基于注意力机制和感知损失的遥感图像去噪

遥感图像去噪对于遥感图像在后续的分类、检测等任务中有着非常重要的作用.为了让去噪后的图像更好地保留边缘细节信息,同时增强深度网络对噪声污染区域的辨识能力,本文结合注意力机制以及感知损失来处理遥感图像,提出了一种新的基于残差自编码器的遥感图像去噪网络ARED-VGG.考虑到遥感图像中不同地物大小不同,该网络首先同时使用图像的空间和光谱信息来提取多尺度特征;然后使用残差自编码器网络结构来进行图像空间-光谱多尺度图像重建.为了增加网络的辨识能力,更多地关注网络中提取的高频特征,网络引入了注意力机制.同时为了让去噪后的结果更符合视觉感观,使用了感知损失混合均方误差作为损失函数.从实验结果知,本文所提出的方法在噪声去除和纹理细节保留方面与NLM3D、BM4D、LRMR、HSID-CNN和3DADCNN相比表现更优.在Washington DC mall遥感图像数据集上进行了仿真实验,平均峰值信噪比以及平均结构相似性指标都有较好的结果;在AVIRIS Indian Pines数据集上进行了真实数据实验,以去噪后的结果地物分类指标作为验证,整体分类精度以及Kappa系数分别为96.90%和0.9647;对网络结构进行了消融实验,在两个数据集下,本文所提出的网络结构都能获得更优的结果.本文提出基于注意力机制和感知损失的深度神经网络进行遥感图像去噪,提高了网络的辨识能力,实现了良好的去噪性能,并且有效保持了图像的细节信息和光谱信息.

盲小波算法在遥感图像去噪中的应用

根据盲信号分离原理和小波分析,提出了一种遥感图像去噪的盲小波算法,首先将遥感图像的个信号进行同深度小波分解,得到不同信号相应深度的小波系数和尺度系数,然后将小波系数进行软阈值法处理,并进一步对不同信号的同深度的小波系数和尺度系数进行盲分离,并提取与源信号相关的信号,最后通过信号重构估计源信号。这种将小波分析和盲信号分离技术有机结合的方法能够有效的消除遥感图像的噪声。通过对实际遥感图像的处理,并与其他去噪技术相比较,利用盲小波算法得到的结果更为理想。

基于多线性权重核范数最小化的遥感图像去噪

传统的基于矢量或基于矩阵的遥感图像去噪方法在去噪过程中可能导致空间域和光谱域失真。为了提高去噪效果的同时尽量降低失真,提出了一种多线性加权核范数最小化方法。首先,考虑到遥感图像的谱连续性和按三模展开矩阵的相互依赖性,构建了一种多线性秩来建模遥感图像的空间和谱非局部相似性。然后,为了使该方法更易于处理,采用基于变量分裂的方法来解决此优化问题。实验结果表明:该方法在客观度量和主观视觉质量两个方面都较目前最先进的方法都有较大的提高。

高正则二维小波的设计及在遥感图像去噪中的应用

利用正交对称二维小波的阶因式分解的方法,将它的正则性条件加以转换,构成一组高阶多元多项式非线性方程组,求解这个方程组后得到2、3正则阶小波滤波器的全部参数,从而设计出集正则性、正交性、对称性和紧支集于一体的最完美的不可分二维小波。从正交多分辨分析理论出发,推导出二维小波分解和重构的快速算法,并将所得到的2正则阶二维小波用于遥感图像的去噪处理。

基于BEMD和QWT的遥感图像去噪算法

遥感图像在传输过程中容易受噪声影响,需要对其进行去噪处理。在传统遥感图像去噪方法的基础上,设计了基于二维经验模式分解和四元数小波变换的遥感图像去噪算法。首先,对遥感图像进行二维经验模式分解,得到相应的内蕴模式函数和残差分量;然后,用四元数小波变换方法仅对第1个内蕴模式函数进行变换得到新的第1个内蕴模式函数,并进行硬阈值去噪,通过四元数小波逆变换得到第1个内蕴模式函数;最后,通过二维经验模式分解重构得到最终去噪遥感图像。实验表明,所提出的方法有效可行,可以突出遥感图像的细节信息。

基于滤波方法和矩阵低秩稀疏分解的遥感图像去噪算法

针对遥感图像在形成、传输和处理过程中产生的椒盐噪声问题,设计了一种结合中值滤波、矩阵低秩分解与导向滤波的遥感图像去噪算法。给定含噪图像,该算法首先对图像进行有互相重叠像素的分块处理,利用非精确增广拉格朗日乘子法求解分块后图像所对应的矩阵低秩分解模型,得到稀疏图像和噪声图像,然后利用中值滤波算法对给定的含噪图像进行处理,对处理后的图像与稀疏图像相加求和,将结果作为引导图像,含噪图像作为输入图像,利用导向滤波算法得到保留遥感图像细节信息的复原图像。通过与其它方法对比,证明了本文方法的有效性。

关于图像去噪的综述及优化模型的提出

在数字图像处理领域中,图像去噪一直是一个基础而关键的课题,尤其是随着遥感技术的发展和应用,对高质量图像的需求日益增长。对于图像去噪的方法却是多种多样的,而缺乏系统地对这些方法进行归类和分析。所以本文详细探讨了现代图像去噪技术的进展,我们将图像去噪方法分为这三大类:全变分、稀疏理论、深度学习。并系统地进行展开论述其中的优缺点,通过列举主要参考文献,并根据参考文献来给我们提供思路,并对这些参考文献仔细深入研究。总结这些参考文献的优点对于我们的启发,并提供建立优化模型的理论基础。最后我们将在本文中的各种方法下提供一些具体的参考优化模型、对于一些高光谱图像数据和条纹噪声的属性进行具体分析,为其它学者提供一些新的建立优化模型的灵感。这些参考文献中的研究成果和我们提供给读者的优化模型有助于推动遥感图像处理技术的发展具有重要意义。

结合残差编解码网络和边缘增强的遥感图像去噪

高分辨率遥感图像去噪对于提高后续图像分析、识别等问题的准确性具有重要意义。目前的去噪算法普遍存在去噪结果边缘信息模糊、易产生视觉伪影导致遥感信息丢失的缺点,针对以上问题本文提出了一个基于边缘增强的残差编解码去噪网络用于高分辨率遥感影像去噪。该方法首先将噪声图片通过低通滤波器分解成高频层和低频层,然后将含噪声信息的高频层输入到带残差模块的编解码网络中,通过采样运算在多尺度空间上学习残差映射生成残差图像,最后使用跳跃连接得到完整的去噪结果。其损失函数由逐像素和感知损失两部分组成,逐像素损失使用传统的均方根误差学习像素级信息,感知损失学习语义特征上的差异可以保留更多边缘信息,最终得到更清晰的结果,其中感知损失是由级联在后的语义分割网络提取的特征图定义的。本文对不同测试数据做去噪实验并与几个经典方法对比证明本文模型的去噪结果优于其他方法,不仅提高图像的峰值信噪比,得到最高的平均梯度值,还在视觉上取得了最清晰的结果。实验结果表明,本文提出的基于边缘增强的深层编解码卷积网络在去噪的同时可以改善边缘细节被模糊的问题,保留更多遥感地物信息,提高图像视觉效果。

改进的BiShrink与DTCWT相结合的遥感图像去噪

基于双树复数小波变换(DTCWT)良好的平移不变性和多方向选择性,以及尺度内DTC-WT系数的领域相关性,提出了一种bivariate shrinkage(BiShrink)的改进算法,对遥感图像进行去噪处理。实验结果表明,经本文算法降噪后,图像的峰值信噪比(PSNR)得到显著提高,较好地保持图像的边缘和细节信息,并抑制混淆现象。

基于移不变全方向角提升的遥感图像降噪

在分析遥感图像结构特征及其与噪声之间主要区别的基础上,利用图像信号的方向信息,提出基于移不变全方向角提升小波(TI-OL)抑制遥感图像噪声的方法。该方法在方向提升小波变换的基础上并利用循环平移,Gabor小波滤波器和图像旋转技术改进了方向提升小波在图像去噪过程中存在的三个弊端:缺乏移不变性质,图像局部方向信息判方法断缺乏噪声鲁棒性和变换方向分布有限。消除去噪结果中的吉布斯效应,提高图像方向信息判断的准确性并保证图像纹理方向始终落在方向提升能最优表示的方向区间内。试验结果证明所提方法在处理遥感图像的过程中能在去噪的同时保留图像的细节和边缘信息,对遥感图像中的边缘信息如道路和桥梁有较好的刻画性能,较传统方法去噪性能(PSNR)和主观视觉效果(SSIM)均有较大提高。

小波多重分形遥感图像混合去噪

为了去除遥感图像的混合噪声,建立了小波多重分形去噪算法。该算法主要利用小波分析进行信号分解,多重分形提取图像特征。通过小波分解进行图像分解时,利用小波半软阈值指数衰减阈值法进行加性噪声初步处理。采用多重分形理论,找出含噪图像的多重分形谱,并构造偏移算子O对加性噪声进行二次处理。利用方向梯度与二维掩码层进行逐像素乘法获得稀疏梯度集,重建去噪图像。最后,计算出去噪图像的评价指标数值,根据数值分析评价去噪效果。实验结果表明:对6幅随机添加噪声的图片进行去噪,去噪图像的峰值信噪比最高为26.700 dB,边缘保持指数最高为0.449。该方法能够有效去除遥感图像的混合噪声,基本满足遥感图像混合去噪的可视性,细节留存等要求。

基于GPU的遥感图像快速去噪处理

遥感图像在数据采集和传输过程中受到各种噪声干扰,影响了图像本身的质量,不利于遥感图像的应用。本文利用最邻近算法(KNN算法),在基于图像处理器(Graphic Processing Unit,GPU)的统一计算设备架构(CUDA)架构下,实现了对遥感图像进行了去噪声的并行处理,并与在CPU下的串行处理做了对比,处理速度平均提高近3 000倍。遥感图像的其他处理也可以基于GPU实现。

基于噪声建模的遥感卫星图像分层去噪算法

在遥感卫星成像机理分析的基础上,提出一种分层去噪算法,该算法引入了噪声分类建模的思想,根据噪声模型的特殊性分层降噪,最后进行轮廓填充恢复.实验结果表明,该算法不仅能有效抑制多类噪声,也能很好地保持图像的边缘细节信息,在经典去噪评价指标信噪比SNR、均方误差MSE上也都达到了很好的实验标准,具有良好的去噪性能.

基于邻域特征匹配的通用噪声滤波器

图像去噪是遥感图像复原的重要步骤。在去除图像噪声的同时希望尽可能多地保留图像的纹理细节信息。受较差的成像环境和图像数据远距离传输的影响,遥感图像中一般都含有较强的高斯-脉冲混合噪声,而在现有的图像去噪算法中,能够同时去除图像中的高斯-脉冲混合噪声的通用噪声滤波器很少。以非局部平均方法的滤波思想为基础,通过引入邻域相似度评价的概念和脉冲噪声探测器,提出了基于邻域特征匹配的通用噪声滤波器。实验结果表明:基于邻域特征匹配的通用噪声滤波器具备有很好地去除图像高斯-脉冲混合噪声的能力,在去除高斯-脉冲混合噪声的同时能够很好地保持图像的复杂纹理和精细细节,并且便于向DSP/FPGA多处理器平台上移植。