全极化雷达遥感影像的迭代优化非局部均值去噪法

相干斑的存在严重降低了全极化合成孔径雷达（polarimetric synthetic aperture radar，PolSAR）的影像质量，对相干斑进行抑制是使用PolSAR数据必不可少的预处理程序。本文提出了一种迭代优化的PolSAR非局部均值去噪方法。该方法在每次迭代去噪过程中，通过同时考虑原始影像全极化噪声统计特性和前一次迭代所得影像的全极化信息来完善像素间极化相似性的度量，从而实现对影像更精准的估计。试验部分利用模拟的PolSAR数据和真实的PolSAR影像进行了算法效果的验证。结果表明：去噪算法在显著抑制影像噪声水平的同时，也能较好地保持影像的边缘和极化特性等细节信息。     

基于双树复数小波的SAR图像去噪算法

SAR图像相干斑点噪声的存在严重影响了SAR图像的应用效果。本文给出了一种基于双树复小波变换的贝叶斯收缩去噪算法,采用双树复小波获取更多的方向特性,然后借助贝叶斯MAP估计器调整小波系数,达到去除SAR图像斑点噪声的目的。实验证明,本算法在抑制SAR图像斑点噪声的同时有效地保持了图像的边缘信息。     

一种基于图像边缘特征的SAR斑点滤波算法

合成孔径雷达图像上的斑点噪声会阻碍图像的校准、检验、解译和应用,因此斑点噪声的去除是雷达图像处理的一个重要环节。通常的去噪方法在抑制噪声的同时也使得图像的边缘模糊,细节特征损失。理论和实践表明去除图像的斑点噪声和保持图像的边缘信息是无法同步实现的。为了在去除噪声和保持边缘特征之间进行折衷,本文基于MROA边缘检测算法以及均值滤波算法,提出了一种基于图像边缘特征的斑点噪声滤波算法。实验结果表明该算法能够在平滑图像的同时有效保持边缘特征信息。     

自适应移动盒子的机载LiDAR点云去噪算法

针对现有LiDAR点云去噪算法难以实现自适应的问题,该文提出了基于空间盒子结构的自适应移动盒子去噪算法。基于经验模型建立盒子自适应准则,较好规避了现有算法的去噪阈值确定问题;采用聚类分析实现噪声点与有效点的精确标示。基于不同类型噪声的点云数据实验结果表明:与现有去噪算法相比,基于自适应移动盒子的去噪算法具有更好的适应性和去噪效果。     

结合BM3D和多级非线性加权平均中值滤波的遥感影像混合噪声去噪方法

提出了一种基于三维块匹配（BM3D）和多级非线性加权平均中值滤波的遥感影像混合噪声去噪方法，使用coief3小波和sym2小波替换传统三维块匹配算法中的bior1.5和hear参数，将三维块匹配算法和多级非线性加权平均中值滤波相结合以提高算法对混合噪声的去噪能力。进行一个仿真对比试验和一个真实遥感影像去噪试验，试验表明，本文提出的方法在遥感影像混合噪声去噪方面效果要优于传统混合噪声去噪方法。     

一种基于核回归的SAR图像自适应相干斑抑制方法

为了在抑制相干斑噪声的同时更好地保持SAR图像中的点目标和边缘目标,在经典核回归方法的基础上,本文提出了基于核回归的SAR图像自适应相干斑抑制方法。通过分析SAR图像的幅度分布特性,在构建模型时,以图像的幅度值为判别条件,使核函数在幅值较小的背景区域具有较大的光滑作用以抑制噪声,而在幅值较大的目标区域光滑作用较小以保护目标特征;同时考虑对边缘的保护作用,基于散布矩阵修正了自适应核回归方法,建立了基于核回归的SAR图像自适应相干斑抑制方法。试验结果表明,该算法通过将幅度值和散布矩阵引入核函数,更好地抑制了噪声,同时也保持了图像中的点目标和边缘。     

基于结构张量的前后向扩散图像去噪方法

针对各向异性前后向扩散方程对图像进行处理时必然会导致图像角型区域纹理损失的特点,提出了一种改进的图像去噪方法。结合前后向扩散和结构张量对图像进行处理,利用结构张量算法计算图像中的角型区域,增强图像的角点纹理,在去除噪声的同时保留了图像的细节部分。通过实验与传统高斯低通滤波和未改进的去噪算法进行比较,结果表明该改进算法不仅有效去除了噪声而且保持了图像的纹理。     

遥感图像高斯与椒盐噪声的PDE混合去噪模型研究

针对经过前期处理的遥感图像主要含有高斯噪声和椒盐噪声的特点,提出一种基于PDE的混合去噪模型,该模型克服传统的纯各向异性扩散模型在平滑区域过度扩散、产生阶梯效应和四阶PDE模型在去噪的同时过多损失边缘信息的弱点,在有效去除遥感图像中混合噪声的同时,很好地保持图像的边缘和纹理细节信息.实验结果验证所提出模型的有效性和稳定性.     

基于提升格式小波包变换的SAR图像去噪

基于信号和噪声在提升格式小波分解中呈现出的不同特性，提出了一种新的小波包去噪算法。该算法采用提升格式小波对SAR图像进行最优小波包分解，并计算每个子频带的能量范数，然后根据软阈值法和能量范数区分信号和噪声，达到去除噪声的目的。试验结果表明，该算法对SAR图像具有较好的去噪效果，不仅可以去除图像中的大部分噪声，而且可以较好地保留图像纹理的细节信息。与传统小波包算法相比，其计算速度快了一倍左右。     

一种基于压缩感知的遥感影像混合去噪模型

针对遥感影像噪声通常由光学噪声和电噪声组成的特点,提出了一种基于压缩感知的混合去噪模型。该模型结合了压缩感知原理和自适应中值滤波算法,分别在小波域与空间域对影像进行去噪。实验结果证明了混合模型在有效抑制影像中噪声的同时,可以保持较高的信噪比和归一化方差,有较高的图像的纹理和边缘信息保持能力。     

张量组稀疏表示的高光谱图像去噪算法

提出了一种基于张量组稀疏表示的高光谱遥感影像降噪。高光谱影像数据可视为三阶张量。首先,高光谱图像被划分为小的张量分块,然后,对相似的张量分块进行聚类,并对聚类分组进行稀疏表示。基于高光谱图像的空间非局部自相似性和光谱相关性,将张量组稀疏表示模型分解为一系列无约束低秩张量的近似问题,进而通过张量分解进行求解。对模拟和真实高光谱数据进行试验,验证了该算法的有效性。     

结合双树复小波变换的四阶偏微分影像去噪方法

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。     

基于数据融合的多尺度图像去噪方法

将图像系数尺度内相关模型较强的去噪能力与尺度间相关模型保持边缘的优越性能相结合，提出了一种新的基于数据融合的多尺度图像去噪方法。同时引入了一种新的基于结构相似性（SSIM）指数的图像质量标准来衡量初始去噪图像和融合后图像与原始图像的相似程度，评估图像保持边缘和去噪的能力。仿真结果表明，基于数据融合的方法具有更好的视觉效果和去噪性能。     

小波阈值改进算法的遥感图像去噪

通过对于文献中已有小波阈值去噪方法的研究,结合已有的一些小波阈值去噪函数,提出了相应的小波阈值去噪的改进方法来完善和提高小波阈值去噪的处理能力和可行性。该阈值函数加入了有效的调整系数来控制函数的可变。该函数不但同时保留了相应的传统小波硬阈值、软阈值衍化的优点,也提高了相应精度指标。利用该函数阈值去噪不仅在经典的图像中起到很大的改善,在遥感图像的去噪处理方面也有明显的精度提高。该方法通过去噪评价指标均方差（MSE）,峰值信噪比（PSNR）,信噪比（SNR）,均方根误差（RMSE）进行去噪后图像的评价。该改进的阈值函数方法对于图像的处理后评价指标明显有所改善。     

结合二维EMD与自适应高斯滤波的遥感卫星影像去噪

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。     

高分二号卫星影像自适应模糊阈值法小波去噪

高分二号卫星影像提供了丰富的图像信息，高分二号影像数据的发布打破了我国高分辨率对地观测数据长期依赖进口的局面。但是图像在传输和保存过程中会有噪声干扰，如果感兴趣区域受到污染，则会导致该区域内的影像信息不能被充分利用。为了解决高分二号遥感影像去噪这一难题，本文采用自适应模糊阈值法去噪方式，该方法根据各个尺度下噪声方差建立的自适应模糊阈值函数非线性处理后，重新构造作为新的小波系数，经小波逆变换后得到去噪图像。通过与均值滤波器滤波、高斯平滑滤波、中值滤波器滤波、小波全局阈值去噪和Birge-Massart策略阈值法去噪比较，结果表明，自适应模糊阈值去噪法充分结合软硬阈值处理方式的优点，既保留图像细节又使图像更加平滑，图像整体信息完好，去噪效果更为理想。     

Universal reconstruction method for radiometric quality improvement of remote sensing images

The performance of remote sensing images in some applications is often affected by the existence of noise, blurring, stripes and corrupted pixels, as well as the hardware limits of the sensor with respect to spatial resolution. This paper presents a universal reconstruction method that can be used to improve the image quality by performing image denoising, deconvolution, destriping, inpainting, interpolation and super-resolution reconstruction. The proposed method consists of two parts: a universal image observation model and a universal image reconstruction model. In the observation model, most degradation processes in remote sensing imaging are considered in order to relate the desired image to the observed images. For the reconstruction model, we use the maximum a posteriori (MAP) framework to set up the minimization energy equation. The likelihood probability density function (PDF) is constructed based on the image observation model, and a robust Huber–Markov model is employed as the prior PDF. Experimental results are presented to illustrate the effectiveness of the proposed method.     

一种遥感影像混合噪声的去噪方法

为了减弱遥感影像噪声的影响，提高影像使用价值，提出了一种新的针对遥感影像混合噪声去噪的组合滤波，即基于三维块匹配和自适应中值滤波的去噪方法；此外使用rbio3小波和db20小波替换传统三维块匹配参数，进行两个仿真试验和一个真实遥感图像去噪试验。结果表明：本文方法在去除遥感影像常见的脉冲与高斯噪声方面，效果优于传统滤波方法。     

采用张量子空间的高光谱影像多维滤波算法

本文提出了一种基于张量子空间的多维滤波算法,将其应用于高光谱遥感影像降噪。该方法将高光谱影像数据视为三阶张量,引入张量数据表达,通过张量子空间分解将含噪影像投影到信号子空间,根据影像信号与噪声在子空间中分布的不同滤除噪声并保留原始影像的信号成分。利用该算法作用于多组含噪高光谱数据,对比逐波段二维维纳滤波算法、小波降噪算法等传统数字图像降噪算法的结果,实验证明了这种新型降噪算法的有效性。     

Nonorthogonal Tensor Matricization for Hyperspectral Image Filtering

A generalized multidimensional Wiener filter for denoising is adapted to hyperspectral images (HSIs). multidimensional wiener filtering (MWF) uses the signal subspace of each n-mode flattening matrix of the HSI, which is a third-order tensor. However, in the HSI case, the n-mode ranks are close to the n-mode dimensions. Thus, the signal subspace dimension can be underestimated. This leads to a loss of spatial resolution-edge blurring-and artifacts in the restored HSI. To cope with the underestimation while preserving edges, a new method is proposed. It estimates the relevant directions of flattening that may not be parallel to HSI dimensions. We adapt the bidimensional straight line detection algorithm that estimates the HSI main directions, which are used to flatten the HSI tensor. We also generalize the quadtree decomposition to tensors in order to adapt the filtering to the local image characteristics. Comparative studies with MWF, principal component analysis-stationary wavelet transform, and channel-by-channel Wiener filtering show that our algorithm provides better performance while restoring impaired HYDICE HSIs.