光子学报
2022, 51(12): 1210001
1 中南民族大学电子信息工程学院, 湖北 武汉 430074
2 中国科学院精密测量科学与技术创新研究院, 湖北 武汉 430071
多光谱激光雷达可以直接有效地获取包含光谱信息的激光点云,已成为激光雷达成像技术发展的新趋势。这种新型的多光谱激光雷达所获取的点云具有更丰富的光谱和色彩信息,同时也对点云的数据质量提出了更高的要求,其中点云去噪成为提高数据质量的关键。传统的单色点云去噪算法主要是利用空间信息对噪声进行去除,但是不适用于多光谱激光雷达点云。提出了一种基于颜色聚类的多光谱激光雷达点云去噪算法。首先,根据多光谱激光雷达获取的光谱信息反演出包含颜色信息的点云;其次,利用色差将点云进行聚类,经过聚类后每一簇中噪声点的密度小于真实点;最后,在每一簇中对噪声进行识别和去除。研究结果表明,所提算法能够有效地去除多光谱激光雷达点云中的噪声,对地物识别的精度达到95%以上。
遥感 多光谱激光雷达 点云去噪 颜色聚类 混合噪声 激光与光电子学进展
2021, 58(12): 1228002
上海理工大学 光电信息与计算机工程学院, 上海 200093
针对现有滤波算法滤除图像中高斯-椒盐混合噪声后细节丢失较严重的问题,将图像块自相似性思想引入到混合噪声滤波领域,提出了基于非局部自相似性的混合噪声滤波算法。设计了图像在含混合噪声的情况下,其块相似度衡量策略及权系数的计算方式,实现了利用图像自相似性对椒盐噪声进行滤除,再结合非局部均值滤波算法处理图像中剩余的高斯噪声。实验结果表明,提出的算法可以有效地滤除图像中的混合噪声并较大程度地保留边缘、纹理等图像细节信息。
图像去噪 混合噪声 非局部均值 自相似性 image denoising mixed noise nonlocal means self similarity
1 中国矿业大学(北京) 机电与信息工程学院,北京 100083
2 河南理工大学 物理与电子信息学院, 河南 焦作 454000
为提高矿井混合噪声图像的可观测性, 提出了基于高斯曲率优化和非下采样剪切波变换的高密度混合噪声去除算法.使用局部高斯曲率优化混合噪声图像, 抑制椒盐噪声对噪声分布的影响, 使混合噪声分布近似为高斯噪声分布.使用非下采样剪切波变换分解高斯曲率优化图像, 实施自适应硬阈值收缩降噪, 去除混合噪声中的高斯噪声成分.最后, 迭代使用局部高斯曲率优化和非下采样剪切波变换降噪去除残余噪声, 直至输出图像梯度能量满足停止条件.实验表明, 本文算法能够有效地去除高斯噪声和椒盐噪声构成的高密度混合噪声, 且有效抑制了剪切波变换降噪引起的伪吉布斯现象, 有效地降低了矿井图像的噪声.
图像降噪 高斯曲率优化 非下采样剪切波变换 混合噪声 阈值收缩 Image denoising Gaussian curvature optimization Nonsubsampled shearlet transform Mixed noise Threshold shrinkage
哈尔滨理工大学测控技术与通信工程学院,黑龙江哈尔滨 150080
深度卷积神经网络的提出引发了图像处理算法的一系列突破。但是,使用更深入的网络并不总是有帮助,训练它们的巨大障碍是逐渐消失的梯度、大量增长的参数和过长的时间。本文提出了一种基于深度残差网络的图像混合噪声去除算法。通过全局残差学习与局部残差学习,有效地解决了梯度消失与网络参数的增长,提升了模型对图像特征的选择与提取能力,减少了训练时间。实验结果表明,深度残差网络在图像混合噪声去除中效果显著,本文提出的算法得到的去噪图像更好地恢复图像的原始结构,信息丰富,对比度高,鲁棒性强,并且可以更好地保持图像的细节。
深度残差网络 混合噪声去除 梯度消失 残差学习 deep residual network,mixed noise removal,gradie
1 中国民航大学电子信息与自动化学院, 天津 300300
2 中国民航大学航空工程学院, 天津 300300
针对单独的线性滤波和非线性滤波方法难以解决混合噪声滤除的问题, 基于现有的标准自适应中值算法和梯度倒数加权平滑算法, 提出一种自适应中值梯度倒数加权的图像滤波算法。该算法自适应调节窗口大小检测出椒盐噪声并进行中值滤波处理, 同时通过设定的阈值对高斯噪声进行梯度倒数加权平滑, 以达到滤除混合噪声的目的。实验表明, 该算法与标准自适应中值滤波算法和梯度倒数加权平滑算法相比, 能够很好地滤除高斯噪声、椒盐噪声, 以及两者的混合噪声, 并且对高强度的图像噪声具有明显的滤波优势。
图像处理 自适应中值 梯度倒数加权 混合噪声 激光与光电子学进展
2017, 54(12): 121001
西安理工大学 自动化与信息工程学院, 陕西 西安 710048
研究了QPSK副载波调制下乘性噪声与加性噪声对接收端星座图影响。基于Gamma-Gamma信道模型, 分析了乘性噪声和加性噪声影响下系统的接收星座图。通过仿真实验计算了混合噪声情况下的星座图分布以及接收端功率谱密度。讨论了混合噪声条件下, 不同能见度、传输距离对系统误码率的影响。结果表明: 随着湍流强度的增强, 接收端功率谱存在明显的展宽迹象; 不同加性噪声条件下, 当能见度小于传输距离时, 气溶胶粒子散射为影响通信的主要因素。不同乘性噪声条件下, 当能见度处于0.5~1.5 km时, 乘性噪声会影响接收光强, 进一步增大系统误码率。文中工作对真实环境下降低无线激光通信的误码率和提高通信质量有重要意义。
激光通信 QPSK调制 混合噪声 功率谱密度 误码率 laser communication QPSK modulation mixed noise PSD BER 红外与激光工程
2017, 46(10): 1022005
随着光谱分辨率越来越高,高光谱图像更容易受到噪声的干扰,直接用传统的检测算子会产生较高的虚警。针对RX 算法存在较大噪声干扰的问题,提出了一种基于混合噪声评估的RX 异常检测方法。首先对高光谱图像进行分块,利用滤波的思想选取均匀图像块;考虑图像光谱-空间信息,运用多元线性回归分析对均匀图像块进行混合噪声评估;然后将高光谱图像和混合噪声进行作差,消除噪声的干扰;最后运用RX 算子进行异常检测。实验结果表明,该方法达到了消除噪声的效果,与RX 和MNF-RX 算法相比具有更好的目标检测性能。
高光谱图像 异常检测 混合噪声评估 多元线性回归 hyperspectral imagery anomaly detection mixed noise estimation multiple linear regression RX RX
1 华南理工大学 自动化科学与工程学院, 广东 广州 510640
2 华南理工大学 精密电子制造装备教育部研究中心, 广东 广州 510640
3 广州大学 机械与电气工程学院, 广东 广州 510006
本文针对低光子计数成像过程中产生的泊松高斯混合噪声, 提出了一种数据保真项与稀疏约束项相融合的稀疏重建方法。首先, 基于泊松高斯噪声相互独立的混合噪声模型, 建立了数据保真项与稀疏约束项相融合的稀疏重建目标函数; 在图像块聚类的基础上, 应用改进贪婪算法实现类内稀疏分解和字典更新; 最后, 稀疏分解和字典更新交替迭代求解干净图像。针对强烈泊松高斯噪声污染图像的重建实验显示, 本文方法与对比方法相比, 重建结果的PSNR值平均提升了5.5%, MSSIM值也有明显提升。这些结果表明: 本文方法对具有强烈泊松高斯混合噪声的图像有较好的图像复原和噪声去除效果。
稀疏重建 字典学习 混合噪声 强噪声 低光子计数成像 sparse reconstruction dictionary learning mixed noise strong noise Low-dose photon counting imaging