联合空-谱信息的高光谱图像噪声估计

在纹理丰富的高光谱图像中获得精确的噪声估计,是噪声估计任务中的难点。本文基于高光谱图像的空间规律性和光谱相关性,提出一种基于超像素分割的光谱去相关法。同质区域划分是许多噪声估计方法的关键步骤,精确的同质区域划分能有效提高噪声估计精度。为此,将简单线性迭代聚类算法（Simple linear iterative clustering algorithm,SLIC）与光谱-空间相似性结合,划分高光谱图像为局部结构相似的图像块,以保持同质特征;为了提高光谱间的区分能力,将光谱信息散度和光谱角联合作为光谱距离;结合多元线性回归在同质区域内去除光谱相关性,在获得的残差图上估计噪声水平。对不同地物复杂程度的模拟图像,添加不同程度的噪声,通过与多种方法比较,验证了本文方法的有效性和稳定性。最后,本文方法成功应用于Urban数据的噪声水平估计,准确识别出受噪声严重污染的波段。     

高光谱图像低秩表达与噪声水平估计

目的 高光谱遥感图像常存在多种不同程度的退化,进而影响到后续的应用,因此,对高光谱图像进行噪声水平估计具有重要意义。在实际情况中,不同波段的图像噪声水平常有所差异,需要针对不同谱通道的特性差异进行噪声估计。因此,本文提出一种基于低秩表达的噪声水平估计算法。方法 该算法首先利用多波段图像间的光谱相关性,建立高光谱数据的低秩表达模型;再通过该模型对各波段的噪声及其水平进行估计,并根据需要检测并剔除被噪声淹没的无效波段。结果 在多组高光谱数据上进行模拟和真实实验,证明本文算法能够准确估计高光谱图像的谱通道噪声水平。结论 本文算法挖掘了低秩表达在高光谱应用中的特性,在利用波段间相关性进行全局处理的同时,也能保留波段间的差异,具有较强的鲁棒性;在合适的阈值范围内,无效波段的漏检率低至0,准确率高于80%。     

基于同质区域分割的高光谱图像混合噪声估计

降低高光谱（Hyperspectral, HS）图像中的噪声以提高图像质量一直是遥感图像处理领域的研究热点,而HS图像带有的混合光电噪声却难于准确估计,为此提出一种基于同性质区域（Homogeneous Region, HR）分割的HS图像混合噪声估计方法。首先结合HS图像的空间和光谱特性进行HR分割,然后在HR内通过多元线性回归（Multiple Linear Regression, MLR）方法去除区域相关性从而得到混合噪声,最后引进比例因子对混合噪声的内部参数进行估计。通过在仿真HS数据和真实AVIRIS数据上进行实验表明,该方法能够有效地进行HR分割,且对混合噪声的估计结果要优于其它传统噪声估计方法。     

基于主分量分析的高光谱遥感数据噪声消除方法

高光谱遥感数据是一种超维数据,噪声随机地存在于其多个通道图像上,而某些特征谱段图像的信噪比在很大程度上影响着具体的光谱特性分析的准确性,高信噪比意味着地物探测或识别的高准确性;提出了一种新颖的基于小波-PCA分析的高光谱遥感数据噪声消除方法,首先对高光谱各波段图像进行二维小波分解,然后将各小波子图像进行主分量分析,根据噪声特性自适应选取主分量进行PCA重构;得到去噪后小波图像,最后进行小波重构。通过对OMIS图像的实验结果表明,该方法不但可以有效地消除高光谱遥感数据中的噪声,改善图像的信噪比,还能比较完整地保留原有高光谱数据的空间和光谱特性,且性能上要优于PCA方法和小波分析方法。     

面向遥感图像无损压缩的CCD噪声抑制方法研究

CCD在成像过程中所产生的噪声会限制星地间遥感图像数据的传输效率。因此,为有效抑制CCD噪声并提高遥感图像的无损压缩比,本文提出了一种基于图像噪声标准差估计的各向异性扩散方法。首先,结合图像同质性测度和边缘提取结果提出一种遥感图像噪声标准差的自动化估计方法。而后,通过噪声模拟的方式拟合出图像噪声标准差与经典式各向异性扩散方程传导系数中梯度阈值的线性关系。基于图像噪声标准差估计和同质性测度结果,最终提出一种可自适应性调整传导系数值和迭代次数的噪声驱动式各向异性扩散方法。本文中分别采用北京一号小卫星多光谱遥感图像和标准测试图像对所提出的噪声估计方法和噪声抑制方法进行评价。试验结果表明,对比其他各向异性扩散方法,本文所提出的方法不仅可实现更好的图像复原效果,还可有效地提高多光谱遥感图像的无损压缩比,并为今后星上数据处理系统的研究提供一种较新的思路。     

基于噪声方差估计的伪造图像盲检测方法

针对不同来源合成伪造数字图像提出了一种盲检测方法,不同数字图像背景噪声存在差异,因而伪造图像区域噪声方差不同。从待测图像小波分解后的高频子带中去除相应边缘区域的高频干扰,改进了噪声方差估计算法,并对所得噪声图像进行分块处理估计每一个分块的噪声方差,将方差相近的块进行融合,最后比较图像中纹理接近的同质区域,找出方差异常的位置。通过实验研究了方差估计精度,对不同来源的伪造图像进行了检测,结果表明算法提高了图像噪声方差的估计精度,在图像纹理接近的同质区域中可以定位图像的伪造区域。     

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。     

一种基于噪声水平估计的扩展线性光谱分解算法

针对传统的光谱分解算法忽略了影像在不同波段的不同噪声水平,导致分解精度提高受限。为克服这个问题,以高光谱影像为基础,提出了一种基于噪声水平估计的扩展线性光谱分解算法（NELMM）。首先,根据高光谱应用中的多元回归理论,估计相邻波段的噪声;其次,从估计噪声中获得噪声权重矩阵;最后,将噪声权重矩阵引入到线性混合像元的框架中,可以减轻不同波段噪声水平的影响。为验证算法精度,利用全约束最小二乘法（FCLS）和协同稀疏分解算法（CLSUnSAL）来进行对比分析,并通过此算法反演TM影像的植被覆盖度来验证其在多光谱影像上的实用性。结果表明：NELMM算法对高光谱影像分解的结果比FCLS和CLSUnSAL好,其噪声权重矩阵很好地平衡了波段间的噪声,使NELMM算法分解影像的精度显著提高;同时,此算法对多光谱影像分解呈现很好的适用性。     

基于区域活动轮廓模型的高光谱图像分割方法

针对高光谱图像特点,提出了一种基于区域活动轮廓模型的高光谱图像分割方法。综合考虑高光谱图像的空间信息和光谱信息,对Chan\|Vese方法中的能量函数加以改进,利用空间全局信息和同质区域的灰度一致性,约束能量函数空间项;利用目标光谱信息相似性,约束能量函数光谱项,最后通过能量函数最小化实现图像分割。该方法能够有效提取高光谱图像中的模糊轮廓,从而降低混合像元和目标周围阴影对分割造成的影响。利用两幅AVIRIS图像进行仿真实验,实验结果表明,提出的方法能够获得令人满意的分割效果,并且对复杂场景具有一定适应性。     

高光谱海岸带区域分割的活动轮廓模型

近年来,高光谱遥感图像的分割作为地物识别和异常目标探测等应用的基础工作而受到重视,而高光谱遥感图像的海量数据和复杂结构使其分割技术成为一项挑战性的工作.在对海岸带高光谱遥感图像的光谱特性进行分析的基础上,提出一种基于光谱特性的海岸带水、陆区域分割的偏微分方程活动轮廓模型:首先以高光谱海岸带图像的海域像元光谱信息为参照点,构建海岸带高光谱图像的能量偏差矩阵;在此基础上建立适应该能量偏差矩阵的水、陆区域分割的活动轮廓模型.模型通过引入基于梯度的边缘引导函数,提升了对水、陆区域边缘的捕捉能力和抗噪声干扰能力.实验结果表明,与传统活动轮廓模型相比,本文模型不仅能够保证水、陆区域分割的精度,而且具有更快的计算速度.     

高光谱图像条带噪声去除算法研究

高光谱图像中往往存在严重的条带噪声,与常见噪声具有很大不同,现有的去噪方法对其不能完全适用。利用平滑滤波思想结合传统的矩匹配方法,对传统的矩匹配条带去除方法进行改进,对HJ-1-A卫星高光谱图像进行实验、研究,利用多种图像质量评价标准,将算法去条带后图像与传统的和已有的改进算法去条带后图像进行对比、评价,找出去条带效果好、原始图像信息保留能力强、适应性强的改进的矩匹配方法来应用于高光谱图像条带噪声的去除。     

截断核范数和全变差正则化高光谱图像复原

目的 高光谱图像距具有较高的光谱分辨率,从而具备区分诊断性光谱特征地物的能力,但高光谱数据经常会受到如环境、设备等各种因素的干扰,导致数据污染,严重影响高光谱数据在应用中的精度和可信度。方法 根据高光谱图像光谱维度特征值大小与所包含信息的关系,利用截断核范数最小化方法表示光谱低秩先验,从而有效抑制稀疏噪声;再利用高光谱图像的空间稀疏先验建立正则化模型,达到去除高密度噪声的目的;最终,结合上述两种模型的优势,构建截断核范数全变差正则化模型去除高斯噪声、稀疏噪声及其他混合噪声等。结果 将本文与其他三种近期发表的主流去噪方法进行对比,模型平均峰信噪比提高3.20 dB,平均结构相似数值指标提高0.22,并可以应用到包含各种噪声、不同尺寸的图像,其模型平均峰信噪比提高1.33 dB。结论 本文方法在光谱低秩中更加准确地表示了观测数据的先验特征,利用高光谱遥感数据的空间和低秩先验信息,能够对含有高密度噪声以及稀疏异常值的图像进行复原。     

基于小波变换的图像条带噪声去除方法

条带噪声的存在不但妨碍高光谱图像的目视判读,而且制约高光谱遥感的定量应用。针对小波变换法条带噪声去除过程中遇到的条带噪声和图像有用信息难以有效分离的问题,根据小波变换的方向性和数学显微镜特性,提出了一种新的基于小波变换的条带噪声去除方法。这种方法首先对含有条带噪声的图像进行一定层数的小波分解;然后对每一层分解得到的与条带噪声分布方向相同的子图像再进行一定层数的小波分解,从而实现条带噪声和图像有用信息的有效分离,将含有条带噪声的子图像置零;最后利用小波反变换得到去除条带噪声的图像。以欧洲空间局PROBA卫星上搭载的CHRIS高光谱数据为例,采用相关系数(R)、结构相似度(SSIM)和峰值信噪比(PSNR)3个定量指标,对比分析了新方法与矩匹配法、傅立叶滤波法和小波阈值法的条带噪声去除效果。结果表明新方法去噪后的图像具有最高的R、SSIM和PSNR,新方法能够有效地去除高光谱图像中的条带噪声,同时较好地保留了原始图像的有用信息。
     

Hyperspectral change detection: an experimental comparative study

ABSTRACT

The Earth’s surface is constantly changing due to variations originating from the increasing human population. In the last decade, numerous methods were presented in the literature for change detection using multispectral image data. Owing to the increasing availability of hyperspectral images, these methods are now being applied to hyperspectral images. The main objective of this study is to present different change detection methods in hyperspectral imagery. Numerous algorithms (more than 43 algorithms) have been proposed for change detection in hyperspectral imagery over the last decade. In this work, we provide a comparative review of these algorithms through experimental results. We place the algorithms in five major groups: (1) match-based, (2) transformation-based, (3) direct classification-based, (4) post-classification-based, and (5) hybrid-based. We evaluate and compare the performances of all five groups using two real-world data sets of multi-temporal hyperspectral imagery. This comparative study investigates the advantages and disadvantages of the effects of preprocessing steps in the efficiency of the hyperspectral change detection (HSCD) methods. These preprocessing steps are considered in four scenarios, including: (1) considering only spatial or geometric correction without noise reduction and spectral correction; (2) spatial, atmospheric, and radiometric corrections without noise reduction; (3) spatial correction and noise reduction without atmospheric and radiometric corrections; and (4) spatial, atmospheric, and radiometric correction with noise reduction. The empirical results, followed by a summary of the pros and cons of each algorithm, aim to help researchers select the procedures with the best characteristics for HSCD applications.     

一种基于背景自学习的高光谱图像生物信息提取方法

为了提取指纹、癌变区域等重要的生物信息,传统方法一般是使用物理、化学手段直接作用在信息载体上,这不仅需要较长时间,容易对原有信息及载体造成破坏,而且提取过程不可重现、精度较低.高光谱成像技术避免了获取信息时物理接触造成的破坏,能多次稳定获取图像,成为了一种优秀的生物信息采集途径.在此介绍一种基于背景自学习的高光谱图像信息提取方法,它解决了传统非结构化背景模型适应性不强的问题,利用空间光谱信息进一步提升了信息提取精度.实验证明,该方法能有效对背景信息进行估计,提取完整的生物目标信息,精度优于传统目标信息提取方法.     

Image splicing localization using noise distribution characteristic

Image splicing/compositing is common content tampering operation. In this work, we devote to improve the detection accuracy of the splicing/compositing attack for image, and propose an effective image splicing localization method based on the noise distribution characteristic in image. Firstly, the test image is divided into non-overlapping blocks by using an improved simple linear iterative clustering (SLIC) algorithm. Then block-wise local noise level estimation and noise distribution characteristic estimation are performed to generate distinguishing features. Utilizing the fact that image regions from different sources tend to have larger inter-class difference, the fuzzy c-means clustering is used to identify spliced regions. Compared to existing noise-based image splicing detection methods, experimental results on different datasets have shown that the proposed method has superior performance, especially when the noise difference between the spliced region and the original region is small. Moreover, the proposed method is robust for content-preserving manipulations.

     

结合超像元和子空间投影支持向量机的高光谱图像分类

目的 高光谱图像包含了丰富的空间、光谱和辐射信息,能够用于精细的地物分类,但是要达到较高的分类精度,需要解决高维数据与有限样本之间存在矛盾的问题,并且降低因噪声和混合像元引起的同物异谱的影响。为有效解决上述问题,提出结合超像元和子空间投影支持向量机的高光谱图像分类方法。方法 首先采用简单线性迭代聚类算法将高光谱图像分割成许多无重叠的同质性区域,将每一个区域作为一个超像元,以超像元作为图像分类的最小单元,利用子空间投影算法对超像元构成的图像进行降维处理,在低维特征空间中执行支持向量机分类。本文高光谱图像空谱综合分类模型,对几何特征空间下的超像元分割与光谱特征空间下的子空间投影支持向量机（SVMsub）,采用分割后进行特征融合的处理方式,将像元级别转换为面向对象的超像元级别,实现高光谱图像空谱综合分类。结果 在AVIRIS（airbone visible/infrared imaging spectrometer）获取的Indian Pines数据和Reflective ROSIS（optics system spectrographic imaging system）传感器获取的University of Pavia数据实验中,子空间投影算法比对应的非子空间投影算法的分类精度高,特别是在样本数较少的情况下,分类效果提升明显;利用马尔可夫随机场或超像元融合空间信息的算法比对应的没有融合空间信息的算法的分类精度高;在两组数据均使用少于1%的训练样本情况下,同时融合了超像元和子空间投影的支持向量机算法在两组实验中分类精度均为最高,整体分类精度高出其他相关算法4%左右。结论 利用超像元处理可以有效融合空间信息,降低同物异谱对分类结果的不利影响;采用子空间投影能够将高光谱数据变换到低维空间中,实现有限训练样本条件下的高精度分类;结合超像元和子空间投影支持向量机的算法能够得到较高的高光谱图像分类精度。     

Marginal noise removal of document images

Marginal noise is a common phenomenon in document analysis which results from the scanning of thick documents or skew documents. It usually appears in the front of a large and dark region around the margin of document images. Marginal noise might cover meaningful document objects, such as text, graphics and forms. The overlapping of marginal noise with meaningful objects makes it difficult to perform the task of segmentation and recognition of document objects. This paper proposes a novel approach to remove marginal noise. The proposed approach consists of two steps which are marginal noise detection and marginal noise deletion. Marginal noise detection will reduce an original document image into a smaller image, and then find marginal noise regions according to the shape length and location of the split blocks. After the detection of marginal noise regions, different removal methods are performed. A local thresholding method is proposed for the removal of marginal noise in gray-scale document images, whereas a region growing method is devised for binary document images. Experimenting with a wide variety of test samples reveals the feasibility and effectiveness of our proposed approach in removing marginal noises.