一种基于ds证据理论的多幅遥感图像融合去噪方法
【专利摘要】本发明涉及一种基于DS证据理论的多幅遥感图像融合去噪方法,该方法具体包括以下步骤：选取同一位置某一时间段的多幅遥感图像，然后对每幅图像建立四个噪声模型；对四个噪声模型进行数据统计分析，并得到每个模型下每个像素点是噪声的概率，作为DS证据理论的基本概率分配；使用DS证据理论融合规则将四个证据融合成一个证据，得到每幅图像每个像素点是噪声的概率；重复使用DS证据理论的融合规则，将多幅遥感图像的信息融合起来，得到多幅遥感图像融合的总证据；最终根据证据计算出信任区间，并利用设计好的决策规则进行去噪，得到融合去噪的图像。其优点表现在：凭借丰富的信息源，实现去噪的同时更好的保留遥感图像边缘纹理细节。
【专利说明】
一种基于DS证据理论的多幅遥感图像融合去噪方法
技术领域
[0001] 本发明涉及遥感图像去噪处理技术领域，具体地说，是一种基于DS证据理论的多 幅遥感图像融合去噪方法。
【背景技术】
[0002] 数字图像在获取和传输的过程中容易受到噪声的污染，被污染的图像会影响图像 的进一步处理，对图像的理解和识别带来一定的困难。研究表明，在一幅图像中，当信噪比 低于14.2db时，在图像分割时产生的误检概率大于0.5%;在参数估计时，参数的估计误差 大于0.6%;在区域数的确定上，容易过估区域的数目。因此，在对图像进行边缘检测、参数 估计、特征提取、信息分析和模式识别等处理之前，依据容许的性能采用适当的降噪方法改 善、提高图像质量是一个非常重要的环节。
[0003] 遥感图像大多数像素的灰度值差别不明显，正是由于这种灰度相关性的存在，一 般遥感图像的能量主要集中在低频区域，只有图像的细节部分的能量处于高频区域。同时， 噪声的能量也处于高频区域，而去除噪声的主要方法就是消除或衰减高频分量、增强低频 分量，因此遥感图像在消减噪声的过程中，图像的细节也有一定程度的衰减。这也是目前去 噪方法存在的一个矛盾，即去除噪声与保持图像细节信息之间的矛盾。
[0004] 传统的去噪方法一般在单幅图像内基于图像空间相关性进行平滑滤波(如高斯滤 波、纳维滤波、中值滤波、均值滤波），或基于频域、小波域以及其他方法进行滤波等。由于简 单的空域滤波仅根据图像的局部空间相关性判图像的某像素是否为噪声，而不考虑时域信 息，因而不好把握图像的全局特征。频域降噪方法主要利用正余弦坐标基对图像进行处理， 能很好反映图像的整体特征，但不能很好地表述图像的时频局部化变化，不利于边缘保持。 小波阈值降噪方法主要利用小波基对图像进行多尺度变换，由于信号突变点在不同尺度的 同一位置都有较大的峰值出现，噪声能量却随着尺度的增大而减小，因此能够提高信号主 要边缘的定位精度，更好地刻画真实信号，但在实际应用时，还需要估计噪声方差才能设定 适当的阈值。
[0005] 综上所述，亟需一种充分利用多幅遥感图像互补信息，对遥感图像进行去噪，与单 幅遥感图像去噪相比，凭借丰富的信息源，实现去噪的同时更好的保留遥感图像边缘纹理 细节的基于DS证据理论的多幅遥感图像融合去噪方法。而关于这种方法目前还未见报道。
【发明内容】
[0006] 本发明的目的是针对现有技术中的不足，提供一种充分利用多幅遥感图像互补信 息，对遥感图像进行去噪，与单幅遥感图像去噪相比，凭借丰富的信息源，实现去噪的同时 更好的保留遥感图像边缘纹理细节的基于DS证据理论的多幅遥感图像融合去噪方法。
[0007] 为实现上述目的，本发明采取的技术方案是：
[0008] 一种基于DS证据理论的多幅遥感图像融合去噪方法，该方法具体包括以下步骤：
[0009] 步骤一，选取同一位置某一时间段的多幅遥感图像，然后对每幅图像建立四个噪 声模型；
[0010] 步骤二，对四个噪声模型进行数据统计分析，并得到每个模型下每个像素点是噪 声的概率，作为DS证据理论的基本概率分配；
[0011] 步骤三，使用DS证据理论融合规则将四个证据融合成一个证据，得到每幅图像每 个像素点是噪声的概率，作为多幅遥感图像融合去噪的基本概率分配；
[0012] 步骤四，重复使用DS证据理论的融合规则，将多幅遥感图像的信息融合起来，得到 多幅遥感图像融合的总证据；
[0013] 步骤五，最终根据证据计算出信任区间，并利用设计好的决策规则进行去噪，得到 融合去噪的图像。
[0014] 进一步地，所述步骤二中的四个噪声模型分别两状态高斯混合模型、类中值滤波 模型、类均值滤波模型、边缘分析模型。
[0015] 进一步地，所述的两状态高斯混合模型依据小波变化具有信号的突变点在不同尺 度的同一位置都有较大的峰值出现的性质，而噪声能量却随着尺度的增大而减小的特点， 来刻画小波系数是与噪声相关还是与边缘相关的概率。
[0016] 进一步地，所述的类中值滤波模型根据遥感图像的空间相关性，小窗口内像元值 一般差距不大，差别较大说明是奇异点，设置n*n窗口，n为自然数，对窗口中数据排序取中 间值，根据中心值与中间值的差异程度决定中心值为噪声的概率。
[0017] 进一步地，所述的类均值滤波模型根据遥感图像空间相关性，设置n*n窗口，n为自 然数，对窗口中的数据求平均值，根据中心值与平均值的差异程度决定中心值为噪声的概 率。
[0018] 进一步地，所述的边缘分析模型根据窗口中与中心值差异最小的3个值的差异程 度决定是噪声的概率。
[0019] 进一步地，所述步骤五中的决策规则具体如下：
[0020] (1)对每幅图像利用四个模型得到基本概率分布；
[0021] (2)利用DS理论把每幅图像的四个证据融合成一个整体概率分布；
[0022] (3)利用DS理论把(2)得到的两个整体概率分布融合成一个概率分布；
[0023] (4)如果融合结果是边缘，且两个证据都是边缘，选择是边缘概率大的证据；
[0024] (5)如果融合结果是边缘，两个证据一个是边缘另一个是噪声，说明是边缘的证据 较强，选择是边缘的证据；
[0025] (6)如果融合结果是噪声，两个证据一个是边缘另一个是噪声，说明是噪声的证据 较强，放弃是噪声的证据，如果这时是边缘的证据大于某一值，则相信这个证据，否则对这 个证据做萎缩处理之后再使用；
[0026] (7)如果融合结果是噪声，两个证据都是噪声，则选取相对可靠的图像，取其平稳 小波变化的低频系数重构，得到的灰度值作为融合去噪后图像的灰度。
[0027]本发明优点在于：
[0028] 1、本发明一种基于DS证据理论的多幅遥感图像融合去噪方法，根据不同时间序列 的遥感影像，由于受大气辐射、温度等不同因素的影响，遥感影像受噪声污染的位置和程度 也不同这一特点，使用多幅遥感图像的互补信息进行融合去噪，选取多幅遥感图像中质量 比较好的数据(非噪声数据或噪声数据的衰减数据），融合成新的图像，与单幅遥感图像去 噪相比，凭借丰富的信息源，实现去噪的同时更好的保留遥感图像边缘纹理细节。
[0029] 2、DS证据理论能够处理由于知识不准确引起的不确定性，也能够处理由于不知道 的因素引起的不准确性，通过合并多重证据从而作出决策，对推理进行合理的信息论解释， 是一种决策理论。
[0030] 3、DS证据理论信息融合技术，结合多源信息，能够有效处理认知不确定问题，根据 DS证据理论这一优势，将多个模型的信息融合起来，得到更可靠的判断，然后同样利用DS证 据理论将多幅图像信息融合起来，作为融合去噪决策依据。
【附图说明】
[0031] 附图1为本发明多幅遥感图像融合去噪流程图。
[0032] 附图2为本发明和单幅遥感图像多种方法去噪结果对比图。
【具体实施方式】
[0033]下面结合附图对本发明提供的【具体实施方式】作详细说明。
[0034] 实施例1
[0035]本发明根据不同时间序列的遥感影像，由于受大气辐射、温度等不同因素的影响， 遥感影像受噪声污染的位置和程度也不同，即不同时间内同一地区遥感图像的含噪情况不 同，一幅图像的某位置是噪声，而另一幅图像的该位置不一定含噪声，使用多幅遥感图像的 互补信息进行融合去噪，选取多幅遥感图像中质量比较好的数据(非噪声数据或噪声数据 的衰减数据），融合成新的图像。
[0036]如图1所示，一种基于DS证据理论的多幅遥感图像融合去噪方法，该方法具体包括 以下步骤:步骤一，选取同一位置某一时间段的多幅遥感图像，然后对每幅图像建立四个噪 声模型;步骤二，对四个噪声模型进行数据统计分析，并得到每个模型下每个像素点是噪声 的概率，作为DS证据理论的基本概率分配;步骤三，使用DS证据理论融合规则将四个证据融 合成一个证据，得到每幅图像每个像素点是噪声的概率，作为多幅遥感图像融合去噪的基 本概率分配;步骤四，重复使用DS证据理论的融合规则，将多幅遥感图像的信息融合起来， 得到多幅遥感图像融合的总证据;步骤五，最终根据证据计算出信任区间，并利用设计好的 决策规则进行去噪，得到融合去噪的图像。
[0037] 步骤二中的四个噪声模型分别为:两状态高斯混合模型、类中值滤波模型、类均值 滤波模型、边缘分析模型。
[0038] 其中，两状态高斯混合模型依据小波变化具有信号的突变点在不同尺度的同一位 置都有较大的峰值出现的性质，而噪声能量却随着尺度的增大而减小的特点，来刻画小波 系数是与噪声相关还是与边缘相关的概率；
[0039] 类中值滤波模型根据遥感图像的空间相关性，小窗口内像元值一般差距不大，差 别较大说明是奇异点，设置n*n窗口，n为自然数对窗口中数据排序取中间值，根据中心值与 中间值的差异程度决定中心值为噪声的概率，差异越大，噪声的可能性就越大；
[0040] 类均值滤波模型同样根据遥感图像空间相关性，设置n*n窗口，n为自然数对窗口 中的数据求平均值，根据中心值与平均值的差异程度决定中心值为噪声的概率，差异越大， 噪声的可能性就越大；
[0041]边缘分析模型，考虑窗口中属于边缘的元素对于类中值模型和类均值模型也会得 到较大的概率值，容易误分为噪声，边缘分析模型根据窗口中与中心值差异最小的3个值的 差异程度决定是噪声的概率，差异越小，由于图像边缘的连贯性，是边缘的可能性就很大， 差异越大，噪声的可能性就越大。
[0042]具体模型设计和决策规则如下：
[0043] ( - )本发明设计四个模型(两状态高斯混合模型、类中值模型、类均值模型、边缘 分析模型)来表示证据和相应的mass函数，具体定义如下：
[0044] (1)两状态高斯混合模型基本概率分配的定义
[0045] 建立两状态高斯混合模型，两状态指小波系数与边缘相关还是与噪声相关。对小 波系数用隐马尔可夫模型训练，得到系数属于边缘或噪声的概率，及两状态模型下各分解 尺度的两状态方差，进而得到在系数属于边缘或噪声的条件下小波系数是某值的概率，得 到证据1的基本概率分配。K状态高斯混合模型如公式1，2。
[0047]灼(&)为状态密度函数。其中，
[0049]为保证图像局部信息和空间相关性，以下三个证据采取小窗口形式，窗口大小为 3*3 〇
[0050] (2)类中值模型基本概率分配的定义
[0051]设中心点位置灰度值w(k)，为除中心点位置的8个系数从大到小排序：
[0052] r(l),r(2),r(3),r(4),r(5),r(6),r(7),r(8) (3)
[0053]取排序后的中间值，并求平均值ROM(k):
[0056] d(k)越大，说明w(k)与周围灰度值差异越大，是噪声的可能性就越大。PDA定义方 式如下： 气⑴(彡）=0
[0057] ?= nid(K}{n) = d(k) (6) = 1 - d(k)
[0058] (3)类均值模型基本概率分配的定义
[0059] 设i为灰度值对应位置编号，中心点位置灰度值w(k)，
[0060] = r (k) - w(k) , t = I,. . . 5-. ( 7 )
[0061 ]心表示灰度值梯度，S为窗口大小，;T(A )为窗口所有元素的平均值。
[0063] p(k)越大，说明w(k)与周围系灰度值差异越大，PDA定义方式如下： = 0
[0064] < miAK)、n)二 p、k). (9) 5<幻(尸）=1 -靡）
[0065] (4)边缘分析模型基本概率分配的定义
[0066] 由于被污染的像素一般出现在小的邻域的大纲窗口里，一般会引起较大得d(k)和 较大的P(k)。但是如果没有被噪声污染的像素位于边缘，d(k)和p(k)也会相对较大。因此， 本文又引入另一个证据〇(k)。
[0067] 设i为灰度值对应位置编号，中心点位置灰度值w(k)，
[0068] ai= | w(k)-wi(k) (10)
[0069] 对&1进行从小到大排序，得到数组c:
[0070] c = sort(a) (11)
[0072] Ci为第i小的数，表示窗口中心值与和他第i相近值的差异。由于C1*窗口中心值减 去本身得到，值为零，与窗口中心值的有效差异从i = 2开始。o(k)越大，说明w(k)与他最接 近的三个系数差异越大，表示是噪声的可能性就越大。PDA定义方式如下： ~'#) = 0
[0073] ? nirAK)(n) = o^k) (13) "7 ".'(/) = 1 ― 0(女)：
[0074](二)决策规则
[0075] 本方法通过4个模型对遥感数据进行统计分析，并对统计数据在单幅图像下进行 信息融合，作为多幅信息融合的输入。在进行第二次信息融合得到总的证据的基础上，遵循 优先选择数据质量较好的数据的原则，遵循最大限度保存边缘信息的原则，制定最终用于 去噪的决策规则，具体如下：
[0076] (1)对每幅图像利用四个模型得到基本概率分布；
[0077] (2)利用DS理论把每幅图像的四个证据融合成一个整体概率分布；
[0078] (3)利用DS理论把(2)得到的两个整体概率分布融合成一个概率分布；
[0079] (4)如果融合结果是边缘，且两个证据都是边缘，选择是边缘概率大的证据；
[0080] (5)如果融合结果是边缘，两个证据一个是边缘另一个是噪声，说明是边缘的证据 较强，选择是边缘的证据；
[0081] (6)如果融合结果是噪声，两个证据一个是边缘另一个是噪声，说明是噪声的证据 较强，放弃是噪声的证据，如果这时是边缘的证据大于某一值，则相信这个证据，否则对这 个证据做萎缩处理之后再使用；
[0082] (7)如果融合结果是噪声，两个证据都是噪声，则选取相对可靠的图像，取其平稳 小波变化的低频系数重构，得到的灰度值作为融合去噪后图像的灰度值。
[0083]去噪分析效果对比1
[0084] 请参照图2,选用两幅原始图像、两幅含噪图像与本方法去噪后图像对比，分析各 自的图像信噪比和方差。如以下表1所示。
[0085] 表1本发明去噪结果和两幅原始数据源信噪比方差对比表
[0087]去噪分析效果对比2
[0088]请参照图2,选用数据源1为0.0001的单幅遥感图像，分别在低通滤波、纳维滤波、 均值滤波、中值滤波、小波变换与本方法去噪图像对比，分析各自的图像信噪比和方差。如 以下表2所示。
[0089]表2本发明去噪结果和单幅遥感图像数据源1多种方法去噪结果信噪比方差对比 表
[0091]请参照图2,选用数据源2为0.005的单幅遥感图像，分别在低通滤波、纳维滤波、均 值滤波、中值滤波、小波变换与本方法去噪图像对比，分析各自的图像信噪比和方差。如以 下表3所示。
[0092]去噪分析效果对比3
[0093]表3本发明去噪结果和单幅遥感图像数据源2多种方法去噪结果信噪比方差对比 表
[0096]以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人 员，在不脱离本发明方法的前提下，还可以做出若干改进和补充，这些改进和补充也应视为 本发明的保护范围。
【主权项】
1. 一种基于DS证据理论的多幅遥感图像融合去噪方法，其特征在于，该方法具体包括 以下步骤： 步骤一，选取同一位置某一时间段的多幅遥感图像，然后对每幅图像建立四个噪声模 型； 步骤二，对四个噪声模型进行数据统计分析，并得到每个模型下每个像素点是噪声的 概率，作为DS证据理论的基本概率分配； 步骤三，使用DS证据理论融合规则将四个证据融合成一个证据，得到每幅图像每个像 素点是噪声的概率，作为多幅遥感图像融合去噪的基本概率分配； 步骤四，重复使用DS证据理论的融合规则，将多幅遥感图像的信息融合起来，得到多幅 遥感图像融合的总证据； 步骤五，最终根据证据计算出信任区间，并利用设计好的决策规则进行去噪，得到融合 去噪的图像。2. 根据权利要求1所述的方法，其特征在于，所述步骤二中的四个噪声模型分别为:两 状态高斯混合模型、类中值滤波模型、类均值滤波模型、边缘分析模型。3. 根据权利要求2所述的方法，其特征在于，所述的两状态高斯混合模型依据小波变化 具有信号的突变点在不同尺度的同一位置都有较大的峰值出现的性质，而噪声能量却随着 尺度的增大而减小的特点，来刻画小波系数是与噪声相关还是与边缘相关的概率。4. 根据权利要求2所述的方法，其特征在于，所述的类中值滤波模型根据遥感图像的空 间相关性，小窗口内像元值一般差距不大，差别较大说明是奇异点，设置n*n窗口，η为自然 数，对窗口中数据排序取中间值，根据中心值与中间值的差异程度决定中心值为噪声的概 率。5. 根据权利要求2所述的方法，其特征在于，所述的类均值滤波模型根据遥感图像空间 相关性，设置η*η窗口，η为自然数，对窗口中的数据求平均值，根据中心值与平均值的差异 程度决定中心值为噪声的概率。6. 根据权利要求2所述的方法，其特征在于，所述的边缘分析模型根据窗口中与中心值 差异最小的3个值的差异程度决定是噪声的概率。7. 根据权利要求1所述的方法，其特征在于，所述步骤五中的决策规则具体如下： (1) 对每幅图像利用四个模型得到基本概率分布； (2) 利用DS理论把每幅图像的四个证据融合成一个整体概率分布； (3) 利用DS理论把(2)得到的两个整体概率分布融合成一个概率分布； (4) 如果融合结果是边缘，且两个证据都是边缘，选择是边缘概率大的证据； (5) 如果融合结果是边缘，两个证据一个是边缘另一个是噪声，说明是边缘的证据较 强，选择是边缘的证据； (6) 如果融合结果是噪声，两个证据一个是边缘另一个是噪声，说明是噪声的证据较 强，放弃是噪声的证据，如果这时是边缘的证据大于某一值，则相信这个证据，否则对这个 证据做萎缩处理之后再使用； (7) 如果融合结果是噪声，两个证据都是噪声，则选取相对可靠的图像，取其平稳小波 变化的低频系数重构，得到的灰度值作为融合去噪后图像的灰度。
【文档编号】G06T5/00GK105913402SQ201610341777
【公开日】2016年8月31日
【申请日】2016年5月20日
【发明人】黄冬梅, 朱贵鲜, 张明华, 徐首珏, 石少华, 王丽琳
【申请人】上海海洋大学