小波方向子带偏微分方程遥感图像去噪

针对小波阈值法在去除遥感图像高斯噪声时,所存在的由于过度"扼杀"小波系数而引起的模糊边缘问题,以及P-M模型通常会使图像的灰度趋于分段常量而产生所谓的"块状"效应问题。提出小波域偏微分方程(PDE)遥感图像去噪模型,该模型通过对遥感图像进行小波分解,保持低频子带信息,而只对含有噪声、图像边缘的高频子带进行基于子带方向特性的非线性异性扩散,使模型在有效去除高斯噪声的同时,能够很好地保护遥感图像中的边缘特征和细节纹理信息,避免了去噪后的结果图像出现分段常量现象。实验结果表明,对于相同的遥感图像高斯噪声,基于所提出混合模型的去噪图像的PSNR较基于类零树的Bayes阈值法和P-M模型提高了1～2dB。     

基于非下采样剪切波变换与引导滤波结合的遥感图像增强

针对遥感图像中对比度低、细节信息缺失和边缘梯度保持能力较弱等问题,提出了一种基于非下采样剪切波变换（NSST）与引导滤波相结合的遥感图像增强算法。首先,原始图像通过NSST被分解成低频子带和高频子带两部分。然后,对低频子带进行线性增强,提高整体对比度;采用自适应阈值法抑制高频子带的噪声,再对去噪后的高频子带进行引导滤波增强,提高图像的细节信息和边缘梯度保持能力。最后,对两部分子带进行NSST反变换,得到增强后的图像。实验结果表明,与直方图均衡、基于Contourlet变换和模糊理论的图像增强算法、基于非下采样Contourlet变换与反锐化掩膜结合的遥感图像增强算法以及基于非下采样Shearlet变换与参数化对数图像处理相结合的遥感图像增强算法相比,该算法的图像信息熵、峰值信噪比（PSNR）和结构相似性（SSIM）都有一定的提升,能明显地改善图像视觉效果,使得图像纹理更加清晰。     

基于提升小波的自适应阈值图像去噪

介绍了提升方法（Lifting Scheme）的基本原理,给出了用提升方法构造传统小波的实现方法。在提升小波分解变换的基础上,研究一种自适应阚值的图像去噪方法——Adapt Thr Shrink去噪法。这种方法是基于Bayes框架,在不同子带和不同方向上选择不同的最佳阈值。结合软阈值法对图像进行去噪,与传统方法相比,此种方法提高了去噪后图像的峰值信噪比（PSNR）,而且使图像更加清晰。基于提升小波的自适应阈值图像去噪法实现简单、计算速度快、去噪效果好。     

基于近似U型网络结构的图像去噪模型

针对图像去噪中的去噪效果差、训练周期长的问题,提出一种基于近似U型网络结构的图像去噪模型。首先,使用不同步长的卷积层将原有的线性网络结构修改为近似U型的网络结构;然后,将不同感受野的图像信息叠加以尽可能地保留图像的原有信息;最后,引入反卷积网络层进行图像恢复和噪声的进一步去除。在Set12与BSD68测试集上与去噪卷积神经网络（DnCNN）模型相比,所提模型的峰值信噪比（PSNR）平均提升了0.04~0.14 dB,训练时长平均缩短了41%。实验结果表明,所提模型具有更好地去噪效果和更短的训练时长。     

非下采样Contourlet变换自适应图像去噪方法

提出了一种基于非下采样Contourlet变换的自适应图像去噪方法。首先对噪声图像进行非下采样Contourlet变换,得到各个尺度各个方向子带的系数,再根据该系数的能量自适应地调整去噪阈值。实验表明,与Contourlet多尺度阈值去噪、Contourlet自适应阈值去噪相比,该方法在保留图像边缘细节的同时,能提高图像的PSNR值,减少了Gibbs现象。     

基于中值滤波和小波变换的火电厂炉膛火焰图像去噪方法

针对煤电厂炉膛火焰图像含有脉冲噪声和高斯噪声混合含噪图像的特点,提出了中值滤波和小波变换相结合的火焰图像去噪方法。首先采用自适应权重中值滤波方法对火焰图像去噪,然后再对去噪后的图像进行小波分解,分解后对不同子带采用不同的滤波方法进行有效滤波。实验结果表明,该方法不仅能够有效地滤除图像噪声,提高火焰图像的质量,而且在边缘保持能力上比传统的去噪方法要好。     

一种基于非抽样LP的Contourlet变换图像去噪方法

由于提高Contourlet变换冗余性可以抑制去噪结果中的伪Gibbs现象,因此为了提高变换冗余度和避免数据量过大,以进行快速有效的图像去噪,提出了一种基于非抽样LP的Contourlet变换图像去噪方法。该方法首先对带噪图像进行非抽样LP多尺度分解;然后对各子带图像进行临界抽样的DFB分解,再采用尺度相关的分层模型对各子带图像进行阈值处理;最后对处理后的子带图像进行DFB和LP重建,以得到去噪后的图像。与同类型有关方法进行的对比实验表明,在去噪后图像的PSNR值上,该方法比常规Contourlet变换方法至少提高1dB;在完成时间方面,该方法比其他改进方法快1倍以上。     

一种新的双密度复小波域图像去噪算法

提出一种改进的基于双密度复小波系数组合的图像去噪算法。采用双密度复小波分解噪声图像,将其变换系数按规则重新排列组合,增强了图像的边缘信息。引入贝叶斯最大后验佑计理论下的双变量模型,充分挖掘其系数尺度内和尺度间的双重关联性,有效地提高了去噪性能。仿真实验表明,去噪后的图像克服了常见的伪吉布斯现象,与当前一些图像去噪算法相比较,其客观评价指标PSNR以及去噪后图像的主观视觉效果都有明显的提高和改善,且有效地保留了原始图像的纹理和细节信息。     

基于粒子群优化的Shearlet自适应图像去噪

研究Shearlet变换域图像去噪阈值选取的问题,提出Shearlet变换域图像去噪自适应阈值选取方法.该方法根据Shear-let变换域不同尺度和方向系数的分布特性,采用粒子群优化算法自适应地确定各尺度和方向的最优阈值,实现基于图像内容的自适应去噪.仿真实验表明,该方法能有效滤除图像的噪声,较好地保留图像的边缘信息.同时,去噪后图像具有更高的峰值信噪比(PSNR).     

基于小波变换的低频子带图像去噪方法研究

小波阈值去噪方法是研究最为广泛的方法之一,基于此方法提出了许多改进算法。然而,这些改进的小波阈值去噪算法都没有对低频子带进行处理。本文采用自适应中值滤波对小波变换的低频子带进行处理,而对高频子带采用通用阈值去噪算法。实验结果表明噪声方差越大（即噪声污染越严重）,重构图像PSNR提高的越多;对于噪声方差较小及细节较少的图像来说,重构图像的PSNR不是很理想。     

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。     

Towards a partial differential equation remote sensing image method based on adaptive degradation diffusion parameter

For the anisotropy diffusion feature, Partial Differential Equation (PDE) methods keep edge detail characters well in case of denoising, thus being widely applied in remote sense image denoising, smoothing, filtering and reconstruction. A PDE remote sensing image denoising method based on Adaptive Degradation Diffusion Parameter (ADDP) was proposed in the paper to deal with fuzzy detail problem caused by increasing iteration number. The PDE denoising method with ADDP enlarged diffusion size in the plat region of remote sensing image without affecting the remote sensing image edge, thus avoiding loss of remote sensing image detail and intersections caused by Gaussian convolution smoothing in the PDE filtering model based on curvature-based movement (CM) and image denoising model based on total variation (TV). In the region where gradation value changes little, the method executed isotropic diffusion to remove isolated noise. The upwind scheme was applied for model numerical realization. Experimental in remote sensing image denoising results proved its feasibility and effectiveness.     

基于结构性字典学习的毛儿盖遥感图像去噪研究

遥感图像的噪声分析、评估和滤波作为遥感图像处理的研究重点而一直受到遥感应用领域的关注。为了进一步提高遥感图像的去噪能力,提出一种新的基于聚类的组稀疏字典学习多光谱遥感图像去噪算法,该算法能够综合利用多光谱遥感图像的空间局部性和光谱的全局性,对遥感图像像素进行聚类后划分为不同的组,然后通过字典学习获得多光谱遥感图像的空间、光谱字典和系数。经过阈值处理后,对空间相似的块进行平均处理,实现了对多光谱遥感图像的去噪。该算法用于岷江上游植被和土壤类型典型地区——毛儿盖实验区遥感图像的去噪,峰值信噪比相比band-wise K-SVD算法提高了7.6%左右,同时具有更好的视觉效果。     

基于结构性字典学习的毛儿盖遥感图像去噪研究

遥感图像的噪声分析、评估和滤波作为遥感图像处理的研究重点而一直受到遥感应用领域的关注。为了进一步提高遥感图像的去噪能力，提出一种新的基于聚类的组稀疏字典学习多光谱遥感图像去噪算法，该算法能够综合利用多光谱遥感图像的空间局部性和光谱的全局性，对遥感图像像素进行聚类后划分为不同的组，然后通过字典学习获得多光谱遥感图像的空间、光谱字典和系数。经过阈值处理后，对空间相似的块进行平均处理，实现了对多光谱遥感图像的去噪。该算法用于岷江上游植被和土壤类型典型地区——毛儿盖实验区遥感图像的去噪，峰值信噪比相比band-wise K-SVD算法提高了7.6%左右，同时具有更好的视觉效果。     

结合降噪卷积神经网络和条件生成对抗网络的图像双重盲降噪算法

针对图像降噪中降噪效果差、计算效率低的问题,提出了一种结合降噪卷积神经网络（DnCNN）和条件生成对抗网络（CGAN）的图像双重盲降噪算法。首先,使用改进的DnCNN模型作为CGAN的生成器来对加噪图片的噪声分布进行捕获;其次,将剔除噪声分布后的加噪图片和标签一同送入判别器进行降噪图像的判别;然后,利用判别结果对整个模型的隐层参数进行优化;最后,生成器和判别器在博弈中达到平衡,且生成器的残差捕获能力达到最优。实验结果表明,在Set12数据集上,当噪声水平分别为15、25、50时：所提算法与DnCNN算法相比,基于像素点间误差评价指标,其峰值信噪比（PSNR）值分别提升了1.388 dB、1.725 dB、1.639 dB;所提算法与三维块匹配（BM3D）、加权核范数最小化（WNNM）、DnCNN、收缩场级联（CSF）和一致性神经网络（CSNET）等现有算法相比,结构相似性（SSIM）评价指标值平均提升了0.000 2~0.104 1。实验结果验证了所提算法的优越性。     

基于边缘检测及RBF神经网络的遥感图像帧特征动态识别技术

为解决分辨率超限问题,实现对遥感图像帧特征对象的精准识别,提出基于边缘检测及RBF神经网络的遥感图像帧特征动态识别技术。求解微分算子与OTSU阈值,并以此为基础,确定边缘节点追踪参数的取值范围,实现对遥感图像边缘检测。根据RBF神经网络机制的构建标准,推导神经性激活函数,完成RBF神经网络识别模型的设计。在所选遥感图像中,实施帧特征分割处理,再联合动态合并条件,计算超像素指标与并行识别参量,完成基于边缘检测及RBF神经网络的遥感图像帧特征动态识别方法的设计。实验结果表明,在边缘检测与RBF神经网络模型的作用下,主机元件在长、宽、高三个方向上对于遥感图像帧特征对象的识别精度都达到了100%,分辨率超限问题得到较好解决,符合精准识别遥感图像特征的实际应用需求。     

两阶段多层感知的随机脉冲噪声比例预测

目的 基于卷积神经网络（CNN）在图块级上实现的随机脉冲噪声（RVIN）降噪算法在执行效率方面较经典的逐像素点开关型降噪算法有显著优势,但降噪效果如何取决于能否对降噪图像受噪声干扰程度（噪声比例值）进行准确估计。为此,提出一种基于多层感知网络的两阶段噪声比例预测算法,达到自适应调用CNN预训练降噪模型获得最佳去噪效果的目的。方法 首先,对大量无噪声图像添加不同噪声比例的RVIN噪声构成噪声图像集合;其次,基于视觉码本（visual codebook）采用软分配（soft-assignment）编码法提取并筛选若干能反映噪声图像受随机脉冲噪声干扰程度的特征值构成特征矢量;再次,将从噪声图像上提取的特征矢量及对应的噪声比例分别作为多层感知网络的输入和输出训练噪声比例预测模型,实现从特征矢量到噪声比例值的映射（预测）;最后,采用粗精相结合的两阶段实现策略进一步提高RVIN噪声比例的预测准确性。结果 针对不同RVIN噪声比例的失真图像,从预测准确性、实际降噪效果和执行效率3个方面验证提出算法的性能和实用性。实验数据表明,本文算法在大多数噪声比例下的预测误差小于2%,降噪效果（PSNR指标）较其他主流降噪算法高24 dB,处理一幅大小为512×512像素的图像仅需3 s左右。结论 本文提出的RVIN噪声比例预测算法在各个噪声比例下具有鲁棒的预测准确性,在降噪效果和执行效率两个方面较经典的开关型RVIN降噪算法有显著提升,更具实用价值。