| 标题 | 激光遥感图像乘性噪声降噪技术 |
| 范文 | 唐彩虹 张赞波 摘 要： 激光遥感图像乘性噪声的降噪处理中，传统解决乘性噪声的图像降噪技术存在较多的缺陷，故根据乘性噪声的非线性和时变性，提出基于TV模型的激光遥感图像乘性噪声综合降噪方法，在不破坏图像基本结构的情况下进行降噪。该方法使用TV模型针对乘性噪声的非线性和时变性进行能量变分，获取乘性噪声能量极限，综合使用规则化方法和边界约束法对能量极限进行迭代求解，从激光遥感图像的边缘处开始向内进行乘性噪声平滑降噪，很好地保留了图像边缘信息。实验对不同降噪方法进行了对比分析，结果显示，所提降噪方法具备良好的降噪性能。 关键词： 激光遥感图像； 乘性噪声； TV模型； 迭代求解； 图像降噪 中图分类号： TN249?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）20?0098?03 Abstract： The traditional image noise reduction technology of the multiplicative noise has various disadvantages in multiplicative noise reduction of laser remote sensing image. According to the nonlinear and time?varying characteristics of multiplicative noise， the multiplicative noise comprehensive denoising method based on TV model is proposed for laser remote sensing image， which can denoise the image while maintaining the basic structure of the image. In the method， the TV model is used to conduct energy variation for nonlinear and time?varying characteristics of multiplicative noise to obtain the energy limitation of multiplicative noise， the regularization method and boundary constraint method are comprehensively used to conduct iterative solution for energy limitation， and the multiplicative noise is smoothly denoised from the edge of the laser remote sensing image to its interior to preserve the image edge information better. The contrastive analysis of different denoising methods is performed in experiment. The results show that the proposed method has perfect performance of noise reduction. Keywords： laser remote sensing image； multiplicative noise； TV model； iterative solution； image noise reduction 0 引 言 乘性噪聲一般由信道特征的不规则变化所产生，是制约图像质量的首要问题。激光遥感图像所用的无线电信道中乘性噪声尤其严重，具备非线性和时变性。传统解决乘性噪声的图像降噪技术存在较多的缺陷，如噪声源头检测技术采用结构缺陷检测方法对激光发射源的设备结构进行预判，列举几项源头特征以指导激光遥感图像的生成，却对激光质量造成了一定影响，甚至导致出现新型噪声[1]。时域平均滤波方法只能缓解激光遥感图像的局部乘性噪声，自适应滤波方法在时变性信号的处理中作用不大，故需要新的激光遥感图像乘性噪声降噪技术为日后各行业的应用做出正确指引。 1 激光遥感图像乘性噪声降噪技术 1.1 激光遥感图像乘性噪声描述模型 乘性噪声并非全部是激光遥感图像的有害信息，从数据挖掘的辩证方向来讲，乘性噪声可以被提取出图像有效信息。非线性和时变性致使乘性噪声内的有效信息只能借助概率论和统计学进行提取，所以，提出基于TV模型的激光遥感图像乘性噪声综合降噪方法，利用概率统计公式描述乘性噪声特征及其产生过程，以便进行更精准的图像降噪。 激光遥感图像乘性噪声的理想降噪结果是将降噪图像[u]与乘性噪声[v]完全分离。考虑到乘性噪声[v]中包含部分图像有效信息，基于TV模型的激光遥感图像乘性噪声综合降噪方法通过控制激光能量变化斜率[λ]减少乘性噪声[v]中的有效信息[2]，其关系为：[λ]反比于乘性噪声[v]中有效信息容量，[λ]越大，降噪图像[u]越理想。 TV模型的规则化求解方法的最大优点表现在激光能量变化斜率[λ]为一个常数，稳定可靠并可减少计算量[3]，该方法修正了以往将乘性噪声能量的极限值[E（u）]作为TV模型最大[λ]值的约定原则，转为对降噪图像[u]进行虚拟分解，在虚拟分解项中找寻最大[λ]值，用其来修正[E（u）]，如下： 1.2 基于边界约束法的迭代求解 考虑到TV模型的范数是非线性且不可微的，在进行乘性噪声降噪的迭代求解时，计算速度是一个很大的问题，其将直接影响到激光遥感图像的降噪效率[4]。基于边界约束法的迭代求解方法在TV模型两个假设条件下对乘性噪声计算范围进行了约束，如下： 1.3 激光遥感图像乘性噪声综合降噪方法 整个基于TV模型的激光遥感图像乘性噪声综合降噪方法的处理流程如图1所示。 如图1所示，初始化激光遥感图像乘性噪声综合降噪方法后，令[k=0]，同时提出一个迭代求解因子[b]，设[b=w=0]且[u0=f]，以[（Ek+1-Ek）Ek≥δ]为约束指令构建基于TV模型的激光遥感图像乘性噪声描述模型。迭代过程中用[bk+1=bk+?uk-wk]进行迭代求解控制。对于TV模型的迭代求解，将综合使用规则化和边界约束两种方法。规则化求解方法能够获取TV模型中的最优乘性噪声能量极限，合理利用乘性噪声中的有效信息[5]。边界约束求解方法则通过约束求解区间提高降噪效率。迭代后利用式（1）、式（4）求解局部降噪结果。令[k=k+1]，循环进行迭代求解直到约束条件被打破，通过汇总局部降噪结果，获取最终的降噪激光遥感图像[u]。 2 实验分析 实验利用计算机模拟激光遥感图像乘性噪声降噪过程，对自适应降噪方法、复原模型降噪方法以及本文所提出的基于TV模型的激光遥感图像乘性噪声综合降噪方法的乘性噪声降噪性能进行对比分析。实验所用计算机的处理器为因特尔4.5 GHz，内存高达3 GB，可高度匹配以上三种方法的处理资源。 图2是两幅含有乘性噪声的激光遥感图像，图2（a）是条码图，图2（b）是Lenna图。这两幅图像具有足量的像素细节、平滑区域、阴影以及纹理，均为标准的数字图像处理媒介[6?7]。图3～图5分别对自适应降噪方法、复原模型降噪方法以及本文方法的处理结果进行了描述。 通过对比图2～图5的激光遥感图像像素细节可以看出：自适应降噪方法仅能描述出原图像的大致轮廓，整体提升图像清晰度和对比度，像素细节的降噪结果却并不理想；复原模型降噪方法的降噪结果要强于自适应降噪方法，但对乘性噪声的降噪力度过大，存在局部模糊情况；本文方法可以准确描述出激光遥感图像像素结构，获取了优异的视觉体验，对边缘、局部和整体的降噪性能均很好。 3 结 论 本文提出一种新型方法用于进行激光遥感图像乘性噪声降噪，使用TV模型描述乘性噪声特征，通过规则化求解法合理利用乘性噪声中的有效信息，利用边界约束求解方法约束求解区间提高降噪效率。实验采用两幅标准的数字图像处理媒介将本文方法与自适应降噪方法、复原模型降噪方法进行了对比分析，验证出本文方法具有优异的降噪性能。 参考文献 [1] 傅鹏，孙权森，纪则轩.基于光譜?空间信息的高光谱遥感图像混合噪声评估[J].红外与毫米波学报，2015，34（2）：236?242. [2] 傅鹏，孙权森，纪则轩.结合分形理论和自适应图像块划分的遥感图像噪声估计[J].测绘学报，2015，44（11）：1235?1245. [3] 崔西希，吴成茂.核空间中智模糊聚类及图像分割应用[J].中国图象图形学报，2016，21（10）：1316?1327. [4] 周万勇，陈五一，刘华东，等.基于6SPS并联机构标定新方法[J].航空制造技术，2014（21）：144?146. [5] 符喜优，张风丽，王国军，等.结合张量投票和Snakes模型的SAR图像道路提取[J].中国图象图形学报，2015，20（10）：1403?1411. [6] 时文俊，周丽雅，郭从洲，等.乘性噪声图像的偏微分方程复原模型[J].测绘科学技术学报，2015，32（6）：594?599. [7] 高红霞，吴丽璇，徐寒，等.微焦点X射线图像乘性加性混合噪声的去除[J].光学精密工程，2014，22（11）：3100?3113. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。