高光谱遥感图像加性乘性混合噪声参数估计方法技术

本发明专利技术涉及一种高光谱遥感图像加性乘性混合噪声参数估计方法。首先通过建立高光谱遥感图像的噪声模型对混合在一起的加性噪声和乘性噪声同时进行建模和参数估计，然后对高光谱遥感图像进行分类，最后统计分析高光谱遥感图像的噪声参数。与现有技术相比，该方法能够解决现有技术通常只针对高光谱遥感图像单一的加性噪声或乘性噪声进行参数估计，以及地物分布统计特征的提取不准确的技术问题。

Estimation of additive multiplicative noise parameters for hyperspectral remote sensing images

The invention relates to a hybrid noise parameter estimation method of hyperspectral remote sensing image additive multiplicative. First, the noise model of hyperspectral remote sensing images is built, and the additive and multiplicative noises together are modeled and estimated simultaneously. Then, hyperspectral remote sensing images are classified. Finally, the noise parameters of hyperspectral remote sensing images are statistically analyzed. Compared with the existing technology, this method can solve the technical problems that the existing technology usually only estimates the parameters of single additive or multiplicative noise in hyperspectral remote sensing images, and the inaccurate extraction of the statistical characteristics of the surface distribution.

【技术实现步骤摘要】
高光谱遥感图像加性乘性混合噪声参数估计方法
本专利技术属于图像处理
，涉及高光谱遥感图像噪声参数估计方法，特指一种基于分类的高光谱遥感图像加性乘性混合噪声参数估计方法。
技术介绍
随着高光谱遥感技术的发展，高光谱图像同时具有高空间分辨率和谱间分辨率，这种“图谱合一”的特征使得高光谱遥感图像被广泛应用于农业、林业、地质调查、环境检测、军事侦察等多个领域。高光谱遥感图像在采集和传输的过程中不可避免的引入噪声。噪声对高光谱遥感图像的分类、目标检测等后续应用会产生很多负面的影响。因此定量分析高光谱遥感图像噪声，估计噪声参数对数据的后续处理具有重要的研究意义。高光谱遥感图像的噪声可以大致分为两类：系统噪声和随机噪声。系统噪声主要体现为条带噪声，可以通过合适的算法进行有效的去除。高光谱遥感图像的随机噪声由电噪声和光噪声组成。电噪声由电路的电流产生，是独立于信号的加性噪声；光噪声由光的基本性质产生，是非独立于信号的乘性噪声。由于产生随机噪声的因素复杂，在统计上具有随机性，很难被精确估计出来。传统观念认为高光谱遥感图像的噪声主要是独立于信号的加性电噪声，非独立于信号的乘性光噪声可以忽略不计。因本文档来自技高网...

【技术保护点】
高光谱遥感图像加性乘性混合噪声参数估计方法，其特征在于，包括以下步骤：S1，建立高光谱遥感图像的噪声模型；高光谱遥感图像的噪声由加性噪声和乘性噪声混合而成，建立的噪声模型如下：

【技术特征摘要】
1.高光谱遥感图像加性乘性混合噪声参数估计方法，其特征在于，包括以下步骤：S1，建立高光谱遥感图像的噪声模型；高光谱遥感图像的噪声由加性噪声和乘性噪声混合而成，建立的噪声模型如下：其中是观测到的有噪声的信号，s是不含噪声的原始信号；u是独立于s的平稳随机信号，均值为零，方差为则v＝sγu是乘性噪声项，系数|γ|≤1；w是均值为零，方差为的高斯白噪声信号，独立于s；因此高光谱遥感图像的噪声包括独立于信号的加性噪声项w和非独立于信号的乘性噪声项v＝sγu，加性噪声的方差和乘性噪声的方差是待估计的参数；S2，对高光谱遥感图像进行分类；S3，统计分析高光谱遥感图像的噪声参数。2.根据权利要求1所述的高光谱遥感图像加性乘性混合噪声参数估计方法，其特征在于，所述步骤S1中，γ＝0.5。3.根据权利要求1所述的高光谱遥感图像加性乘性混合噪声参数估计方法，其特征在于，所述步骤S2中，对高光谱遥感图像进行分类，在地物均匀分布的图像块中进行统计特征的提取，将图像均匀分割成N×N的块，N为任意整数。4.根据权利要求3所述高光谱遥感图像加性乘性混合噪声参数估计方法，其特征在于，N＝7。5.根据权利要求1～4所述的任意一种高光谱遥感图像加性乘性混合噪声参数估计方法，其特征在于，所述步骤S2中，对高光谱遥感图像进行去噪预处理，具体方法为：S201输入含噪声的高光谱遥感图像Y，利用多元线性回归得到预测图像X和残差图像R；S202将预测图像X变换到微分域δX，再将其变换到小波域，得到小波系数WδX；S203将残差图像R变换到小波域，得到小波系数WR；S204利用小波双变量收缩函数，分别将小波系数WδX和WR收缩得到和S205小波系数通过小波逆变换得到微分域的预测图像利用光谱积分和积分修正得到处理后的预测图像S206小波系数进行小波逆变换，得到处理后的残差图像S207将处理后的预测图像和处理后的残差图像相加，得到去噪后的高光谱遥感图像6.根据权利要求5所述的高光谱遥感图像加性乘性混合噪声参数估计方法，其特征在于，所述步骤S2中，采用K-mean算法对去噪后的高光谱遥感图像进行分类，具体方法为：设去噪后的高光谱遥感图像的像元向量为把一幅图像分割成K个区域，即把数据集分为K个互不相交的子集Λk(k＝1,2,...,K)，Nk表示第k聚类Λk中的像元个数，聚类中心mk表示聚类Λk中像元的平均值，即设用K个聚类中心(m1,m2,...,mK)代表的K个像元子集(Λ1,Λ2,...,ΛK)时所产生的误差平方和为指标J，K-mean算法的具体计算过程如下：1)从去噪后的高光谱遥感图像中任意选出K个像元作为初始化的聚类中心，m1,m2,...,mK；2)根据下列关系，把每个像元yi赋给K个聚类Λk(k＝1,2,...,K)中的一个yi∈Λk，||yi-mk||2<||yi-ml||2(4)其中，l＝1,2,...,K，且l≠k，即把像元赋给最接近聚类中心的那一类；3)根据公式(2)修改聚类中心；4)根据公式(3)计算指标J；如果它相对上次迭代中的指标值的改变量小于预先指定的阈值，则算法停止，否则返回步骤2)。7.根据权利要求1～4所述的任意一种高光谱遥感图像加性乘性混合噪声参数估计方法，其特征在于，所述步骤S3中，基于分类的结果，统计噪声图像在地物均匀分布的区域内样本的数字特征，建立关于待估参数加性噪声的方差和乘性噪声的方差的超定方程组，采用最小二乘法，求解和的估计值。8.根据权利要求5所述的高光谱遥感图像加性乘性混合噪声参数估计方法，其特征在于，所述步骤S3具体包括以下步骤：S301，去除谱间相关性；采用多元线性回归，根据每个波段及其两个相邻波段计算出预测图像和残差图像，去除谱间相关性，将残差图像看作是随机噪声的估计；通过步骤S3，高光谱图像数据块被划分成K个不相重合的类Λ1,Λ2,...,ΛK，每个类视为由同一均匀地物区域内的像元组成的集合；设高光谱图像数据块有L个波段，每个波段含有M×N(行×列)个像元；在实际观测到的含噪声数据中，用表示第k(1≤k≤K)个类中位置为i(1≤i≤M×N)的第l(1≤l≤L)波段的像素值；是相应位置不含噪声的纯净信号；和是独立于的零均值高斯白噪声，其方差分别为和和是待估计的参数；这样，噪声模型写为：设为像素的预测值，计算方法如下：其中，系数al,bl和cl用多元线性回归计算，残差计算如下：S302，估计噪声参数；计算残差图像中同一均匀地物区域内的局部统计数字特征，建立线性方程组，求解噪声的参数估计值；在第k个分类的均匀地物区域，随机变量的方差是零，即其中，表示的方差；设表示的期望，为了表示方便，将记为即由于是一个独立于i的常数，即随机变量与常数1分别相互独立，由公式(5)至(10)以及方差的性质，可以计算得到，对1≤l≤L，有其中，和是未知的；设分块矩阵A记为其中，设其中和是未知的待估参数；设其中，因此，由(12)和(13)式知，线性方程组(11)可以写成矩阵形式Ax＝d(14)其中，A是KL×2L矩阵,x是2L×1向量，d是KL×1向量；在实际计算中，理论上的期望由第k类均匀区域中的所有像素的平均值近似代替，由第k类均匀区域中的所有像素的样本方差近似代替；这样，噪声参数估计的问题被转化成求解线性方程组(14)，A是一个矩形矩阵，在最小二乘的意义下，该线性方程组的解为：由此实现了对高光谱遥感图像噪声参数的估计。9.根据权利要求6所述的高光谱遥感图像加性乘性混合噪声参数估计方法，其特征在于，所述步骤S3具体包括以下步骤：S301，去除谱间相关性；采用多元线性回归，根据每个波段及其两个相邻波段计算出预测图像和残差图像，去除谱间相关性，将残差图像看作是随机噪声的估计；通过步骤S3，高光谱图像数据块被划分成K个不相重合的类Λ1,Λ2,...,ΛK，每个类视为由同一均匀地物区域内的像元组成的集合；设高光谱图像数据块有L个波段，每个波段含有M×N(行×列)个像元；在实际观测到的含噪声数据中，用表示第k(1≤k≤K)个类中位置为i(1≤i≤M×N)的第l(1≤l≤L...

【专利技术属性】
技术研发人员：孙蕾，谷德峰，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南,43