论文摘要
高光谱遥感图像的去噪不同于二维自然图像,其三维数据块模式决定了去噪方法通常要考虑二维空间信息和一维谱间信息。高光谱遥感图像去噪是整个图像分析流程的预处理阶段,对其后续的应用提起到了十分重要的作用,它的存在有着十分重要的意义。由于高光谱遥感图像的强谱间相关性,使得多元线性回归在研究和实践中得到广泛的应用。多元线性回归(MLR)理论主要针对的是图像信息和噪声呈现出不同的谱间相关性,通过其变换能够将图像信息和噪声得到分离,从而实现纯净图像和噪声信号的初步估计。稀疏化表示的紧支性和分解的层次性,使得稀疏化表示在二维图像去噪中被广泛地应用。它主要针对的是图像信息和噪声经过变换后在不同尺度下呈现不同规律,通过阈值或其他系数调整方法,达到二维空间信息中噪声的移除。高光谱遥感图像的数据降维实质是利用较少波段将几十甚至几百波段的数据信息保留起来。本文利用了噪声调整的主成分分析(NAPCA),因其主成分排列按照信噪比(SNR)由高到低,所以相对于根据方差排列的主成分分析在去噪时呈现了更好的图像信息保留能力。由多元线性回归理论,稀疏化表示,数据降维在高光谱遥感图像上的广泛应用,本文提出了一种噪声估计方法和三种去噪方法。通过仿真实验和真实数据实验验证提出方法的可行性和适用性。主要工作如下:1、结合多元线性回归和小波系数中值理论的噪声估计首先利用多元线性回归去除谱间相关性,初步估计出噪声信号,然后对其噪声信号进行小波变换,将小波高频系数的中值作为噪声方差的估计。仿真实验的结果表明,该方法在估计误差上获得了更优的结果,真实数据证明了噪声估计方法的可行性和适用性。2、基于多元线性回归的去噪方法多元线性回归作用于高光谱遥感图像,得到预测图像信息和噪声。因预测图像仍含有少部分噪声,而噪声信号里则有部分图像信息,所以需对预测图像进一步进行噪声去除,以及提取噪声信号中的图像信息。在对预测图像去噪时,因具有较高SNR,噪声级较低,为使噪声突出而利于去除,需将预测图像变换到微分域,再利用Bivashrink函数对其微分域图像的小波系数收缩,最后经过积分以及积分修正获得经过处理的预测图像。噪声信号因其突出的噪声而直接利用Bivashrink函数进行收缩去噪提取图像信息。提取出的图像信息修正处理过的预测图像信息获得最后的去噪结果。仿真实验结果表明,提出的去噪方法充分地利用了高光谱遥感图像的所有信息,并且获得了更优的SNR和每波段的局方根误差(RMSE)。3、在Curvelet域高光谱遥感图像的分析和去噪直接对高光谱遥感图像的噪声去除,可能在去噪的同时,图像某些细节也被误认为噪声去除,因此考虑变换到新的表示域进行去噪。首先高光谱遥感图像按波段变换到Curvelet域,按照来自不同波段同一尺度同一方向的Curvelet域的表示进行数据堆叠,获得不同尺度不同方向的数据块,它们表示了Curvelet域的高光谱遥感图像。通过分析这些数据块的谱间相关性,知道它们保持了高光谱遥感图像的强谱间相关性,因此多元线性回归理论可以应用于纯净数据在Curvelet域的表示估计,其中每个波段的低频部分因主要含有图像信息而不被处理。仿真实验结果表明变换到新的表示域去除噪声是可行的,并且获得了较高的SNR,在比较每个波段的RMSE和平均结构相似度(MSSIM)都可以看出本文算法是优于文献的方法。4、NAPCA用于高光谱遥感图像去噪高光谱遥感图像的数据降维思想是将几十甚至几百波段的图像信息压缩到几个或者十几个波段。而不同的降维方法有其各自的优势,由于本文的目的是去噪,选择主成分按照信噪比排列的NAPCA。首先利用NAPCA对高光谱遥感图像做降维处理,选择要保留的波段,剩余的波段利用Bivashrink函数作用域复小波系数的幅值进行去噪,同时对剩余波段的光谱维也进行了噪声去除。仿真实验仅对去噪后的SNR进行了比较,利用数据降维获得了最优的结果。真实数据实验可以看出本文提出的三种去噪方法在高效地移除噪声的同时,很好地保持了图像的细节特征。
论文目录
相关论文文献
标签：高光谱遥感图像论文; 噪声估计论文; 噪声去除论文; 多元线性回归论文; 稀疏化表示论文; 数据降维论文; 信噪比论文;