一种改进的遥感图像自适应加权滤波算法

遥感图像在其获取、传输的过程中，受到多种因素的影响，会含有各种噪声而降质。文中在分析传统的去噪处理算法和自适应中值滤波算法的(AMF)基础上，提出了一种自适应加权的遥感图像去噪滤波方法。该算法针对噪声图像上每一点，应用自适应加权算子，对于不同的图像区域，算子自适应地进行窗口大小和输出像素值的改变。试验证明，该方法优于传统的去噪滤波算法和AMF滤波算法，在滤除噪声的同时尽可能地保留了图像细节，对于遥感图像去噪增强具有很好的效果。     

一种改进的遥感图像自适应加权滤波算法

遥感图像在其获取、传输的过程中,受到多种因素的影响,会含有各种噪声而降质.文中在分析传统的去噪处理算法和自适应中值滤波算法的(AMF)基础上,提出了一种自适应加权的遥感图像去噪滤波方法.该算法针对噪声图像上每一点,应用自适应加权算子,对于不同的图像区域,算子自适应地进行窗口大小和输出像素值的改变.试验证明,该方法优于传统的去噪滤波算法和AMF滤波算法,在滤除噪声的同时尽可能地保留了图像细节,对于遥感图像去噪增强具有很好的效果.     

数字图像混合噪声滤波算法研究

针对数字图像中混合噪声难以处理的问题,基于算术均值滤波算法和中值滤波算法提出了一种针对混合噪声的滤波算法。该算法先根据混合噪声的特点设置阈值,再利用阈值分离混合噪声中的高斯噪声和椒盐噪声,最后针对不同噪声分别采用不同的滤波器进行处理。经过Matlab仿真试验和评价标准分析可知,该算法对图像处理速度较快,容易实现,不仅对数字图像的滤波效果显著,而且还能较好地保留影像细节信息。     

基于形态学的遥感影像滤波方法研究

针对遥感影像的特点，提出了一种基于多结构元素形态学的滤波算法。运用此算法和传统的中值滤波算法以及均值算法一并对遥感影像进行了处理，并且使用多种指标对处理的结果进行了比较。结果表明，该算法能够很好地滤除遥感图像中的噪声点，改进了对遥感图像的细节目标的保护。     

一种改进的去噪阈值混合滤波算法

中值滤波和均值滤波通常被分别用来处理脉冲噪声和高斯噪声,但当图像同时存在高斯噪声和脉冲噪声时,单独用任何一种滤波方法都不能达到最好的去噪效果。针对这一问题,本文提出了一种改进的基于去噪阈值的图像混合滤波算法,可以更有效地减少噪声,又可以较好地保持图像的边缘细节信息。     

基于可分解马尔科夫网的极端椒盐噪声图像滤波

提出了一种基于可分解马尔科夫网(decomposableMarkovnetworks,DMN)的极端椒盐噪声的均值滤波方法,指出其网络节点的阈值衰减特性和网络节点的连接特性具有很好的对椒盐噪声污染图像的噪声定位的作用,并提出一种在该网络控制下,只对与噪声相关的像素进行均值计算以替代噪声像素的亚均值滤波算法,实现了图像的较强自适应滤波。实验表明,本文方法具有良好的滤波性能。     

一种消除高密度椒盐噪声的迭代中值滤波算法

针对现有滤波方法处理高密度椒盐噪声的不足,提出一种简单有效的迭代中值滤波算法。该方法首先依据像素的强度值判断噪声点的位置,然后在循环迭代的处理框架内,对噪声像元进行逐步恢复。若噪声影像中包含足够的健康信息,则利用局部灰度差异控制项,完成对滤波结果的进一步优化。基于标准测试影像的实验表明,该方法能更为精确地恢复出被椒盐噪声污染的影像细节信息,其处理结果在目视及定量评价上均优于4种对比的滤波方法;且该方法的处理优势在影像椒盐噪声比例高达95%的情况下也依旧显著。     

噪声的分布层次分析及其自适应滤波算法

基于对噪声模型的分析 ,提出了两种自适应中值滤波器算法 :(1)对于消除噪声密度较大的脉冲干扰 ,提出了基于剩余脉冲检测的自适应中值滤波器算法 (AMF1) ,通过对滤波器输出是否存在剩余噪声的检测来决定采用的滤波器窗口尺寸 ,从而有效滤除脉冲干扰 ;(2 )对于消除的一定宽度的脉冲干扰 ,则提出了基于脉冲宽度检测的自适应中值滤波器算法 (AMF2 ) ,通过决定干扰脉冲的宽度来确定滤波器窗口的大小 ,从而有效去除较宽的干扰脉冲。通过对实际图像的测试 ,表明提出的算法运算结果优于标准中值滤波器的输出结果     

一种基于极值检测与自适应滤波的图像去噪算法

标准中值滤波及其一些改进算法对于被低密度脉冲噪声污染图像的处理可取得令人满意的效果,图像被严重污染时,这些算法得到的结果均不理想。针对这一缺陷,基于文献[1]提出的一种滤波算法进行改进。首先,利用极值法对图像进行检测,判断出噪声及非噪声点;其次,设置滤波模板的最小及最大尺寸,对噪声点进行窗口逐渐增大的滤波处理。计算机模拟实验结果及对SAR图像滤波结果表明:该滤波算法在噪声去除及边缘和图像细节保持上优于标准中值滤波及其一些改进算法。     

一种新的去除遥感影像混合噪声组合滤波方法

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。     

全方向自适应动态窗口SAR斑点噪声抑制算法

有效地抑制或消除斑点噪声是SAR图像地学应用的前提，通过基于单视数SAR图像的Speckle统计特性和已发展的空间滤波算法分析。发展了一种改进的全方向动态窗口自适应SAR噪声滤波算法，该算法对处理的每一个像元可按图像边界细节划分为需要的全方向子窗口，利用相对标准差判断滤波窗口及子窗口内斑点噪声及边缘信息的存在情况，可实现滤波窗口大小动态调整和窗口内参加滤波像素的自适应选择，对ERS SAR SLC图像试验结果表明，该算法对单视数SAR图像具有较强的Speckle抑制能力。且可较好地保持图像的纹理边界细节信息，有一定的实用价值。     

InSAR干涉图滤波方法研究

探讨多视滤波法、中值滤波法、基于梯度的自适应滤波、additive滤波法四种抑制干涉图噪声的滤波方法.多视滤波法平滑了影像数据,是以牺牲空间分辨率为代价的,通常这种滤波处理应用在从两个单视影像获得的复数影像处理中;作为一种传统的抑制噪声方法,中值滤波技术实质上是一种非线性信号处理技术,它假设噪声具有极端的数值,即在所定义的平滑模板内为最(较)大值或最(较)小值,因此它会使得干涉图丢失一些信息;基于梯度的自适应法是基于梯度的一种中值滤波,它使得边缘更加清晰,该方法可与中值滤波联合使用;Addtive滤波法强调根据局部噪声状况和使用方向平行窗口得到的滤波噪声边缘来自适应的滤除噪声,对于局部噪声状况由关联图来决定.这种方法尤其对高关联的干涉图最为可取.     

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。     

X波段航海雷达图像噪声检测与滤除方法研究

根据航海雷达数据的时空特点,提出一种图像噪声检测与滤除方法。该方法首先根据噪声在各次扫描间的不相关性对其进行检测,然后只针对检测出的噪声数据进行滤除。通过与传统的中值滤波算法和均值算法进行比较,同时使用信噪比指标对处理结果进行分析,结果表明,本算法既保持了传统中值滤波方法简单、快速的优点,又很好地保持了图像的灰度信息,具有较好的降噪效果。     

联合EEMD-KECA算法的InSAR干涉相位时频滤波

根据干涉图信号和噪声时频分布差异的特点,提出一种改进的基于经验模态分解EEMD的InSAR干涉相位滤波方法。该方法首先利用可有效降低模态混叠的EEMD算法,对干涉图的实部及虚部分别进行2维经验模态分解,获得具有不同时间尺度的模态分量;然后根据信号和噪声分量的时间尺度分布特性的差异,采用适用于非线性信号分析的KECA算法对噪声识别、分离;最后利用去除噪声后的模态分量重构干涉图。为了证明本文方法的有效性,分别利用模拟数据及真实InSAR差分干涉相位进行滤波试验。对比本文EEMD-KECA滤波方法、Goldstein滤波、圆周期—中值滤波、EMD分解、EMD-PCA方法的滤波效果,采用相干斑指数、均方差指数、边缘保持指数进行定量评价。结果表明,与经典InSAR干涉图滤波方法相比,本文联合EEMD-KECA算法的滤波方法能有效滤除干涉图噪声,且在条纹边缘等细节信息的保持上也具有较大优势。