共查询到17条相似文献，搜索用时 125 毫秒
1.
传统的遥感影像去噪方法在去除影像噪声时，往往会造成去噪后影像细节信息丢失和模糊的问题。本文将二维EMD去噪理论用于遥感影像的去噪，提出了二维EMD与自适应高斯滤波相结合的遥感影像改进去噪算法。在去噪时能够保留低频信息不变，只对影像高频信息进行二维EMD分解后的不同频率IMF分量图作自适应高斯滤波去噪，从而更好地对含噪影像进行去噪。两组试验对比分析表明：本文算法具有较大的峰值信噪比、平均梯度和结构相似性，具有较小的均方根误差；并且边缘检测结果也表明，噪声在被滤掉的同时，经本文算法去噪后的影像能较多和更好地保留原始影像的细节信息和边缘轮廓信息，具有更好的去噪效果。 相似文献
2.
针对低阶偏微分方程去噪模型通常会使图像的灰度趋于分段常量而产生阶梯效应的问题,结合小波多尺度分解在图像处理中的应用,提出一种结合双树复小波变换(DT-CWT)的四阶偏微分方程(PDE)影像去噪模型。首先采用DT-CWT对噪声影像进行多尺度分解,保留分解后的低频分量不变,其他层复高频分量采用四阶PDE去噪模型去噪,然后重构相应层的高、低频分量,得到最终去噪后影像。对不同噪声强度下的ZY-3卫星影像去噪实验的结果表明,采用本文方法去除遥感影像噪声相比现有方法得到的去噪结果信噪比平均提高了1~2 d B,提高了去噪影像的结构相似度,在有效去除影像高斯噪声的同时能够较好地保留图像细节信息。 相似文献
3.
为了避免条带噪声去除过程中丢失影像细节，提出一种基于小波变分法去除遥感影像条带噪声。首先，对含有条带噪声的遥感影像进行小波分解；其次，通过构建的条带保留变分模型（SPVM）去除低层高频分量（含条带噪声）中的细节信息而保留条带噪声，从而有效分离出低层高频分量（含条带噪声）中的细节信息；通过构建的条带去除变分模型（DVM）去除高层高频分量（含条带噪声）中的条带噪声，从而有效地保留高层高频分量（含条带噪声）中的细节信息；最后，通过小波重构，获得去噪影像。试验证明本文方法在去除条带噪声的同时基本没有丢失影像细节，去噪后的影像对比度及质量都是最优的。 相似文献
4.
为了能够精准检测山区遥感影像变化,提出一种基于改进决策树算法的山区遥感影像变化检测方法。利用K-SVD算法始化处理过完备字典,采用带有噪声的山区遥感影像训练字典,通过学习获取的字典稀疏表示含噪山区遥感影像,得到每个小块影像的稀疏表示系数,平均处理小块影像,获得去噪后的山区遥感影像。采用邻域相关分析技术获取描述上下文信息的邻域相关影响,通过邻域像素间的相关性展开模板匹配得到匹配误差。同时根据方向梯度信息提取山区遥感影像的结构特征,将邻域相关影像、匹配误差和结构特征输入改进后的决策树算法,将其作为分类属性,检测出山区遥感影像变化,实现山区遥感影像变化检测。实验结果表明,所提方法可有效检测出山区遥感图像的变化,并且检测500个样本图像的时间仅为335.4 s,因此,该方法可以获取准确率更高且检测时间更短的山区遥感影像变化检测结果。 相似文献
5.
边缘信息是影像最重要的高频信息,在去除噪声的同时应尽量保留。介绍一种改进的小波去噪方法,不仅大大减少了算法的时间复杂度,而且用Wallis滤波对小波变换后的小波系数进行处理,在进一步压制噪声的同时增强了影像的对比度。实验结果表明,该方法不仅效率高,而且能较好地突出细节信号,效果优于普通的小波阈值去噪。 相似文献
6.
受到成像环境、硬件条件等因素的限制，高分辨率卫星遥感影像上普遍存在条带噪声的现象，其严重影响了影像的辐射质量和可用性。本文针对传统条带去除方法存在的适应性差、去噪效率低、依靠先验知识等不足，提出了一种基于深度学习卷积神经网络的条带噪声去除方法。本方法首先利用不同尺度的卷积层进行特征提取，然后对多尺度的特征图进行特征融合得到去噪底图，通过残差学习的方法在底图上预测存在的噪声分量，最后用噪声影像减去条带噪声分量实现噪声的去除。以模拟和真实获取的噪声影像为实验数据，将本文提出的方法与一些经典的去噪方法进行实验结果对比分析，实验结果表明本文提出的基于深度学习的条带噪声去除方法能够在保留影像地物细节的情况下，能以优异的速度达到最高的定量指标和最好的视觉效果，充分证明了本文方法的优越性。 相似文献
7.
BM3D（block matching and 3D filtering）是一种有效的高斯噪声去除方法，但对遥感影像中常含有的高斯和脉冲混合噪声去除效果具有局限性；而集成方法是去除混合噪声的有效方式。针对BM3D去噪的缺点，结合其去噪优势，研究发展了一种集成BM3D方法，并改进了一种噪声量估算方法M-Liu法，用于先验噪声估算，作为算法的输入参数。算法验证结果表明，集成BM3D法具有较好的去噪特性，能兼顾影像噪声去除和细节信号的保留，优于同类方法，可为图像去噪提供一种新的方法，对于遥感影像后期应用性研究具有一定的意义。 相似文献
8.
《国土资源遥感》2015,(4)
结合离散小波变换(discrete wavelet transform,DWT)与二维多级中值滤波(two-dimensional multi-stage median filtering,TMMF)算法,提出了一种遥感图像自适应去噪(de-noising)算法。该算法首先对噪声图像进行单层DWT,分出低频子图像和高频子图像,由于其中的低频子图像包含了大量背景信息,几乎不受噪声的污染,因而变换后仍保持原样无需再处理;对于高频子图像继续执行单层DWT,获得多方向分布的次低频子图像和次高频子图像;然后对次高频子图像采用改进的TMMF算法进行去噪,对次低频子图像采用改进的小波硬阈值函数模型进行噪声抑制;最后对上述去噪后的子图像进行二次小波重构,得到去噪后的遥感图像。采用3景细节信息丰富的遥感图像进行算法性能测试,并与TMMF算法、改进的TMMF算法以及小波变换硬阈值去噪算法进行比较,结果表明,基于双重离散小波变换算法的去噪性能有所提升。 相似文献
9.
10.
提出了一种三层组合滤波的去噪方法,在小波BayesShrink阈值与自适应中值滤波的基础上增加第三层Wiener滤波,利用Wiener滤波对信噪比高的信号去噪效果好的特点可有效去除残留的混合噪声,为了在去噪过程中保留影像的边缘,在滤波过程中加入了边缘提取算法,对影像的细节进行保留使去噪后的影像更加清晰。试验表明,本文提出的三层滤波方法在去除遥感影像常见的高斯与脉冲混合噪声时,效果要明显优于传统的两层组合滤波算法。 相似文献
11.
针对常用稀疏表示系数融合规则不能完全保留两幅影像的有用信息,该文通过分析稀疏表示系数支撑集空间分布关系,提出一种新的稀疏表示系数融合规则。首先对多光谱影像进行广义IHS变换,将得到的亮度分量与全色影像分别进行稀疏表示;然后分析亮度分量与全色影像稀疏表示解的支撑集,对支撑集中交集部分和差集部分所对应的稀疏表示系数分别利用求和方式与L1范数最大方式进行融合;最后采用加权细节插入方式,将融合后的亮度分量细节信息插入到多光谱影像中,得到高分辨多光谱影像。实验结果表明,该方法能较好地提高空间分辨率并减少光谱损失;在主观视觉和客观评价上,比常用的融合规则方法有所提高。 相似文献
12.
Pansharpening方法通过融合多光谱影像的光谱信息和全色影像的空间细节信息来得到高分辨多光谱影像。然而传统的Pansharpening方法易导致产生光谱扭曲和空间信息丢失现象。受到影像稀疏表示超分重建理论启发,本文提出了一种新的基于稀疏表示和字典学习的Pansharpening方法。该方法以影像的高频特征作为训练样本,通过字典学习的方法来获取高低分辨率影像字典,使用正交匹配追踪算法求解出影像的稀疏表示系数,最终通过高分辨影像字典与稀疏系数相乘得到融合影像。实验结果表明:本文提出的方法能很好地保持遥感影像的光谱信息和空间细节信息。 相似文献
13.
针对高空间分辨率遥感影像中的地物具有多尺度特性,以及各个尺度的对象特征对地物分类精度的影响具有较强的尺度效性,并结合面向对象影像分析方法和多尺度联合稀疏表示方法在高空间分辨率遥感影像分类中的各自优点,提出了一种面向对象的多尺度加权稀疏表示的高空间分辨率遥感影像分类算法。首先,采用多尺度分割算法获得多尺度分割结果并提取对象的多尺度特征;然后,根据影像对象的多尺度分割质量测度计算各尺度的对象权重,构建面向对象的多尺度加权联合稀疏表示模型;最后,采用2个国产GF-2高空间分辨率遥感数据集和1个高光谱-高空间分辨率航空遥感数据集（WashingtonD.C.数据）验证该算法的有效性。试验结果表明,与SVM、像素级稀疏表示、单尺度和多尺度对象级稀疏表示和深度学习等算法相比较,本文算法获得了较高的OA和Kappa分类精度,提高了各个尺度地物的分类精度,有效抑止了地物分类结果中的椒盐噪声现象,同时保持大尺度地物的区域性和小尺度地物的细节信息。 相似文献
14.
小波包多阈值去噪法及其在形变分析中的应用 总被引：1，自引：0，他引：1
在GPS变形监测领域,传统的小波去噪只保留低频上的有用信息,很容易去掉中频以及高频上的有用信息。小波包分析方法是近几年发展起来的一种新的小波分析方法,它同时考虑了各个频段上的有用信息,因此是一种更为精细的去噪方法。小波包去噪的关键是对小波包分解系数选取合适的阈值准则并进行阈值处理,但传统的小波包去噪并没有对此进行充分的研究。本文针对传统小波、小波包分析的不足,提出了一种基于频率顺序并依据信息类型分段的多阈值准则小波包去噪法。通过理论分析与实际应用,结果表明新方法能够高效剔除各频段的噪声,同时当采样频率较低时能有效保留去噪信号中频率高达10-1 Hz数量级的有用信息,其去噪能力优于传统的小波、小波包等其它去噪方法,因此可以广泛应用于高精度GPS变形监测领域中。 相似文献
15.
针对卫星云图数据量大,但传输通道和存储空间相对狭小的问题,本文基于Tetrolet变换,利用相邻时次云图的时空相关性,实现了一种高重构质量的卫星云图压缩感知方法。该方法将善于表达图像方向纹理及边缘信息的Tetrolet变换引入压缩感知的稀疏表示环节,从而很好地体现了卫星云图细节丰富、纹理结构复杂的特性;同时,考虑到卫星云图序列间的相关性,将时间相邻的卫星云图组成图像组,以中间时刻云图作为参考图像,计算其与相邻时次云图的差异,通过在参考图片及序列差异图片间合理分配采样率,获取测量数据,在压缩感知框架下,采用带平滑处理的投影Landweber算法,重构出相邻时次的图像组。实验结果表明,Tetrolet变换适用于卫星云图的稀疏表示,而且图像组时空相关性的利用可显著提高重构云图的视觉效果及客观评价指标;在采样率低于0.2时,红外1、水汽和可见光3个通道重构云图的峰值信噪比(PSNR)较传统方法平均提高了7.48 dB,13.51 dB和6.15 dB。由此可见,本文方法可以通过获取少数随机测量值,重构出高质量的卫星云图,不仅为云图数据的低比特率压缩提供了一种可行的解决方案,而且对于其他序列图像的压缩采样具有借鉴意义。 相似文献
16.
针对现有分割算法对高噪声侧扫声呐图像分割准确率低的问题,提出了一种综合利用NSCT(non-subsampled contourlet transform)分解图像、局部标准差和均值组合增强图像和多重分形判断图像奇异性的侧扫声呐图像分割方法。首先,借助NSCT分解图像,获得滤除高频噪声且保留轮廓信息的低频图像和一系列高频方向子带图像。然后,基于侧扫声呐图像中目标及其阴影伴随出现的特点,计算低频图像的局部标准差与均值的组合特征,获得分别突显目标及其阴影的特征图,使用多重分形分割方法分割特征图,获得低频图像分割结果;利用图像差分和非极大值抑制方法分割高频方向子带图像,获得高频分割结果;融合高低频分割结果获得目标及其阴影的精细边缘。最后通过试验验证了本文方法的有效性。 相似文献
17.
小样本的高光谱图像降噪与分类 总被引：1，自引：0，他引：1
在样本数目稀少情况下实现高光谱图像精细分类是个挑战性的问题。高光谱图像信噪比提高比较困难,噪声大小对分类结果有最直接的影响。利用高光谱图像相邻波段之间的相关性和相邻像素之间的相关性,提出多级降噪滤波的高光谱图像分类方法,通过改进的两阶段稀疏与低秩矩阵分解方法,去除高光谱图像中能量较高的噪声,利用主成分分析方法去除高光谱图像中能量较低的噪声,引导滤波方法去除分类结果图中的"椒盐噪声"。选取两幅真实高光谱图像进行实验,结果表明,两阶段稀疏与低秩矩阵分解法和主成分分析法两种降噪方法具有较强的互补性;引导滤波方法使得分类图更加平滑且分类精度更高。与其他光谱空间分类方法相比,本文方法分类精度更高,且在样本极少时能获得很高的分类精度。 相似文献