基于图像块统计特性的EPLL遥感图像去噪方法.docVIP

基于图像块统计特性的EPLL遥感图像去噪方法 　　摘要：遥感图像在形成和传输过程中不可避免地会受到噪声的污染，从而降低图像质量，抑制有用的信息。学习和利用先验知识对图像进行复原能够较好的去除图像中的噪声。本文探讨了一种基于图像块统计特性的EPLL（Expected Patch Log Likelihood）去噪方法，将图像块的统计特性作为先验知识，在图像块复原的基础上实现图像的全局优化。实验结果表明，基于图像块统计特性的EPLL复原方法能够有效去除遥感图像的噪声，同时很好地保护图像细节。 　　关键词：统计特性 EPLL 遥感图像 　　中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2013）12-0041-04 　　1 引言 　　遥感是一门综合性探测技术，大大扩展了人们的观察视野及观测领域，在城市规划、环境保护、全球变化、土地监测以及军事等领域的应用具有显著的优越性和重要性。 　　在遥感图像形成和传输过程中，由于系统本身存在的缺陷、传输介质等因素的影响，会受到多种噪声的污染。噪声的存在会降低图像的质量，抑制有用的信息，影响信息的精度，甚至会导致错误的判断。要更好实现遥感的应用，必须对图像进行复原处理。 　　3.1 方法流程 　　本文所述方法的流程可分为两大部分：第一部分为遥感图像块的统计特性建模；第二部分为基于图像块统计特性的EPLL遥感图像去噪方法。将所建立的模型作为先验知识运用到EPLL复原方法中，通过对两个分步骤进行迭代的方式优化去噪结果。本文所研究的方法用于遥感图像去噪的流程如图1所示。 　　3.2 遥感图像块的统计特性建模 　　4 实验与结果分析 　　4.1 实验数据 　　训练数据：建立遥感图像数据库，数据库收录了不同传感器生成的城镇、山地、港口和平原等不同场景内容以及不同分辨率的200幅遥感图像。从数据库中随机选取个的图像块，组成一个的训练数据集，作为遥感图像块统计特性建模的输入样本。其中，数据集的每一列表示一个图像块。 　　测试数据：从数据库以外随机选取5幅遥感图像作为测试图像，图像包含了城镇、港口、山地、平原等不同场景，如图2所示。 　　4.2 实验设置 　　设定高斯混合模型的混合部分为200个，输入训练数据集，运用EM算法，求得高斯混合模型的参数，和，建立遥感图像基于块的高斯混合模型。将该模型作为本文所述EPLL复原方法的先验知识。 　　在这里，我们设定，，其中，为图像块的像素点个数。 　　4.3 实验结果 　　为了验证本文方法的有效性，我们在5幅测试图像中分别加入标准方差为25的高斯白噪声，分别采用本文基于图像块统计特性的EPLL去噪方法、BM3D、KSVD和小波变换方法对测试图像进行去噪处理。去噪结果如图3（2幅）所示。 　　为了进一步比较实验结果，使用峰值信噪比（PSNR）和图像结构相似度（SSIM）来对去噪后的图像质量进行定量比较，结果如表1所示。 　　实验结果表明，被相同噪声污染的测试图像经过基于图像块统计特性的EPLL方法复原后，图像质量明显得到改善。其实验结果明显优于KSVD和小波变换。与BM3D方法相比，对平原、山地等场景的图像去噪效果较好，对城镇等场景的图像去噪效果略低于BM3D方法。但是，BM3D方法在去噪过程中产生了平滑效应，而我们的方法在获得相当去噪效果的同时，很好地保护了图像的细节。 　　为了进一步研究EPLL方法的噪声去除能力，我们在三组测试图中依次加入标准方差为15、35、45、55和65的高斯噪声，并采用上述不同的方法对每张噪声污染图像进行去噪处理。表2和表3分别统计了在不同噪声方差的高斯噪声条件下，不同去噪方法对三组测试图的去噪结果PSNR和SSIM值。比较统计的数值，可以看出噪声标准方差小于45时，EPLL复原方法要优于其他几种方法，在噪声标准方差大于45时，EPLL复原方法对噪声的去除能力与BM3D方法相当，并明显优于其他两种方法。 　　5 结语 　　本文探讨了一种基于图像块统计特性的EPLL遥感图像去噪方法。建立了遥感图像块的高斯混合模型。并以该模型为先验知识，结合EPLL复原方法对遥感图像进行了去噪处理。实验结果表明，以图像块统计特性为先验知识的EPLL去噪方法可以有效去除遥感图像中的噪声，并较好的保护了图像细节。 　　从实验结果的对比中，我们可以看到本文所述的方法与BM3D方法相当，优于其他三种方法。从实验数据的选取来分析，收入的遥感图像中，城镇等人造建筑的场景只占小部分，平原、山地等自然景物所占比例大。对城镇等场景的图像去噪结果与BM3D方法相当可能是因为随机选取的训练图像块中城镇等人造场景所占比例少。可以预见，如果对遥感图像进行分类处理的话，去噪效果应该会优于其他方法。在下一步的研究中