论文部分内容阅读
遥感图像作为获取地物信息的重要手段,被广泛应用于资源普查、环境监测、灾害评估、城市规划、军事侦察等诸多领域。然而受工作环境、成像设备等因素的影响,遥感图像在成像、传输与存储过程中,会不可避免地受到图像质量降质退化,直接影响遥感图像的判读和信息提取。为了提升降质遥感图像的质量,需要对其进行恢复和重建。本文主要研究了受随机噪声、条带噪声和有雾天气影响的遥感图像恢复问题。对于随机噪声,经典的ROF模型等变分模型可以看作是在单一固定尺度下进行图像恢复,在去除噪声时,存在难以保持细节信息、引入人为退化因素等问题。针对这一问题,提出了一种基于多尺度变分模型的随机噪声去除方法。利用多尺度分层分解方法将图像在不同尺度下进行分解,提取图像在不同尺度下的纹理和噪声信息,从而实现噪声和图像有用细节信息的分离。实验表明,所提方法能够有效抑制遥感图像中的随机噪声,同时保持图像的边缘纹理等细节信息。多片CCD(Charge-coupled Device)拼接遥感成像系统由于非均匀性问题,导致遥感图像中常存在条带噪声问题。在分析了条带噪声的主要来源和特性的基础上,提出了基于多尺度变分模型的条带噪声去除方法。在构造能量函数时将条带噪声的单向性特点与多尺度分层分解方法相结合。然后利用不动点GaussSeidel迭代法多尺度分级极小化能量泛函,得到不同尺度下的结构分量和振荡分量,从而实现条带噪声和图像有用信息的分离。最后通过累加各尺度的结构分量和细节分量得到去条带噪声图像。实验结果表明,与典型条带噪声去除方法相比,无论周期条带噪声还是随机条带噪声,该方法都能够在保证畸变量很小的情况下,完全去除条带噪声,满足遥感图像低畸变量的预处理要求。现有的基于小波变换的条带噪声去除方法,由于采用的离散小波变换不具有平移不变性,当系数被修改时,容易在去噪图像中产生伪吉布斯现象。针对这一问题,提出了一种基于平稳小波变换和单向变分的条带噪声去除方法。首先利用平稳小波变换将含条带噪声图像分解为低频分量和三个高频分量。由于条带噪声具有方向性,所以条带噪声分量只包含于低频分量和对应的高频分量中,然后对含有条带噪声信息的小波子带利用单向变分进行处理,其它小波子带不作处理。实验表明,该方法在去噪过程中能最大限度地保留图像边缘等细节信息,且在去噪图像中无伪吉布斯现象。在有雾的天气条件下,由于大气粒子的散射作用,大气的透过率随着景物到成像系统的距离的增加而指数级的降低,且在0-1之间取值。如果直接进行逆变换复原,则对于透过率低的远处景物,噪声会被无限放大。针对这一问题,提出了一种基于自适应变分的去雾算法。对雾天图像建立变分恢复模型,并在变分模型中引入空间自适应正则因子,可以根据大气透过率的变化而自动调整正则强度,实现对远处的景物采用大的正则强度,对近处的景物采用小的正则强度。实验表明,所提方法能够有效改善雾天图像的清晰度,无噪声放大现象,无色彩失真。