遥感技术影像中去除噪音的方法分析及应用

杨益军，李文鹏，李天兰

（昆明理工金图科技有限公司，云南 昆明 650031）

1 实验数据

本文采用经度122°～ 122.24°，纬度52°～52.23°地区Landsat8中的OLI_TIRS数据，获取时间为2017年4月，太阳高度角为49.8202度，该数据是10.11-TIRS波段影像。其中包括波段2-蓝，波段3-绿，波段4-红，波段5-近红等。波段都收到了噪音的干扰，使得影像表现为周期性条纹、亮线以及斑点等现质量，掩盖数字图像中真正的辐射信息。

2 均值滤波法

均值滤波法是均值处理一个点和它周围的点，最后得到的这个数值就是最后的输出结果，也达到了去噪效果。这个方法中需要用个窗口进行左右上下操作，而这个位于窗口中心的像素值是通过窗内所有点的像素值进行平均处理之后得到的。

图像是f (x ,y)，有个尺寸是M×M的工作窗口，通过均值滤波后的图像是g(x ,y)，N代表的是（x,y）的中心。公式中的x与y的取值范围是0到N-1之间。在（ x, y）点作为场的中心，S集包括点(x,y)和场中的所有点集，M是总数，所有像素坐标。

2.1 均值滤波法的实验结果

在影像上进行均值滤波法操作，得出均值滤波方法处理椒盐噪声不太理想，根据上面的图片展示，去噪后的图片中还是留有不少的椒盐噪声。如图一所示。

图1 原图像与均值滤波后对比

均值法适用于高斯噪声，首先选择一个窗口，这个窗口上有其一定的几何规则，之后这个窗口的几何中心处放置待处理的某个像素点，拿着模板在待处理的图像上左右上下不断地平移，这样就实现了对图像中的像素值的滤波。

2.2 改进方法

（1）加权法。在选择被处理的点时，正好是一个边界点的话，通过均值滤波处理之后这个点的灰度值一定会下降，这样就会把图像的边界变模糊，因此，通过平均像素的特征然后给予不同的值，还要运用加权平均法。

（2）门限法。适当地选择一个阈值T，然后令这一点的灰度值和邻域灰度平均值相等，不然就依旧是原来的灰度数值，即

图像是f (x ,y)，有个尺寸是M×M的工作窗口，阈值T是非负的。上面的公式可以知道，当所有的点在均值的范围内和其差值，如果小于或等于指定的阈值T，像素的灰色值，没有变化。依据公式看出直接用前面均值滤波法的公式处理后的图像比经过门限法处理后的图像模糊度要大很多。原理主要是通过噪声点的灰度值和它领域点的像素灰度值均值的差异较大。

3 中值滤波法

中值滤波法是把图像中的点进行了整体的排序，把位于最中间的那个点作为最后的输出值，这就是它的一个简单的思想。这个方法主要是弄清楚图像中的点的数目，选择出哪个点是最后要的那个点，最后就输出来。不过在某些情况下，中值滤波方法可以避免图像细节的线模糊。

M 是这个的总数目，它是个奇数，这个数串表示为fi-v，…然后用中值法的思想，要进行排序，最后得到这个数串的最中间的数值，它就是最后要的数值，也是输出的数值。最后的这个值受这个区域中所有点的影响，这样这个方法可以删掉图中单独出现的这些点。

3.1 中值滤波法的实验结果

在影像中，运用中值滤波法处理。从结果中看出，这个方法处理面积大的点，作用效果很不错，比如椒盐噪声就完美的删掉了，这个噪声是颗粒大的点，比起高斯噪声它的面积就算大了。

中值滤波法适合处理椒盐，不适合处理高斯噪音，所以，不管怎么处理，处理后的图片还是噪音很多。

3.2 改进方法

（1）可分离中值滤波法。这个方法是进行2次中值法，第一次是处理行，第二次是把前面结果在进行一次。这个速度快，效果也不错。

（2）极大极小值滤波法。这个方法是选最大、小值。极大极小值滤波法有腐蚀与膨胀的观看效果，假如直接应用，会很严重的破坏掉原始图像的有效信息，因此需要合理的应用才有可能保护住图像的边缘细节。

（3）自适应滤波器。这个方法主是运用了适应性的思想，就是依据某些条件适应性的选区域的大小进行处理，就得到了图像处理效。它的优势在于去除脉冲噪声，并且能在平滑的“椒盐”和其他脉冲噪声中保留细节，还可以减少图像边缘的粗化变形。

4 小波去噪方法

小波去噪是基于信号和噪声不同分布，然后分析处理。根据已知的，噪声和细节大多在高频域，信号在低频域。在图像去噪的时候还要保证图像的细节不能丢失，要左右平衡这个度。

本文就来探讨一下加性噪声的分析和处理。先假设获取的信号的观测公式：

在公式中，ni是高斯噪声，σ是0均值，xi是方差，yi是信号，i是观测值。可以把去除噪声的过程看作是x从y恢复的过程。假设离散小波变化的变换矩阵是W，之后对上面的公式进行小波变化就得到了：

令Y=W[yi]，X=W[xi]，N=W[ni]，就可Y =X +N以得到 可以得出高斯噪音不管经过怎样的变化，它的性质都是不变的。一般情况下，把小波因子分成2类，一种是由噪声变得，幅度不，大量多。还有一种是从信号变化得到的，也包括了噪声的变化结果，它们的变化大，数目不多。这个方法主要是通过小波因子的差来处理噪声的。

4.1 小波去噪实验结果分析

小波去噪没有把图像的细节部分抹去，既可以把图像中的一些细节选取出来还运用了低通滤波这个理念，它把这两点特点结合起来对信号进行处理。而且小波去噪可以根据噪音和信号的大小识别出来。信号的因子波动大，噪声的因子小，这样就删掉了噪声，留下了有用的信息了。再用小波逆变化进行重构信号。

4.2 改进方法

（1）离散小波变换。离散小波变换就要进行离散化处理。在操作过程中，把小波基函数的a和b换做是一些特定的数值，这样就能让小波变换系数没有多于的，还可以叫电脑运行的速度更快一点。

一般情况下，ψj,k(t )替换掉ψ2-j,k2-j(t )，就获得了离散小波的离散小波变换公式：

它通过辨识信号和噪声的不一样就可以平滑掉噪声，这样也能较好的展现出信号的稳定的性质。

5 结论

本文通过均值滤波法、中值滤波法和小波去噪法分别对遥感影像进行了处理。通过对遥感影像的分析，均值滤波适用于高斯噪声，在处理高斯噪声的时候，选取了不同的模板窗口，窗口的大小也影响着图像去噪的效果和模糊度。可以从图片中直观地看出，随着模板的不断加大，图像模糊度也逐渐变大，所以，在去除噪音的时候，要尽量选取模板窗口小的，这样才可以得到更好的观看效果。中值滤波法适合处理椒盐，不适合处理高斯，主要是因为高斯噪音是随机的在干扰着图像中的信息。中值法在处理噪声时，效果与模板的规模有关，尺寸大，效果就下降，图像质量不佳，因此在图像处理中，以较小的尺寸选择模板。