矩匹配和变分方法相结合的MODIS条带去除模型

针对中分辨率成像光谱仪(moderate resolution imaging spectroradiometer,MODIS)影像常见的3种条带噪声,提出了一种矩匹配和变分相结合的多类条带噪声去除模型。首先采用矩匹配方法对MODIS影像做预处理,然后基于变分方法去除条带噪声。能量泛函由L1正则化项、数据保真项和梯度保真项组成,基于Split Bregman迭代计算能量泛函的最优解。实验结果表明,此算法能够有效地去除MODIS影像中常见的条带噪声。与矩匹配、低通滤波及单向全变分方法相比,此模型更好地保留了图像的细节信息,有效抑制了正则化方法在条带去除过程中出现的分块现象。

基于矩匹配和变分法的MODIS条带去除模型

针对中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)影像条带噪声的特点,提出了一种结合矩匹配和变分法的条带去除模型。首先采用矩匹配方法去除多行和宽行条带噪声;然后,基于改进的条带检测方法定位矩匹配后的残余条带;最后,基于变分条带去除模型,使用Split Bregman迭代求解以去除条带。实验结果表明,该方法能够有效地去除MODIS影像中的条带噪声,并能有效地保持图像中的细节信息。与直方图匹配、矩匹配、低通滤波及单向变分去条带算法相比,本文模型的去噪效果更理想。

遥感影像条带噪声去除的小波变分法

为了避免条带噪声去除过程中丢失影像细节,提出一种基于小波变分法去除遥感影像条带噪声。首先,对含有条带噪声的遥感影像进行小波分解;其次,通过构建的条带保留变分模型(SPVM)去除低层高频分量(含条带噪声)中的细节信息而保留条带噪声,从而有效分离出低层高频分量(含条带噪声)中的细节信息;通过构建的条带去除变分模型(DVM)去除高层高频分量(含条带噪声)中的条带噪声,从而有效地保留高层高频分量(含条带噪声)中的细节信息;最后,通过小波重构,获得去噪影像。试验证明本文方法在去除条带噪声的同时基本没有丢失影像细节,去噪后的影像对比度及质量都是最优的。

采用变分法的遥感影像条带噪声去除

为了避免去除遥感影像条带噪声时丢失影像细节,构建了综合两种单向变分模型的组合去噪方法。首先,构建一种条带去除单向变分模型,通过此模型可以有效去除遥感影像条带噪声,从而初步获得近似遥感影像及条带噪声影像,同时避免近似遥感影像出现阶梯效应;其次,为了避免条带噪声影像中包含的少量细节信息丢失,构建一种条带保留单向变分模型,通过此模型可以去除条带噪声影像中的细节信息而只保留条带噪声,从而有效分离出细节信息;最后,把分离出的细节信息与近似遥感影像进行累加得到去噪影像。通过实验分析发现,本文方法不仅能完全去除条带噪声,而且基本没有破坏影像细节,去噪后的影像质量得到明显提高。