基于压缩感知的无人机侦察图像去噪方法研究

发布时间：2020-09-30 11:57

　　在电子战中,利用无人机侦察图像进行大范围和危险环境中的目标定位、识别和图像理解,并与传统的电磁侦察有机融合,能极大地提高我军参谋人员对战场态势感知和准确分析的能力,这是未来战场侦察技术发展的趋势之一。清晰的侦察图像是后续战场目标识别的基础,因此对含噪无人机图像进行去噪方法研究具有重要意义。本文以此为研究方向,取得的主要成果如下:(1)针对无人机图像的特点和干扰噪声复杂多样,通过分析和比较提出了采用压缩感知去噪的解决方法。基于压缩感知图像去噪技术是根据图像具有稀疏性的特点,按照研究对象稀疏成分的有无,将图像中的有效成分与噪声分离实现图像去噪。在验证实验中,采用经典图像去噪算法作为对照方法,在不同类型的噪声下进行仿真,实验结果表明,基于压缩感知的图像去噪算法比常规图像去噪方法效果更优,所提取图像的有效成分具有更高峰值信噪比,能满足不同工作环境下无人机图像去噪的要求。(2)针对压缩感知理论中固定稀疏字典无法全面表示图像结构特征而影响去噪效果的问题,研究了基于无人机含噪图像字典学习的稀疏去噪算法。首先将噪声图像作为训练样本,选择初始化字典,对含噪图像进行稀疏表示;此时通过K-SVD算法对稀疏表示后的矩阵进行学习,更新字典,这个过程即为字典学习,经过反复迭代,使残差满足事先设定的范围,则停止更新,得到新字典。同时,本文通过与参数化构造字典和对自然图像训练得到的字典比较,实验结果表明了通过字典学习进行图像去噪,对图像结构特征的表达效果和去噪效果更好。(3)针对无人机侦察图像中混合噪声影响图像稀疏性的问题,本文提出了一种基于压缩感知的组合去噪算法。该算法分为粗去噪和细去噪两部分,粗去噪过程主要利用滤波平滑处理掉混合噪声中的脉冲噪声,减少其对图像稀疏性的破坏;然后再对粗去噪的图像进行稀疏表示,通过线性映射得到信号的测量值,最后利用重构算法得到去噪后图像。实验结果表明,该算法改善了含有脉冲噪声的混合噪声对图像稀疏性的影响,提高了图像去噪性能。(4)针对图像去噪后细节特征易受影响的问题,本文提出了基于小波融合的分层去噪算法。该算法利用小波融合原理,将中值滤波法和基于字典学习的稀疏去噪法两种算法去噪后图像融合,根据图像类型特点和感兴趣目标提出融合规则,根据局部图像信息的能量谱设计了低频系数融合规则,根据局部方差谱设计了高频系数融合规则。在峰值信噪比、标准差、熵作为评价指标的条件下进行仿真实验,结果表明算法具有良好的去噪性能,提高了对图像细节特征的提取效果。
【学位单位】：国防科技大学
【学位级别】：硕士
【学位年份】：2017
【中图分类】：TP391.41;E933
【部分图文】：

变换域,图像,准正交基,列向量组

变换基叶变换基变换基let基基字典库图 2.2 常用稀疏变换基个无人机图像 1 2, ,TNX X ，X X是长度为 N 的间存在标准正交基 1,2, , iΨ i N，其中向量Ψ中的任意图像 X 都可以由这组标准正交基 iΨ i 1Ni ii X= θψ =Ψ 中每个像素向量的变换系数是输入图像与标 1,2, ,N； 1 2=TN ，，，是 N 1维的变 Nψ 是由 1Nii ψ 作为列向量组成的N N维的变换域中的编码向量。若编码时，K 远小于 N ，则信号可以表达为Ψ变换域中稀疏时，相当于变换矩阵为单位阵，即标准单位

示意图,测量矩阵,构造过程,示意图

国防科技大学研究生院硕士学位论文2.2.2 测量矩阵构造将 N 维K -稀疏图像X 投影到一个与变换矩阵Ψ不相干的原始测量矩阵获得图像的测量值 1 2, , ,TMY y y y( y ,i i x , i 1, 2, , M， M NY = X 其中表示 N 维原始图像，Y 是维投影测量， 1 2, , ,TM 是M原始观测矩阵。在式(2-4)中如果已知测量值Y ，要求解原始图像的表知数个数远大于方程的个数(M N )，是无法通过直接计算的方法进行又因为待求解的原始图像 X 的表示具有稀疏性，结合式(2-3)中原始图像表示Ni iiX θ ψ Ψ 代入式(2-4)，从而有：Y = X = Ψ = A 其中感知矩阵A = Ψ 为维的矩阵，形式如图 2.4 所示:

含噪图像,椒盐噪声,去噪,对比效果

观评价 PSNR 值可得出：本文研究的基于压缩感知的图5高斯噪声时，去噪效果明显优于均值滤波法和中值滤波波法的 PSNR 值高出 6.5dB，比中值滤波法的 PSNR 值高椒盐噪声进行去噪处理 =0.05椒盐噪声后得到含噪图像，如图 3.4(b)所示，分去噪实验，去噪结果分别如图 3.4(c)、(d)、(e)所示。同时 =0.05时，三种去噪算法实验数据 PSNR 值之间的比较原图（b）含噪图像

【相似文献】