高光谱遥感图像微分域三维混合去噪方法

高光谱遥感图像是一种三维数据,由二维空间信息和一维光谱信息组成.普通的对二维静态图像或一维光谱信息去噪的算法忽视了高光谱图像强烈的谱间相关性和图谱合一的特点,无法取得令人满意的效果.同时现代的高光谱遥感图像噪声级别相对较低,噪声方差随波段不同而不同.针对以卜特点,提出一种微分域三维混合去噪方法.首先将高光谱遥感图像变换到光谱微分域,使细微的噪声变得显著.然后在微分域中,对二维空间域采用基于小波的非线性阈值去噪BayesShrink算法.为克服噪声方差小同的特点,对光谱维不再采用小波阈值去噪方法,而采用Savitzky-Golay滤波进行平滑.最后对微分域去噪平滑处理后的图像进行光谱积分,并进行积分修正,消除光谱积分中引入的积累误差.对信噪比为600:1的机载可见红外成像光谱仪数据(AVIRIS)实验表明,该算法能有效地降低噪声,将信噪比提高到2 000:1以上.     

基于峰值信噪比和小波方向特性的图像奇异值去噪技术

 提出一种利用小波变换子图像不同的方向特性和峰值信噪比进行奇异值分解的图像去噪算法。由于图像经过小波变换后,低频子图像集中了原图像的大部分能量噪声,故仅作简单维纳滤波;而噪声则主要集中在小波域中的三个不同方向的高频子图中,且系数较小,因此可以利用奇异值分解进行去噪处理,即用较大的奇异值和对应的特征向量重构出去噪图像,然而由于奇异值分解固有的行列方向性,对于高频对角线子图重构出的图像去噪效果不理想,故采取旋转至行列方向后再进行常用的奇异值滤波;最后将去噪后的低频和高频子图进行小波反变换重构出最终的去噪图像,其中重构所需的奇异值个数由图像的峰值信噪比确定。 实验结果表明,该方法在有效去噪的同时较好的保留了原有的高频细节信息。     

基于Contourlet变换的遥感图像去噪新算法

提出了一个新的有效的基于Contourlet变换的遥感图像去噪方法。对有噪图像进行Contourlet分解;对Contourlet变换系数引入一个几何先验模型,结合噪声和有用信号的条件分布进行贝叶斯估计,得到每一系数作为有用信号的后验概率,以之作为修正因子修正小波萎缩因子;对重构图像进行递归循环运算处理。仿真实验结果表明,去噪后图像去除了常见的伪吉布斯现象,峰值信噪比提高了1~2 dB。     

基于双边滤波和双树复小波的图像去噪算法

提出了基于空域双边滤波和双树复小波变换的图像去噪算法.该算法使用双树复小波变换对含噪图像进行多尺度和多方向的分解,对各个高频方向子带使用带有方向窗的局部维纳滤波算法进行去噪.在重构过程中,对每一个尺度上重构得到的低通图像使用空域的双边滤波算法进一步的去除噪声.实验结果表明本文提出的图像去噪算法获得了明显的去噪性能改善.     

基于双边滤波和双树复小波的图像去噪算法

提出了基于空域双边滤波和双树复小波变换的图像去噪算法.该算法使用双树复小波变换对含噪图像进行多尺度和多方向的分解,对各个高频方向子带使用带有方向窗的局部维纳滤波算法进行去噪.在重构过程中,对每一个尺度上重构得到的低通图像使用空域的双边滤波算法进一步的去除噪声.实验结果表明本文提出的图像去噪算法获得了明显的去噪性能改善.     

基于小波变换的磁共振图像去噪

去噪是图像处理中的一个非常重要的问题. 传统去噪方法在降低噪声的同时会模糊图像的细节,基于小波变换的图像去噪方法能在降低图像噪声的同时较好地保持图像的细节,目前基于小波变换对图像进行去噪已经成为最有前途的去噪方法之一. 本文综合小波域去噪的文献,对小波域的磁共振图像去噪方法进行了综述,详细介绍了各种小波域的磁共振图像去噪方法,并对他们的性能进行了总结,对小波域去噪方法的发展趋势进行了展望.     

基于小波变换的压缩感知理论对水质检测紫外-可见光谱数据的去噪研究

消除噪声影响对提高直接光谱法水质检测系统的测量稳定性和精度都具有重要意义。直接光谱法在线水质检测系统通常采用长寿命、无需预热的脉冲氙灯和适用于复杂检测环境的工业级光谱探测装置。针对整个光谱探测系统受到光源、光路和光电转换器件的严重影响，测定的光谱数据含有大量噪声这一实际问题，提出了基于小波变换的压缩感知去噪算法，并与传统小波阈值去噪方法进行了比较实验。针对化学需氧量为200 mg·L-1的邻苯二甲酸氢钾标液的紫外-可见光谱数据进行去噪处理，采用压缩感知去噪算法，将信号在小波域内分解，得到含噪高频系数；采用随机高斯矩阵作为压缩感知算法的观测矩阵，压缩比设置为2，对高频系数进行观测；选择正交匹配追踪算法恢复高频小波系数的稀疏性，从而达到去噪目的。同时针对传统的小波阈值去噪，采用daubechies4作为小波基的软阈值滤波方法对光谱数据进行去噪处理。为验证去噪算法的可行性，采集某溪水和城市生活污水的光谱信号分别采用以上两种方法进行去噪处理，实验结果表明：基于小波变换的压缩感知去噪算法适用于紫外-可见光谱法在线水质检测系统，该方法能在保留水样原始光谱信号的吸收特征的前提下有效地去噪，且去噪效果优于小波阈值去噪算法。与小波阈值去噪算法相比，信噪比提高了12.201 5 dB，均方根误差减小了0.009 3，峰值信噪比增加了5.299 dB。不仅避免了小波阈值去噪过程中阈值的选取依靠主观判断问题，而且在重构过程中有效地抑制了噪声，为直接光谱法检测水质参数提供了一种新的解决方案。     

基于神经网络和小波变换的MRI图像去噪方法

过去10年中，小波变换在图像去噪中取得了很大的成功.人们提出了多种适用于小波去噪的阈值方法，而这些方法就是希望能够正确地反映有噪声小波系数与无噪声小波系数之间的映射关系.基于这种想法，我们提出一种在小波域中利用神经网络寻找这种映射关系的图像去噪新方法.我们把该方法应用于不同噪声分布的磁共振图像的去噪，取得了良好的效果.     

基于多尺度总体最小二乘的图像去噪

提出了一种基于多尺度总体最小二乘的图像去噪算法.采用平稳小波变换对噪音图像进行分解,分别对各个分解层的高频子带,通过总体最小二乘算法估计信号小波系数;并且考虑到不同尺度小波系数之间的相关性,将尺度相关性约束到总体最小二乘算法中,进而准确估计各高频子带信号小波系数,再由估计的信号小波系数通过小波逆变换得到去噪图像.实验结果表明,考虑尺度间相关性的总体最小二乘平稳小波变换图像去噪算法能有效去除图像噪音,在信噪比和视觉质量上有了较大改善.     

基于复小波与最大后验估计的红外图像滤波

针对现有的红外图像去噪算法在边缘恢复和保持上的缺陷,提出了基于双树复小波与最大后验估计的红外图像去噪方法。充分利用双树复小波变换的多分辨率分析、平移不变性和多方向选择性等优秀特性,对含噪的红外图像作双树复小波变换;基于对高斯噪声和无噪图像的概率密度分布的假设,在小波域中对无噪图像的小波系数作最大后验估计,实现红外图像的去噪和恢复。红外图像去噪实验证明了方法的有效性,算法在有效去除噪声的同时,对边缘细节的保持和恢复较理想,去噪的图像质量指标PSNR和SSIM比现有的方法分别提高1dB和2%以上。     

基于第二代小波的超谱遥感图像融合算法研究

超谱遥感图像包含了大量的波段．波段之间的相关性较高．采用信息融合技术可以降低超谱图像的分析难度。提出了一种结构新颖的第二代小波加权融合算法。首先将图像分解为两个序列．用2阶Neville滤波器构造预测和更新算子．对两个序列以矩形栅格和梅花形栅格的格式进行交替预测和更新；再以各个波段的方差作为融合的特征．进行特征级第二代小波加权融合．最后对图像进行第二代小波重构。为了验证新方法的有效性．采用机载可见光-红外成像光谱仪超谱遥感图像进行仿真．并与典型融合方法主成分分析和离散小波变换的融合效果相比较。实验结果表明提出的第二代小波加权融合算法能够很好地保持图像的空间特性和光谱特性．其熵值高于主成分分析融合结果0．1949，高于离散小波变换融合结果0．7998。     

基于谱间线性滤波的高光谱图像压缩感知

根据高光谱图像较强的谱间相关性,提出一种基于谱间线性滤波的高光谱图像压缩感知方法.高光谱图像进行压缩重构时,利用相邻波谱的谱间相关性,对重构的当前帧与前一谱段的重构图像进行谱间线性滤波,降低了重构帧的噪音信息,纠正了重构帧的轮廓信息,从而提高重构质量.在进行谱间线性滤波时,保留重构帧的低频系数,高频系数与前一波谱重构图像的高频小波变换系数进行线性加权求和,达到滤波的效果.通过实验表明,该方法能够有效提升图像重构质量,并降低重构时间.     

基于可见光的多波段偏振图像融合新算法

采用了一种新的基于小波变换的偏振图像融合算法.首先,将两个波段中的每一波段三幅偏振图像利用小波变换分解成低频和高频部分,低频的小波系数平均值作为融合后的低频系数,高频细节系数根据不同区域特征选择方法以及对应输入图像小波系数的窗口区域方差来确定融合后高频小波系数,得到一个波段一幅图像.接着,将得到的图像再进行小波分解,采用低频图像的小波系数最小值作为融合后的低频系数,高频图像根据纹理一致性测度的纹理检测确定融合规则,用来调整高频小波系数,将来自不同图像的特征与细节融合在一起,并对融合图像质量进行了对比评价.实验结果表明,融合后的偏振图像不仅反映了场景的偏振信息,而且还包含了丰富的光谱信息,目标与背景的衬比度也得到了增强,为进一步的目标检测和识别提供了便利.     

Wavelet SVM in Reproducing Kernel Hilbert Space for hyperspectral remote sensing image classification

Combining Support Vector Machine (SVM) with wavelet analysis, we constructed wavelet SVM (WSVM) classifier based on wavelet kernel functions in Reproducing Kernel Hilbert Space (RKHS). In conventional kernel theory, SVM is faced with the bottleneck of kernel parameter selection which further results in time-consuming and low classification accuracy. The wavelet kernel in RKHS is a kind of multidimensional wavelet function that can approximate arbitrary nonlinear functions. Implications on semiparametric estimation are proposed in this paper. Airborne Operational Modular Imaging Spectrometer II (OMIS II) hyperspectral remote sensing image with 64 bands and Reflective Optics System Imaging Spectrometer (ROSIS) data with 115 bands were used to experiment the performance and accuracy of the proposed WSVM classifier. The experimental results indicate that the WSVM classifier can obtain the highest accuracy when using the Coiflet Kernel function in wavelet transform. In contrast with some traditional classifiers, including Spectral Angle Mapping (SAM) and Minimum Distance Classification (MDC), and SVM classifier using Radial Basis Function kernel, the proposed wavelet SVM classifier using the wavelet kernel function in Reproducing Kernel Hilbert Space is capable of improving classification accuracy obviously.     

基于可逆整数变换的高光谱图像无损压缩

将变换矩阵分解为三角可逆矩阵(TERM)实现的整数Karhunen-Loève变换(IKLT),具有结构简单、完全可逆和同址运算的优点.将整数KLT和整数小波结合(IWT),提出了一种基于可逆整数变换的去相关方法：将KLT用于去除谱间冗余,并在对KLT的变换矩阵进行TERM分解的过程中,提出基于全局最大值选择主元的优化分解方法,保证了IKLT的准确度,同时明显降低了计算量；空间维的去相关变换采用基于提升结构的整数小波变换,同样保证了变换的完全可逆.采用不同编码策略,对不同场景的高光谱图像数据压缩的实验结果表明,基于整数混合变换的去相关方法能明显提高无损压缩比.     

Classification of visible and infrared hyperspectral images based on image segmentation and edge-preserving filtering

The classification of hyperspectral images with a few labeled samples is a major challenge which is difficult to meet unless some spatial characteristics can be exploited. In this study, we proposed a novel spectral-spatial hyperspectral image classification method that exploited spatial autocorrelation of hyperspectral images. First, image segmentation is performed on the hyperspectral image to assign each pixel to a homogeneous region. Second, the visible and infrared bands of hyperspectral image are partitioned into multiple subsets of adjacent bands, and each subset is merged into one band. Recursive edge-preserving filtering is performed on each merged band which utilizes the spectral information of neighborhood pixels. Third, the resulting spectral and spatial feature band set is classified using the SVM classifier. Finally, bilateral filtering is performed to remove “salt-and-pepper” noise in the classification result. To preserve the spatial structure of hyperspectral image, edge-preserving filtering is applied independently before and after the classification process. Experimental results on different hyperspectral images prove that the proposed spectral-spatial classification approach is robust and offers more classification accuracy than state-of-the-art methods when the number of labeled samples is small.     

基于正交投影散度的高光谱遥感波段选择算法

由于高光谱数据的海量高维特征,对其进行降维处理成为高光谱遥感研究的一个重要问题.波段选择算法由于能够有效地保留原始数据的信息,在高光谱数据降维及后续的遥感识别与分类等方面具有明显的优越性.文章提出了一种基于正交投影散度(OPD)的波段选择方法,该方法继承了正交子空间投影(OSP)算法的特点,通过把原始数据投影到特征空间...     

基于提升方案的多光谱遥感图像有损压缩算法

在分析多光谱遥感图像谱间和空间数据特点的基础上,提出了一种DPCM线性预测与基于提升方案的整数小波变换相结合的多光谱遥感图像有损压缩算法。在谱间采用DPCM预测去除谱间相关性;在谱内采用整数小波变换去除空间相关性,根据不同子带对目标识别的重要程度,选择不同的量化阈值和量化步长进行量化,并分别对各个子带量化后的数据和重要图表采用固定比特平面编码和游程编码,实现高效的多光谱遥感图像压缩。实验结果表明,该算法在一定的压缩比下,重构图像具有较高的峰值信噪比,并且算法硬件实现简单,对内存的需求低。     

连续小波变换定量反演土壤有机质含量

以北京市东部地区96个潮土土样的土壤参数及对应光谱数据为数据源，采用连续小波多尺度分析处理与分析。首先将土壤光谱进行初步处理，生成小波系数，其次将土样的有机质含量与小波分解系数开展相关性分析，提取特征波段，最后采用特征波段建立预测耕层有机质含量的模型。结果表明：经连续小波处理后，光谱对耕层有机质含量的预测能力明显优于传统光谱变换技术；经连续小波分解后，对土壤有机质含量的预测能力随光谱分辨率降低呈先降后升再降的趋势；连续小波分析算法可提升土壤光谱对有机质含量的估测能力，与土壤高光谱反射率相比，基于连续小波变换的土壤有机含量最佳的精度提高19%；由于光谱分辨率为80 nm建立的模型精度较高，其R2达到0.632，这表明在连续小波算法下，光谱分辨率较低的宽波段数据可用于土壤有机质含量的监测。     

基于K-L散度与光谱可分性距离的波段选择算法

 波段选择是高光谱降维的常用手段,文中从波段选择应遵循的3个原则出发设计了一种基于信息散度与光谱可分性距离的波段选择算法。将高光谱数据中每个波段的光谱分量看作一个一维向量,使用K-L散度表示其相互之间的信息量,选出信息量大且相似性最小的波段组合;根据每个波段中不同地物光谱可分性距离的计算,得到可分性较大的波段组合;将两组波段组合取交集,即得到最优组合波段。为了验证算法的有效性,将选出的最佳3个波段进行伪彩色合成,对其进行光谱角制图分类,分类精度达到92.2%,Kappa系数为0.88.