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。     

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。     

频域滤波与直方图匹配相结合的条带噪声去除法

针对高分辨率遥感影像中存在的条带噪声,提出了一种频域滤波与直方图匹配相结合的去噪方法。首先利用变换域的方法提取条带噪声;再利用butterworth滤波器滤除条带噪声成分;最后将滤波后的结果影像作为参考影像,对原始含条带噪声的影像进行基于影像列的直方图匹配。实验结果表明,该方法能有效去除条带噪声。     

MODIS影像条带噪声去除邻域插值法研究

条带噪声是影响Modis影像质量和反演精度的重要因子,有些在频率域表现为高频信息和低频信息相混合。针对条带噪声形成的原因和规律性,以及对影像进行傅立叶变换频谱分析,比较了几种常用条带噪声去除方法及其局限性。提出了邻域插值法,编程实现自动定位噪声行,进行插值处理,取得了较好的去噪效果,并保留了影像的细部特征。     

基于傅里叶变换的条带噪声去除方法研究

提出一种新的基于傅里叶变换去除条带噪声的方法,首先将图像从空间域转换到频率域,通过频谱图发现条纹噪声的周期性分布,根据傅里叶变换的线性性质、周期性质和图像在频率域越高频分量处频谱值越小的性质,去除条带噪声,与基于低通滤波的条带噪声去除方法进行比较,可以发现本文提出的方法效果较好,为遥感影像的条纹噪声去除方法研究提供了一个参考。     

遥感卫星影像K-SVD稀疏表示去噪

常规的去噪方法在去除遥感卫星影像噪声时,往往会造成影像模糊和空间分辨率下降。本文将稀疏表示理论应用于遥感卫星影像去噪,提出了一种改进算法,能够保留低频信息不变,仅对影像的高频信息进行稀疏重建。算法核心是按照是否能够从过完备字典中选择较少原子进行稀疏表示的原则来区分高频信息中的有效信息和噪声。通过3组实验对改进算法与传统去噪方法进行对比检测,实验结果表明,改进算法在去除噪声的同时,能较好地突出影像的边缘和细节信息。     

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。     

Terra MODIS数据28波段影像条带噪声去除方法

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。     

结合残差编解码网络和边缘增强的遥感图像去噪

高分辨率遥感图像去噪对于提高后续图像分析、识别等问题的准确性具有重要意义。目前的去噪算法普遍存在去噪结果边缘信息模糊、易产生视觉伪影导致遥感信息丢失的缺点,针对以上问题本文提出了一个基于边缘增强的残差编解码去噪网络用于高分辨率遥感影像去噪。该方法首先将噪声图片通过低通滤波器分解成高频层和低频层,然后将含噪声信息的高频层输入到带残差模块的编解码网络中,通过采样运算在多尺度空间上学习残差映射生成残差图像,最后使用跳跃连接得到完整的去噪结果。其损失函数由逐像素和感知损失两部分组成,逐像素损失使用传统的均方根误差学习像素级信息,感知损失学习语义特征上的差异可以保留更多边缘信息,最终得到更清晰的结果,其中感知损失是由级联在后的语义分割网络提取的特征图定义的。本文对不同测试数据做去噪实验并与几个经典方法对比证明本文模型的去噪结果优于其他方法,不仅提高图像的峰值信噪比,得到最高的平均梯度值,还在视觉上取得了最清晰的结果。实验结果表明,本文提出的基于边缘增强的深层编解码卷积网络在去噪的同时可以改善边缘细节被模糊的问题,保留更多遥感地物信息,提高图像视觉效果。     

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。     

基于EMD-自适应滤波的干涉图去噪方法研究

提出了一种基于EMD-自适应滤波干涉图去噪方法,该方法基于信号和噪声经过经验模态分解后在不同的IMF上有不同的特征,即先对信号进行经验模态分解,然后对各个高频IMF信号分别选用不同的滤波梯度参数进行自适应滤波处理,从初始干涉图上减去与斑点噪声所对应尺度信息,从而达到噪声抑制的目的。通过实验对比研究了该算法与Goldstein滤波、圆周期中值滤波、EMD分解方法和梯度-自适应滤波去噪的降噪效果。实验表明,该方法不仅能有效地去除InSAR干涉图的噪声,并且能很好地保持相位的细节信息和条纹的边缘信息。     

相空间重构单通道ICA算法及其在变形监测数据去噪中的应用

常用的去噪方法需对数据序列进行多尺度分解实现去噪,而未考虑信号本身的关联和特征。相空间重构单通道ICA算法依据相空间重构将一维信号扩展到高维相空间,从信号本身获取其隐含的动力学特征,从而利用独立分量分析分离有用信号和噪声。实验证明相空间重构的单通道ICA算法能够实现信号去噪,其去噪能力与多尺度分解去噪方法相当。此外,算法无须多尺度分解,自适应强,且适用于变形监测信号去噪。     

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。     

一种自相关函数绝对值均值变点的去噪方法

针对CEEMD去噪基于能量准则判定分界点存在稳定性差的问题,该文以噪声和有用信号各自的自相关函数特点之间的差异为基础,提出了一种基于自相关函数绝对值均值变点的CEEMD去噪方法。该方法利用噪声和有用信号各自的自相关函数值存在差异的特点,实现了噪声和信号模态分界点的定量判定,对发现的噪声模态分量,采用小波软阈值法去噪,保留了存在于噪声模态分量中有用的信号。bjfs和auck两个CORS站20余年的高程时间序列数据,实验结果表明:该方法可以定量判定噪声和信号模态的分界点,去噪后信噪比提高14%以上,而且采用均方根误差指标统计的高程时间序列预报精度提高了44%以上。提出了一种基于自相关函数绝对值均值变点的CEEMD去噪方法,实现了CORS站高程坐标分量数据的去噪。     

双边滤波与矩匹配融合的高光谱影像条带噪声去除方法

针对环境减灾小卫星高光谱影像数据中存在的条带噪声,提出一种双边滤波与矩匹配方法融合的去除条带噪声方法。该方法克服了传统方法在去除条带噪声的同时带来新的噪声,并且边缘信息丢失等问题。最后进行了几种去除条带方法的比较试验,并且对试验结果进行了讨论。试验证明,提出的方法去除高光谱遥感影像的条带噪声效果明显,且能较好地保留原始影像中的地物信息。     

卫星影像匹配的深度卷积神经网络方法

本文侧重于智能化摄影测量深度学习的第一个方面：深度卷积方法。传统的影像同名点对提取算法通常利用人工设计的特征描述符及其最短距离作为匹配准则进行匹配,其匹配结果易陷入局部极值,造成部分正确匹配点对的遗漏。针对这一问题,本文引入深度学习方法,设计了一种基于空间尺度卷积层的两通道深度卷积神经网络,采用其进行影像间的匹配模式学习,实现了基于深度卷积神经网络的卫星影像匹配。试验表明,在处理异源、多时相、多分辨率的卫星影像情况下,本文方法比传统匹配方法能提取到更为丰富的影像同名点对,且最终匹配提纯结果正确率优于90%。     

基于多特征深度子空间聚类的高光谱影像波段选择

高光谱影像受到高维波段间强相关性的困扰,导致处理应用的困难。而现有高光谱波段选择方法通常以线性角度考虑波段间关系,未充分考虑多尺度的信息且容易受到噪声的影响,导致所选的波段子集性能不佳。为了克服上述问题,本文提出了基于多特征的深度子空间聚类方法进行高光谱影像波段选择。该方法将自表达层嵌入到卷积自编码器中学习子空间自表达系数,充分考虑了空间信息和光谱信息的交互,用非线性的视角思考了波段间关系。为了提高潜在表征的学习能力,提升自表达系数学习的准确性,本文将注意力模块和多特征提取模块与卷积自编码器相结合,进一步降低了异常值的干扰。本文在3个高光谱遥感影像数据集上,将提出的方法与几种经典主流的方法进行多种对比实验,证明了本文方法能够选择具有代表性的波段子集。     

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。     

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。     

联合LMD与EMD的GNSS站坐标时间序列去噪方法

针对GNSS站坐标时间序列信噪不易分离的问题,在传统EMD去噪方法的基础上,本文提出了一种联合LMD与EMD的坐标时间序列去噪方法。该方法首先采用LMD分解原始坐标时间序列,基于连续均方误差（CMSE）原则分离高频噪声与低频信号,保持低频分量不变;然后对高频分量进行EMD去噪;最后以2次分解所得低频信号之和作为去噪后时间序列。以仿真数据与8个GNSS基准站实测数据进行试验,通过多种评价指标进行精度评估。结果表明,与传统EMD方法相比,联合LMD与EMD的方法能够更加精确地去除坐标时间序列中的噪声。