论文部分内容阅读
高光谱图像蕴含丰富的空间维、光谱维信息，在精准农业、地质勘探和军事侦察领域具有重要应用价值。然而高光谱图像由于空间分辨率低、成像过程引入噪声等降质影响，如何进行结构与光谱特征保持的图像滤波以及结合高空间分辨率全色图像进行融合质量提升是目前研究者广泛关注的问题。本文围绕高光谱图像去噪与融合问题，运用非局部思想和小波分析等理论，进行算法改进以及新算法的研究。本文的主要工作和研究成果如下: (1)研究了多光谱和高光谱图像结构与光谱特征保持的非局部协同滤波方法。经典的BM3D算法中缺乏噪声强度自适应估计，非局部相似性搜索不理想等问题，本文给出了一种均匀区域局部标准差自适应估计与非局部相似块快速搜索策略的改进BM3D算法。实验结果表明，改进BM3D算法去噪效果的提升。 (2)针对大数据量高光谱去噪问题，结合主成分分析(PCA)，本文将其转换到低维空间，对于主分量采用自适应BM3D算法去噪，同时为了进一步提高信噪比，对次分量采用可分的三维协同滤波，首先通过光谱微分技术提高噪声水平，再分别在空间维和光谱维使用小波软阈值去噪，实验结果证明了这种方法信噪比高于传统方法。 (3)在研究经典全色与多光谱图像融合（Pansharpening）增强方法的基础上，提出了一种结合Contourlet变换和PCA主成分自适应的融合增强方法。该方法充分利用了Contourlet变换的多方向多尺度子带分解和主成分分析降维特性，实现了不同主成分多尺度方向细节信息的自适应注入，提高了图像融合质量，实验验证了方法的有效性。 (4)在研究经典基于变分的P+XS全色图像和多光谱图像融合增强模型的基础上，考虑图像的非局部块相似性信息，给出了一种非局部结构信息的适应加权全变差正则项与光谱保持项组成的变分模型，设计了相应数值求解方法。通过全色与多光谱图像融合，全色与高光谱图像融合实验，证明了非局部变分融合方法能大大提高融合后图像的质量。