CN117173042B - 一种基于单向变分的遥感数据条纹噪声去除方法、装置及介质 - Google Patents
一种基于单向变分的遥感数据条纹噪声去除方法、装置及介质 Download PDFInfo
- Publication number
- CN117173042B CN117173042B CN202311061678.6A CN202311061678A CN117173042B CN 117173042 B CN117173042 B CN 117173042B CN 202311061678 A CN202311061678 A CN 202311061678A CN 117173042 B CN117173042 B CN 117173042B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- stripe noise
- sensing image
- different directions
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000001133 acceleration Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000003190 augmentative effect Effects 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明属于图像处理技术领域，尤其为一种基于单向变分的遥感数据条纹噪声去除方法，具体包括以下步骤；S1：获取含有条纹噪声的遥感图像后，分别计算遥感图像不同方向的梯度信息，得到其水平方向的梯度图和垂直方向的梯度图；S2：根据不同方向的梯度信息得到条纹噪声与底层图像结构的稀疏特性，通过引入Lp伪范数设计了不同方向的正则化约束项；同时基于条纹噪声的先验特性设计了全局的稀疏约束项。本发明该方法充分条纹噪声与底层图像结构上的稀疏特性，并通过引入Lp伪范数来更好的刻画这些稀疏特性，不仅有效去除条纹噪声，而且更好保留了图像的细节特征，同时，新提出的全局稀疏约束项还在一定程度上避免了“波纹效应”与伪影的产生。
Description
技术领域
本发明涉及图像处理技术领域，具体为一种基于单向变分的遥感数据条纹噪声去除方法、装置及介质。
背景技术
从卫星传感器获取的遥感数据经常含不同类型的条纹噪声。条纹噪声的存在降低了遥感数据的质量，严重影响了它们在环境监测、军事、以及城市规划等领域的后续应用。目前存在的条纹去除算法大致可分为三类：基于滤波的方法、基于统计的方法和基于优化的方法，但是它们往往都存在一定的缺陷。其中，基于滤波的方法通常利用各种滤波器来获得去条纹结果，例如傅里叶滤波器、小波分解和小波-傅里叶组合滤波器等。基于统计的方法主要依赖于各传感器具有相同的灰度统计特性，例如矩匹配和直方图匹配。然而这两类方法在处理非周期的不规则条纹时，无法取得较好的效果。
基于优化的方法是公认较为有效的去条纹方法，它通过极小化能量泛函来估计去条纹后的图像。然而，现有大多数优化方法都是通过去除噪声的角度来实现的，而没有考虑条纹的典型特性例如方向和结构特性，这将导致许多图像细节可能与条纹一起被去除。此外，由于模型求解时的收敛速度较慢，这也导致了基于优化的方法所需时间较长，不利于处理大量数据。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于单向变分的遥感数据条纹噪声去除方法、装置及介质，解决了上述背景技术中所提出的问题。
(二)技术方案
本发明为了实现上述目的具体采用以下技术方案：
一种基于单向变分的遥感数据条纹噪声去除方法，具体包括以下步骤；
S1：获取含有条纹噪声的遥感图像后，分别计算遥感图像不同方向的梯度信息，得到其水平方向的梯度图和垂直方向的梯度图；
S2：根据不同方向的梯度信息得到条纹噪声与底层图像结构的稀疏特性，通过引入Lp伪范数设计了不同方向的正则化约束项；同时基于条纹噪声的先验特性设计了全局的稀疏约束项；
S3：将S2中的不同方向的正则化约束和全局稀疏约束相结合，得到完整的去除水平条纹的单项变分模型；
S4：采用快速的交替方向乘子法(Fast ADMM)对S3中的去除水平条纹的单项变分模型进行迭代求解，最终可以得到去除条纹后的遥感图像。
进一步，所述S1中获取含噪声的遥感图像后，需要计算遥感图像不同方向的梯度信息，所述图像不同方向的梯度信息计算公式为：
其中：Z(i,j)表示遥感图像的像素值，Dx(i,j)表示遥感图像水平方向的梯度信息，Dy(i,j)表示遥感图像垂直方向的梯度信息，(i,j)表示遥感图像像素行列位置索引。
进一步，所述S2，根据不同方向的梯度信息得到条纹噪声与底层图像结构的稀疏特性，并通过引入Lp伪范数设计了不同方向的正则化约束项；同时基于条纹噪声的先验特性设计了全局的稀疏约束项，其相关表达式为：
Rs＝||u-g||0
其中：u表示不含条纹噪声的理想遥感图像，g表示受到条纹噪声污染的遥感图像，表示水平方向的梯度，/>表示垂直方向的梯度，Rx表示水平方向的正则化约束项，Ry表示垂直方向的正则化约束项，Rs表示全局的稀疏约束项。
特别地，在图像处理领域，一般将Lp范数定义为Lp伪范数定义为/>将零范数||G||0定义为G矩阵中零元素的个数。
进一步，所述S3，将S2中的不同方向的正则化约束和全局稀疏约束相结合，得到完整的去除条纹噪声的单向变分模型表达式为：
其中：λ1表示水平方向正则项的系数，λ2表示垂直方向正则项的系数。
进一步，所述S4，采用快速的交替方向乘子法对S3中的去除水平条纹的单项变分模型进行迭代求解，包括以下步骤：
S401，引入中间变量将有约束问题转换为无约束问题，并得到该问题的增广拉格朗日函数；
S402，对增广拉格朗日函数中各变量的子问题进行逐一求解，分别得到其加速迭代公式；
S403，计算原始对偶残差来判断是否启动加速迭代过程，若不能启动加速迭代过程，则对整个算法进行重启；
S404，经过对各变量的多次迭代，得到所求u的最优解，即条纹去除后干净的遥感图像。
进一步，所述将有约束问题转换为无约束问题，得到无约束问题的增广拉格朗日函数表达式为：
其中：N1＝u-g，Λ1、Λ2和Λ3表示拉格朗日乘子，α1、α2和α3表示惩罚项的系数，max表示取最大值，min表示取最小值。
进一步，所述对增广拉格朗日函数中各变量的子问题进行逐一求解，通过卷积定理与快速傅里叶变换，得到u的加速迭代公式为：
式中：F表示傅里叶变换的算子，F-1表示傅里叶逆变换的算子，Kx＝[-1,1]表示横向差分的卷积核，Ky＝[-1,1]T表示纵向差分的卷积核，F(Kx)*表示F(Kx)共轭映射，表示的加速中间变量，在求解加速迭代公式等同于/>其他变量类似。
进一步，通过软阈值收缩定理与硬阈值收缩定理，得到中间变量N1、N2和N3的迭代加速公式为：
式中：
进一步，利用梯度上升法得到拉格朗日乘子Λ1、Λ2和Λ3的加速迭代公式为：
进一步，在各变量加速迭代公式建立后，需要计算原始对偶残差的值。其计算公式如下：
进一步，判断是否成立，若成立，则对迭代步长进行更新；反之，则利用上一次迭代的结果为初值对该算法进行重启，步长和加速变量的更新公式为：
其中：δ是靠近1的比例系数，εi代表加速步长。
一种基于单向变分的遥感数据条纹噪声去除装置，包括数据采集模块、通信模块、处理器模块和存储模块，在数据采集模块获取遥感图像以后，利用通信模块传输到处理器模块，处理器模块通过调用存储模块进行条纹噪声去除处理。最终，得到干净的不含条纹噪声的遥感图像，其中，存储模块所存放的程序，用于实现权利要求1-6任一所述的方法步骤。
一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序能够实现权利要求1-6任一项所述的遥感数据条纹噪声去除方法的步骤。
(三)有益效果
与现有技术相比，本发明提供了一种基于单向变分的遥感数据条纹噪声去除方法、装置及介质，具备以下有益效果：
该方法充分利用条纹噪声与底层图像结构上的稀疏特性，并通过引入Lp伪范数来更好的刻画这些稀疏特性，不仅有效去除条纹噪声，而且更好保留了图像的细节特征，同时，新提出的全局稀疏约束项还在一定程度上避免了“波纹效应”与伪影的产生。
本发明在求解所提出的去除条纹的单项变分模型时，采用了快速的交替方向乘子法。相比与其他去除条纹算法所采用交替方向乘子法(ADMM)，快速的交替方向乘子法加快了迭代收敛的速度，减少了整体方法的运行时间。这使得本发明可以快速处理大量数据，在大数据时代拥有更好的应用前景。
附图说明
图1为本发明一种基于单向变分的遥感数据条纹噪声去除方法的流程框图；
图2为本发明含有条纹噪声的遥感图像以及其不同方向的梯度图；
图3为本发明条纹噪声去除方法的结果展示图；
图4为图3中方法条纹噪声去除结果的行像素均值曲线图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
实施例
如图1-4所示，本发明一个实施例提出的一种基于单向变分的遥感数据条纹噪声去除方法，包括以下步骤：
S1，从相关数据集中获取含有条纹噪声的遥感图像后，分别计算遥感图像不同方向的梯度信息，得到其水平方向的梯度图和垂直方向的梯度图，所述遥感图像不同方向的梯度信息计算公式为：
其中：Z(i,j)表示遥感图像的像素值，Dx(i,j)表示遥感图像水平方向的梯度信息，Dy(i,j)表示遥感图像垂直方向的梯度信息，(i,j)表示遥感图像像素行列位置索引。
图2展示了遥感图像不同方向的梯度信息图，可以明显发现水平方向的条纹噪声主要影响的是垂直方向的梯度信息，而水平方向的梯度信息受到影响较小并具有一定的稀疏性，这也说明如果没有条纹噪声的影响，垂直方向的梯度信息也应具有类似的稀疏特性，同时，从含有条纹噪声的遥感图像中发现，条纹噪声本身也具有单一的方向性和整体分布的稀疏特性。
S2，根据图2中展示的条纹噪声与底层图像相关稀疏特性，通过引入Lp伪范数设计了全局的稀疏约束项和不同方向的正则化约束项。其表达式为：
Rs＝||u-g||0
其中：u表示不含条纹噪声的理想遥感图像，g表示受到条纹噪声污染的遥感图像，表示水平方向的梯度，/>表示垂直方向的梯度，Rx表示水平方向的正则化约束项，Ry表示垂直方向的正则化约束项，Rs表示全局的稀疏约束项。
特别地，在图像处理领域，一般将Lp范数定义为Lp伪范数定义为/>将零范数||G||0定义为G矩阵中零元素的个数。
S3，将S2中的不同方向的正则化约束和全局稀疏约束相结合，得到完整的去除条纹噪声的单向变分模型表达式为：
其中：λ1表示水平方向正则项的系数，λ2表示垂直方向正则项的系数。
S4，采用快速的交替方向乘子法(Fast ADMM)对S3中的去除水平条纹的单项变分模型进行迭代求解，可以将迭代过程的收敛速度由提高到/>最终经过多次迭代，可以得到去除条纹后的遥感图像。
所述采用快速的交替方向乘子法对S3中的去除水平条纹的单项变分模型进行迭代求解，包括以下步骤：
S401，通过引入中间变量将有约束问题转换为无约束问题，并得到该问题的增广拉格朗日函数。
所述无约束问题的增广拉格朗日函数表达式为：
其中：N1＝u-g，Λ1、Λ2和Λ3表示拉格朗日乘子，α1、α2和α3表示惩罚项的系数，max表示取最大值，min表示取最小值。
S402，对增广拉格朗日函数中各变量的子问题进行逐一求解，分别得到其加速迭代公式。
(1)由上述增广拉格朗日函数，可以得到u的子问题为：
通过卷积定理与快速傅里叶变换，得到u的加速迭代公式为：
式中：F表示傅里叶变换的算子，F-1表示傅里叶逆变换的算子，Kx＝[-1,1]表示横向差分的卷积核，Ky＝[-1,1]T表示纵向差分的卷积核，F(Kx)*表示F(Kx)共轭映射，表示的加速中间变量，在求解加速迭代公式等同于/>其他变量类似。
(2)由上述增广拉格朗日函数，可以得到中间变量N1、N2和N3的子问题分别为：
通过软阈值收缩定理与硬阈值收缩定理，得到中间变量N1、N2和N3的迭代加速公式为：
式中：
(3)最终，利用梯度上升法，得到拉格朗日乘子Λ1、Λ2和Λ3的加速迭代公式为：
S403，在各变量加速迭代公式建立后，需要计算原始对偶残差的值。并通过原始对偶残差来判断是否启动加速迭代过程，若不能启动加速迭代过程，则对整个算法进行重启。
所述需计算原始对偶残差的值，其计算公式如下：
然后，判断是否成立。若成立，则对迭代步长进行更新；反之，则利用上一次迭代的结果为初值对该算法进行重启。步长和加速变量的更新公式为：
其中：δ是靠近1的比例系数，εi代表加速步长。
S404，经过对各变量的多次迭代，直到满足相关条件或者最大迭代次数，最终可得到所求u的最优解，即条纹去除后干净的遥感图像。
本发明充分考虑条纹噪声与底层图像结构上的稀疏特性，利用Lp范数和全变分提出了一种新的遥感图像中条纹噪声的去除方法；所述方法在有效去除条纹噪声时，充分保留了底层图像的细节信息，从而提高了遥感图像的质量。可以有助于遥感图像在目标检测、城市规划、环境监测等领域的后续应用；在图3中展示了本文方法去除条纹噪声的结果图；图4展示了图3中结果图的行均值曲线，很明显可以看到本发明所述的条纹噪声去除算法的行像素均值曲线与原图像非常接近。
本申请还提供了一种基于单向变分的遥感数据条纹噪声去除装置的实施例，该装置包括数据采集模块、通信模块、处理器模块和存储模块；在数据采集模块获取含有条纹噪声的遥感图像后，利用通信模块将数据传输到处理器模块，处理器模块通过调用存储模块中存放的程序进行条纹噪声去除处理；其中，存储模块所存放的程序，用于实现权利要求1-6任一所述的方法步骤；最终，输出不含条纹噪声的遥感图像。
需要说明的是，本申请实施例中的处理器模块是计算机中负责执行指令和进行数据处理的核心组件，它通常由多个功能模块组成，这些模块协同工作以实现计算和控制任务。处理器模块的构成通常包括算术逻辑单元、控制单元、寄存器、时钟、缓存、浮点单元等。
本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序能够实现权利要求1-6任一项所述的遥感数据条纹噪声去除方法的步骤。
本申请实施例中的计算机可读存储介质包括固态硬盘、USB闪存驱动器、光盘(Compact Disc)、存储卡、随机存储器(RAM)、内存、只读存储器(ROM)以及其他技术领域内的任意形式的存储介质。
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 (6)
1.一种基于单向变分的遥感数据条纹噪声去除方法，其特征在于：具体包括以下步骤；
S1：获取含有条纹噪声的遥感图像后，分别计算遥感图像不同方向的梯度信息，得到其水平和垂直方向的梯度图；
S2：根据不同方向的梯度信息得到条纹噪声与底层图像结构的稀疏特性，通过引入Lp伪范数设计了不同方向的正则化约束项；同时基于条纹噪声的先验特性设计了全局的稀疏约束项；
S3：将S2中的不同方向的正则化约束和全局稀疏约束相结合，得到完整的去除水平条纹的单项变分模型；
S4：采用快速的交替方向乘子法对S3中的去除水平条纹的单项变分模型进行迭代求解，最终可以得到去除条纹后的遥感图像；
采用快速交替方向乘子法对单项变分模型的求解，包括以下步骤：
S401，引入中间变量将有约束问题转换为无约束问题，并得到该问题的增广拉格朗日函数；
S402，对增广拉格朗日函数中的各变量的子问题进行逐一求解，并引入加速辅助变量，分别得到其加速迭代公式；
S403，计算原始对偶残差来判断是否启动加速迭代过程，若不能启动加速迭代过程，则对整个算法进行重启；
S404，经过对各变量的多次迭代，得到所求u的最优解，即条纹去除后干净的遥感图像；
该问题的增广拉格朗日函数为：
其中：N1＝u-g，Λ1、Λ2和Λ3表示拉格朗日乘子，α1、α2和α3表示惩罚项的系数，max表示取最大值，min表示取最小值。
2.根据权利要求1所述的一种基于单向变分的遥感数据条纹噪声去除方法，其特征在于：所述的图像不同方向的梯度信息计算公式为：
其中：Z(i,j)表示遥感图像的像素值，Dx(i,j)表示遥感图像水平方向的梯度信息，Dy(i,j)表示遥感图像垂直方向的梯度信息，(i,j)表示遥感图像像素行列位置索引。
3.根据权利要求1所述的一种基于单向变分的遥感数据条纹噪声去除方法，其特征在于：不同方向的正则化约束项和全局约束项为：
Rs＝||u-g||0
其中：u表示不含条纹噪声的理想遥感图像，g表示受到条纹噪声污染的遥感图像，表示水平方向的梯度，/>表示垂直方向的梯度，Rx表示水平方向的正则化约束项，Ry表示垂直方向的正则化约束项，Rs表示全局的稀疏约束项。
4.根据权利要求1所述的一种基于单向变分的遥感数据条纹噪声去除方法，其特征在于：完整的去除条纹噪声的单向变分模型表达式为：
其中：λ1表示水平方向正则项的系数，λ2表示水平方向正则项的系数。
5.一种基于单向变分的遥感数据条纹噪声去除装置，其特征在于，包括遥感数据采集模块、通信模块、处理器模块和存储模块，其中，存储模块所存放的程序，用于实现权利要求1-4任一所述的方法步骤。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序能够实现权利要求1-4任一项所述的遥感数据条纹噪声去除方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311061678.6A CN117173042B (zh) | 2023-08-23 | 2023-08-23 | 一种基于单向变分的遥感数据条纹噪声去除方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311061678.6A CN117173042B (zh) | 2023-08-23 | 2023-08-23 | 一种基于单向变分的遥感数据条纹噪声去除方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117173042A CN117173042A (zh) | 2023-12-05 |
| CN117173042B true CN117173042B (zh) | 2024-05-31 |
Family
ID=88940436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311061678.6A Active CN117173042B (zh) | 2023-08-23 | 2023-08-23 | 一种基于单向变分的遥感数据条纹噪声去除方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117173042B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106803235A (zh) * | 2015-11-26 | 2017-06-06 | 南京理工大学 | 基于各向异性时空域全变分非均匀性校正的方法 |
| CN108230249A (zh) * | 2016-12-14 | 2018-06-29 | 南京理工大学 | 基于各向异性的l1范数全变分正则化非均匀性校正方法 |
| WO2018154109A1 (en) * | 2017-02-27 | 2018-08-30 | Eth Zurich | System and method for speed and attenuation reconstruction in ultrasound imaging |
| AU2020100460A4 (en) * | 2020-03-26 | 2020-04-30 | Huang, Shuying DR | Single image deraining algorithm based on multi-scale dictionary |
| EP3940696A1 (en) * | 2020-07-15 | 2022-01-19 | Österreichische Akademie der Wissenschaften | Inpainting based signal gap reconstruction with sparse representation |
| CN114022393A (zh) * | 2021-11-19 | 2022-02-08 | 中国科学院长春光学精密机械与物理研究所 | 基于全变分和低秩方向稀疏约束的图像条带噪声去除算法 |
| CN114998750A (zh) * | 2022-08-01 | 2022-09-02 | 四川工程职业技术学院 | 一种遥感图像随机长度条带去除方法、装置、设备及介质 |
| CN115034978A (zh) * | 2022-05-23 | 2022-09-09 | 南京邮电大学 | 基于子空间表示结合图嵌入约束的高光谱图像去噪方法 |
| CN115082337A (zh) * | 2022-06-15 | 2022-09-20 | 吉林大学 | 一种基于双重全变分的高光谱混合噪声去除方法 |
| 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 |
| CN116596804A (zh) * | 2023-06-16 | 2023-08-15 | 中国科学院长春光学精密机械与物理研究所 | 一种红外图像条纹噪声去除方法及装置 |
| CN116612045A (zh) * | 2023-06-09 | 2023-08-18 | 长春理工大学 | 一种基于稀疏优化模型的遥感图像条纹噪声提取方法 |
-
2023
- 2023-08-23 CN CN202311061678.6A patent/CN117173042B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106803235A (zh) * | 2015-11-26 | 2017-06-06 | 南京理工大学 | 基于各向异性时空域全变分非均匀性校正的方法 |
| CN108230249A (zh) * | 2016-12-14 | 2018-06-29 | 南京理工大学 | 基于各向异性的l1范数全变分正则化非均匀性校正方法 |
| WO2018154109A1 (en) * | 2017-02-27 | 2018-08-30 | Eth Zurich | System and method for speed and attenuation reconstruction in ultrasound imaging |
| AU2020100460A4 (en) * | 2020-03-26 | 2020-04-30 | Huang, Shuying DR | Single image deraining algorithm based on multi-scale dictionary |
| EP3940696A1 (en) * | 2020-07-15 | 2022-01-19 | Österreichische Akademie der Wissenschaften | Inpainting based signal gap reconstruction with sparse representation |
| CN114022393A (zh) * | 2021-11-19 | 2022-02-08 | 中国科学院长春光学精密机械与物理研究所 | 基于全变分和低秩方向稀疏约束的图像条带噪声去除算法 |
| CN115034978A (zh) * | 2022-05-23 | 2022-09-09 | 南京邮电大学 | 基于子空间表示结合图嵌入约束的高光谱图像去噪方法 |
| CN115082337A (zh) * | 2022-06-15 | 2022-09-20 | 吉林大学 | 一种基于双重全变分的高光谱混合噪声去除方法 |
| CN114998750A (zh) * | 2022-08-01 | 2022-09-02 | 四川工程职业技术学院 | 一种遥感图像随机长度条带去除方法、装置、设备及介质 |
| 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 |
| CN116612045A (zh) * | 2023-06-09 | 2023-08-18 | 长春理工大学 | 一种基于稀疏优化模型的遥感图像条纹噪声提取方法 |
| CN116596804A (zh) * | 2023-06-16 | 2023-08-15 | 中国科学院长春光学精密机械与物理研究所 | 一种红外图像条纹噪声去除方法及装置 |
Non-Patent Citations (6)
| Title |
|---|
| STRIPE NOISE REMOVAL OF REMOTE SENSING IMAGE WITH A DIRECTIONAL l0 SPARSE MODEL;Hong-Xia Dou;《IEEE access》;20170920;全文 * |
| Stripe Noise Separation and Removal in Remote Sensing Images by Consideration of the Global Sparsity and Local Variational Properties;Xinxin Liu;《IEEE access》;20220122;全文 * |
| 一种群稀疏限制的消除条带噪声变分模型;陈柳;陈明举;吴浩;薛智爽;;液晶与显示;20200615(第06期);全文 * |
| 基于L1 范数优化模型的遥感图像条纹去除方法;李凯;《红外与毫米波学报》;20210430;参见全文 * |
| 基于lp范数的图像去噪方法;范黎杨;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20190228;参见摘要 * |
| 条纹投影三维形貌测量的变分模态分解相位提取;朱新军;邓耀辉;唐晨;宋丽梅;郭庆华;;光学精密工程;20160915(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117173042A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Nerfacc: Efficient sampling accelerates nerfs | |
| CN109671030B (zh) | 一种基于自适应秩估计黎曼流形优化的图像补全方法 | |
| CN111861925B (zh) | 一种基于注意力机制与门控循环单元的图像去雨方法 | |
| CN105931264B (zh) | 一种海面红外小目标检测方法 | |
| CN111369457B (zh) | 稀疏判别张量鲁棒性pca的遥感图像去噪方法 | |
| CN110796625A (zh) | 一种基于组稀疏表示和加权全变分的图像压缩感知重构方法 | |
| CN106920220A (zh) | 基于暗原色和交替方向乘子法优化的湍流图像盲复原方法 | |
| CN111369487A (zh) | 一种高光谱和多光谱图像融合方法、***及介质 | |
| CN109859178B (zh) | 一种基于fpga的红外遥感图像实时目标检测方法 | |
| Zhang et al. | Infrared small target detection based on an image-patch tensor model | |
| CN112596104B (zh) | 一种结合张量分解和全变分的地震资料去噪方法 | |
| Shen et al. | Coupling model-and data-driven methods for remote sensing image restoration and fusion: Improving physical interpretability | |
| Liu et al. | Multi-filters guided low-rank tensor coding for image inpainting | |
| CN112581378A (zh) | 基于显著性强度和梯度先验的图像盲去模糊方法和装置 | |
| CN109658340B (zh) | 基于rsvd与直方图保存的sar图像快速去噪方法 | |
| CN117173042B (zh) | 一种基于单向变分的遥感数据条纹噪声去除方法、装置及介质 | |
| Jon et al. | Weighted hyper-Laplacian prior with overlapping group sparsity for image restoration under Cauchy noise | |
| Yang et al. | Cirrus detection based on tensor multi-mode expansion sum nuclear norm in infrared imagery | |
| Kim et al. | ADOM: ADMM-based optimization model for stripe noise removal in remote sensing image | |
| CN103942805B (zh) | 基于局部多原子匹配追踪的图像稀疏分解快速方法 | |
| Hu et al. | Real-time infrared small target detection network and accelerator design | |
| CN112862729B (zh) | 一种基于特征曲线指导的遥感图像去噪方法 | |
| CN108765350B (zh) | 一种面向航天光学遥感图像量子化滤波方法 | |
| Han et al. | Asymmetric and square convolutional neural network for SAR ship detection from scratch | |
| CN113487491B (zh) | 一种基于稀疏性与非局部均值自相似性的图像复原方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |