基于傅里叶变换的HY_1B卫星影像条带噪声去除_杨雪.pdf

针对环境减灾小卫星高光谱影像数据中存在的条带噪声，提出一种双边滤波与矩匹配方法融合的去除条带噪声方法。该方法克服了传统方法在去除条带噪声的同时带来新的噪声，并且边缘信息丢失等问题。最后进行了几种去除条带方法的比较试验，并且对试验结果进行了讨论。试验证明，提出的方法去除高光谱遥感影像的条带噪声效果明显，且能较好地保留原始影像中的地物信息。

高光谱遥感数据蕴含着丰富的地物反射光谱信息,其原始反射数据中含有大量的噪声,这些噪声严重影响地物反射光谱中的吸收特征,大大降低数据的分析精度,研究有效的高光谱遥感数据噪声滤波算法是改善高光谱数据分析效果的关键环节。研究了推扫高光谱图像(PHI)影像中条带噪声的高频特性,针对目前常用的矩匹配方法及几种改进的矩匹配方法都存在一定的缺点,提出一种改进的行平滑条带滤波方案,对含有条带噪声波段行均值曲线进行平滑处理,并调整图像中各像元的灰度值,以减小行间灰度差异,所得图像的峰值信噪比有所提高,取得了比按波段的矩匹配方法更好的去条带效果,在较好地削弱图像中条带噪声的同时,保留了原图像的辐射特征。

为进一步抑制遥感图像的非均匀噪声,首先分析了空间遥感高光谱图像条带噪声产生的原因及噪声模型,进而提出一种基于窗口阈值判决的改进矩匹配算法。选取相对平坦,且条带噪声与背景对比较明显的区域进行阈值估算,并选取参考均值、标准差和条带阈值判决对条带噪声进行矩匹配处理。实验结果表明,所提算法的峰值信噪比相对传统方法至少提高了6.2163 dB,均方误差最小降低了5.9630,结构相似度至少提高了0.254。与传统方法相比,采用所提方法处理后的图像变异逆系数有所提高,图像横向梯度与标准差有所降低,该方法还去除了图像中的条带噪声,保留了原始图像的细节信息。

matlab去除图像条带噪声代码DIP_全景拼接 自动Panaroma拼接 如何运行代码： 通过提供包含图像的目录名称（以“ .jpg”格式）来运行main函数。 该函数返回一个全景图像单元格，并显示全景图。 示例：假设数据集文件夹（链接中提供的图像文件夹）与main.m文件在同一目录中Panorama = main（“ ./ dataset / subset1”）; 链接中的子集10是多场景图像集的示例。 依存关系： 所需的Matlab工具箱 图像处理工具箱 计算机视觉工具箱 图像采集工具箱 优化工具箱 问题定义： 问题：给定来自不同场景的多幅图像，以一种混乱的无序方式，重建了所有可能的全景图像。 输入图像可以是无序的，方向，比例或照明不变的。 它还会处理在重建过程中不是场景一部分的噪声图像。 行动计划： 该算法的第一步是使用SIFT描述符在所有图像中找到共同特征，而这些特征与旋转和比例无关。 接下来，我们将具有最大匹配特征的图像分组，并使用一些固定数量的图像进行重建。 概率模型用于验证所有匹配项。 3.找到图像集的连接组件，即将属于一个场景的所有图像分组。 然后，我们使用RANSA

首先获取图均值,读取原始图像的DN值,计算得到图均值.然后,对存放原始图像DN值的数组每一列进行处理,计算得到每一列的列均值.最后计算得到噪声去除后图像新的DN值

高光谱图像中往往存在严重的条带噪声，与常见噪声具有很大不同，现有的去噪方法对其不能完全适用。利用平滑滤波思想结合传统的矩匹配方法，对传统的矩匹配条带去除方法进行改进，对HJ-1-A卫星高光谱图像进行实验、研究，利用多种图像质量评价标准，将算法去条带后图像与传统的和已有的改进算法去条带后图像进行对比、评价，找出去条带效果好、原始图像信息保留能力强、适应性强的改进的矩匹配方法来应用于高光谱图像条带噪声的去除。