[发明专利]基于有序最小值与小波滤波的高光谱图像宽条带去除方法

摘要

一种基于有序最小值与小波滤波的高光谱图像宽条带去除方法，从高光谱成像机理和条带噪声产生机理以及条带噪声分布的特点出发，利用小波多尺度分解去除条带噪声，充分考虑了小波多尺度多方向性的特点和条带噪声具有方向性的优势相结合，不仅能够有效去除暗条带、灰色条带和亮条带噪声，而且能对超宽条带进行滤除，获得好的去噪效果。

主权项

1.一种基于有序最小值与小波滤波的高光谱图像宽条带去除方法，其特征在于，包括以下步骤：1)输入高光谱遥感图像；2)对步骤1)输入高光谱图像进行对比度调整，首先获得输入图像灰度值的范围，然后把它调整到1～256范围内，调整对比度的目的是调整图像灰度值的动态范围，提高图像的辐射分辨率，同时提高亮条带的亮度，降低暗条带的亮度，有利于后续步骤对条带噪声的去除；3)进行最小值滤波，对步骤2)调整过后的高光谱图像进行最小值滤波步骤如下：高光谱图像中的条带噪声，存在明亮的条带和/或暗淡的条带，当明暗条带都存在时，选择最小值滤波，把亮的条带转变成暗淡的条带，以图像中某点(x,y)为中心，设置一个滑动窗口，窗口大小为K×L，对窗口内的所有像素值与中心值I(x,y)进行比较，如果窗口内的所有像素值比中心像素值小，则进行替换，在本方法中，设置窗口参数K＝L＝3；4)确定条带噪声的方向性；其具体步骤为：判断输入图像中条带的方向性，首先假设的条带是垂直条带噪声，所以如果条带是垂直条带，则直接进入步骤6)；如果条带是横向条带，则进入步骤5)；5)进行转置处理；6)进行小波分解，去除条带噪声；其步骤为：a、确定小波分解方式，选择二维平稳小波变换，简称SWT，对图像进行分解，而不是二维离散小波变换，简称DWT，因为SWT变换是非下采样，分解后的所有系数子图像的大小跟原始图像的大小一样，这样有利于对分解系数进行处理，DWT是下2采样的，每次采样后系数子图像大小是上一尺度的一半，随着尺度的增加，系数子图像的大小越来越小，不便于对子图像进行处理；b、确定小波基函数和分解尺度M，在该方法中选择dbN小波，小波分解的尺度不超过5，即M<＝5，在实际应用过程中，根据条带噪声的出现情况对相应尺度进行处理；c、确定需进行处理的系数子图像，小波变换对图像进行分解，每个分解尺度上可以获得四个子系数图像，包括一个低频图像和三个高频子图像，这三个高频子图像分别表示水平方向、垂直方向和对角方向的信息，由于处理的是垂直条带噪声，所以条带噪声信息存在于垂直系数子图像和近似系数子图像中，对这两个系数子图像进行处理即可；7)对系数子图像进行SWT分解；其具体步骤为：如果系数子图像中包含的信息除了条带外还有其它信息，就对该系数子图像进行小波分解，分解的尺度设为1或2即可，然后选择垂直子图像和低频近似子图像；8)系数子图像进行归零处理；其具体步骤为：把步骤7)中所获得的近似子图像和垂直子图像进行归零处理，即把该系数子图像的所有值设为零；9)对处理过的系数子图像进行逆平稳小波变换；10)全部分解系数进行逆平稳小波变换；11)进行矩匹配处理；其具体步骤为：a、由于条带噪声出现的原因是各个电荷耦合元件传感器响应函数的不一致，其中电荷耦合元件简称CCD，因此，矩匹配算法的思想是设定各CCD探元的响应函数为具有移不变性质的线性函数，令C_i为第i个CCD探元，则C_i的光谱响应函数可以用式(1)表示，即Y_i＝k_iX+b_i+e_i(X)         (1)其中，Y_i为输出值，也就是图像中像素的灰度值，X为该CCD记录的辐射值，k_i为响应函数的增益，b_i为偏移，e_i为随机噪声，如果图像的信噪高，那么式(1)中的随机噪声可以忽略，式(1)可以写为式(2)如下：Y_i＝k_iX+b_i         (2)从式(2)可以看出，对于同一辐射强度X，如果其增益k_i和偏移量b_i的取值不同，则会得到不同的结果，因而就产生了条带噪声，所以，根据条带噪声产生原理，把不同的值归一化到相同的值，则可以有效地消除条带噪声，以某波段图像中的某CCD列作为参考列，利用公式将其它各CCD列的值校正到该参考CCD的辐射率上，就可实现条带噪声的消除，归一化匹配的数学模型如式(3)所示，即其中，X和Y分别表示某波段图像的第i列像素校正前和校正后的灰度值，μ_r和σ_r分别是参考CCD列的均值和标准差，μ_i和σ_i分别为第i列的均值和标准差，参考值选用整幅图像的均值和标准差代替参考列的均值和标准差；12)输出消除条带噪声的图像。