CN103679648B - 一种基于空间分割的矩匹配卫星影像条带噪声去除方法 - Google Patents

Abstract

一种基于空间分割的矩匹配卫星影像条带噪声去除方法，该方法将不同光谱特征的地物依据均值、中值、梯度的特征进行分割，并对每一个分割区域采用标准矩匹配处理。该方法针对数据量大的遥感全色影像，基于基本影像处理理论，提供了一种有效的影像噪声去除方法。该方法能够有效地复原影像、改善影像质量，算法效率也很高。

Description

一种基于空间分割的矩匹配卫星影像条带噪声去除方法

技术领域

本发明属于遥感影像处理领域，涉及一种基于空间分割的矩匹配卫星影像条带噪声去除方法。

背景技术

条带噪声是影响光学卫星影像成像质量的一个重要因素，抑制或去除条带噪声是卫星地面预处理进行辐射处理的基本环节之一。光学卫星的成像系统由于内外部因素的干扰,如：CCD器件(电荷耦合器件)的性能随时间发生变化、大气干扰等，在进行影像均一化相对辐射校正之后，影像中仍然会残留有条带噪声，这类噪声的存在，极大的降低了影像的清晰度，为影像的后续判读处理增加了难度，因此必须予以剔除。

通过对影像中残留的条带噪声进行分析发现该类条带噪声存在有以下特点：1.噪声出现的空间位置是随机的。2.噪声与周围地物之间高度非线性相关。

目前常用的去条带噪声的方法归纳起来可以分为两类：一类是针对图像空间域特征提出的去噪方法；另一类是将空间域和频率域相结合，采用适当的滤波算子去除条带噪声的方法。其中空间域去噪的典型算法有Gadallahd等人提出的基于矩匹配的多载荷影像的条带噪声去除法，该方法要求图像灰度均一，且条带噪声图像与其相邻图像之间存在较高的相关性，这类算法对于处理局部的地物单一的卫星影像具有较好的效果，但是在处理整幅地物丰富的卫星影像时，效果不佳；于是在此基础上，刘正军等人提出了基于均值补偿的改进矩匹配方法，该方法利用高光谱图像的多光谱信息来纠正标准矩匹配算法产生的灰度畸变，该方法很好的处理了标准矩匹配算法纠正影像时造成的探元间的灰度畸变，但是并没有纠正标准矩匹配算法造成的探元内的灰度畸变，且该方法对于单波段的全色影像并不适用；刘妍等人提出了基于水平集的改进矩匹配随机条带噪声去除算法，该算法虽然在一定程度上抑制了标准矩匹配算法纠正影像时造成的探元间和探元内的灰度畸变，但是基于影像灰度分割的方法在区分不同光谱特性的地物时精度不高，在处理高分辨率卫星遥感影像时会由于地物错分而产生随机的灰度畸变；空间域和频率域相结合的去噪算法目前主要是利用小波变换的时频特点，通过对图像进行小波变换，研究噪声的小波系数变换规律，从而提炼出条带噪声的成分并对其进行剔除，但小波变换计算量大，并且会对光谱信息造成较大损失，对于整幅卫星图像的处理，计算速度和光谱保留度并不理想。

发明内容

本发明解决的技术问题是：克服现有技术的不足，针对全色影像中存在的随机条带噪声，提供一种基于空间分割的矩匹配卫星影像条带噪声去除方法，解决了标准矩匹配方法不能适用于地物不均匀的卫星影像的问题。

本发明的技术方案是：一种基于空间分割的矩匹配卫星影像条带噪声去除方法，包括以下步骤：

1)对待处理卫星影像的每个像素(x,y)建立邻域范围k×k，其中k为正奇数，即以像素点(x,y)为中心，选择k×k大小的区域L；获取区域L中所有像素的灰度值的平均值f(x,y)，获取区域L中所有像素的灰度值的中间值g(x,y)，获取梯度 $G(x,y)=\sqrt{G_x^2+G_y^2},$ 其中 $G_x=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]*L,G_y=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]*L,$ 其中*为卷积符号；

以每个像素点的均值f、中值g、梯度G为该像素点的三维坐标，映射到以f、g、G分别为三轴的三维直角坐标系中，构建待处理卫星影像的三维共生矩阵模型；并设置分割次数N，其中N为大于1的正整数；

2)在步骤1)建立的三维共生矩阵模型中设置初始分割点s(f₀,g₀,G₀)；以过点s(f₀,g₀,G₀)且平行于fOg的平面、过点s(f₀,g₀,G₀)且平行于gOG的平面和过点s(f₀,g₀,G₀)且平行于fOG的平面将三维共生矩阵分为八个子空间；定义在fOg平面内的四个子空间为下层子空间，其余四个子空间为上层子空间；在上层四个子空间中，定义与G轴相交的子空间为区域A₀，与该子空间成角对称分布的子空间为参考区域B₀；在下层四个子空间中，定义与G轴相交的子空间区域C₀，与该子空间成角对称分布的子空间为计算区域D₀；

3)沿G轴移动s点，在移动过程中实时获取参考区域A₀、B₀内的熵的和，取和的最大值点为记G轴上的最佳分割点s_G(f₀,g₀,G₀')，并重新获得参考区域A_0G和B_0G；沿f轴移动s_G点，在移动过程中实时获取参考区域A_0G和B_0G内的熵的和，取和的最大值点记为f轴上的最佳分割点s_fG(f₀',g₀,G₀')，并重新获得参考区域A_0fG和B_0fG；沿g轴移动s_fG点，在移动过程中实时获取参考区域A_0fG和B_0fG的熵的和，取和的最大值点记为g轴上的最佳分割点s_fgG(f₀',g₀',G₀')，并重新获得参考区域A_0fgG和B_0fgG；将最佳分割点s_fgG记为s'，将参考区域A_0fgG和B_0fgG，记为参考区域A₁和B₁，获得三维共生矩阵第一级分割的八个子空间，并得到第一级分割的计算区域C₁和D₁；

4)在步骤3)中得到的计算区域C₁、D₁中的每个区域内重复步骤2)、步骤3)，得到四个第二级分割的计算区域；

5)重复步骤4)直到设置的迭代次数N执行完毕，得到最终2^N的计算区域；

6)计算步骤5)中获得的每个计算区域所对应的像素灰度值的均值和方差，采用标准矩匹配方法，重新计算该区域所对应的像素的灰度值，最终去除待处理卫星影像的条带噪声。

本发明与现有技术相比的优点在于：

针对数据量大的遥感全色影像，基于基本影像处理理论，提供了一种有效的影像噪声去除方法。该方法能将不同光谱特征的地物依据均值、中值、梯度的特征进行分割，并对每一个分割区域采用标准矩匹配处理，够有效地复原影像、改善影像质量，算法效率也很高。

附图说明

图1为本发明实施例的流程示意图；

图2为三维共生矩阵象限示意图。

具体实施方式

根据影像处理的基本理论可以知道，影像直方图的不同峰值代表了影像中包含的不同地物类型，标准矩匹配方法虽然在处理地物丰富的影像时会造成灰度畸变，即在影像直方图具有多个峰值或者直方图峰值曲线跨度较大的情况下，采用标准矩匹配方法会造成灰度畸变现象，但是对于灰度范围跨度较小的单个峰值的曲线分布，标准矩匹配方法在对影像进行噪声去除处理时，并不会造成影像中产生灰度畸变现象。因此将单一探元内部的成像数据根据影像直方图分布的差异(即不同的灰度等级)进行区分，然后分别求取不同灰度区域成像数据的方差和均值，最后对不同的灰度区域的成像数据，分别进行标准矩匹配处理，这样就可以解决标准矩匹配由于均值改变导致的探元间的灰度畸变以及由于方差改变导致的探元内的灰度畸变。

以下结合图1和具体实施例详细说明本发明技术方案。

1)I(x,y)为卫星影像像素点(x,y)处的灰度值，设该像素点邻域大小

k×k(本实施例中选取k＝3)即以像素点(x,y)为中心，选择3×3大小的区域L，并计算其均值f(x,y)为L中所有像素的灰度值的平均值，计算中值g(x,y)L中所有像素的灰度值的中间值，梯度 $G(x,y)=\sqrt{G_x^2+G_y^2},$ 其中 $G_x=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]*L,$ $G_y=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]*L,$ *为卷积符号；以每个象素点的均值f、中值g、和梯度G为该象素点的三维坐标，映射到以f、g、和G分别为三轴的三维直角坐标系中，构建待处理卫星影像的三维共生矩阵模型；并设置分割次数N＝3；

2)在1)建立的三维共生矩阵模型中给定初始分割点s(f₀,g₀,G₀)为，以过点s(f₀,g₀,G₀)且平行于fOg的平面、过点s(f₀,g₀,G₀)且平行于gOG的平面和过点s(f₀,g₀,G₀)且平行于fOG的平面将三维共生矩阵分为八个子空间，见图2；定义在fOg平面内的四个子空间为下层子空间，其余四个子空间为上层子空间；在上层四个子空间中，定义与G轴相交的子空间，以及与该子空间成角对称分布的子空间为区域A₀和参考区域B₀，即A₀为区域4，B₀为区域5；在下层四个子空间中，定义与G轴相交的子空间，以及与该子空间成角对称分布的子空间为区域C₀和计算区域D₀，即C₀为区域0，D₀为区域1；

3)沿G轴移动s点，在移动过程中实时获取参考区域A₀、B₀内的熵的和，取和的最大值点为记G轴上的最佳分割点s_G(f₀,g₀,G₀')，并重新获得参考区域A_0G和B_0G；沿f轴移动s_G点，在移动过程中实时获取参考区域A_0G和B_0G内的熵的和，取和的最大值点记为f轴上的最佳分割点s_fG(f₀',g₀,G₀')，并重新获得参考区域A_0fG和B_0fG；沿g轴移动s_fG点，在移动过程中实时获取参考区域A_0fG和B_0fG的熵的和，取和的最大值点记为g轴上的最佳分割点s_fgG(f₀',g₀',G₀')，并重新获得参考区域A_0fgG和B_0fgG；将最佳分割点s_fgG记为s'，将参考区域A_0fgG和B_0fgG，记为参考区域A₁和B₁，获得三维共生矩阵第一级分割的八个子空间，并得到第一级分割的计算区域C₁和D₁；

4)在步骤3)中得到的计算区域C₁、D₁中的每个区域内重复步骤2)、步骤3)，得到4个第二级分割的计算区域；

5)重复4)，得到最终的8个计算区域；

6)对5)中获得的每个计算区域，计算该区域所对应的像素灰度值的均值和方差，采用标准矩匹配方法，重新计算该区域所对应的像素的灰度值，最终去除待处理卫星影像的条带噪声。

本发明中未作详细描述的内容属本领域专业技术人员的公知技术。

Claims (1)

1.一种基于空间分割的矩匹配卫星影像条带噪声去除方法，其特征在于步骤如下：

1)对待处理卫星影像的每个像素(x,y)建立邻域范围k×k，其中k＝3，即以像素点(x,y)为中心，选择k×k大小的区域L；获取区域L中所有像素的灰度值的平均值f(x,y)，获取区域L中所有像素的灰度值的中间值g(x,y)，获取梯度 $G(x,y)=\sqrt{G_x^2+G_y^2},$ 其中 $G_x=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]*L,G_y=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]*L,$ 其中*为卷积符号；

以每个像素点的均值f、中值g、梯度G为该像素点的三维坐标，映射到以f、g、G分别为三轴的三维直角坐标系中，构建待处理卫星影像的三维共生矩阵模型；并设置分割次数N，其中N为大于1的正整数；

2)在步骤1)建立的三维共生矩阵模型中设置初始分割点s(f₀,g₀,G₀)；以过点s(f₀,g₀,G₀)且平行于fOg的平面、过点s(f₀,g₀,G₀)且平行于gOG的平面和过点s(f₀,g₀,G₀)且平行于fOG的平面将三维共生矩阵分为八个子空间；定义在fOg平面内的四个子空间为下层子空间，其余四个子空间为上层子空间；在上层四个子空间中，定义与G轴相交的子空间为区域A₀，与该子空间成角对称分布的子空间为参考区域B₀；在下层四个子空间中，定义与G轴相交的子空间区域C₀，与该子空间成角对称分布的子空间为计算区域D₀；

3)沿G轴移动s点，在移动过程中实时获取参考区域A₀、B₀内的熵的和，取和的最大值点为记G轴上的最佳分割点s_G(f₀,g₀,G₀')，并重新获得参考区域A_0G和B_0G；沿f轴移动s_G点，在移动过程中实时获取参考区域A_0G和B_0G内的熵的和，取和的最大值点记为f轴上的最佳分割点s_fG(f₀',g₀,G₀')，并重新获得参考区域A_0fG和B_0fG；沿g轴移动s_fG点，在移动过程中实时获取参考区域A_0fG和B_0fG的熵的和，取和的最大值点记为g轴上的最佳分割点s_fgG(f₀',g₀',G₀')，并重新获得参考区域A_0fgG和B_0fgG；将最佳分割点s_fgG记为s'，将参考区域A_0fgG和B_0fgG，记为参考区域A₁和B₁，获得三维共生矩阵第一级分割的八个子空间，并得到第一级分割的计算区域C₁和D₁；

4)在步骤3)中得到的计算区域C₁、D₁中的每个区域内重复步骤2)、步骤3)，得到四个第二级分割的计算区域；

5)重复步骤4)直到设置的迭代次数N执行完毕，得到最终2^N的计算区域；

6)计算步骤5)中获得的每个计算区域所对应的像素灰度值的均值和方差，采用标准矩匹配方法，重新计算该区域所对应的像素的灰度值，最终去除待处理卫星影像的条带噪声。