1.小波变换和局部插值融合的高光谱图像条带噪声消除方法,其特征在于,包括以下步骤:
步骤1:输入高光谱图像数据立方体,高光谱图像数据立方体为经过预处理的2级产品数据,预处理包括随机噪声滤波、辐射校正和几何校正处理;
步骤2:对高光谱图像波段数据进行判断:高光谱图像数据在获取过程中受到各种因素的干扰,会使部分波段数据的质量受到损坏,损坏的波段图像就无需继续进行处理;
步骤3:剔除损坏的高光谱图像波段数据;
步骤4:读取正常的第k波段的高光谱图像数据:在剩下的高光谱图像数据中选择第k波段数据,分别进行步骤5和步骤6操作;
步骤5:用二维平稳小波进行高光谱图像数据的条带噪声去除;
步骤6:用局部插值进行高光谱图像数据的条带噪声滤除;
步骤7:对步骤5和步骤6的处理结果进行融合处理;
步骤8:判断处理的k波段是否为最后的波段,如果是最后波段,则结束;如果不是最后波段,则转入步骤4,即读取下一波段的图像。
2.根据权利要求1所述的小波变换和局部插值融合的高光谱图像条带噪声消除方法,其特征在于,所述的步骤2中高光谱图像波段数据判断的方法为:
采用列平均值的导数(DMC)和列平均值的梯度(GMC)的乘积δ(k)来进行判断;
δ(k)=D(k)×G(k) (1)
列平均值的导数(DMC)和列平均值的梯度(GMC)的数学模型如下:
其中,k表示第k波段,D(k)和G(k)分别表示第k波段列平均值的导数(DMC)的导数平方和及列平均值的梯度(GMC)的平方和,μi(k)和分别表示第k波段图像的第i列探测单元的平均值和梯度值,δ(k)表示它们的乘积。
3.根据权利要求1所述的小波变换和局部插值融合的高光谱图像条带噪声消除方法,其特征在于,所述的步骤3中剔除损坏的高光谱图像波段数据的方法为:如果δ(k)值比预定的阈值ε大,即δ(k)>ε,表明该波段的图像数据已受到损坏,直接删除该波段的数据。
4.根据权利要求1所述的小波变换和局部插值融合的高光谱图像条带噪声消除方法,其特征在于,所述的步骤5中用二维平稳小波进行条带噪声去除的具体步骤为:
步骤5.1:条带噪声类型转换:先把亮条带转变成暗条带;
步骤5.2:设置小波分解尺度数:二维平稳小波分解的尺度数设为5,即M=5;
步骤5.3:选择小波函数:选择Daubechies(db1)函数作为小波分解的基函数,然后选择的k波段图像进行分解;
步骤5.4:对图像进行分解:利用步骤5.2和步骤5.3设置的参数,对输入的高光谱k波段图像进行小波分解;
步骤5.5:对小波分解后各尺度的分解系数进行处理:首先判断系数子图像是否还包含大量的条带噪声,如果系数子图像中包含的条带噪声较多,则转至步骤5.2,对该系数在图像继续进行分解,直到当某个分解系数子图像几乎是条带噪声时停止进行小波分解;然后对最后的分解层获得的系数值全部进行赋零值处理;最后逐系数逐尺度进行小波逆变换,最终得到各个分解尺度的小波系数;
步骤5.6:用步骤5.5得到的小波系数进行整个图像的小波逆变换处理,获得用小波变换处理条带噪声后的图像。
5.根据权利要求1所述的小波变换和局部插值融合的高光谱图像条带噪声消除方法,其特征在于,所述的步骤6中局部插值法去除条带噪声的具体步骤为:
步骤6.1:计算高光谱图像的列均值,并获得列均值曲线图;
步骤6.2:计算列均值的梯度,并获得列均值的梯度曲线图;
步骤6.3:通过梯度曲线图,获得波峰和波谷所在的位置,这就是条带噪声所在的位置;
步骤6.4:把条带噪声所在的列进行滤除,然后进行插值处理,结果是获得了局部插值的图像;
步骤6.5:进行矩匹配处理:式(4)就是矩匹配的数学模型,
其中,k表示高光谱图像中第k波段图像,Xk(i,j)和Yk(i,j)分别表示第k波段图像单个像素灰度值调整前后值,μkr和σkr分别表示整幅图像的均值和标准差,μkj和σkj分别为第j列的均值和标准差。
6.根据权利要求1所述的小波变换和局部插值融合的高光谱图像条带噪声消除方法,其特征在于,所述的步骤7中对步骤5和步骤6的处理结果进行融合处理的具体步骤为:
融合规则如下式:
If(k)=a×Iwt(k)+b×Ili(k) (5)
式中的k表示第k波段,才表示融合后的图像,Iwt(k)表示小波变换去条带噪声后的图像,Iwt(k)表示局部区域插值去条带噪声后的图像,参数a和b分别为各自的权系数,它们的取值范围为[0,1],并且a+b=1。