留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

结合NAPCA 和复小波变换的高光谱遥感图像去噪

徐冬 孙蕾 罗建书

徐冬, 孙蕾, 罗建书. 结合NAPCA 和复小波变换的高光谱遥感图像去噪[J]. 红外与激光工程, 2015, 44(1): 327-334.
引用本文: 徐冬, 孙蕾, 罗建书. 结合NAPCA 和复小波变换的高光谱遥感图像去噪[J]. 红外与激光工程, 2015, 44(1): 327-334.
Xu Dong, Sun Lei, Luo Jianshu. Denoising of hyperspectral remote sensing imagery using NAPCA and complex wavelet transform[J]. Infrared and Laser Engineering, 2015, 44(1): 327-334.
Citation: Xu Dong, Sun Lei, Luo Jianshu. Denoising of hyperspectral remote sensing imagery using NAPCA and complex wavelet transform[J]. Infrared and Laser Engineering, 2015, 44(1): 327-334.

结合NAPCA 和复小波变换的高光谱遥感图像去噪

基金项目: 

国家自然科学基金(61101183,41201363)

详细信息
    作者简介:

    徐冬(1988-),男,硕士生,主要从事高光谱遥感图像噪声处理方面的研究。Email:xu_don@163.com

  • 中图分类号: TP391

Denoising of hyperspectral remote sensing imagery using NAPCA and complex wavelet transform

  • 摘要: 提出了一种能够良好地保持高光谱遥感图像细节特征的噪声去除方法。该方法首先利用噪声调整的主成分分析(NAPCA)进行特征提取,再利用复小波变换(CWT)对NAPCA 变换后的低能量成分进行去噪处理。对此低能量成分的每个波段利用二维复小波去噪,此时复小波系数采用BivaShrink 函数进行收缩。然后对低能量成分的每条光谱进行一维复小波变换,利用邻域阈值函数进行小波系数的收缩。对AVIRIS 图像贾斯珀桥、月亮湖和盆地进行的仿真实验表明:该方法去噪后的信噪比与HSSNR 相比提高了4.3~7.8 dB,与PCABS 相比提高了0.8~0.9 dB,验证了该算法的可行性。真实数据OMIS 图像的实验结果验证了该方法的有效性和适用性。
  • [1] Xu Xiaohui, Z hang An, Duanmu Jingshun, et al. Remote sensing target recognition based on particle swarm classifier[J]. Infrared and Laser Engineering, 2007, 36(4): 551-554. (in Chinese) 徐小慧, 张安, 端木京顺, 等. 基于粒子群分类器的遥感图像目标识别[J]. 红外与激光工程, 2007, 36(4): 551-554.
    [2]
    [3]
    [4] Ding Ling, Tang Ping, Li Hongyi. Dimensi-onality reduction and classification for hyperspectral remote sensing data using ISOMAP[J]. Infrared and Laser Engineering, 2013, 42(10): 2707-2711. (in Chinese) 丁玲, 唐娉, 李宏℃. 基于ISOMAP 的高光谱遥感数据的降维与分类[J]. 红外与激光工程, 2013, 42(10): 2707-2711.
    [5] Donoho D L, Johnstone I M. Ideal spatial adaptation by wavelet shrinkage [J]. Biometrika, 1994, 81(3): 425-455.
    [6]
    [7] Atkinson I, Kamalabadi F, Jones D L. Wavelet-based hyperspectral image estimation [J]. International Geoscience and Remote Sensing, Symposium, 2003, 2: 743-745.
    [8]
    [9]
    [10] Othman H, Qian S E. Noise reduction of hyperspectral imagery using hybrid spatial-spectral derivative-domain wavelet shrinkage [J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(2): 397-408.
    [11]
    [12] Chang Weiwei, Guo Lei, Liu Kun, et al. Denoising of hyperspectral data based on contourlet transform and principal component analysis [J]. Journal of Electronics Information Technolog, 2009, 31(12): 2892-2896. (in Chinese) 常威威, 郭雷, 刘坤, 等. 基于Contourlet 变换和主成分分析的高光谱数据噪声消除方法[J]. 电子与信息学报, 2009, 31(12): 2892-2896.
    [13] Wu Yiquan, Wu Chao. Denoising of hyperspectral remote sensing images using NSCT and KPCA [J]. Journal of Remote Sensing, 2012, 16(3): 539-554. (in Chinese) 吴一全, 吴超. 结合NSCT 和KPCA 的高光谱遥感图像去噪[J]. 遥感学报, 2012, 16(3): 539-554.
    [14]
    [15] Li Ting, Chen Xiaomei, Chen Gang, et al. A noise reduction algorithm of hyperspectral imagery using double-regularizing terms total variation [J]. Spectroscopy and Spectral Analysis, 2011, 31(1): 16-20. (in Chinese) 李婷, 陈小梅, 陈刚, 等. 一种双正则项全变差高光谱图像去噪算法[J]. 光谱学与光谱分析, 2011, 31(1): 16-20.
    [16]
    [17]
    [18] Chen G Y, Qian S E. Denoising of hyperspectral imagery using principal component analysis and wavelet shrinkage[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(3): 973-980.
    [19] Lee J B, Woodyatt A S, Berman M. Enhancement of high spectral resolution remote-sensing data by a noise-adjusted principal components transform [J]. IEEE Transactions on Geoscience and Remote Sensing, 1990, 28(3): 295-304.
    [20]
    [21]
    [22] Bioucas-Dias J M, Nascimento J M P. Hyperspectral subspace identification [J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(8): 2435-2445.
    [23]
    [24] Selesnick I W, Baraniuk R G, Kingsbury N G. The dual-tree complex wavelet transform[J]. IEEE Transactions on Signal Processing, 2005, 22(6): 123-151.
    [25]
    [26] Sendur L, Selesnick I W. Bivariate shrinkage functions for wavelet-based denoising exploiting interscale dependency [J]. IEEE Transactions on Signal Processing, 2002, 50 (11): 2744-2756.
    [27] Liu Yinnian, Xue Yongqi, Wang Jianyu, et al. Operational modular imaging spectrometer [J]. Journal of Infrared and Millimeter Waves, 2002, 21(1): 9-13. (in Chinese) 刘银年, 薛永祺, 王建宇, 等. 实用型模块化成像光谱仪. 红外与毫米波学报, 2002, 21(1): 9-13.
  • [1] 张骏, 朱标, 沈玉真, 张鹏.  基于引导滤波的多分支注意力残差红外图像去噪网络 . 红外与激光工程, 2022, 51(11): 20220060-1-20220060-11. doi: 10.3788/IRLA20220060
    [2] 王新伟, 孙亮, 王敏敏, 杨于清, 周燕.  水下二维及三维距离选通成像去噪技术研究 . 红外与激光工程, 2020, 49(2): 0203002-0203002. doi: 10.3788/IRLA202049.0203002
    [3] 李宁, 赵永强, 潘泉.  时空自适应的分焦平面偏振视频PCA去噪 . 红外与激光工程, 2019, 48(10): 1026001-1026001(7). doi: 10.3788/IRLA201948.1026001
    [4] 许艺腾, 李国元, 邱春霞, 薛玉彩.  基于地形相关和最小二乘曲线拟合的单光子激光数据处理技术 . 红外与激光工程, 2019, 48(12): 1205004-1205004(10). doi: 10.3788/IRLA201948.1205004
    [5] 叶华, 谭冠政, 李广, 刘晓琼, 李晋, 周聪, 朱会杰.  基于稀疏表示与粒子群优化算法的非平稳信号去噪研究 . 红外与激光工程, 2018, 47(7): 726005-0726005(8). doi: 10.3788/IRLA201847.0726005
    [6] 张爱武, 赵江华, 赵宁宁, 康孝岩, 郭超凡.  结合张量空间与倒易晶胞的高光谱影像去噪去混叠 . 红外与激光工程, 2018, 47(10): 1026002-1026002(10). doi: 10.3788/IRLA201847.1026002
    [7] 申艳, 解颐, 娄淑琴, 王鑫, 赵彤彤.  基于Contourlet变换和压缩感知的实际光子晶体光纤光 . 红外与激光工程, 2017, 46(3): 321001-0321001(7). doi: 10.3788/IRLA201746.0321001
    [8] 叶松, 甘永莹, 熊伟, 张文涛, 汪杰君, 王新强.  采用小波变换的空间外差光谱仪基线校正 . 红外与激光工程, 2016, 45(11): 1117009-1117009(5). doi: 10.3788/IRLA201645.1117009
    [9] 纪强, 石文轩, 田茂, 常帅.  基于KL与小波联合变换的多光谱图像压缩 . 红外与激光工程, 2016, 45(2): 228004-0228004(7). doi: 10.3788/IRLA201645.0228004
    [10] 申艳, 解颐, 娄淑琴.  结合全变差和小波变换的PCF光特性评估方法 . 红外与激光工程, 2016, 45(7): 722001-0722001(6). doi: 10.3788/IRLA201645.0722001
    [11] 崔珊珊, 李琦.  基于小波变换的太赫兹数字全息再现像去噪研究 . 红外与激光工程, 2015, 44(6): 1836-1840.
    [12] 蒋立辉, 符超, 刘雯箐, 熊兴隆.  基于自适应多尺度形态滤波与EMD的激光雷达回波信号去噪方法 . 红外与激光工程, 2015, 44(5): 1673-1679.
    [13] 关丛荣, 金伟其, 王吉晖.  小波变换在显微热图像位移估计中的应用 . 红外与激光工程, 2014, 43(8): 2780-2785.
    [14] 张红英, 罗晓清, 吴小俊.  基于CHMM 的尖锐频率局部化Contourlet 域图像去噪 . 红外与激光工程, 2014, 43(7): 2341-2348.
    [15] 伊力哈木·亚尔买买提, 谢丽蓉, 孔军.  基于PCA 变换与小波变换的遥感图像融合方法 . 红外与激光工程, 2014, 43(7): 2335-2340.
    [16] 刘涛, 张文平, 陈慧芳, 冯桂兰, 刘月明.  卡尔曼滤波在分布式拉曼光纤温度传感系统去噪中的应用 . 红外与激光工程, 2014, 43(5): 1643-1647.
    [17] 蒋立辉, 李猛, 熊兴隆, 冯帅.  探测因子优化的多尺度形态滤波器去噪方法 . 红外与激光工程, 2014, 43(2): 654-658.
    [18] 马媛花, 胡炳樑, 李然, 孙朗, 孙念, 王峥杰.  采用Gyrator变换的泰伯效应及图像去噪 . 红外与激光工程, 2014, 43(2): 665-670.
    [19] 熊兴隆, 李猛, 蒋立辉, 冯帅.  极点均值型经验模式分解及其去噪应用 . 红外与激光工程, 2013, 42(6): 1628-1634.
    [20] 葛明达, 孙剑峰, 王天骄, 王骐.  基于对比度调制法对条纹管激光雷达距离像的去噪方法 . 红外与激光工程, 2013, 42(6): 1448-1452.
  • 加载中
计量
  • 文章访问数:  283
  • HTML全文浏览量:  37
  • PDF下载量:  251
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-05-07
  • 修回日期:  2014-06-10
  • 刊出日期:  2015-01-25

结合NAPCA 和复小波变换的高光谱遥感图像去噪

    作者简介:

    徐冬(1988-),男,硕士生,主要从事高光谱遥感图像噪声处理方面的研究。Email:xu_don@163.com

基金项目:

国家自然科学基金(61101183,41201363)

  • 中图分类号: TP391

摘要: 提出了一种能够良好地保持高光谱遥感图像细节特征的噪声去除方法。该方法首先利用噪声调整的主成分分析(NAPCA)进行特征提取,再利用复小波变换(CWT)对NAPCA 变换后的低能量成分进行去噪处理。对此低能量成分的每个波段利用二维复小波去噪,此时复小波系数采用BivaShrink 函数进行收缩。然后对低能量成分的每条光谱进行一维复小波变换,利用邻域阈值函数进行小波系数的收缩。对AVIRIS 图像贾斯珀桥、月亮湖和盆地进行的仿真实验表明:该方法去噪后的信噪比与HSSNR 相比提高了4.3~7.8 dB,与PCABS 相比提高了0.8~0.9 dB,验证了该算法的可行性。真实数据OMIS 图像的实验结果验证了该方法的有效性和适用性。

English Abstract

参考文献 (27)

目录

    /

    返回文章
    返回