自适应多光谱图像稀疏逼近滤波算法研究

摘要

随着成像技术的进步，许多优秀的成像方式涌现出来。在遥感成像领域中，由于传感器的物理特性，可以生成多光谱数据。与传统的图像获取设备相比，多光谱图像有助于在真实场景下传递更充分的信息，并被证实可以大大改善各种计算机视觉工作的性能。随着科学技术的迅猛发展，多光谱图像已广泛应用于军事，工业，地理，农业，天文等诸多领域。然而，在实际情况中，由于传感器的采集误差，多光谱图像通常包含一定程度的噪声。并且，由于辐射能量有限以及存在较窄带宽，每个传感器只能捕获非常低的能量，导致出现冲击噪声和热噪声，这些问题会对后续多光谱图像处理任务产生负面影响。因此，有效的噪声过滤和图像增强可以极大地促进多光谱图像的处理和分析，去噪已成为多光谱图像分析中的一个关键的步骤。 现有大多数多光谱图像去噪算法主要是沿用二维图像去噪算法，常常忽略多光谱图像带间的结构相似性。即使部分改进算法的处理范围从二维扩展到三维，考虑了带间的结构相似性，但对于图像细节和纹理处理的也不够细化，移除噪声的同时丢失很多图像自身的信息，因此，提出有效的多光谱图像去噪算法是十分必要的。 论文围绕多光谱图像质量提升问题展开研究和讨论，提出了四类多光谱图像去噪算法，主要研究工作和创新点体现在以下几个方面: (1)提出了两种基于主成分分析(PCA)的图像去噪算法。 基于主成分分析引导的自相似滤波图像去噪算法，引入非局部均值滤波去除PCA去噪后的图像存在的残留噪声。通过两次PCA去噪后的图像作为非局部均值滤波器的引导图像，利用图像的自相似性再次去噪。实验结果表明，该方法在图像精细结构保存方面均优于其它比较方法。 基于主成分分析和迭代正则化的彩色图像去噪算法，在局部PCA去噪后使用正则化来补充图像丢失的信息，并重新估计每个相似块组的噪声水平，最后在上一阶段去噪后的图像上再次使用局部PCA算法去噪来获得最终的去噪图像。实验结果表明，在视觉观测和数值比较方面，所提出的方法能够提供比其它算法更好的性能，能够更好的还原原始无噪图像的细节和纹理特征。 (2)提出了基于混合阈值奇异值分解(SVD)的多通道彩色图像去噪算法。 提出了一种有效的多通道图像去噪算法，该算法在SVD的基础上，对传统奇异值去噪算法进行了改进，结合了两种优秀的软硬阈值算法，保留了软阈值和硬阈值去噪的优点。该算法利用了图像非局部相似图像块的强大的低秩先验特性。首先从噪声多光谱图像提取相似的三维图像子块，将相似块组内的各个图像子块向量化后组成一个矩阵，该矩阵可以建模为低秩矩阵近似模型，然后在该模型上使用混合阈值SVD算法，并且引入了权值矩阵来根据不同的噪声水平来平衡图像的多通道特性。采用交替方向乘子法来对估计模型求解，每个变量可以通过闭式解进行更新和求解。在彩色图像数据集上的实验表明，无论是数值方面还是视觉方面，所提出的方法均优于现有去噪方法。 (3)提出了两种基于多尺度张量字典学习的多光谱图像去噪算法。 多尺度张量字典去噪算法Ⅰ，从图像张量中提取张量块，利用四叉树分解及补零获得初始多尺度张量字典。之后通过多线性匹配追踪算法和张量分解逐个更新字典原子，获得更新后的多尺度张量字典。然后使用更新后的多尺度张量字典计算每个图像块的稀疏编码并重构图像块。最后聚合所有去噪后的图像块，得到最终的去噪图像。 多尺度张量字典去噪算法Ⅱ，从图像张量中提取张量块，获得多个不同尺度的初始张量字典。使用多线性匹配追踪算法和张量分解逐个更新各个尺度的字典原子，通过补零获得更新后的多尺度张量字典。最后与多尺度张量字典去噪算法Ⅰ一致，通过稀疏编码得到去噪图像。 基于多光谱图像数据库的实验结果表明，我们的两种方法在视觉观察上比单尺度张量字典方法及其它方法恢复了更多的图像细节。另外，在数值比较方面，我们的方法同样均优于其它现有算法。 (4)提出了基于加权Schatten p-范数最小化的多光谱图像去噪算法。 针对受泊松和高斯混合噪声污染的多光谱图像，提出了加权Schattenp-范数最小化去噪算法，该算法通过低秩矩阵逼近抑制噪声。所提出的算法不仅对原始低秩假设给出了更好的近似，而且考虑了不同秩分量的重要性。该方法首先从噪声多光谱图像提取相似的三维图像子块，将相似块组内的各个图像子块向量化后组成一个矩阵，该矩阵可以建模为低秩矩阵近似模型。然后将加权Schatten p-范数最小化应用于该低秩矩阵逼近模型，该模型对不同的秩成分采用不同的权值进行收缩。最后，聚合所有去噪后的图像块来获取最终的去噪多光谱图像。基于多光谱数据库的实验结果表明，所提出的方法在图像质量评价指标方面和视觉方面都比现有技术方法获得更好的结果。

目录

声明

摘要

插图索引

表格索引

算法索引

第一章绪论

§1．1研究背景及意义

§1．2多光谱成像系统

§1．3 多光谱图像数据噪声模型

§1．3．1 高斯噪声模型

§1．3．2 泊松噪声模型

§1．3．3 高斯噪声和泊松噪声混合噪声模型

§1．4多光谱图像去噪技术研究现状

§1．4．1 基于滤波的方法

§1．4．2 基于小波的方法

§1．4．3基于统计的方法

§1．4．4基于偏微分方程的方法

§1．4．5 基于张量的方法

§1．4．6 基于稀疏的方法

§1．4．7基于低秩的方法

§1．4．8 亮度-色度空间转换方法

§1．5相关算法

§1．5．1 主成分分析算法

§1．5．2非局部均值滤波

§1．5．3奇异值分解

§1．5．4 低秩矩阵逼近与相关算法

§1．5．5 张量基本概念及其基本运算

§1．5．6 字典学习

§1．5．7 图像质量评价指标

§1．6论文的组织结构

第二章基于主成分分析的图像去噪算法

§2．1 引言

§2．2局部像素分组与块匹配

§2．2．1 局部像素分组

§2．2．2 块匹配

§2．3 基于主成分分析引导的自相似滤波图像去噪算法

§2．3．1 计算投影矩阵

§2．3．2 系数收缩

§2．3．3 聚合

§2．3．4 噪声估计

§2．3．5 具有引导图像的非局部均值滤波

§2．3．6 基于主成分分析引导的自相似滤波图像去噪算法流程

§2．4基于主成分分析和迭代正则化的彩色图像去噪算法

§2．4．1计算投影矩阵

§2．4．2 系数收缩

§2．4．3 正则化

§2．4．4 噪声估计

§2．4．5 基于主成分分析和迭代正则化的彩色图像去噪算法流程

§2．5实验结果与分析

§2．5．1 主成分分析引导的自相似滤波图像去噪算法在灰度图像上的去噪结果

§2．5．2 基于主成分分析和迭代正则化的彩色图像去噪算法在彩色图像上的去噪结果

§2．6本章小结

第三章基于混合阈值SVD的多通道彩色图像去噪算法

§3．1 引言

§3．2．1 硬阈值收缩

§3．2．2软阈值收缩

§3．2．3混合阈值收缩

§3．3 基于多通道HTSVD的彩色图像去噪算法

§3．3．1 多通道HTSVD

§3．3．2权值矩阵彬的设置

§3．3．3 模型优化

§3．4实验结果与分析

§3．5本章小结

第四章基于多尺度张量字典学习的多光谱图像去噪算法

§4．1 引言

§4．2 张量字典

§4．3多尺度框架

§4．4多尺度张量字典去噪算法Ⅰ

§4．4．1 多尺度张量字典的初始化

§4．4．2 稀疏编码

§4．4．3 字典更新

§4．4．4 去噪

§4．5 多尺度张量字典去噪算法Ⅱ

§4．5．1 张量字典的初始化

§4．5．2 稀疏编码

§4．5．3 字典更新

§4．5．4 多尺度化张量字典

§4．5．5 去噪

§4．6实验结果与分析

§4．6．1 “CAVE’’多光谱数据库实验结果分析

§4．6．2 多尺度张量字典结构分析

§4．7本章小结

第五章基于加权Schatten p-范数最小化的多光谱图像去噪算法

§5．1 引言

§5．2 WSNM算法

§5．3基于WSNM的多光谱图像去噪算法

§5．3．1 基于WSNM的去噪算法在三维图像中的应用

§5．3．2 基于WSNM的去噪算法在多光谱数据中的应用

§5．4实验结果与分析

§5．5本章小结

第六章总结与展望

§6．1 总结

§6．2存在的问题与展望

参考文献

致谢

攻读博士学位期间完成的论文情况

攻读博士学位期间参加科研项目情况