[发明专利]水色遥感影像的深度学习非邻域均值化处理方法及系统

说明书

本发明公开了一种水色遥感影像的深度学习非邻域均值化处理方法及系统，涉及图像处理技术领域，该方法包括：采集待处理的含噪卫星水色图像；向预设的深度卷积神经网络框架的非局部均值模型输入待处理的原始图像；采用预设的深度卷积神经网络框架的非局部均值模型的N个卷积层中的卷积核对输入的原始图像进行处理，输出网络学习后的与原始图像对应的噪声图像；对噪声图像和原始图像进行叠加处理，得到去噪后的图像。该系统包括：采集模块、计算模块、处理模块一、处理模块二、处理模块三、处理模块四、处理模块五和输出模块。本发明在深度卷积网络模型的基础上，增加非局部均值模块，能够有效的消除随机噪声。

技术领域

本发明涉及图像处理技术领域，更具体地，涉及一种水色遥感影像的深度学习非邻域均值化处理方法及系统。

背景技术

随着计算机图像的快速发展，成像已经被广泛地应用于军事、医学、商业以及日常生活中。在特种应用环境中，由于普通可见光图像受成像系统本身的限制，以及周围环境进光量的限制，导致图像噪声与图像本身所含信息差距较小，成像后的图像信噪比过低，导致目标模糊不清，甚至被背景噪声掩盖，导致在实际应用中需要对信噪比较低的图像进行图像增强处理。

卫星图像的信噪比性能更多依赖于成像器件的动态范围，成像器件的性能制约着卫星观测能力。为了实现卫星图像质量的整体提升，实现水色观测信噪比优于1000的指标要求，有必要对成像过程的噪声产生环节，以及噪声抑制方法进行分析，明确信噪比提升的相关技术手段。

目前来看，制约单画幅图像信噪比提升的主要问题在于信号/噪声的分辨需要服从一定的先验假设，以及在复杂场景下缺乏足够的智能性，尤其是遥感影像具有画幅大、地物类型复杂、纹理类型丰富的特点，当图像细节纹理和噪声的相似度较高时，往往在提升信噪比的同时也过多地平滑了地物细节成分而影响图像的空间分辨率。

首先，直方图均衡法是提高图像对比度和扩大灰度的动态范围最有效的方法之一，但是由于该算法在统计概率分布时对处理的数据不加选择，可能会增加背景和噪声的对比度并且降低目标信号的对比度，使得变换后图像的灰度值减少，导致某些细节消失，致使最终显示的图像不清楚；其次，随着模式识别与机器学习的不断发展，基于机器学习的信噪比提升方法被提出来，通过建立可靠的训练样本集，使滤波器能够自适应地学习各种复杂场景下的噪声分布规律，使用机器学习的信噪比提升方法具有更强的适应性和鲁棒性，但由于监测仪光学孔径、探测器灵敏度和一次曝光时间有限，导致成像SNR偏低的现状。

因此，亟需一种图像处理方法，能够消除随机噪声，抑制卫星图像在低照度情况下，背景和噪音对成像的影响。

发明内容

有鉴于此，本发明提供了一种水色遥感影像的深度学习非邻域均值化处理方法及系统，其中，在深度卷积网络模型的基础上，增加非局部均值模块，能够有效的消除随机噪声，抑制卫星图像在低照度情况下，背景和噪音对成像的影响。

本申请所提供的一种水色遥感影像的深度学习非邻域均值化处理方法，包括：

采集待处理的原始图像，原始图像为含噪卫星水色图像；

向预设的深度卷积神经网络框架的非局部均值模型输入待处理的原始图像；

采用预设的深度卷积神经网络框架的非局部均值模型的N个卷积层中的第一层的卷积核对原始图像进行卷积处理，得到原始图像的初始图像特征，N为大于17的正整数；

采用预设的深度卷积神经网络框架的非局部均值模型的N个卷积层中的第二层的卷积核至第六层的卷积核对初始图像特征进行卷积处理，得到第一图像特征；

采用预设的深度卷积神经网络框架的非局部均值模型的N个卷积层中的第七层的卷积核对第一图像特征进行卷积处理，得到第二图像特征；

采用预设的深度卷积神经网络框架的非局部均值模型的N个卷积层中的第八层的卷积核至第十六层的卷积核对第二图像特征进行卷积处理，得到第三图像特征；