一种星载遥感图像快速复原方法与流程

1.本发明属于星载遥感图像处理技术领域，具体涉及一种星载遥感图像快速复原方法。


背景技术：

2.在遥感图像处理领域，图像的复原和重建是一个非常重要的过程。通常来讲，遥感图像的退化是由各种因素引起的，如大气扰动、拍摄震动、目标辐射、电子信号转换等。遥感图像复原的目标即是将退化的遥感图像尽量恢复到原始状态。
3.传统的图像复原模型一般采用逆滤波方法。由于大部分的图像信息都存在于图像中的边缘，因此，采用滤波方法进行图像复原不仅要去除大部分模糊和噪声，还要保留图像的细节。
4.由于图像的细节和噪声经常在同一区域，这使得图像的去燥平滑和保留细节变为一对相互矛盾的问题。维纳滤波可以在一定程度上解决这个矛盾，但其噪声和信号的功率谱比的计算相当复杂。lucky-richardson(l-r)算法是非线性方法中一种典型的算法，在噪声信息未知时仍可得到较好的复原结果，但l-r滤波方法的点扩散函数必须是已知的，同样不适合星载应用。


技术实现要素：

5.为解决背景技术中存在的问题，实现星上遥感图像的快速复原，本发明提出一种星载遥感图像快速复原方法方案，其具体技术方案如下：
6.一种星载遥感图像快速复原方法，其包括如下的步骤：
7.s1：对原始遥感图像g(x,y)进行随机采样，切出一块m*m大小(像素)的样片g1(x,y)；
8.s2：进行快速8-bit量化；
9.s3：设定模糊尺度d的阈值，将通过自相关方程计算的量化后图像样片的模糊尺度d，与阈值相比较，如果超过阈值，则执行步骤s4；
10.s4：通过改进的l-r滤波算法进行复原，包括以下过程：
11.设置最小信噪比η、允许的灰度平均梯度及最大迭代次数t为终止条件；
12.首次计算信噪比，对原始图像进行高斯滤波后，作为计算信噪比的基准图像进行迭代；
13.在迭代过程中，如果信噪比大于设定阈值，同样进行高斯滤波。
14.进一步，步骤s2的具体过程包括：
15.8-bit量化过程，采用并行方式计算，如果当前遥感图像的量化位为k，k≥8，则每个像素点pix(i,j)的转化方程为：
16.17.pixs(i,j)表示样片g1(x,y)在像素点(i,j)处的像素值；
18.所述的自相关方程，通过直线运动方程构建，对量化后的样片分别在水平方向和垂直方向快速计算差分方程，得到每一行的自相关方程，所有自相关函数的均值，估算运动模糊尺度d，点扩散函数为：
[0019][0020]
进一步，步骤s4的具体过程包括：
[0021]
p1：初始化t,η和,其中t为最大迭代次数,η为最小信噪比,为允许的灰度平均梯度，初始迭代方程为：
[0022]
r0(x,y)＝g(x,y)；
[0023]
初始迭代次数t＝0；
[0024]
s2：对原始图像g(x,y)进行高斯滤波，得到gg(x,y)；
[0025]
s3：执行l-r滤波操作.l-r滤波方程为：
[0026][0027]
s4：计算滤波后的图像的灰度平均梯度gmg
t
，信噪比snr
t
，当前迭代次数t＝t 1；计算信噪比的方程为：
[0028][0029]
其中，w，h分别代表图像的宽度和高度。
[0030]
s5：如果t＝t或者，结束迭代过程；否则进入步骤s6；
[0031]
s6：比较snr
t
和η，如果snr
t
》η，返回s3；否则对r
t
(x,y)进行高斯滤波，得到新的gg(x,y)，返回s3。
[0032]
本发明所达到的有益效果为：
[0033]
第一、本发明采用随机方法从原始图像获取小规模样片，采用并行方式进行8-bit量化，并快速计算模糊尺度，确定是否需要复原，减小了运算时间；
[0034]
第二、采用改进的l-r滤波进行图像复原，同时考虑了无参考评价参数和有参考评价参数，能够获得更高的图像复原质量；
[0035]
第三、可部署在星载cpu、智能芯片等，处理时间短，能够用于星载遥感图像的实时复原、遥感快视系统图像复原。
附图说明
[0036]
图1是星载遥感图像复原流程图。
[0037]
图2是实施例1中复原处理前后效果对比图。
具体实施方式
[0038]
为便于本领域的技术人员理解本发明，下面结合实施例及附图说明本发明的具体实施方式。
[0039]
本发明是一种星载遥感图像快速复原方法，主要流程如图1所示。该方法首先对原始遥感图像g(x,y)进行随机采样，切出一块m*m大小(像素)的样片g1(x,y)，并进行快速8-bit量化；通过自相关方程计算量化后图像样片的模糊尺度d，根据设定的阈值确定是否需要复原；如果需要复原，则通过改进的l-r滤波进行复原，设置最小信噪比η、允许的灰度平均梯度及最大迭代次数t为终止条件；第一次计算信噪比时，对原始图像进行高斯滤波后，作为计算信噪比的基准图像；如果迭代过程信噪比大于设定阈值，同样进行高斯滤波。
[0040]
实施例1，
[0041]
本实施例以图2所示的4096*4096大小的图像为例，介绍本发明的复原过程，主要实施步骤如下：
[0042]
(1)星载处理单元收到原始遥感图像g(x,y)后，从原始图像随机筛选256*256大小的切片g1(x,y)，然后进行8-bit快速量化。如果处理硬件为cpu，则采用多线程并发处理，如果处理硬件为gpu或智能处理芯片，则采用cuda或opencl并发处理，提高处理速度；
[0043]
(2)通过自相关方程，计算g1(x,y)的模糊尺度d，确定是否需要复原操作。
[0044]
计算方法如下：
[0045]
步骤1：在垂直方向对退化图像切片g1(x,y)进行差分运算。
[0046]gy
(i,j)＝g(i,j)-g(i,j-1)
[0047]
步骤2：在水平方向对退化图像切片g1(x,y)进行差分运算。
[0048]gyx
(i,j)＝gy(i,j)-gy(i-1,j)
[0049]
步骤3：计算退化图像的每一行的自相关函数。如果第j行有l个像素点，则自相关函数可以表达为：
[0050][0051]
式中k为行号，m是图像的宽度。
[0052]
步骤4：计算所有自相关函数的均值，画出自相关函数的曲线。计算曲线的最小值，便可计估算出退化图像的退化尺度。
[0053]
采用l-r滤波进行遥感图像复原，实施步骤如下：
[0054]
步骤1：初始化t,η和,其中t为最大迭代次数,η为最小信噪比,为允许的灰度平均梯度。初始迭代方程r0(x,y)＝g(x,y).初始迭代次数t＝0；
[0055]
步骤2：对原始图像g(x,y)进行高斯滤波，得到gg(x,y)；
[0056]
步骤3：执行l-r滤波操作.l-r滤波方程为：
[0057][0058]
步骤4：计算滤波后的图像的灰度平均梯度gmg
t
，信噪比snr
t
，当前迭代次数t＝t 1。本发明计算信噪比的方程为：
[0059][0060]
其中，w，h分别代表图像的宽度和高度。
[0061]
灰度平均梯度的计算方程如下：
[0062][0063]
步骤5：如果t＝t或者，结束迭代过程。否则进入步骤6；步骤6：比较snr
t
和η，如果snr
t
》η，返回步骤3；否则对r
t
(x,y)进行高斯滤波，得到新的gg(x,y)，返回步骤3。
[0064]
本实施例采用改进的l-r滤波进行图像复原，同时考虑了无参考评价参数和有参考评价参数，复原结果参见图2所示，获得了较高的图像复原质量。
[0065]
以上的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。