增强方法有空间域和变换域两种，基于空间域的方法是对图像的像素直接进行处理来增强图像的，具有简单、快速的特点，但是在增强对比度的同时放大噪声。基于变换域的方法因其良好的信号与噪声分离特性，目前在图像增强领域备受大家关注。其中小波变换因其具有良好的时频局部性和多分辨率特性，成为研究热点，但是因其方向性有限，不能有效地捕捉图像的轮廓信息。
发明内容
本发明的目的在于，针对上述问题，提出一种基于NSST域的混合遥感图像增强方法，以实现显著改善遥感图像的视觉效果，并有效增强遥感图像清晰度的优点。
为实现上述目的，本发明采用的技术方案是：
一种基于NSST域的混合遥感图像增强方法包括：
步骤S1、首先利用顶帽变换和底帽变换增强遥感图像的整体对比度；
步骤S2、然后采用NSST变换将上述增强整体对比度后的遥感图像分解成多尺度的高通和低通子带系数；
步骤S3、对高频子带系数进行自适应阈值去噪处理，然后对去噪处理后的高频子带系数进行线性增强处理；
步骤S4、然后根据经步骤S3处理后的高频子带系数以及步骤S2中得到的低通子带系数进行NSST反变换，并采用参数化对数图像处理模型对NSST反变换后的高频子带系数和低通子带系数进行增强处理，提高图像对比度，突出图像的目标特征。
优选的，所述步骤S3对高频子带系数进行自适应阈值去噪处理，所述自适应阈值中阈值的选取在同一尺度不同方向上引入了能量函数，所述能量函数为从而阈值公式为其中， 式中，K为NSST的分解尺度数，k为当前分解的尺度数，取1到K,N为图像的像素个数，σ为图像噪声，J表示第k尺度内分解的方向数，Y1为分解为高频子带分解系数的第一层。
优选的，上述步骤S3对高频子带系数进行自适应阈值去噪处理，然后对去噪处理后的高频子带系数进行线性增强处理中：具体为：用线性增强函数y＝1.5*x进行增强，式中x表示去噪后的高频子带系数，y表示对去噪后的高频子带系数进行线性增强后的高频子带系数。
优选的，所述步骤S4中，参数化对数图像处理模型中，主要公式为：
式中,f(i,j)和f'(i,j)分别为输入和输出灰度调函数，a(i,j)表示以元素(i,j)为中心的m×m窗口内的灰度调平均值，η、δ是权重系数。
本发明的技术方案具有以下有益效果：
本发明的技术方案，通过对遥感图像进行增强对比度、并对高频子带系数进行处理，而为了防止过度增强，对低频子带系数不进行处理，然后利用参数化对数图像处理(PLIP)模型对NSST反变换后的系数进行增强处理，从而达到显著改善遥感图像的视觉效果，并有效增强遥感图像清晰度的目的。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明实施例所述的基于NSST域的混合遥感图像增强方法得流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，一种基于NSST域的混合遥感图像增强方法包括：
步骤S1、首先利用顶帽变换和底帽变换增强遥感图像的整体对比度；由于遥感图像对比度不足，首先利用顶帽变换和底帽变换遥感图像进行增强预处理，增强图像的整体对比度；顶帽变换用原图像减去其开操作,即底帽变换用原图像的闭操作减去其本身,即Hb＝(I·W)-I。最后增强的图像为J＝I+Ha-Hb。
步骤S2、然后采用NSST变换将上述增强整体对比度后的遥感图像分解成多尺度的高通和低通子带系数；
步骤S3、对高频子带系数进行自适应阈值去噪处理，然后对去噪处理后的高频子带系数进行线性增强处理；
具体的上述步骤S3对高频子带系数进行自适应阈值去噪处理，然后对去噪处理后的高频子带系数进行线性增强处理中：具体为：用线性增强函数y＝1.5*x进行增强，式中x表示去噪后的高频子带系数，y表示对去噪后的高频子带系数进行线性增强后的高频子带系数。
步骤S4、然后根据经步骤S3处理后的高频子带系数以及步骤S2中得到的低通子带系数进行NSST反变换，并采用参数化对数图像处理模型对NSST反变换后的高频子带系数和低通子带系数进行增强处理，提高图像对比度，突出图像的目标特征。
采用参数化对数图像处理(PLIP)模型对NSST反变换后的系数进行增强处理，突出图像的细节，提高图像的清晰度。主要用公式对其进行增强,式中,f(i,j)和f'(i,j)分别为输入和输出灰度调函数，a(i,j)表示以元素(i,j)为中心的m×m窗口内的灰度调平均值，η、δ是权重系数。PLIP和LIP的运算操作如下：
表1：LIP and PLIP运算表。
表1中f(i,j)表示原图像灰度值；g，g1，g2为灰度调函数，u(M)，γ(M)和k(M)可以根据不同的图像对这些参数进行相应的调整。⊕，-，依次为LIP算法的加。减和数乘运算；而则分别是PLIP的加、减和数乘运算。
底帽变换，结构元素采用扁平结构元素。
自适应阈值的选取在同一尺度不同方向之间引入了能量函数，也考虑了不同尺度内噪声系数的特性。能量函数为最终的阈值公式为式中，式中，K为NSST总的分解尺度数，k表示当前分解的尺度数，取1到K,N为图像的像素个数，σ为图像噪声，J表示第k尺度内分解的方向数，Y1为分解为高频子带分解系数的第一层。
增强模型为PLIP，通过调整参数可以产生各种类型的滤波器，对图像进行处理。可调整的参数有u(M)，γ(M)，k(M)，η和δ。当取合适的值时，可以形成反锐化掩模滤波器等多种滤波器。
本技术方案中，高帽变换可以提取图像的亮特征，而低帽变换可以提取图像的暗特征，用顶帽变换和底帽变换相结合，即原图像加上高帽变换后的图像再减去底帽变换后的图像，可以增强图像整体对比度。
然后采用NSST变换将遥感图像分解成多尺度的高通和低通子带系数，对高频子带进行自适应阈值去噪，并用线性增强函数对去噪后的高频子带进行增强处理，突出图像的边缘，为了防止过度增强，对低频子带不进行处理，自适应阈值算法阈值的选取不仅考虑了不同尺度系数间的关系，也考虑了同尺度间各方向的关系；
最后采用参数化对数图像处理(PLIP)模型对NSST反变换后的系数进行增强处理，突出图像的细节，提高图像的清晰度，通过改变参数调整图像的增强效果。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于NSST域的混合遥感图像增强方法，其特征在于，包括：
步骤S1、首先利用顶帽变换和底帽变换增强遥感图像的整体对比度；
步骤S2、然后采用NSST变换将上述增强整体对比度后的遥感图像分解成多尺度的高通和低通子带系数；
步骤S3、对高频子带系数进行自适应阈值去噪处理，然后对去噪处理后的高频子带系数进行线性增强处理；
步骤S4、然后根据经步骤S3处理后的高频子带系数以及步骤S2中得到的低通子带系数进行NSST反变换，并采用参数化对数图像处理模型对NSST反变换后的高频子带系数和低通子带系数进行增强处理，提高图像对比度，突出图像的目标特征。
2.根据权利要求1所述的基于NSST域的混合遥感图像增强方法，其特征在于，所述步骤S3对高频子带系数进行自适应阈值去噪处理，所述自适应阈值中阈值的选取在同一尺度不同方向引入了能量函数，所述能量函数为从而阈值公式为其中， 式中，K为NSST的分解尺度数，k为当前分解的尺度数，取1到K,N为图像的像素个数，σ为图像噪声，J表示第k尺度内分解的方向数，Y1为分解为高频子带分解系数的第一层。
3.根据权利要求1或2所述的基于NSST域的混合遥感图像增强方法，其特征在于，上述步骤S3对高频子带系数进行自适应阈值去噪处理，然后对去噪处理后的高频子带系数进行线性增强处理中：具体为：用线性增强函数y＝1.5*x进行增强，式中x表示去噪后的高频子带系数，y表示对去噪后的高频子带系数进行线性增强后的高频子带系数。
4.根据权利要求3所述的基于NSST域的混合遥感图像增强方法，其特征在于，所述步骤S4中，参数化对数图像处理模型中，主要公式为：
式中,f(i,j)和f'(i,j)分别为输入和输出灰度调函数，a(i,j)表示以元素(i,j)为中心的m×m窗口内的灰度调平均值，η、δ是权重系数。
CN201711175671.1A 2017-11-22 2017-11-22 基于nsst域的混合遥感图像增强方法 Pending CN107862666A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711175671.1A CN107862666A (zh) 2017-11-22 2017-11-22 基于nsst域的混合遥感图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711175671.1A CN107862666A (zh) 2017-11-22 2017-11-22 基于nsst域的混合遥感图像增强方法

Publications (1)

Publication Number Publication Date
CN107862666A true CN107862666A (zh) 2018-03-30

Family

ID=61702331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711175671.1A Pending CN107862666A (zh) 2017-11-22 2017-11-22 基于nsst域的混合遥感图像增强方法

Country Status (1)

Country Link
CN (1) CN107862666A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108230279A (zh) * 2018-04-08 2018-06-29 新疆大学 基于剪切波变换与模糊对比度相结合的医学图像增强方法
CN108961172A (zh) * 2018-05-17 2018-12-07 贵州莜桔西科技有限公司 一种基于Gamma校正的图像对比度增强方法
CN110047045A (zh) * 2019-04-10 2019-07-23 新疆大学 去除遥感图像中薄云的方法及装置
CN110298806A (zh) * 2019-07-04 2019-10-01 上海融军科技有限公司 红外图像增强方法和***
CN110634112A (zh) * 2019-10-15 2019-12-31 中国矿业大学(北京) 一种双域分解的矿井下含噪声图像的增强方法
CN111223060A (zh) * 2020-01-05 2020-06-02 西安电子科技大学 基于自适应plip模型的图像处理方法
CN114926374A (zh) * 2022-07-21 2022-08-19 四川新迎顺信息技术股份有限公司 一种基于ai的图像处理方法、装置、设备及可读存储介质
CN117911401A (zh) * 2024-03-15 2024-04-19 国网山东省电力公司泗水县供电公司 一种电力设备故障检测方法、***、存储介质及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1988629A (zh) * 2006-12-28 2007-06-27 上海广电（集团）有限公司中央研究院 一种增强图像清晰度的方法
CN102142133A (zh) * 2011-04-19 2011-08-03 西安电子科技大学 基于非下采样Directionlet变换和压缩感知的乳腺X线图像增强方法
CN104851105A (zh) * 2015-05-25 2015-08-19 邵阳学院 一种改进的基于分水岭变换的泡沫图像分割方法
CN107103595A (zh) * 2017-05-27 2017-08-29 新疆大学 检测图像变化的方法、装置、存储介质及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1988629A (zh) * 2006-12-28 2007-06-27 上海广电（集团）有限公司中央研究院 一种增强图像清晰度的方法
CN102142133A (zh) * 2011-04-19 2011-08-03 西安电子科技大学 基于非下采样Directionlet变换和压缩感知的乳腺X线图像增强方法
CN104851105A (zh) * 2015-05-25 2015-08-19 邵阳学院 一种改进的基于分水岭变换的泡沫图像分割方法
CN107103595A (zh) * 2017-05-27 2017-08-29 新疆大学 检测图像变化的方法、装置、存储介质及设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴娱: "《数字图像处理》", 31 October 2017 *
阿依古力·吾布力: "基于剪切波和NSST变换的图像增强算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
陶飞翔等: "非下采样Shearlet变换与参数化对数图像处理相结合的遥感图像增强", 《测绘学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108230279A (zh) * 2018-04-08 2018-06-29 新疆大学 基于剪切波变换与模糊对比度相结合的医学图像增强方法
CN108961172A (zh) * 2018-05-17 2018-12-07 贵州莜桔西科技有限公司 一种基于Gamma校正的图像对比度增强方法
CN108961172B (zh) * 2018-05-17 2021-05-28 北京莜桔西科技有限公司 一种基于Gamma校正的图像对比度增强方法
CN110047045A (zh) * 2019-04-10 2019-07-23 新疆大学 去除遥感图像中薄云的方法及装置
CN110047045B (zh) * 2019-04-10 2023-05-23 新疆大学 去除遥感图像中薄云的方法及装置
CN110298806A (zh) * 2019-07-04 2019-10-01 上海融军科技有限公司 红外图像增强方法和***
CN110634112B (zh) * 2019-10-15 2022-02-22 中国矿业大学(北京) 一种双域分解的矿井下含噪声图像的增强方法
CN110634112A (zh) * 2019-10-15 2019-12-31 中国矿业大学(北京) 一种双域分解的矿井下含噪声图像的增强方法
CN111223060B (zh) * 2020-01-05 2021-01-05 西安电子科技大学 基于自适应plip模型的图像处理方法
CN111223060A (zh) * 2020-01-05 2020-06-02 西安电子科技大学 基于自适应plip模型的图像处理方法
CN114926374A (zh) * 2022-07-21 2022-08-19 四川新迎顺信息技术股份有限公司 一种基于ai的图像处理方法、装置、设备及可读存储介质
CN114926374B (zh) * 2022-07-21 2022-10-11 四川新迎顺信息技术股份有限公司 一种基于ai的图像处理方法、装置、设备及可读存储介质
CN117911401A (zh) * 2024-03-15 2024-04-19 国网山东省电力公司泗水县供电公司 一种电力设备故障检测方法、***、存储介质及设备

Similar Documents

Publication Publication Date Title
CN107862666A (zh) 基于nsst域的混合遥感图像增强方法
Gupta et al. Review of different local and global contrast enhancement techniques for a digital image
CN111583123A (zh) 一种基于小波变换的融合高低频信息的图像增强算法
Suganya et al. Survey on image enhancement techniques
CN104156921A (zh) 一种低照度或亮度不均图像的自适应图像增强方法
Zhang et al. Decision-based non-local means filter for removing impulse noise from digital images
CN104103040B (zh) 一种图像增强的方法
CN110246088A (zh) 基于小波变换的图像亮度降噪方法及其图像降噪***
CN103489168A (zh) 一种红外图像自适应转伪彩增强方法及***
CN105931206A (zh) 一种颜色恒常的彩色图像清晰度增强方法
CN117252773A (zh) 基于自适应颜色校正和导向滤波的图像增强方法及***
CN105427255A (zh) 一种基于grhp的无人机红外图像细节增强方法
CN106067164A (zh) 基于自适应小波域处理的彩色图像对比度增强算法
CN111563854B (zh) 用于水下图像增强处理的粒子群优化方法
CN113808036A (zh) 基于Retinex模型的低照度图像增强与去噪方法
CN113902638B (zh) 结合卷积神经网络和轻型自适应中值滤波视频降噪方法
CN111192204A (zh) 一种图像增强方法、***和计算机可读存储介质
CN110930339A (zh) 基于nsct域的航空及遥感图像去雾方法
CN102081790B (zh) 一种基于非线性Curvelet扩散的噪声图像增强方法
RU2448367C1 (ru) Способ повышения визуальной информативности цифровых полутоновых изображений
CN113129300A (zh) 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质
CN106803236A (zh) 基于模糊域奇异值分解的非均匀性校正方法
CN116071259A (zh) 一种基于二次引导滤波的红外图像增强方法
Qingrong et al. Contrast enhancement of medical images using fuzzy set theory and nonsubsampled shearlet transform
CN101546425B (zh) 双阈值开关型彩色图像矢量滤波方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180330

RJ01 Rejection of invention patent application after publication