[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

说明书

本发明公开了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，方法包括如下步骤：首先使用小波变换方法估计噪声影像的噪声方差，然后利用邻域图像块的像素相似度进行相似图像块的搜索，并对相似图像块进行奇异值分解和奇异值软阈值化操作，再遍历整幅影像，最后使用canny算子进行边缘增强处理，得到去噪且边缘清晰的影像。相比于NLM和常规的WNNM方法去除遥感影像中的噪声，本发明的操作较为简单，且能够得到更高的PSNR值和更好的视觉效果。

技术领域

本发明属于遥感影像技术领域，具体涉及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。

背景技术

非局部自相似性是指一个图像块在其所在的整幅图像范围内的其他位置有很多相似块，即一幅干净的图像结构是具有冗余性的，所以一个图像块的相似块可能存在整幅图像的任何位置。加权核范数最小化方法是基于非局部自相似性的基础上提出的一种图像去噪方法，由于其高效准确的特点，改善了不同奇异值对模型的影响程度，从而提高了去噪效果，在图像处理领域得到了普遍应用。小波变换由于其可自动适应视频信号分析的要求，达到聚焦到信号任意细节的目的，克服了无法处理非平稳信号和窗口形状固定带来不便的难题，在信号变换领域中被誉为“数学显微镜”。因此使用小波变换进行图像信号的分解并结合加权核范数最小化进行去噪的方法对遥感影像去噪有着重要意义。然而传统上对小波变换的应用并没有涉及到对多尺度分解中尺度1信息的单独应用，并且在加权核范数最小化方法处理影像的过程中，对于图像相似块的搜索会随着图像信息量增多而越来越困难。

一些机构对基于非局部自相似性的应用的提出了发展方向，低秩矩阵恢复算法就是其中一种。对于低秩矩阵恢复的优化方法可分为两类：低秩矩阵分解方法和核范数最小化。例如，Zhang等人采用的低秩矩阵恢复模型，对遥感影像中对多种模型噪声都有较好的去除效果。Dabov K.等在变换域中利用3D数据阵列实现稀疏性增强，这种方法有效地滤除了遥感影像中的噪声。

然而不管是利用哪种方法，都会有一定程度上是影像的信息丢失，造成一些像素的平滑，影像去噪的精度。

图像噪声方差是加权核范数最小化方法进行去噪过程中必不可少的一项重要信息，因此对于一幅噪声方差未知的影像进行噪声方差的估计是十分必要的。原始的加权核范数最小化方法过程中，采用欧氏距离进行图像相似块搜索时会由于位置信息而造成相对较多的误差，影像去噪的精度，使用像素的灰度值进行图像相似块的搜索可以最大程度上利用像素信息，使相似块寻找更为准确，从而提高去噪的精度。小波变换一般情况下被用来进行信号的从空间域向频率域变换的预处理，没有单独使用多尺度的二维小波分解过程中的尺度1的对角线方向上的信息对噪声方差进行估。

发明内容

本发明的目的在于提出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，以提高遥感去噪的精度，提高视觉效果。

为了实现上述目的，本发明采用的技术方案如下：

本发明为了实现上述目的，采用如下技术方案：

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，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

s2.1. 相似图像块的搜索

s2.1.1 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；

s2.1.2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；

s2.1.3 利用图像块集合，构造一个表示图像块集合的k维树；

s2.1.4 将图像无重叠的分为几个子图；