基于张量正则化框架的遥感多光谱图像降噪研究

发布时间：2020-07-07 20:10

【摘要】：较传统遥感图像而言,多光谱遥感图像能够获取更多的光谱信息,从而为识别边界和地物创造更加良好的条件,因此具有更高的研究意义和应用价值。随着地理信息系统技术中多光谱图像在空间分辨率上的高速提升,针对多光谱图像的处理及应用也逐渐增加。然而,在多光谱图像的采集过程中不可避免地会引入噪声,影响图像的清晰度,从而给后续的图像处理和分析工作带来困难。目前的图像去噪方法多针对多光谱图像单个通道进行分别去噪,无法有效的利用多光谱图像间的相关信息,往往去噪效果不好,或者引入新噪声点的问题。本文基于构建的张量正则化框架对遥感多光谱图像进行降噪及图像重建研究。通过张量模型,对不同通道间的相关性进行建模。本文的研究内容及创新点可总结如下:1.对传统的图像去噪方法进行实验分析,对添加了高斯、椒盐或者斑点噪声的原始多光谱图像利用传统的图像去噪方法进行去噪。通过对不同噪声来源以及不同去噪方法的结果进行分析,比较了现有去噪模型对不同噪声的去噪结果的差异,结果表明,传统的去噪方法无法满足现有的多光谱图像去噪应用的要求,会丢失一部分的边缘等细节信息。一些图像去噪方法如高斯滤波和双边巴特沃斯滤波会引入新的伪影,并造成图像失真的问题。2.将张量正则化框架引入到图像去噪模型中,对现有图像去噪模型进行改进。通过正则化框架中的数据拟合项和正则项分别对图像的噪声机制以及图像的先验信息进行建模,从而在新的角度尝试提出一个稳定和系统的图像去噪建模框架。以低秩假设作为一个先验,引入了低秩正则项。并在原始图像上增加了泊松噪声(κ=6)和高斯噪声(Σ=0.2),根据模型进行仿真实验,对噪声图像进行恢复,并对恢复图像进行客观评价,验证了模型的有效性。另外,本文将current learning模型引入到正则化框架并与低秩化先验结合,进一步提升了图像去噪效果。3.基于多光谱图像在空间上的非局部相似性和整个频谱上的全局相关性,将字典学习转化为新的正则项并引入到图像去噪模型中,构建了具有组块相似以及字典的稀疏约束的基于字典学习的张量正则化学习模型。通过这种方式使得相同的全频带由空间共享谱词典约束。此外,通过利用多光谱图像的谱相关性和假设字典的过度冗余的约束,受限的非局部多光谱图像字典学习模型可以分解为一系列容易求解的低秩约束来逼近问题的解。本文采用了传统的评价标准如峰值信噪比(PSNR)计算和运行时间来评估恢复的图像。实验结果表明,本文方法能够有效提升这些度量结果,并且从主观上看,图像去噪效果良好。
【学位授予单位】：重庆交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751
【图文】：

框架图,多光谱图像,张量,正则化

重庆交通大学硕士毕业论文本文主要对现有的图像去噪算法进行改进，通过张量正则化框架[17-19]，对获取的噪声多光谱图像进行图像去噪，从而利用一些图层之间的相关性、图像的先验信息以及噪声原理，最终得到基于张量正则化的多光谱图像去噪模型。本课题拟采用理论研究与实验、仿真相结合的方式进行，首先理论部分根据噪声模型，构建相应数据拟合项，构建相应张量正则项多光谱图像去噪模型，在根据模型进行仿真实验，对噪声图像进行图像去噪，并对重构的图像进行检验，验证模型有效性，具体实验手段如图 1-1 所示：

正态分布,高斯噪声,可视化,通道

加性和乘性噪声的噪声项 n x ,y 有不同的分布，常用 ,y 的模型有高斯噪声假设、椒盐噪声以及散斑噪声假设，它们在图像中。本节对几种常用的噪声假设进行介绍。噪声声主要发生在由于不良照明或高温引起的传感器噪声以及传输等噪声中。高斯噪声表示具有与正态分布的概率密度函数（PD，因此也被称为高斯分布。噪声点对原始信号污染的位置服从声，噪声图像中的每个像素点都是真实像素值和随机高斯分布，噪声对原始图像污染的值也服从高斯分布，高斯分布的概率3)所示： 22212z e z 代表像素的灰度值, 表示噪声点像素值的平均值, 表示噪偏差[40]，被 0.01 分布高斯噪声污染的图像如图 2-1 所示：

椒盐噪声,图像

(a) 原始图像 (b) 带椒盐噪声的图像图 2-2 带椒盐噪声的图像噪声声属于乘性噪声，也是一种粒状噪声，会显著的降低由主动式达（SAR）图像等主动图像设备获得的图像质量。这种噪音的来收益之间的随机干扰，其增加了局部区域的平均灰度级。散斑目标的背散射信号的相干处理，容易造成 SAR 图像难以进行图散斑噪声遵循γ分布如下： 121gF g 我们在图 2-3 中给出原始图像和带斑点噪声的图像：

【参考文献】