【摘要】：較傳統(tǒng)遙感圖像而言,多光譜遙感圖像能夠獲取更多的光譜信息,從而為識別邊界和地物創(chuàng)造更加良好的條件,因此具有更高的研究意義和應(yīng)用價值。隨著地理信息系統(tǒng)技術(shù)中多光譜圖像在空間分辨率上的高速提升,針對多光譜圖像的處理及應(yīng)用也逐漸增加。然而,在多光譜圖像的采集過程中不可避免地會引入噪聲,影響圖像的清晰度,從而給后續(xù)的圖像處理和分析工作帶來困難。目前的圖像去噪方法多針對多光譜圖像單個通道進行分別去噪,無法有效的利用多光譜圖像間的相關(guān)信息,往往去噪效果不好,或者引入新噪聲點的問題。本文基于構(gòu)建的張量正則化框架對遙感多光譜圖像進行降噪及圖像重建研究。通過張量模型,對不同通道間的相關(guān)性進行建模。本文的研究內(nèi)容及創(chuàng)新點可總結(jié)如下:1.對傳統(tǒng)的圖像去噪方法進行實驗分析,對添加了高斯、椒鹽或者斑點噪聲的原始多光譜圖像利用傳統(tǒng)的圖像去噪方法進行去噪。通過對不同噪聲來源以及不同去噪方法的結(jié)果進行分析,比較了現(xiàn)有去噪模型對不同噪聲的去噪結(jié)果的差異,結(jié)果表明,傳統(tǒng)的去噪方法無法滿足現(xiàn)有的多光譜圖像去噪應(yīng)用的要求,會丟失一部分的邊緣等細節(jié)信息。一些圖像去噪方法如高斯濾波和雙邊巴特沃斯濾波會引入新的偽影,并造成圖像失真的問題。2.將張量正則化框架引入到圖像去噪模型中,對現(xiàn)有圖像去噪模型進行改進。通過正則化框架中的數(shù)據(jù)擬合項和正則項分別對圖像的噪聲機制以及圖像的先驗信息進行建模,從而在新的角度嘗試提出一個穩(wěn)定和系統(tǒng)的圖像去噪建�？蚣堋Ｒ缘椭燃僭O(shè)作為一個先驗,引入了低秩正則項。并在原始圖像上增加了泊松噪聲(κ=6)和高斯噪聲(Σ=0.2),根據(jù)模型進行仿真實驗,對噪聲圖像進行恢復(fù),并對恢復(fù)圖像進行客觀評價,驗證了模型的有效性。另外,本文將current learning模型引入到正則化框架并與低秩化先驗結(jié)合,進一步提升了圖像去噪效果。3.基于多光譜圖像在空間上的非局部相似性和整個頻譜上的全局相關(guān)性,將字典學習轉(zhuǎn)化為新的正則項并引入到圖像去噪模型中,構(gòu)建了具有組塊相似以及字典的稀疏約束的基于字典學習的張量正則化學習模型。通過這種方式使得相同的全頻帶由空間共享譜詞典約束。此外,通過利用多光譜圖像的譜相關(guān)性和假設(shè)字典的過度冗余的約束,受限的非局部多光譜圖像字典學習模型可以分解為一系列容易求解的低秩約束來逼近問題的解。本文采用了傳統(tǒng)的評價標準如峰值信噪比(PSNR)計算和運行時間來評估恢復(fù)的圖像。實驗結(jié)果表明,本文方法能夠有效提升這些度量結(jié)果,并且從主觀上看,圖像去噪效果良好。
【學位授予單位】：重慶交通大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP751
【圖文】：

重慶交通大學碩士畢業(yè)論文本文主要對現(xiàn)有的圖像去噪算法進行改進，通過張量正則化框架[17-19]，對獲取的噪聲多光譜圖像進行圖像去噪，從而利用一些圖層之間的相關(guān)性、圖像的先驗信息以及噪聲原理，最終得到基于張量正則化的多光譜圖像去噪模型。本課題擬采用理論研究與實驗、仿真相結(jié)合的方式進行，首先理論部分根據(jù)噪聲模型，構(gòu)建相應(yīng)數(shù)據(jù)擬合項，構(gòu)建相應(yīng)張量正則項多光譜圖像去噪模型，在根據(jù)模型進行仿真實驗，對噪聲圖像進行圖像去噪，并對重構(gòu)的圖像進行檢驗，驗證模型有效性，具體實驗手段如圖 1-1 所示：

加性和乘性噪聲的噪聲項 n x ,y 有不同的分布，常用 ,y 的模型有高斯噪聲假設(shè)、椒鹽噪聲以及散斑噪聲假設(shè)，它們在圖像中。本節(jié)對幾種常用的噪聲假設(shè)進行介紹。噪聲聲主要發(fā)生在由于不良照明或高溫引起的傳感器噪聲以及傳輸?shù)仍肼曋�。高斯噪聲表示具有與正態(tài)分布的概率密度函數(shù)（PD，因此也被稱為高斯分布。噪聲點對原始信號污染的位置服從聲，噪聲圖像中的每個像素點都是真實像素值和隨機高斯分布，噪聲對原始圖像污染的值也服從高斯分布，高斯分布的概率3)所示： 22212z e z 代表像素的灰度值, 表示噪聲點像素值的平均值, 表示噪偏差[40]，被 0.01 分布高斯噪聲污染的圖像如圖 2-1 所示：

(a) 原始圖像 (b) 帶椒鹽噪聲的圖像圖 2-2 帶椒鹽噪聲的圖像噪聲聲屬于乘性噪聲，也是一種粒狀噪聲，會顯著的降低由主動式達（SAR）圖像等主動圖像設(shè)備獲得的圖像質(zhì)量。這種噪音的來收益之間的隨機干擾，其增加了局部區(qū)域的平均灰度級。散斑目標的背散射信號的相干處理，容易造成 SAR 圖像難以進行圖散斑噪聲遵循γ分布如下： 121gF g 我們在圖 2-3 中給出原始圖像和帶斑點噪聲的圖像：

【參考文獻】

相關(guān)期刊論文 前10條

1 陽雄耀;鐘平;王潤生;;基于RTF的高光譜圖像去噪方法[J];現(xiàn)代電子技術(shù);2015年21期

2 李貴;王爽;李征宇;韓子揚;孫平;孫煥良;;基于張量分解的個性化標簽推薦算法[J];計算機科學;2015年02期

3 李霞;羅欣;薛輝;楊婷;;小波域隱馬爾可夫樹模型對多光譜影像的去噪研究[J];測繪科學技術(shù)學報;2014年03期

4 吳虎勝;張鳳鳴;鐘斌;;基于二維奇異值分解的多元時間序列相似匹配方法[J];電子與信息學報;2014年04期

5 劉孝艷;馮象初;;對稱張量空間下高階正則化的圖像恢復(fù)模型[J];計算機科學;2013年S2期

6 周俊秀;裘國永;劉侍剛;梁新剛;;迭代張量高階奇異值分解的圖像恢復(fù)方法[J];計算機應(yīng)用研究;2013年11期

7 成寶芝;趙春暉;王玉磊;;結(jié)合光譜解混的高光譜圖像異常目標檢測SVDD算法[J];應(yīng)用科學學報;2012年01期

8 孫玉寶;韋志輝;吳敏;肖亮;費選;;稀疏性正則化的圖像泊松去噪算法[J];電子學報;2011年02期

9 孫蕾;羅建書;;高光譜遙感圖像微分域三維混合去噪方法[J];光譜學與光譜分析;2009年10期

10 賀霖;潘泉;邸椺;李遠清;;高光譜圖像目標檢測研究進展[J];電子學報;2009年09期

相關(guān)博士學位論文 前1條

1 包立君;基于稀疏表達的人體心臟磁共振擴散張量圖像的去噪研究[D];哈爾濱工業(yè)大學;2010年

相關(guān)碩士學位論文 前2條

1 吳超;高光譜圖像處理若干關(guān)鍵技術(shù)研究[D];南京航空航天大學;2012年

2 劉濤;眼底OCT圖像降噪及邊緣檢測算法研究[D];清華大學;2010年

本文編號：2745553