基于结构性字典学习的毛儿盖遥感图像去噪研究

遥感图像的噪声分析、评估和滤波作为遥感图像处理的研究重点而一直受到遥感应用领域的关注。为了进一步提高遥感图像的去噪能力,提出一种新的基于聚类的组稀疏字典学习多光谱遥感图像去噪算法,该算法能够综合利用多光谱遥感图像的空间局部性和光谱的全局性,对遥感图像像素进行聚类后划分为不同的组,然后通过字典学习获得多光谱遥感图像的空间、光谱字典和系数。经过阈值处理后,对空间相似的块进行平均处理,实现了对多光谱遥感图像的去噪。该算法用于岷江上游植被和土壤类型典型地区——毛儿盖实验区遥感图像的去噪,峰值信噪比相比band-wise K-SVD算法提高了7.6%左右,同时具有更好的视觉效果。     

基于结构性字典学习的毛儿盖遥感图像去噪研究

遥感图像的噪声分析、评估和滤波作为遥感图像处理的研究重点而一直受到遥感应用领域的关注。为了进一步提高遥感图像的去噪能力，提出一种新的基于聚类的组稀疏字典学习多光谱遥感图像去噪算法，该算法能够综合利用多光谱遥感图像的空间局部性和光谱的全局性，对遥感图像像素进行聚类后划分为不同的组，然后通过字典学习获得多光谱遥感图像的空间、光谱字典和系数。经过阈值处理后，对空间相似的块进行平均处理，实现了对多光谱遥感图像的去噪。该算法用于岷江上游植被和土壤类型典型地区——毛儿盖实验区遥感图像的去噪，峰值信噪比相比band-wise K-SVD算法提高了7.6%左右，同时具有更好的视觉效果。     

基于联合滤波的聚类稀疏表示图像去噪算法

针对非局部均值去噪算法中噪声对结构聚类影响的问题,提出了一种基于联合滤波预处理的聚类稀疏表示图像去噪算法。利用维纳滤波和巴特沃斯滤波联合滤波处理提取含噪图像中的高频分量,同时减小了噪声对聚类的影响;利用非局部均值去噪的思想将高频图像块进行聚类,每一类图像块单独进行字典学习,增强字典的自适应性;利用多循环字典更新的K-SVD算法进行类内字典学习,增强字典的描述能力。实验结果表明,与传统的K-SVD算法相比,该算法能有效保留图像的结构信息,并且提升了图像的去噪效果。     

结合PCA及字典学习的高光谱图像自适应去噪方法

高光谱图像各波段图像噪声分布复杂,传统去噪方法难以达到理想效果。针对这一问题,在主成分分析（PCA）的基础上,结合噪声估计和字典学习,提出一种新的高光谱去噪方法。首先,对原始高光谱数据进行主成分变换得到一组主成分图像并根据能量比重将其划分为清晰图像组和含噪图像组;然后,根据任一波段图像的信息,利用奇异值分解（SVD）对图像进行噪声估计,再将得到的噪声估计方法与K-SVD字典学习去噪算法结合,提出一种具备自适应噪声估计特性的字典学习去噪算法,并将其应用于信息量较小的含噪图像组进行去噪处理;最后,按各主成分图像对应的信息量比例进行加权融合得到最终的去噪图像。通过对模拟与实际高光谱遥感图像的实验表明,与PCA、PCA-Bish、PCA-Contourlet三种去噪方法相比,所提方法去噪后图像的峰值信噪比（PSNR）可以提升1~3 dB,且具有更多的细节信息和更好的视觉效果。     

基于非局部自相似性的遥感图像稀疏去噪算法

基于非局部自相似性的遥感图像稀疏去噪方法研究,在为后续的图像分析、识别以及较高层次的处理提供保证方面具有重要意义。针对遥感图像中存在非局部自相似性和稀疏性,在分析传统稀疏去噪模型的基础上,将具有相似结构的非局部块构建成组,用组作为稀疏表示单元,利用基于组正则化稀疏模型进行图像去噪。此外,针对采用整幅图像进行字典学习具有高计算复杂度,分析组特点,为每个组自适应学习一个字典。最后,为获得有效的去噪结果,利用迭代收缩阈值算法解决L0最小化问题。以"资源三号"遥感图像为数据进行实验,结果表明,该算法能较好地去除遥感图像的噪声,提高图像的峰值信噪比,保持图像结构信息。基于非局部自相似性的遥感图像稀疏去噪算法能够充分利用图像块信息有效的去除图像中的噪声,提高图像质量。     

基于聚类结构自适应稀疏表示的高光谱遥感图像修复研究

高光谱影像(Hyper-Spectral Image,HSI)的图像修复是其数据应用中重要的一个环节,最终会影响后续工作的准确性。提出一种新的基于聚类结构自适应稀疏表示的高光谱遥感图像的修复算法,该方法的优点是根据遥感图像地物的特征进行自适应地块大小选择,并对像素聚类后各个波段图像按照字典学习算法进行稀疏表示,通过稀疏逼近实现高光谱遥感图像的修复。实验结果表明:利用自适应获得的稀疏系数能更好地表示高光谱图像,图像的峰值信噪比(Peak Signal-toNoise Ratio,PSNR)为26.6dB,比其他研究的算法有所提高。该方法可以应用于遥感图像处理流程中,提高图像的应用潜力。     

一种模糊核聚类的线性滤波多光谱图像增强算法

针对图像噪声过多以及模糊度过高所造成的多光谱图像视觉效果较差、图像细节难以分辨等问题,提出了一种模糊核聚类的线性滤波多光谱图像增强算法。该算法采用模糊核聚类的去噪方法,对分解图像得到的模糊系数进行了阈值处理,并引入去噪增益因子,可以有效地去除多光谱图像的噪声。在多光谱图像亮度增强上,采用了多向聚类亮度增强公式来将图像的模糊像素亮度提升至标准亮度,对图像边缘部分的亮度则采用边缘化增益方法来进行增强,最后采用线性滤波的方法来保护多光谱图像的结构张量,防止多光谱图像的结构信息发生扩散变化。实验结果表明,采用模糊核聚类的方法能够有效地去除多光谱图像噪声,在图像亮度增强上相比对比算法取得了较好的效果。     

基于多元线性回归的高光谱遥感图像小波去噪

充分利用高光谱遥感图像的强烈谱间相关性,提出了一种基于多元线性回归的去噪方法.首先对高光谱遥感图像进行多元线性回归变换,得到预测图像和残差图像.分别对两块数据利用小波进行空间去噪处理.预测图像变换到微分域以提高噪声级,再进行去噪处理,而残差图像则直接进行去噪处理.最后将重新获得的两块数据进行相加得到最终的去噪图像.实验结果表明本文提出的算法能够达到较好的去噪效果,获得较高的信噪比.     

基于非下采样Shearlet和几何结构的遥感图像无监督变化检测

提出了基于非下采样Shearlet和几何结构的遥感图像无监督变化检测新算法。首先将两幅SAR图像相减取绝对值得到差异图像,然后利用基于非下采样Shearlet自适应贝叶斯阈值去噪算法对差异图像进行去噪处理来减少噪声的影响。最后根据差异图像的局部几何特征和邻域信息构造跨特征矢量,再利用模糊C-means聚类算法对跨特征矢量聚类,聚类的结果为变化类和未变化类即最终的变化检测结果。实验证明:该算法对噪声的抗噪性能平稳而且有效,可以得到较好的检测结果。     

基于在线多字典学习的矿井图像超分辨率重建方法

针对基于字典学习的方法在处理含有噪声且环境复杂的矿井图像时重建效果不佳的问题,提出了一种基于在线多字典学习的矿井图像超分辨率重建方法。该方法利用K-means聚类算法将图像训练集划分为多类图像,并针对不同类图像训练多组高低分辨率字典,提高字典对环境复杂图像的特征表示能力;根据图像非局部自相似性,引入非局部约束项进一步约束稀疏系数的解空间,并通过在线字典学习对多字典学习阶段的字典进行优化,提高稀疏系数求解的准确性,从而提高图像重建过程的抗噪声干扰能力。实验结果表明,该方法能够有效提高重建图像质量,抑制噪声引起的图像块效应和边缘锯齿效应,增强图像细节,具有更好的视觉效果。     

基于字典学习和原子聚类的图像去噪算法

针对图像去噪过程中会导致细节和纹理结构信息丢失的不足,本文提出了基于字典学习和原子聚类的图像去噪算法。该算法首先利用含噪图像通过字典学习算法得到自适应的冗余字典,然后提取字典中每个原子的HOG特征和灰度统计特征构成特征集,并利用原子的特征集将冗余字典中的原子分成两类(不含噪原子和噪声原子),最后利用不含噪原子恢复图像,达到去噪的目的。实验结果表明,本文提出的算法无需知道噪声的先验信息,峰值信噪比好于现有的流行算法,且能较好地保持图像细节和纹理结构信息,提高了视觉效果。     

基于分组字典与变分模型的图像去噪算法

针对加性高斯噪声去除问题，在现有传统的K均值奇异值分解（K-SVD）字典学习算法的基础上，提出一种将字典学习与变分模型相融合的改进算法。首先，根据图像的几何和光度信息将图像进行聚类分组，再将图像组按照边缘和纹理类别进行分类，根据噪声水平和图像组类别训练一个自适应字典；其次，将通过所学字典得到的稀疏表示先验与图像本身的非局部相似先验进行融合来构建变分模型；最后，通过求解变分模型得到去噪后图像。实验结果表明，与同类去噪算法相比，当噪声比率较高时，所提算法可以解决前期算法准确性较差、纹理丢失较为严重、产生视觉伪影等问题，在视觉效果上要更为理想；同时该算法结构相似性指数有明显提高，峰值信噪比（PSNR）的值更是平均提高了10%以上。     

结合分块噪声估计的字典学习图像去噪算法

图像去噪是图像处理领域的重要环节,也是对图像进行后续处理的基础。近年来K-SVD字典学习去噪算法因其耗时短、去噪效果好的特点得到广泛关注和应用。但该算法的适用条件为图像的噪声为加性噪声且噪声标准差已知。针对这一情况,本文先提出一种平滑图像块筛选方法,并将其与奇异值分解(Singular Value Decomposition, SVD)相结合实现对图像的噪声标准差估计。再将得到的噪声估计方法与K-SVD字典学习去噪算法结合起来,提出一种具备噪声估计特性的K-SVD字典学习去噪算法。对多种图像的去噪实验结果表明,与Donoho小波软阈值去噪算法、全变分(Total Variation, TV)去噪算法相比,本文算法不仅能够使去噪后图像的峰值信噪比提升1~3dB,并且能较好地保留图像的细节信息和边缘特征。     

基于改进的空间模式聚类遥感图像融合算法

研究遥感图像融合优化问题,由于多通道,遥感图像和多光谱图像融合技术受到采集的图像信息精度和分辨率不同的影响,使图像的清晰度降低.为了有效提高遥感图像的分辨率,提出了一种空间模式聚类和小波分析相结合的遥感图像融合新算法.首先采用小波分析对待融合图像进行小波分解,并选择不同的融合规则对小波分解后的不同高低频率重构,然后对融合后的边缘模糊图像区域采用基于空间模式聚类方案进行合并.实验给出了两组遥感图像,仿真结果表明,通过与常用的几种图像融合算法相比,改进的遥感图像融合算法最大限度地保留多波段光谱信息,提高了分辨率,具有一定的实用性.     

基于非抽样小波字典和稀疏表示的图像去噪方法

图像去噪是图像处理中的关键问题之一,也是图像后续处理的基础,结合近年来兴起的稀疏表示理论,能更好地处理图像去噪问题。通过引入图像稀疏表示框架,从含噪图像自身中优化训练字典,初始字典选择构造非采样小波字典来更好地捕获图像信息,通过反复迭代学习获得高度自适应的过完备稀疏字典,重构图像时构造先验概率矩阵,结合后验概率估计与传统的正交匹配算法提出改进的图像重构算法。实验结果表明,与其他去噪方法相比,该算法具有良好的去噪能力,能较好地保持图像的边缘和细节特征,去噪后的图像更为清晰。     

基于数学形态学算法的遥感图像边缘去噪方法

为了提升遥感图像边缘去噪质量以及去噪效率,设计一种基于数学形态学算法的遥感图像边缘去噪方法。对遥感图像数据实施归一化处理、标准化处理、图像增强处理。以预处理后的数据作为研究基础,对原有形态边缘提取算子实施多次改进,采用加权自适应多尺度形态边缘提取算法提取遥感图像边缘,利用伞形算子进行递归局部邻域扩散,实现遥感边缘图像去噪。测试结果表明,该方法的最大去噪误差与平均去噪误差较小,边缘去噪时间较短,小曲率数据点的个数明显增加,而大曲率数据点的个数则明显减少,说明设计方法的遥感图像边缘去噪质量高,去噪效率高。     

结合非局部均值的快速FCM算法分割MR图像研究

针对FCM算法分割医学MR图像存在的运算速度慢、对初始值敏感以及难以处理MR图像中固有Rician噪声等缺陷,提出了一种结合非局部均值的快速FCM算法。该算法的核心是首先针对MR图像中存在的Rician噪声,利用非局部均值算法对图像进行去噪处理,消除噪声对分割结果的影响;然后根据所提出的新的自动获取聚类中心的规则得到初始聚类中心;最后将得到的聚类中心作为快速FCM算法的初始聚类中心用于去噪后的图像分割,解决了随机选择初始聚类中心造成的搜索速度慢和容易陷入局部极值的问题。实验表明,该算法能够快速有效地分割图像,并且具有较好的抗噪能力。     

基于字典学习的残差信息融合图像去噪方法

传统去噪算法只考虑从含噪图像中恢复出图像信息,然而对去噪后残差信号的利用却并未加以重视。针对图像去噪后残差信号中包含有用信息的特点,提出了一种基于字典学习的残差信息融合图像去噪方法。首先使用字典学习方法对单幅含噪图像进行去噪;然后对首次降噪后的残差图像进行图像块筛选;再对筛选出的图像块再次进行去噪处理;最后在小波域实现两幅图像的融合得到最终的去噪图像。实验结果表明,与传统基于字典学习的去噪方法相比,所提方法能够进一步提取残差信号中的图像特征信息,在峰值信噪比和结构相似度上都有所提升。特别是对一些细节较为复杂的场景图像,具有更好的去噪效果,从而证明了残差信号对于图像去噪的重要作用。     

基于结构聚类的图像去噪

为了克服传统BM3D去噪算法的不足,根据图像局部结构相似性提出了基于结构聚类的图像去噪算法。首先根据均值进行粗聚类构成块群;其次利用鲁棒数据归一化构造结构相似子群;最后对子群进行去噪,如果子群容量大于1,运用BM3D对该子群进行去噪处理,反之,运用基于阈值的DCT去噪算法对该块进行去噪。实验结果表明,该算法保护了图像的结构信息,相对于传统BM3D算法提高了图像的视觉效果。     

谱聚类集成的淋巴结超声图像分割算法

为了对低信噪比的超声图像进行有效分割,提出一种谱聚类集成的超声图像分割算法.首先用改进的全变差去噪模型对超声图像进行有效的去噪;然后用聚类集成的方法对去噪后的图像进行图像分割,基聚类器采用K均值算法,集成采用改进的谱聚类算法;最后用K均值算法对谱聚类集成的结果进行再次聚类,得到最终的集成聚类分割结果.实验结果表明,与现有的方法相比较,该算法分割效果更好.