基于小波域各向异性扩散的遥感数据条带噪声去除算法

基于小波域各向异性扩散的遥感数据条带噪声去除算法小组成员XXXXXXXX目录绪论方法实验结果结论绪论条带噪声存在于不同类型的遥感图像中，产生条带噪声的原因在于不同的探测器对于同样辐射信号的检测结果存在差异。条带噪声去除方法可分为两类：1.基于空间域的条带噪声去除2.基于频域的条带噪声去除绪论空间域噪声去除基于空间域的条带噪声去除法的基本原理是图像匹配，目的是消除各传感器之间存在的差异性，这样条带噪声也就被消除了。但是实际中，探测器的工作环境十分恶劣，其差异是很难消除的，一般不采用此种方法。绪论频域的噪声去除基于频域的条带去除通常包括三个步骤：将原始图象转换成频域，在频域抑制噪声，将处理后的信号转换回空间域。最常用的方法是小波收缩去噪，它利用对小波系数的阈值和收缩功能将信号从噪声中分离出来。但是硬阈值函数和软阈值函数都有“过扼杀”小波系数的倾向，进而导致地面目标的遥感影像的细节缺失。绪论为了提高基于小波算法的性能，一些研究人员将各向异性扩散法与小波收缩去噪法结合起来。文章介绍了一种结合了各向异性扩散滤波的小波域去除高光谱数据的条带噪声的方法。利用在高频域采用各向异性扩散滤波的小波系数，条带噪声可以彻底消除，同时地面目标的边缘将保留。方法1.各向异性扩散滤波各向异性扩散滤波器是一种非线性滤波器，可以在消除含噪图像噪声的同时保持目标边缘。对于图像f的扩散方程表示如下：∂f(x,y,t)/∂t=div[c(∇f)]∙∇f其中，∇f是局部图像梯度，c(∇f)是扩散系数。方法2.小波分析因为函数f(x,y)对于图像是二维信号，那么函数f(x,y)经小波变换产生的多分辨率小波系数如下：f=A0={AL,{DHj,DVj,DDj},j=1,2,…,L}其中f代表原始图像，AL是低通信号，DHj,DVj,DDj是分别在空间上从水平，垂直和对角线方向提取的高通信号。此外，小波系数A表示图像的轮廓，而系数D表示图像的细节。由于条带噪声位于高频域，所以小波系数D使用一些降噪算法就可以去除条带噪声。方法小波收缩算法对较小的小波系数置零，对较大的小波系数收缩，是最常用的检测和消除不同类型的噪声的方法。但是，这种算法存在缺陷：包含关键边缘特征的小波系数被“过扼杀”。因此，在研究中采用各向异性扩散可以使算法得到改善。方法3.在小波域中采用各向异性扩散文中提出的算法是在小波域中采用各向异性扩散，该算法的优点是可以实现边缘保持。这是因为前面式中的A中原始图像的低通信号，不包含条带噪声，而各向异性扩散作用在高频域D。文章中选择的是Daubechies小波族中的db4，因为它是由紧支撑正交小波发展而来的，具有紧支，对称性和规律性等优异性能。该方法的扩散方程需要设置三个参数，即迭代时间t，扩散率系数λ和传导系数K.实验结果原始图像实验结果采用文中提出方法的消噪图像实验结果可以看出使用文中所提出方法的消噪图像基本去除了噪声，同时原始图像的边缘特征得到了保持。而采用软阈值小波收缩方法的消噪图像由于小波收缩方法不具有边缘保持的能力，其效果与用文中方法的视觉效果相比更加模糊并且清晰度更低。实验结果使用该方法消噪后，熵(Entropy)指数，信噪比(SNR)和峰值信噪比(PSNR)都高于使用硬阈值和软阈值去噪法，也表明该方法可以尽可能地保留地面物体的细节。此外，平均值(Mean)和标准差(Std)更类似于原始图象，显示了该方法具有更高的能力恢复原始的光谱特性。结论文章研究了遥感数据的条带噪声去除，并通过在小波域采用各向异性扩散提出了一种混合的方法，对高光谱图像进行去噪。文中提出的方法吸取了小波变换的优点实现了多分辨率分析，以检测和消除条带噪声，同时利用各向异性扩散作用于小波系数的高频域，用以消除噪声，同时可以保持地面目标的边缘细节，所以无论是在视觉效果还是图像质量都指标优于传统的小波收缩算法。谢谢