[发明专利]高光谱图像条带噪声去噪方法

说明书

技术领域

本发明涉及图像处理领域，特别是涉及一种高光谱图像条带噪声去噪方法。

背景技术

光学遥感图像在获取和传输过程中通常会受到噪声污染，对图像目标的准确识别不利，因此研究高光谱图像的去噪技术非常必要。传统的图像噪声消除或抑制方法可分为频域滤波方法和空域平滑方法，其缺点是都损失了大量的图像信息。小波变换因其具有对信号进行时、频局域分析的能力，在一维信号与二维信号去噪中得到广泛应用，如平移不变量小波去噪、基于投影原理的匹配追踪去噪以及多小波去噪、利用小波变换的模极大值去噪、基于各尺度下小波系数相关性去噪、采用非线性小波变换阈值法去噪等。

但因一维小波的张量积所张成的二维及高维小波具有各向同性的特点，其方向性选择有限，即水平、垂直和对角，多方向的缺乏使其虽能捕获“点”的奇异信息，却不能“最优”表示具有线或者面奇异的高维函数，即无法有效表示含有曲线奇异的信息，如图像条带噪声。针对小波变换的这种局限性，人们建立了一种特别适合于表示各向奇异性的多尺度方法—在小波变换的基础上提出了超小波分析，其中的Curvelet(曲波)变换是一种常用的信号分析方法，由于其基函数对方向敏感，在描述曲线奇异性及图像边缘时显示出比小波变换更优的特性。Candes和Donoho于1999年提出曲波变换(Curvelet Transform)，用多个尺度的局部直线来近似表示整条曲线。其在描述曲线奇异性及图像边缘时显示出比小波变换更优的特性，但算法实现较为复杂，数据冗余量巨大。为此，Candes和Donoho于2004年提出第二代曲波变换。之后，Candes等人于2005年提出两种快速离散曲波变换(FDCT)的实现方法，其数字实现更加简单，并减少了原有方法所带来的数据冗余。

由于高光谱图像中普遍存在条带噪声，其空间分布具有明显的方向性，故对其使用曲波变换进行降噪更为合理。

另一方面，高光谱图像波段间具有很强的相关性，在去噪过程中，谱段间的相关性可为去噪提供有力条件。

现有的去噪方案或者直接利用曲波变换方法对高光谱图像的含噪波段的噪声直接进行处理，没有充分利用高光谱波段之间的高度相关性，或者是利用谱段间的相关性，但却采用的是小波变换的处理方法。

现有方法介绍如下：

曲波去噪，是首先对含噪声的图像直接进行曲波变换，将图像空间域信息转化成曲波域的时频信息，然后针对不同方向，不同尺度上的曲波高频系数进行处理，最后进行曲波逆变换，得到重构图像，达到去噪目的。该类方法的优点：能够刻画曲线的奇异性，光学条带噪声主要是线状的奇异，因此，曲波对这类噪声的刻画比小波更具优势。缺点是未利用高光谱图像各波段之间的高度相关性。使光谱维上的信息未能充分利用和挖掘。

小波与权系数法相结合去噪：利用光谱间谱段的相关性原理，用含噪声小的波段信息辅助含噪声大的波段的噪声去除。主要方法是：选取待去噪的图像和该波段两侧的含噪声小的两幅图像，然后进行小波变换(wavelettransform)，得到不同尺度，不同方向上(水平、垂直、对角)上的小波系数，利用下面的公式求待去噪图像的小波高频系数，然后进行小波逆变换，得到去噪图像。