本发明涉及一种用于去除高分辨率天文图像中条纹噪声的方法，特别涉及一种结合小波域滤波和空域滤波去除高分辨率天文图像中条纹噪声的方法。属于天文图像处理技术领域。
背景技术：
天文图像在采集过程中，由于采集方式和图像传感器成像技术的不同会不可避免地影响到图像的质量。CMOS图像传感器作为高分辨率图像采集器的一种，由于成像技术的原因，致使高分辨率图像中经常会产生明暗交替的条纹噪声。这些噪声的存在不但降低了图像的质量，而且在使用图像过程中也会带来很大的影响。因此去除高分辨率图像中的条纹噪声对其后续的科学研究具有重要的意义。
目前对于去除这类条纹噪声主要有两类方法，一类是通过硬件的方法进行辐射校正，另一类是通过软件的方法进行校正。其中，硬件校正的方法是在图像成像过程中进行的，其校正原理是利用校正因子对条纹方向的像素值进行纠正来改善高分辨率图形的质量，但是这种方法仅能去除约70％的条纹噪声，校正后的图像中仍然会存在少量的条纹噪声。相比硬件校正的方式软件校正又有多种不同的处理方法，主要有直方图匹配、主成分变换以及矩匹配等。其中，直方图匹配法假设每个传感器所获取的子图像具有相同的辐射分布，然后把这些子图像的直方图按照事先设定的参考直方图进行调整以此达到去除条纹噪声的目的；主成分变换法首先将含有条纹噪声成分的数据值提取出来，然后再将这部分数据设置为常数，最后反变换回原图像以去除条纹噪声；矩匹配法通过每个传感器所记录数据的增益与偏移成线性的关系，将其均值和方差调整到设定的参考值上以达到去除条纹噪声的目的。但是，这些方法都不可避免的在去除条纹噪声的同时损伤了图像的真实信息，降低了图像的质量，而且其中的一些方法计算量较大。
本发明正是为了解决这些问题而提出了一种小波域滤波技术和空域滤波技术相结合的方法，该方法改变了传统方法以去除条纹噪声为首要目的思想，而以保留图像信息为首要目的，在尽可能不损伤图像真实信息的情况下去除高分辨率图像中的条纹噪声。
技术实现要素：
本发明提供了一种用于去除高分辨率天文图像中条纹噪声的方法，根据图像信息在空间域和小波域的表现特性，采用小波分解的方法准确提取条纹噪声所在的垂直分量，然后，以保留图像信息为出发点，间接去除高分辨率图像中的条纹噪声，从而得到高质量的无条纹图像，解决了传统方法以去除条纹噪声为首要目的时造成图像真实信息损伤的问题。
本发明的技术方案是：一种用于去除高分辨率天文图像中条纹噪声的方法，首先，对含有条纹噪声的图像进行边缘扩展和对数化；接着，小波分解对数化后的图像并提取小波域各层的垂直分量；再对小波域各层的垂直分量进行高通滤波，得到高频分量；然后，采用小波重构的方法对不含条纹噪声的小波域信息进行重构；依次提取一级、二级和三级条纹；最后，用含有条纹噪声的图像除以三级条纹得到无条纹图像。
所述用于去除高分辨率天文图像中条纹噪声的方法的具体步骤如下：
Step1、图像预处理：首先对含有条纹噪声的图像进行边缘扩展，然后对其进行对数化，得到对数化图像；
Step2、小波分解：把对数化图像进行小波分解，得到对数化图像的小波域信息，再提取小波域各层的垂直分量；
Step3、对小波域各层的垂直分量进行高通滤波，得到高频分量：对小波域各层的垂直分量进行列方向的中值滤波得到对应的低频分量；再用提取的小波域各层的垂直分量减去其对应的低频分量，得到对应的高频分量，即不含条纹噪声信息的垂直分量；
Step4、小波重构：用不含条纹噪声信息的垂直分量替换高通滤波前小波域各层的垂直分量，得到不含条纹噪声的小波域信息；再采用小波重构的方法对替换后的不含条纹噪声的小波域信息进行重构，得到不含条纹噪声的初处理图像；
Step5、一级条纹提取：用对数化图像减去初处理图像提取一级条纹；
Step6、二级条纹提取：对一级条纹逐行高斯滤波，得到二级条纹；
Step7、三级条纹提取：对二级条纹指数化，然后扣除边缘扩展部分，得到三级条纹；
Step8、无条纹图像获取：用含有条纹噪声的图像除以三级条纹得到最后的无条纹图像。
本发明的有益效果是：
1、高分辨率图像中的条纹噪声为一种非线性的乘性噪声，因此采用对数化的方法将非线性的乘性噪声转换为线性的加性噪声，这样可以通过减法操作将一级条纹提取出来；还有，采用小波分解的方法将图像由空间域转换到小波域，能够准确地将代表条纹噪声信息的垂直分量提取出来；
2、本发明对条纹采用分级的方式进行提取。首先，对提取的代表条纹噪声信息的垂直分量进行高通滤波，滤除其中的低频信息；再通过对数化图像与初处理图像之间的线性关系提取准确性较高的一级条纹；接着，对一级条纹逐行高斯滤波，滤除其中残余的低频信息，提取更为准确的二级条纹；最后，对二级条纹指数化并扣除扩展部分得到三级条纹。通过这样的方式逐级剥离条纹中的低频信息，使提取的条纹更为精确。
附图说明
图1是本发明中的流程图；
图2是本发明中大熊湖天文太阳望远镜在Ha波段观测到的高分辨率天文图像；
图3是本发明将图2扩展边缘并对数化后的结果图；
图4是本发明对图3进行小波分解后提取的垂直分量图像；
图5是本发明对图4进行高通滤波后得到的不含条纹噪声信息的垂直分量图像；
图6是本发明对不含条纹噪声的小波域信息进行小波重构后得到的初处理图像；
图7是本发明图3减去图6提取的一级条纹；
图8是本发明对图7高斯滤波后提取的二级条纹；
图9是本发明扣除图8的扩展部分并指数化后提取的三级条纹；
图10是本发明去除高分辨率图像中的条纹噪声后得到的无条纹图像；
图11是本发明将图2(图11上半部分)与图10(图11下半部分)拼接起来做比较的图像。
具体实施方式
实施例1：如图1-11所示，一种用于去除高分辨率天文图像中条纹噪声的方法，首先，对含有条纹噪声的图像进行边缘扩展和对数化；接着，小波分解对数化后的图像并提取小波域各层的垂直分量；再对小波域各层的垂直分量进行高通滤波，得到高频分量；然后，采用小波重构的方法对不含条纹噪声的小波域信息进行重构；依次提取一级、二级和三级条纹；最后，用含有条纹噪声的图像除以三级条纹得到无条纹图像。
所述用于去除高分辨率天文图像中条纹噪声的方法的具体步骤如下：
Step1、图像预处理：首先对含有条纹噪声的图像进行边缘扩展，然后对其进行对数化，得到对数化图像；
Step2、小波分解：把对数化图像进行小波分解，得到对数化图像的小波域信息，再提取小波域各层的垂直分量；
Step3、对小波域各层的垂直分量进行高通滤波，得到高频分量：对小波域各层的垂直分量进行列方向的中值滤波得到对应的低频分量；再用提取的小波域各层的垂直分量减去其对应的低频分量，得到对应的高频分量，即不含条纹噪声信息的垂直分量；
Step4、小波重构：用不含条纹噪声信息的垂直分量替换高通滤波前小波域各层的垂直分量，得到不含条纹噪声的小波域信息；再采用小波重构的方法对替换后的不含条纹噪声的小波域信息进行重构，得到不含条纹噪声的初处理图像；
Step5、一级条纹提取：用对数化图像减去初处理图像提取一级条纹；
Step6、二级条纹提取：对一级条纹逐行高斯滤波，得到二级条纹；
Step7、三级条纹提取：对二级条纹指数化，然后扣除边缘扩展部分，得到三级条纹；
Step8、无条纹图像获取：用含有条纹噪声的图像除以三级条纹得到最后的无条纹图像。
实施例2：如图1-11所示，一种用于去除高分辨率天文图像中条纹噪声的方法，首先，对含有条纹噪声的图像进行边缘扩展和对数化；接着，小波分解对数化后的图像并提取小波域各层的垂直分量；再对小波域各层的垂直分量进行高通滤波，得到高频分量；然后，采用小波重构的方法对不含条纹噪声的小波域信息进行重构；依次提取一级、二级和三级条纹；最后，用含有条纹噪声的图像除以三级条纹得到无条纹图像。
所述用于去除高分辨率天文图像中条纹噪声的方法的具体步骤如下：
Step1、图像预处理：首先对含有条纹噪声的图像进行边缘扩展，然后对其进行对数化，得到对数化图像；具体的：
首先对含有条纹噪声的图像进行边缘扩展(本例中的图像数据来源于大熊湖天文太阳望远镜在Ha波段观测到的高分辨率图像，图2为含有条纹噪声的图像)，以消除小波域信息重构后在图像边缘产生的奇异现象；图像的扩展采用如下方式：
IMG＝padarray(Image,br，type)，
其中，IMG是扩展后的图像，Image是待扩展的图像，br是图像边缘需要扩展的范围大小，padarray是图像扩展函数，type是采用的扩展方式(本例中图像的边缘采用100像素大小的镜像扩展方式)；然后，对扩展后的图像取对数，将条纹噪声图像中的非线性乘性噪声转换为线性加性噪声，同时增强图像的对比度。对数化公式如下：
ln(IMG)＝ln(I)+ln(N)，Im＝ln(I)+ln(N)
其中，IMG表示含有条纹噪声的图像，Im表示对数化后的图像(如图3所示)，I表示对数化后不含条纹噪声的图像，N表示条纹噪声。
Step2、小波分解：图像对数化完成后，采用小波分解的方法对图3进行多层小波分解，得到图3分解后的小波域信息，在每个分解层上图像的信息被分解到水平、垂直和对角三个分量上，然后提取代表条纹信息的垂直分量，其结果如图4所示。小波分解的公式为：
Wf＝<f,ψ>＝∫f*ψ(t)dt，
其中，Wf为小波分解后图像在小波域的表示，ψ(t)为小波分解时用到的小波，f表示待分解的图像，本发明中采用的是db4小波，分解层数为5。
Step3、对小波域各层的垂直分量进行高通滤波，得到高频分量：首先，采用中值滤波的方法对提取的各层代表条纹信息的垂直分量进行滤波，得到对应的低频分量；然后，用提取的小波域各层的垂直分量减去其对应的低频分量，得到各层对应的高频分量，即不含条纹噪声信息的垂直分量，其结果如图5所示。中值滤波器的大小由图像用二维矩阵表示时的总列数和小波分解层数共同决定，滤波器大小为：
H＝floor(n/(2^num))
其中，H表示中值滤波器大小，n表示图像用二维矩阵表示时的总列数，num表示小波分解的层数，floor为向下取整函数。中值滤波对垂直分量的滤波表示为：
V1＝med(V0,H)
式中，V1表示中值滤波后的垂直分量，med表示中值滤波函数，V0表示滤波前的垂直分量，H表示中值滤波器的大小。
Step4、小波重构：用不含条纹噪声信息的垂直分量替换高通滤波前小波域各层的垂直分量，得到不含条纹噪声的小波域信息；再采用小波重构的方法对替换后的不含条纹噪声的小波域信息进行重构，得到不含条纹噪声的初处理图像，其结果如图6所示，其中小波重构时用到的小波应与小波分解时的小波相同。
Step5、一级条纹提取：用对数化后的图像减去初处理图像，提取一级条纹，其结果如图7所示。
Step6、二级条纹提取：对一级条纹逐行高斯滤波，滤除其中含有的少量图像信息，得到二级条纹，其结果如图8所示。高斯滤波函数为：
其中，n表示图像用二维矩阵表示时的总列数，x表示1到n的范围大小，w表示滤波器的宽度，本实例中w＝50。
Step7、三级条纹提取：对二级条纹进行指数化，然后扣除边缘扩展的部分，得到条纹噪声，即三级条纹，其结果如图9所示。
Step8、无条纹图像获取：用含有条纹噪声的图像除以三级条纹得到最后的无条纹图像，其结果如图10所示。
从图11的上半部分(即图2)可以清楚的看到明暗交替的条纹噪声，这些条纹噪声掩盖了图像的真实背景，降低了图像的质量。经过本发明中提到的方法对含有条纹噪声的图像处理后，可以直观的看到在图11的下半部分与上半部分对应的1、2和3号区域中的条纹噪声对图像真实背景的影响已经降到最低程度，处理后的无条纹图像的质量也得到最大程度的提高，且没有引起图像边缘模糊的现象，保留的图像信息也更加丰富，更为准确。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。