[发明专利]一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法

权利要求书

1.基于小波变换和改进的加权核范数最小化的遥感影像去噪方法，其特征在于：包括如下步骤：

S1.对影像进行二维多尺度小波分解

在分解出的第一个尺度的对角分量系数中计算方差，估算出影像的噪声方差值；

S2.改进的加权核范数最小化方法去噪

步骤1：相似图像块的搜索

利用图像块中个像素及其邻域像素，确定相似度及图像块的灰度值，确定图像块的特征向量；

通过对正度图像的像素进行均匀采样，确定一个小的图像块集合；

利用图像块集合，构造一个表示图像块集合的k维树；

将图像无重叠的分为几个子图；

将子图构造出图像的k维树，并在其中搜索相似的图像块；

确定含有相似图像块最多的k维树并搜索出与其相似的图像块，即为待搜索的相似图像块；

步骤2：相似块奇异值分解

步骤3：奇异值软阈值化操作

将以上S2步骤对整幅影像进行遍历，结束后将影像按照顺序复位；

S3.计算图像的峰值信噪比，并将峰值信噪比设为限制条件，迭代S1，S 2步骤；

S4.使用canny算法对去噪后的影像进行边缘增强，最后输出的影像即为所求影像；

所述步骤S1中，利用小波分解得到的第一个尺度的对角分量系数的方差，估算出影像的噪声方差值；

估算出影像的噪声方差值具体如下：

多尺度二维小波分解完成后，可以得到相应尺度下水平，竖直和对角方向上的低频系数，表示如下：

其中，c^j,1、c^j,2、c^j,3分别表示水平，竖直和对角方向上的低频系数，k，m分别表示分解后图像像素对应的坐标，z表示整幅图像；

由于在小波分解的过程中对角线方向上的分解为低频信号，且在多尺度信号分解中，随着分解的逐次进行，所含有的图像信息也逐渐减少，因此在尺度1的对角线分解信息中包含的噪声信号最多，因此对第一个尺度的对角分量计算方差，公式如下：

其中，表示尺度1的对角线分解信息，表示尺度1的对角线分解信息的平均值，σ²即为所估计的含有噪声图像的噪声方差。

2.根据权利要求1所述的基于小波变换和改进的加权核范数最小化的遥感影像去噪方法，其特征在于：所述步骤S2中图像块特征向量的确定方法，具体如下：

首先确定每个图像块含有25个像素值，分别记为p1、p2、……、p25，利用下述公式(5)计算图像块与其周围8个图像块的相似度，分别记做s1、s2、……、s8，然后将25个像素值以及8个相似度的值组合成一个向量，进行归一化处理，即为所求的特征向量，EV＝[p1，p2，……，p25，s1，s2，……，s8]；

式中a为控制参数，P为待处理的图像块，P_i为周围的第i个图像块。

3.根据权利要求1所述的基于小波变换和改进的加权核范数最小化的遥感影像去噪方法，其特征在于：所述步骤S2中的k维树的确定，具体如下：

对相应图像块集合中的所有图像块的特征向量，通过公式(6)计算每一维特征向量的标准差，

其中，v_i是特征值，是对应的特征向量的均值，m为图像块的数目，然后选取标准差最大的一维特征，并求出改维特征的中值，此中值即为k维树的根节点，利用上述根节点将图像块集合划分为两个部分，小于根节点的图像块位于树的左边，大于根节点的位于右边，对左右两边的图像块重复上述操作直至不能再划分为止。

4.根据权利要求1所述的基于小波变换和改进的加权核范数最小化的遥感影像去噪方法，其特征在于：所述步骤S3将峰值信噪比设为限制条件，具体如下：

峰值信噪比的值作为停止迭代的判断标准，即在影像迭代操作过程中，判断峰值信噪比的值大于或等于下一次迭代的峰值信噪比结果时立即停止迭代。