采用灰度分割的自适应矩匹配条带噪声去除方法

针对国产卫星全色影像中的随机条带噪声现象,提出了一种采用灰度分割的自适应矩匹配条带噪声去除方法。该方法首先将不同反射特性的地物按照灰度差异进行分割处理,然后对每一个分割区域分别采用标准矩匹配进行处理,从而抑制标准矩匹配处理过程中造成的灰度畸变。选取资源1号02C-HR光学影像进行实验,结果表明,与现有的去噪方法相比,所得图像质量有较大提升。     

改进的矩匹配遥感影像条带噪声去除方法研究与实现

遥感传感器在扫描成像过程中,由于感光单元间的响应差异和其他因素,有时会产生条带噪声,这严重影响了影像的应用。为了更好地利用这些影像,必须首先对影像进行去条带处理。首先对比分析两种基于同一个传感器单元获取的影像具有统计一致性假设的条带噪声去除算法,即均值归一化方法和矩匹配方法,再对矩匹配方法进行了改进,并在VC++6.0下分别编程实现。经过对有条带噪声的IRS5.8 m分辨率全色遥感影像进行处理和对比分析,在光谱保持和条带噪声去除效果综合考虑下,得出改进的矩匹配方法优于均值归一化方法。     

成像光谱仪图像条带噪声去除的改进矩匹配方法

条带噪声是影响线阵CCD成像质量的一个重要因子。特别是对于CCD质量要求较高的高光谱成像往，往往由于硬件质量造成了许多通道中条带噪声的出现。分析了条带噪声形成的主要原因，比较了几种常用条带噪声去除方法及其局限性。在此基础上指出，标准的矩匹配方法改变了图像在成像行或列方向的均值分布，造成了一定的灰度畸变。这种情况对于在地物非均匀分布状况下成像的小幅图像尤其明显。着重提出和讨论了利用均值补偿法，傅里叶变换法，相关系数法结合矩匹配方法近似恢复由入射辐射强度产生的均值分布，从而达到保持图像质量并有效去除条带噪声的目的。并对条带噪声去除前后图像质量做了定性定量的比较，评价。     

资源一号02C影像条带噪声去除的改进矩匹配方法

针对资源一号02C 影像条带噪声的去除,提出了一种改进的矩匹配方法。该方法以移动窗口的方式对大范围卫星影像数据进行分段处理,并根据窗口内影像的信息量,自适应地确定窗口大小,且在参考值获取时引入更合理的高斯加权均值。实验表明,与现有矩匹配方法相比,本文方法在取得良好去噪效果的同时,还具有自动化程度高、灰度失真小等优点。     

南极卫星影像条带噪声的消除

利用二维傅里叶变换进行方向滤波，较好地消除了南极地区影像上的条带噪声。     

顾及水陆差异的高分五号影像条带去除

高分五号搭载的可见光短波红外高光谱相机,能获取精细的地物光谱信息,具有十分广泛的应用前景。但高光谱卫星遥感数据往往无法避免条带噪声的干扰,进行条带去除是数据预处理中不可缺少的步骤。传统方法往往对地物的异质性与丰富的细节纹理考虑不足,导致条带不能被彻底地消除。为此,本文提出了一种顾及水陆差异的影像条带去除方法,采用水体与陆地区别统计的策略,解决条带噪声在异质区域的统计特征差异问题,并结合优化统计和一维变分滤波技术实现水陆区域参考统计特征的精确估计,最终基于矩匹配方法分别实现条带去除。实验结果表明:无论是真实实验还是模拟实验,本文提出的算法相较于传统条带去除算法,能更加稳健地去除数据条带噪声,还原地表真实辐射信息;在模拟实验中,本文算法处理结果的峰值信噪比(PSNR)达到46.58,且平均绝对误差(MAE)仅有11.56,均明显优于用于比较的3种传统算法,且算法执行效率也具备优势,能够更好地适用于高分五号大数据量的处理需求。     

南极卫星影像条带噪声的消除

利用二维傅里叶变换进行方向滤波，较好地消除了南极地区影像上的条带噪声。     

一种直方图匹配和线性空间滤波相结合的条带噪声去除方法

航天和航空遥感图像中,普遍存在着条带噪声(stripe noise),任何使用多个探测元进行获取图像的遥感器图像数据中均存在条带噪声。本文针对CBERS-02星图像中的两类条带噪声:探测元间条带噪声和横向随机条带噪声,提出了一种直方图匹配和线性空间滤波相结合的去条带噪声方法。其中直方图匹配用于去除探测元间的条带噪声,线性空间滤波用于消除横向随机条带噪声。实验结果表明,该方法能有效去除CBERS-02星影像中的条带噪声,并且能很好地保证图像质量。最后,从定性和定量两个方面进一步说明了该方法的有效性。     

遥感影像条带噪声去除的小波变分法

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。     

Terra MODIS数据28波段影像条带噪声去除方法

目的 Terra卫星MODIS传感器影像中多个波段数据存在条带噪声,其中第28波段的数据受影响较为严重,且随着时间的推移噪声强度更大、噪声类型更加复杂。针对该波段同时受探元-探元噪声与镜面条带噪声影响的特点,本文在矩匹配方法的基础上,提出了基于曲线拟合与去除信号趋势项的条带噪声去除方法。实验结果表明,相对于传统方法,本文提出的两种条带去除方法具有更强的稳健性。     

融合多光谱影像的高光谱影像厚云去除方法

云遮挡对高光谱影像的应用造成了不可忽视的影响。现有云去除方法通常利用时域近邻的同源影像提供辅助信息。然而,高光谱影像(如GF-5和EO-1高光谱影像)较低的时间分辨率导致同源辅助影像中可能存在较大的地物覆盖变化。时间分辨率更高的多光谱影像(如Landsat 8 OLI影像)能提供时间上更接近于高光谱云影像的辅助信息,从而减少地物覆被变化带来的影响。为应对高光谱和多光谱波段之间差异较大的问题,本文基于空谱随机森林(spatial-spectral-based random forest,SSRF)方法,提出一种利用多光谱影像(Landsat 8 OLI影像)对高光谱影像进行厚云去除的方法,将其简记为SSRF_M。SSRF_M较强的非线性拟合能力使其能够综合利用多光谱影像所有波段的有效数据对各个高光谱波段进行重建。本文使用GF-5和EO-1高光谱影像进行模拟云去除试验,视觉和定量评价结果均表明,与利用时间间隔更长的同源辅助影像的方法相比,本文方法能获得更高精度的云下信息重建结果。     

中分辨率遥感图像条带噪声的去除

CMODIS是中国第一个发射上天的中分辨率成像光谱仪 ,它有 34个波段 ,波长范围从可见光到红外波段。CMODIS数据含有大量有很高实用价值的光谱信息。但是由于CMODIS传感器之间对接受的地物辐射信号的响应特性不同导致CMODIS数据中的许多波段含有大量的条带噪声 ,严重影响了CMODIS数据的解译和信息提取。在介绍了几种常用于TM ,MSS ,SPOT等多传感器遥感图像中的条带噪声去除方法基础上 ,提出了一种新的有限长脉冲响应滤波 (FIR)法 ,并比较了该方法和其它几种常用方法对几何纠正前后非均匀地物分布的CMODIS数据的去条带噪声结果。结果表明这种新方法要优于本文中提到的几种常用方法 ,具有很好的去条带噪声效果 ,同时保持图像原有信息。这种方法在其它多传感器遥感图像的条带噪声去除中也有很强的适用性。     

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。     

利用高光谱遥感影像纹理滤波的城市居民地识别

高光谱影像具有丰富的光谱和空间结构信息,传统的基于光谱特征的分割方法易使分割区域过于细碎,从而降低了居民地信息提取的精度。尝试将纹理信息引入到特征空间,以提高信息识别、提取的精度。纹理信息采用多尺度3D-Gabor滤波器对经过特征选择后的高光谱影像进行滤波,进一步计算纹理能量和纹理特征,然后利用多特征聚类实现图像的初步分割,最终通过形态学方法获取影像中的居民地信息。实验表明,基于3D-Gabor滤波的方法能有效地识别、提取高光谱影像中的居民地信息。     

基于改进矩匹配算法的珠海一号高光谱卫星影像相对辐射校正

珠海一号高光谱卫星影像部分波段存在着噪声干扰,严重影响了数据的质量与信息利用.本文分析了珠海一号高光谱卫星数据噪声的特点,在矩匹配算法的基础上,使用移动窗格对影像进行分段处理,并采用距离加权计算与去除极端值统计数据的方法提高参考值的准确度,实现了基于影像的相对辐射校正.实验结果表明,与传统矩匹配法和傅里叶滤波法相比,本文方法能有效去除遥感影像中存在的噪声,并能较好保留原影像的辐射特征.     

利用矩匹配算法对卫星影像色彩处理的研究

西部无图区测图工程中,由于影像时相差异大、云雪覆盖现象严重等原因．导致正射影像制作困难。针对上述问题,本文详细分析原因,提出了用矩匹配算法解决困难地区高分辨率卫星彭像调色的技术难题。     

采用IDL小波工具优化高光谱影像光谱特征匹配分类

光谱特征匹配分类是常用的高光谱影像分类、识别地物的方法,针对高光谱影像提取植被盖度存在的问题,文章根据高光谱遥感影像处理的方法,采用EO-1卫星在广州市过境的Hyperion高光谱影像,以＂广州南肺＂万亩果园作为试验区,经过大气纠正——最小噪声分离变换（MNF）——最纯净像元指数计算（PPI）——提取植被的端元,以此作为研究区识别植被的参考样本,进行光谱特征匹配提取植被盖度。其中提出利用连续小波变换对参考端元的波谱曲线降噪的方法,旨在优化光谱特征匹配,以提高识别植被的精度。实验结果表明,这种辅助匹配的方法能有效提高识别植被的精度。     

基于深度学习的高分辨率卫星遥感影像条带噪声去除

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。     

空间与光谱维度的高光谱图像噪声估计

高光谱图像能够获取地物精细的光谱诊断特征,但受限于多谱段分光的成像机制,图像各个谱段上光成像的能量不足,信噪比难以提升.高光谱图像噪声类型与强度的准确估计,是提升高光谱图像去噪性能的关键,也是优化其成像系统设计的重要依据.现有高光谱图像噪声估计算法通常将不同类型的图像噪声作为一个整体,并未充分考虑不同类型噪声的区别.本...     

高光谱影像的引导滤波多尺度特征提取

为了解决高光谱遥感影像分类中单一尺度特征无法有效表达地物类间差异和区分地物边界的不足,提高影像分类精度和改善分类目视解译效果,提出了采用引导滤波提取多尺度的空间特征的方法。首先,利用主成分分析对高光谱影像进行降维,移除噪声并突出主要特征;然后,将第1主成分作为引导影像,将包含信息量最多的若干主成分分别作为输入影像,应用依次增加的滤波半径分别进行引导滤波处理提取多个尺度的特征,获得影像不同尺度的结构信息;最后,将多尺度特征输入分类器中进行影像监督分类。采用仿真数据和帕维亚大学(Pavia University)、帕维亚城区(Pavia Centre)等3幅高光谱实验数据,提取了基于引导滤波的多尺度特征、多尺度形态特征和多尺度纹理特征,输入到支持向量机、随机森林和K近邻分类器中,进行了实验。实验结果表明:采用支持向量机分类Pavia University数据,相对于采用多尺度形态特征的分类结果,引导滤波特征的总体精度提高了6.5%;Pavia Centre和Salinas两幅影像最高分类精度均由引导滤波特征实现,分别达到98.51%和98.39%。实验证实基于引导滤波提取的多尺度特征能有效地描述地物结构,进而获得更高的分类精度和改善目视解译效果。