基于非下采样轮廓波变换与非负矩阵分解去云雾方法技术

基于非下采样轮廓波变换与非负矩阵分解去云雾方法，涉及图像处理与遥感遥测技术领域，解决采用现有去除云雾的方法在去云雾过程的中，存在云层下垫面信息的丢失的问题，将含有云雾的两幅遥感图像，进行NSCT变换，得到各自的低频系数及其各方向的子带系数；对两图像的低频系数进行阈值处理及估计云层区域的地物信息，对估计后的两张低频系数图像矩阵按照行优先顺序排列，组成新矩阵并进行非负矩阵分解，得到含有两张图像共同信息的低频系数；对两张各自的各方向子带系数进行非负矩阵分解融合处理，得到新的各方向子带；应用新的低频及各方向子带系数进行NSCT逆变换，得到无云的遥感图像。本发明专利技术有效的提高了去云雾的质量及算法的速度。

【技术实现步骤摘要】
基于非下采样轮廓波变换与非负矩阵分解去云雾方法
本专利技术涉及图像处理与遥感遥测
，具体涉及一种基于非下采样轮廓波变换(Non-SubsampledContourletTransform简称NSCT)与非负矩阵分解(Non-negativeMatrixFactorization简称NMF)去云雾方法。
技术介绍
遥感图像对一个国家的国防和经济建设具有重要意义，如掌握植被分布、火山活动、土地灾害及天气的情况，分析大气成分和行星探测等方面都有广泛的应用。而大量的遥感图像由于云层的覆盖使得人们关心的区域变得模糊，使得时间分辨率较低的遥感平台无法获得被云层遮挡的地面信息，这对图像的后续处理带来许多不便，如后续处理中的无法进行图像识别及在图像的分类中难以保证其精度。因此有效地减少或去除云层的影响，增加遥感数据的利用率在遥感图像的预处理中显得尤为重要，因此，寻找一种有效去除云层遮挡的方法对遥感图像处理来说具有其重要意义。当前的遥感图像去云雾主要是以图像处理技术为基础的，技术也日趋成熟。图像处理(ImageProcessing)，通常指应用计算机对图像进行分析，已达到所需结果的技术。遥感图像去云雾方法是指去除掉图像中含有的云层信息且恢复被云层下垫面的信息，以提高遥感图像的利用率。NSCT是CunhaA.L等于2006年首先提出的，在图像的多分辨率分析表现出许多特有的优势。NSCT通过非下采样金子塔(Non-subsampledPyramid简称NSP)将图像分解为不同的尺度，在不同尺度下可得到图像的局部特征；通过方向滤波器组(Non-subsampledDirectionalFilterBanks简称NSDFB)将图像分解为各方向的子带，能够捕捉到各方向下图像的边缘信息。NSCT通过这两个变换可把遥感图像的云层信息分解到更加精细的层数中去，易于对云层进行处理。非负矩阵分解(Non-negativeMatrixFactorization简称NMF)是Lee和Seung与1999年提出的一种矩阵分解算法，使得矩阵经分解之后的元素不含负值。通过将多副图像矩阵进行NMF分解，可提取多副图像的特征，由此，NMF广泛应用在多光谱图像及高光谱图像的融合领域，使得融合后图像信息更加丰富。
技术实现思路
本专利技术为解决采用现有去除云雾的方法在去云雾过程的中，存在云层下垫面信息的丢失的问题，提供一种基于非下采样轮廓波变换与非负矩阵分解去云雾方法。基于非下采样轮廓波变换与非负矩阵分解去云雾方法，该方法由以下步骤实现：步骤一、将两幅云层区域分布不同的遥感图像进行NSCT变换，分别获得两幅遥感图像的低频系数及每幅图像各方向的子带系数；步骤二、对步骤一中获得的两幅遥感图像的低频系数进行阈值处理，分别获得两幅遥感图像的新的低频系数；步骤三、对步骤二中两幅遥感图像的新的低频系数进行估计，获得所述新的低频系数中云层区域的地物信息；并将所述两幅遥感图像新的低频系数按照行优先准则进行排列，组成一个矩阵；步骤四、对步骤三中所述矩阵进行NMF分解，获得含有两幅遥感图像特征的特征矩阵，并将所述特征矩阵作为最终含有两幅图像特征的低频系数；步骤五、对步骤一中所述的每幅图像的各方向的子带系数进行NMF分解，获得含有两幅图像特征的新的方向系数；步骤六、将步骤四中获得的低频系数及步骤五中获得新的方向系数进行NSCT逆变换，获得清晰的去云雾图像。本专利技术的有益效果：本专利技术针对其含有云雾的两幅遥感图像，进行NSCT变换，得到各自的低频系数及其各方向的子带系数；分别对两图像的低频系数进行阈值处理及运用估计方法估计云层区域的地物信息，对估计后的两张低频系数图像矩阵按照行优先顺序排列，组成新矩阵，将此矩阵进行非负矩阵分解，得到含有两张图像共同信息的低频系数；对两张各自的各方向子带系数进行非负矩阵分解融合处理，得到新的各方向子带；应用新的低频及各方向子带系数进行NSCT逆变换，得到无云的遥感图像。本专利技术采样非下采样轮廓波变换与非负矩阵分解的去云雾方法，有效的提高了去云雾的质量及算法的速度，解决了当前多元数据融合去云方法中，存在难以获得无云图像的难题，只要两幅遥感图像的云层区域分布不同，即可实现遥感图像的去云，为遥感图像去云雾领域提供了新思路。附图说明图1为本专利技术所述的基于非下采样轮廓波变换与非负矩阵分解方法去云雾流程图；图2为采用本专利技术所述的基于非下采样轮廓波变换与非负矩阵分解方法测试图像ZonePlate进行层数为一层的NSP分解得到对应的低高频图像；其中图图2a、图2b和图2c分别为ZonePlate原始图像，一层NSP分解的低频子带，一层NSP分解的高频子带的示意图；图3为采用本专利技术所述的基于非下采样轮廓波变换与非负矩阵分解方法去云雾方法效果图，其中图3a和图3b分别为两幅原始云图A、B，图3c和图3d分别为图3a和图3b的低频系数，图3e和图3f为图3c和图3d的低频系数估计，图3g为去云后的图像。具体实施方式具体实施方式，结合图1至图3说明本实施方式，基于非下采样轮廓波变换与非负矩阵分解去云雾方法，该方法由以下步骤实现：一、将两张云层区域分布不同的遥感云图A和云图B进行NSCT变换，获得云图A的低频系数及云图A的各方向的子带系数，云图B的低频系数及云图B的各方向的子带系数；结合图3中的图3c和图3d；步骤二、对步骤一中获得各自图像的低频系数进行阈值处理及运用现有的估计方法(如式1)估计低频系数中云层区域的地物信息，如图3e和图3f；步骤三、对步骤二中云图A和云图B的低频系数按照行优先准则进行排列，组成新的矩阵；步骤四、对步骤三中的矩阵进行NMF分解，获得含有云图A和云图B特征的特征矩阵，将此特征矩阵作为最终的低频系数；步骤五、采用NMF分解方法，将云图A和云图B中各自的方向系数进行非负矩阵分解融合，得到新的方向系数；步骤六、将步骤四中的低频系数及步骤五中新的方向系数进行NSCT逆变换，得到清晰的去云雾图像，如图3g。本实施方式中采用的估计方法用公式(1)表示为：其中，为采用式(1)估计后的低频系数，S(i,j)为估计前的低频系数，meanhaze是NSCT分解的云层区域的均值，meanclear是NSCT分解的无云区域地物信息的均值。本实施方式所述的NSCT变换如下：假设存在M行N列的图像矩阵进行NSCT变换，首先运用NSP进行多尺度分解，得到不同尺度下的低频系数及其高频系数，然后对高频系数运用NSDFB进行方向分解，得到各方向的子带系数。图2中的图2a为ZonePlate原始图像，图2b和图2c为ZonePlate进行层数为一层的NSP分解得到对应的低高频图像，所述NMF分解如下：假设有M行N列的两图像矩阵的低频系数V1和V2，按照行优先的规则进行排列变为M×N行1列的矩阵V1′和V′2，把V1'和V′2组成新矩阵V＝[V′1,V′2]，将矩阵V进行NMF分解V≈WMN×1H1×1，将矩阵WMN×1重新变为M行N列的矩阵W′M×N，所述W′M×N即为含有两张图像共同特征的低频系数。最后将得到新的低频系数及融合后各方向的子带系数进行NSCT逆变换得到清晰的去云图像。本文档来自技高网...

【技术保护点】
基于非下采样轮廓波变换与非负矩阵分解去云雾方法，其特征是，该方法由以下步骤实现：步骤一、将两幅云层区域分布不同的遥感图像进行NSCT变换，分别获得两幅遥感图像的低频系数及每幅图像各方向的子带系数；步骤二、对步骤一中获得的两幅遥感图像的低频系数进行阈值处理，分别获得两幅遥感图像的新的低频系数；步骤三、对步骤二中两幅遥感图像的新的低频系数进行估计，获得所述新的低频系数中云层区域的地物信息；并将所述两幅遥感图像新的低频系数按照行优先准则进行排列，组成一个矩阵；步骤四、对步骤三中所述矩阵进行NMF分解，获得含有两幅遥感图像特征的特征矩阵，并将所述特征矩阵作为最终含有两幅图像特征的低频系数；步骤五、对步骤一中所述的每幅图像的各方向的子带系数进行NMF分解，获得含有两幅图像特征的新的方向系数；步骤六、将步骤四中获得的低频系数及步骤五中获得的各方向子带系数进行NSCT逆变换，获得清晰的去云雾图像。

【技术特征摘要】
1.基于非下采样轮廓波变换与非负矩阵分解去云雾方法，其特征是，该方法由以下步骤实现：步骤一、将两幅云层区域分布不同的遥感图像进行NSCT变换，分别获得两幅遥感图像的低频系数及每幅图像各方向的子带系数；步骤二、对步骤一中获得的两幅遥感图像的低频系数进行阈值处理，分别获得两幅遥感图像的新的低频系数；步骤三、对步骤二中两幅遥感图像的新的低频系数进行估计，获得所述新的低频系数中云层区域的地物信息；并将所述两幅遥感图像新的低频系数按照行优先准则进行排列，组成一个矩阵；步骤四、对步骤三中所述矩阵进行NMF分解，获得含有两幅遥感图像特征的特征矩阵，并将所述特征矩阵作...

【专利技术属性】
技术研发人员：李杰，王春哲，李学军，孙向阳，李明晶，郭盼，
申请(专利权)人：长春大学，
类型：发明
国别省市：吉林;22