一种基于增量字典学习的遥感图像去噪方法与流程

本发明涉及遥感图像处理技术领域，具体来说，涉及一种基于增量字典学习的遥感图像去噪方法。

背景技术：

许多研亢表明，为了更好的除去遥感图像中的噪声，需要引入一些参考信息。相比于仅仅利用含噪声遥感图像本身的信息进行除噪声的方法，引入参考信息的除噪声方法可以利用更多的信息来除噪声，从而达到更好的除噪声效果。可以通过目标图像像素分布和参考图像像素分布的关系来引入先验信息，也可以在小波域将先验信息引入除噪声过程中。对于多源遥感影像，还可以在梯度域中引入先验信息。所有的这些方法都是利用了参考图像和目标图像的关联关系，但是如何通过引入先验信息的方式来提高遥感影像除噪声效果仍然是一个比较开放的问题。

针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现要素：

针对相关技术中的上述技术问题，本发明提出一种基于增量字典学习的遥感图像去噪方法。

本发明的技术方案是这样实现的：

一种基于增量字典学习的遥感图像去噪方法，包括以下步骤：

步骤1：从目标图像和参考图像中提取相似像素块，构建训练样本和测试样本；

步骤2：将步骤1中从参考图像中提取出的像素块进行增量svd分解训练初始字典，然后通过引入目标图像的信息获得最终的字典；

步骤3：通过目标图像和无噪声参考图像的边缘特征的相似性计算出目标图像和无噪声参考图像的边缘特征关系；

步骤4：将步骤3求得的边缘特征关系作为限制条件加入到字典学习的过程中，求得系数矩阵，根据稀疏系数矩阵和字典还原出去噪后的图像。

进一步的，所述参考图像为对应目标图像的无噪声图像。

进一步的，所述步骤1从目标图像和参考图像中提取相似像素块是最相似的m个非局部像素块。

在学习最终字典的过程中同时引入了目标图像和参考图像的信息，有效的保持了目标图像的特种的同时限制了噪声。

通过假设从目标图像中提取出的像素块和从参考图像中提取出来的像素块的像素强度具有线性关系来利用边缘特征的相似性，最终求得系数，作为求解最终目标函数的限制条件。

本发明的有益效果：通过局部增量字典学习，加上利用边缘特征的相似性来去除遥感图像中的噪声，在保持目标图像的特点的同时有效的抑制了噪声。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明一种基于增量字典学习的遥感图像去噪方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

根据本发明的实施例，提供了一种基于增量字典学习的遥感图像去噪方法。

如图1所示，根据本发明实施例的一种基于增量字典学习的遥感图像去噪方法，其特征在于，包括以下步骤：

步骤1：从目标图像和参考图像中提取相似像素块，构建训练样本和测试样本；

步骤2：将步骤1中从参考图像中提取出的像素块进行增量svd分解训练初始字典，然后通过引入目标图像的信息获得最终的字典；

步骤3：通过目标图像和无噪声参考图像的边缘特征的相似性计算出目标图像和无噪声参考图像的边缘特征关系；

步骤4：将步骤3求得的边缘特征关系作为限制条件加入到字典学习的过程中，求得系数矩阵，根据稀疏系数矩阵和字典还原出去噪后的图像。

其中，所述参考图像为对应目标图像的无噪声图像。

本实施例中，所述步骤1从目标图像和参考图像中提取相似像素块是最相似的m个非局部像素块。

具体的：(1)通过增量字典学习引入先验信息

从目标图像(含噪声)y和参考图像(无噪声)z中选择像素块形成γ和z，将z进行增量奇异值分解形成初始字典u其中u满足

其中然后得到h，h满足其中然后根据[q，k]＝qr(hh^t-ηuu^t)和和最终的字典为u′

(2)通过边缘特征相似性引入先验信息

根据z和υ，求得和令然后根据求得

最后根据d和f根据公式求得系数α，最后还原出除噪声后的图像

由此可见，借助于本发明的上述技术方案，在去噪过程中通过局部增量字典学习，加上利用边缘特征的相似性来去除遥感图像中的噪声，在保持目标图像的特点的同时有效的抑制了噪声。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。