一种基于单向变分的遥感数据条纹噪声去除方法技术

本发明专利技术属于图像处理技术领域，尤其为一种基于单向变分的遥感数据条纹噪声去除方法，具体包括以下步骤；

【技术实现步骤摘要】
一种基于单向变分的遥感数据条纹噪声去除方法、装置及介质


[0001]本专利技术涉及图像处理
，具体为一种基于单向变分的遥感数据条纹噪声去除方法
、
装置及介质
。

技术介绍

[0002]从卫星传感器获取的遥感数据经常含不同类型的条纹噪声
。
条纹噪声的存在降低了遥感数据的质量，严重影响了它们在环境监测
、
军事
、
以及城市规划等领域的后续应用
。
目前存在的条纹去除算法大致可分为三类：基于滤波的方法
、
基于统计的方法和基于优化的方法，但是它们往往都存在一定的缺陷
。
其中，基于滤波的方法通常利用各种滤波器来获得去条纹结果，例如傅里叶滤波器
、
小波分解和小波
‑
傅里叶组合滤波器等
。
基于统计的方法主要依赖于各传感器具有相同的灰度统计特性，例如矩匹配和直方图匹配
。
然而这两类方法在处理非周期的不规则条纹时，无法取得较好的效果
。
[0003]基于优化的方法是公认较为有效的去条纹方法，它通过极小化能量泛函来估计去条纹后的图像
。
然而，现有大多数优化方法都是通过去除噪声的角度来实现的，而没有考虑条纹的典型特性例如方向和结构特性，这将导致许多图像细节可能与条纹一起被去除
。
此外，由于模型求解时的收敛速度较慢，这也导致了基于优化的方法所需时间较长，不利于处理大量数据
。<br/>
技术实现思路

[0004](
一
)
解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了一种基于单向变分的遥感数据条纹噪声去除方法
、
装置及介质，解决了上述
技术介绍
中所提出的问题
。
[0006](
二
)
技术方案
[0007]本专利技术为了实现上述目的具体采用以下技术方案：
[0008]一种基于单向变分的遥感数据条纹噪声去除方法，具体包括以下步骤；
[0009]S1
：获取含有条纹噪声的遥感图像后，分别计算遥感图像不同方向的梯度信息，得到其水平方向的梯度图和垂直方向的梯度图；
[0010]S2
：根据不同方向的梯度信息得到条纹噪声与底层图像结构的稀疏特性，通过引入
Lp
伪范数设计了不同方向的正则化约束项；同时基于条纹噪声的先验特性设计了全局的稀疏约束项；
[0011]S3
：将
S2
中的不同方向的正则化约束和全局稀疏约束相结合，得到完整的去除水平条纹的单项变分模型；
[0012]S4
：采用快速的交替方向乘子法
(Fast ADMM)
对
S3
中的去除水平条纹的单项变分模型进行迭代求解，最终可以得到去除条纹后的遥感图像
。
[0013]进一步，所述
S1
中获取含噪声的遥感图像后，需要计算遥感图像不同方向的梯度
信息，所述图像不同方向的梯度信息计算公式为：
[0014][0015]其中：
Z(i,j)
表示遥感图像的像素值，
D
x
(i,j)
表示遥感图像水平方向的梯度信息，
D
y
(i,j)
表示遥感图像垂直方向的梯度信息，
(i,j)
表示遥感图像像素行列位置索引
。
[0016]进一步，所述
S2
，根据不同方向的梯度信息得到条纹噪声与底层图像结构的稀疏特性，并通过引入
Lp
伪范数设计了不同方向的正则化约束项；同时基于条纹噪声的先验特性设计了全局的稀疏约束项，其相关表达式为：
[0017][0018][0019]R
s
＝
||u
‑
g||0[0020]其中：
u
表示不含条纹噪声的理想遥感图像，
g
表示受到条纹噪声污染的遥感图像，表示水平方向的梯度，表示垂直方向的梯度，
R
x
表示水平方向的正则化约束项，
R
y
表示垂直方向的正则化约束项，
R
s
表示全局的稀疏约束项
。
[0021]特别地，在图像处理领域，一般将
Lp
范数定义为
Lp
伪范数定义为将零范数
||G||0定义为
G
矩阵中零元素的个数
。
[0022]进一步，所述
S3
，将
S2
中的不同方向的正则化约束和全局稀疏约束相结合，得到完整的去除条纹噪声的单向变分模型表达式为：
[0023][0024]其中：
λ1表示水平方向正则项的系数，
λ2表示水平方向正则项的系数
。
[0025]进一步，所述
S4
，采用快速的交替方向乘子法对
S3
中的去除水平条纹的单项变分模型进行迭代求解，包括以下步骤：
[0026]S401
，引入中间变量将有约束问题转换为无约束问题，并得到该问题的增广拉格朗日函数；
[0027]S402
，对增广拉格朗日函数中各变量的子问题进行逐一求解，分别得到其加速迭代公式；
[0028]S403
，计算原始对偶残差来判断是否启动加速迭代过程，若不能启动加速迭代过程，则对整个算法进行重启；
[0029]S404
，经过对各变量的多次迭代，得到所求
u
的最优解，即条纹去除后干净的遥感图像
。
[0030]进一步，所述将有约束问题转换为无约束问题，得到无约束问题的增广拉格朗日函数表达式为：
[0031][0032]其中：
N1＝
u
‑
g
，
Λ1、
Λ2和
Λ3表示拉格朗日乘子，
α1、
α2和
α3表示惩罚项的系数，
max
表示取最大值，
min
表示取最小值
。
[0033]进一步，所述对增广拉格朗日函数中各变量的子问题进行逐一求解，通过卷积定理与快速傅里叶变换，得到
u
的加速迭代公式为：
[0034][0035][0036]式中：
F
表示傅里叶变换的算子，
F
‑1表示傅里叶逆变换的算子，
K
x
＝
[
‑
1,1]表示横向差分的卷积核，
K
y
＝
[
‑
1,1]T
表示纵向差分的卷积核，
F(K
x
)
...

【技术保护点】

【技术特征摘要】
1.
一种基于单向变分的遥感数据条纹噪声去除方法，其特征在于：具体包括以下步骤；
S1
：获取含有条纹噪声的遥感图像后，分别计算遥感图像不同方向的梯度信息，得到其水平和垂直方向的梯度图；
S2
：根据不同方向的梯度信息得到条纹噪声与底层图像结构的稀疏特性，通过引入
Lp
伪范数设计了不同方向的正则化约束项；同时基于条纹噪声的先验特性设计了全局的稀疏约束项；
S3
：将
S2
中的不同方向的正则化约束和全局稀疏约束相结合，得到完整的去除水平条纹的单项变分模型；
S4
：采用快速的交替方向乘子法对
S3
中的去除水平条纹的单项变分模型进行迭代求解，最终可以得到去除条纹后的遥感图像
。2.
根据权利要求1所述的一种基于单向变分的遥感数据条纹噪声去除方法，其特征在于：所述的图像不同方向的梯度信息计算公式为：其中：
Z(i,j)
表示遥感图像的像素值，
D
x
(i,j)
表示遥感图像水平方向的梯度信息，
D
y
(i,j)
表示遥感图像垂直方向的梯度信息，
(i,j)
表示遥感图像像素行列位置索引
。3.
根据权利要求1所述的一种基于单向变分的遥感数据条纹噪声去除方法，其特征在于：不同方向的正则化约束项和全局约束项为：于：不同方向的正则化约束项和全局约束项为：
R
s
＝
||u
‑
g||0其中：
u
表示不含条纹噪声的理想遥感图像，
g
表示受到条纹噪声污染的遥感图像，表示水平方向的梯度，表示垂直方向的梯度，
R
x
表示水平方向的正则化约束项，
R
y
表示垂直方向的正则化约束项，
R
s
表示全局的稀疏约...

【专利技术属性】
技术研发人员：颜飞，吴思远，张琼，刘云清，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：