第31卷：第11期 2011年11月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
基于非局部平均的多光谱遥感图像除噪声
刘
鹏，刘定生，李国庆，刘志文
中国科学院对地观测与数字地球科学中心，北京100094
Vol. 31,No. 11,pp2991-2995
Novemher,2011
摘要非局部平均除噪声的方法合理利用了图像自身的允余性和邻域的相似性，可以获得非常好的除噪声的效果。但是目前大多关于非局部平均算法的研究主要集中在对单波段图像的除噪声方面。单独平滑多光谱感图像的每个波段会比较严重地损失图像的光谱特征。为此，文章提出了两方面的改进；首先，改进了非局部平均的平滑核函数，让核函数中的加权系数与每个波段建立联系而不是只涉及单一波段；其次，引人相关系数来衡量不同像索邻域的光谱相似性，并把这种光谱相似性作为非局部平均平滑约束的一部分。通过两方面的改进，传统的非局部平均的方法可以适应多光谱遇感图像的平滑除嗪声。最后用不同卫星图像在不同的赚声水平下对算法进行了充分的测试，实验证明本文提出的方法更好的平滑掉了噪声而且更好的保持了图像的光谱特征。
非局部平均；图像除噪声；光谱特征
关键词
中图分类号：TP751
引言
文献标识码：A
DOI: 10. 3964/j. issn. 1000-0593(2011)11-2991-05
除噪声算法的性能。目前，大量的研究主要集中在提高非局部平均对单波段图像除噪声的效果和除噪声的速度上(41) 尽管非局部平均的方法在处理单波段图像的效果上很显著，
目前图像处理领域已经提出了很多种先进的除噪声的方法，比如基于小波(wavelet)(1+)、基于偏微分方程(PDE)[7-12) 和基于非局部平均(non-localmeans)L-16]等方法。相应的，很多方法也在发展对多光谱图像除赚声的模式。
考虑波段相互关系的小波域除噪声方法已经在文献[1] 中提出。基于小波的多光谱除声方法一般与贝叶斯框架有关[3]，在贝叶斯框架下有几种基于不同先验知识模型：非高斯模型4、广义拉普拉斯模型"和高斯尺度混合模型。除此以外还有基于无偏估计在小波域除噪声的方法，这些模型都取得了比较好的效果，但是都要对先验知识进行假设。基于偏微分方程的除噪声方法"已经发展了很多年，基于全变分的图像除噪模型可以转化为求解偏微分方程。近年来，彩色全变分除噪声[]和基于偏微分方程的多值图像除噪声通用架[]都已提出。这些方法都是适应多光谱图像的，在不同波段上的图像值的组合被认为是向量，图像除噪声的视觉效果有所改善，但是对光谱特性的保持方面仍然有些不
足。
近年来，非局部平均(non-localmeans，NL.M)除噪声的
方法3在图像处理领域受到了广泛的关注。非局部平均的方法利用图像自身的元余特性和邻域相似特性极大的提高了
且是它并不是针对多光谱图像的。本文将改进非局部平均龄噪声的方法，构造新的非局部平均的平滑核，这样在平滑过程中考患多光谱图像波段间的相关性，进而改善非局部平均除噪声的图像的光谱特性。
非局部平均除噪声
为了方便叙述，这甲给出描述噪声图像的模型
I(i) = u(i) +n(i)
(1)
式中，I为观测图像，I(i)为观测图像在位置的像素值，"为原始图像，w(i)为原始图像在位置i的像素值，n(i)为噪声n 在位置：的值，假设"服从零均值方差为。的商斯分布，期表示为n～N(0.)。假设，S;是一定大小的方形区域，是图像中像素i的域，S,也是平滑过程的搜索范围。Q,为像素 i的邻域，2作为搜索窗，2邻域内的像索一般排列成向量的形式进行计算(13)，此向其描述为U(i)。A为控制平滑核形状的重要参数。！·"为欧式距离。如果为估计图像，估计图像在位置处的像素值表示为（)，那么非局部平均除噪声的模型表示为
收稿日期：2010-12-31，修订日期：2011-03-26
基金项目：国家白然科学基金项日（41001265)和中国科学院对地观测与数字地球科学中心主任基金项目资助
鹏，1977年生，中国科学院对地观测与数字地球科学中心助理研究员
作者篇介：刘万方数据
e-mail; pliu@ceode, ac, cn