小波分析及其在高光谱噪声去除中的应用解读.docx

上传人:b****1 文档编号:13321185 上传时间:2023-06-13 格式:DOCX 页数:15 大小:225.13KB
下载 相关 举报
小波分析及其在高光谱噪声去除中的应用解读.docx_第1页
第1页 / 共15页
小波分析及其在高光谱噪声去除中的应用解读.docx_第2页
第2页 / 共15页
小波分析及其在高光谱噪声去除中的应用解读.docx_第3页
第3页 / 共15页
小波分析及其在高光谱噪声去除中的应用解读.docx_第4页
第4页 / 共15页
小波分析及其在高光谱噪声去除中的应用解读.docx_第5页
第5页 / 共15页
小波分析及其在高光谱噪声去除中的应用解读.docx_第6页
第6页 / 共15页
小波分析及其在高光谱噪声去除中的应用解读.docx_第7页
第7页 / 共15页
小波分析及其在高光谱噪声去除中的应用解读.docx_第8页
第8页 / 共15页
小波分析及其在高光谱噪声去除中的应用解读.docx_第9页
第9页 / 共15页
小波分析及其在高光谱噪声去除中的应用解读.docx_第10页
第10页 / 共15页
小波分析及其在高光谱噪声去除中的应用解读.docx_第11页
第11页 / 共15页
小波分析及其在高光谱噪声去除中的应用解读.docx_第12页
第12页 / 共15页
小波分析及其在高光谱噪声去除中的应用解读.docx_第13页
第13页 / 共15页
小波分析及其在高光谱噪声去除中的应用解读.docx_第14页
第14页 / 共15页
小波分析及其在高光谱噪声去除中的应用解读.docx_第15页
第15页 / 共15页
亲,该文档总共15页,全部预览完了,如果喜欢就下载吧!
下载资源
资源描述

小波分析及其在高光谱噪声去除中的应用解读.docx

《小波分析及其在高光谱噪声去除中的应用解读.docx》由会员分享,可在线阅读,更多相关《小波分析及其在高光谱噪声去除中的应用解读.docx(15页珍藏版)》请在冰点文库上搜索。

小波分析及其在高光谱噪声去除中的应用解读.docx

小波分析及其在高光谱噪声去除中的应用解读

第29卷,第7期            光谱学与光谱分析2009年7月            SpectroscopyandSpectralAnalysisVol129,No17,pp194121945

July,2009 

小波分析及其在高光谱噪声去除中的应用

周 丹1,王钦军1,田庆久2,蔺启忠1,傅文学1

11中国科学院对地观测与数字地球科学中心,北京 10008621南京大学国际地球系统科学研究所,江苏南京 210093

摘 要 为了消除高光谱遥感图像中光谱曲线的锯齿型噪声,提高利用光谱曲线进行信息提取研究时的精

度,文章使用USGS(unitedstatesgeologicalsurvey)光谱库中的植被光谱进行模拟,添加了信噪比为30的噪声后采用小波阈值法进行噪声去除,并利用信噪比、均方误差和光谱角三项指标以及综合评估系数η来对去噪效果进行评估,寻找出最佳的参数组合。

实验表明,使用db12,db10,sym9,sym6行3~7层分解,采用软阈值函数处理小波变换系数并使用Heursure,然后根据第一性,针对不同噪声水平时需探索更合适的参数组合。

关键词 高光谱;光谱曲线;中图分类号:

:

:

1013964/j1issn1100020593(2009)0721941205

一个含噪光谱可以表示成如下的形式

(1)di=f(ti)+σ・zi,i=1,2,…,n

式中,f(ti)为真实光谱,ti=i/n,zi为噪声,σ为噪声级别。

对光谱di进行去噪,就是要消除其中的噪声部分zi,获得f(ti)的估计值^f(ti)使其均方误差(MSE,meansquarederror)最小,达到去除噪声的目的[2]。

n

引 言

  小波变换在信号处理中尤其是突变信号的检测、含噪信号的去噪等方面有着广泛的应用[1]。

自从Donoho等创造性提出利用小波阈值法去噪以来[2],引起了国内外学者的广泛关注,并结合各自需求对小波阈值去噪法进行改进[3,4]。

此外,利用小波分析去除光谱噪声也在化学

[527]

、农业

[8,9]

、生

MSE(^f)=n-1

i=1

f(t)∑(^

i

-f(ti))2

(2)

物学[10]、天文学[11]、材料学[12]等领域得到应用。

在高光谱遥感领域,利用小波分析进行噪声去除主要还是针对图像中的某个或某几个波段[13,14],而国内目前针对高光谱图像光谱曲线噪声去除的研究尚少。

因此,本文将USGS光谱库中的光谱添加噪声来模拟高光谱遥感影像的光谱曲线,利用小波阈值的方法对之去噪,通过比较不同方案的处理结果而得到最佳的组合方案。

MATLAB中的小波工具箱用于基于小波理论的数据处理工作,图形用户界面开发环境GUIDE又为用户开发图形界面提供了一个方便高效的集成环境。

因此,本文在MAT2LAB环境下开发小波阈值去噪的应用程序。

对di进行离散小波变换,得到

Yi=Yi(d)=Yi(f)+Yi(z)

(3)

式中,Yi(f)和Yi(z)分别为真实光谱和噪声的小波变换系数^Yi。

随后利用阈值函数对小波变换系数进行运算,来获得新的小波变换系数^Yi。

该方法又分为软阈值和硬阈值两类。

软阈值函数的表达式为

ηT(^(4)Yi)=sgn(Yi)max(|Yi|-T,0)其含义是将小波系数Yi的绝对值和阈值T进行比较,小于

或等于阈值的系数变为0,大于阈值的系数变为其与阈值的差值,并保持符号不变。

硬阈值函数的表达式为

ΨT(^Yi)=

Yi・1 |Yi|≥T

1 小波阈值去噪

111 去噪原理

0   |Yi|

(5)

 收稿日期:

2008205206,修订日期:

2008208208

 基金项目:

国家“十一五”科技支撑计划专题项目(2006BAB07B07201,2006BAK30B01)资助

 作者简介:

周 丹,1984年生,中国科学院对地观测与数字地球科学中心硕士研究生  e2mail:

dzhou@rsgs1ac1cn

1942光谱学与光谱分析                   第29卷

光谱曲线的特征。

即当Yi小于给定阈值T时,将之置零;当Yi大于给定阈值T时,将之保留[15]。

然后,用新的小波变换系数^Yi进行小波重构,得到真实光谱的估计值^f(ti)

-1

(6)^f(ti)=ω^Yi

式中,ω-1为小波逆变换算子。

112 选择阈值方案

该方法中最关键的是阈值方案的选择,常用的阈值选择方案有Rigrsure,Sqtwolog,Heursure和Minimaxi四种。

其中,Rigrsure是一种基于Stein无偏似然估计原理的自适应阈值选择,Sqtwolog采用固定的阈值

×log(length(x)),

Heursure是前两种阈值的混合,Minimaxi采用的是一种非

理想情况下的均方误差极值作为阈值[16]。

此外,还需要选择阈值调整的方式,即在处理过程中阈值是否随噪声水平的变化而改变。

如果是的话,对阈值的调整方式有两种,分别是:

根据第一层小波分解的噪声水平估计进行调整;根据每一层小波分解的噪声水平估计进行调整。

2 应 用

211 实验数据

ofdenoisedspectrumtonoisy

spectrum(a)andoriginalspectrum(b)

库中绿色草地的光谱(GDS91),如图1(a)所示。

该光谱由Beckman光谱仪测得,光谱范围为395~2560nm,在近红外和可见光的光谱分辨率分别为5和2nm。

对之添加信噪比为30的噪声来模拟含噪光谱

含噪光谱如图1(b)所示。

212 去噪效果评估标准

为了保证去噪后光谱和原始光谱的一致性,本文采用了信噪比、均方误差和光谱角三项指标来对去噪效果进行评估。

均方误差的计算参见式

(2)。

信噪比为

n

SNR(^f(ti))=10・log

n

∑f(t)

i

i

(7)

i=1

f(t)∑(^

n

-f(ti))2

  光谱角为

f(t)∑f(t)・^

i

in

SA(^f(ti))=arccos

n

(8)

i=1

f

(ti)・

i=1

f^

(ti)

Fig11 Originalspectrum(a)andnoisyspectrum(b)

  利用本方法对含噪光谱去除后的效果如图2所示。

从图2可以看出,含噪光谱中的锯齿信号基本上被消除

而且

去噪后的光谱曲线基本与原始光谱曲线吻合,很好地保持了

上述两式中,n表示光谱的波段数。

由于去噪效果与信噪比成正比,而与均方误差和光谱角成反比,为了保持三项评估指标的一致性,本文提出了一个综合评估系数

η=(9)SNR

η与去噪效果成反比。

  213 参数的选择与去噪效果评估

由于小波阈值去噪的效果和输入参数紧密相关,因此需要寻找到最佳的参数组合以得到最佳的去噪效果。

(1)阈值选择方案TPTR的选择

  从表1中可以看出,在其他几项参数相同的条件下,TPTR选择“Heursure”时,其信噪比SNR、均方误差MSE、

第7期                    光谱学与光谱分析

Table1 DenoisingeffectsevaluationofdifferentthresholdselectionruleTPTR

TPTRHeursureRigrsureMinimaxiSqtwologHeursureRigrsureMinimaxiSqtwolog

SORHsssshhhh

SCALslnslnslnslnmlnmlnmlnmln

LEVEL

44445555

WNAMEdb12db12db12db12coif4coif4coif4coif4

SNR3616904351886735106743218853116837301096428177212514292

MSE2188775E2053147486E2054119628E2056193597E2059114601E2051131816E2041178812E2043186086E204

A010*********

1943

η

1114447E2081154543E2082110275E2084177354E2087150117E2081136639E2072126065E2078112504E207

Table2 DenoisingeffectsevaluationofdifferentthresholdfunctionSORH

TPTRHeursureHeursureRigrsureRigrsureMinimaxiMinimaxi

SORHshshsh

SCALmlnmlnslnslnmlnmln

LEVEL

334433

WNAMEdb45db45coif4coif4sym5sym5

SNR9179238193243513211311894134105773212317

MSE1141376E2021172329E2023195819E2058171351E2055129462E2058106181E2SA01306301335801017010251η

4142230E2046147794E2041190918E2086191877E2083106798E2086109256E208

光谱角SA和综合评估系数η案。

(2)阈值函数SORH  从表2,使

)时,。

用软阈值函数(即SOR()SCAL的选择

SCAL的定义可知,在分解层数LEVEL为1时,

SCAL取“sln”和“mln”的效果是一样的;而在实验中也发现,当分解层数为2时,二者的效果也绝大部分一样。

因此主要针对分解层数大于2的情况进行分析。

Table3 DenoisingeffectsevaluationofdifferentthresholdrescalingmethodSCAL

TPTRRigrsureRigrsureSqtwologSqtwologMinimaxiMinimaxiHeursureHeursure

SORHsshhhhss

SCALslnmlnslnmlnslnmlnslnmln

LEVEL

44556677

WNAMEcoif5coif5db26db26sym5sym5sym18sym18

SNR3510928341367632142152616435321258241380933199072212745

MSE4117181E2054192998E2057171711E2052191916E2048101309E2054191487E2045137686E2057198270E204

A010*********

η

2108036E2082173275E2085167873E2085109936E2076103255E2081121756E2063115290E2082175346E206

  从表3中可以发现,多种方式的组合中SCAL取“sln”的

各项评估指标都好于“mln”。

因此阈值处理方式应该优先选择根据第一层的小波分解噪声水平估计来调整阈值。

(4)分解层数的选择从表4中可以看出,总体而言随着分解层数的增加,去噪的效果也更好。

但是当分解层数大于3层后,去噪效果就趋于稳定,而当大于7层的时候有可能出现震荡。

因此最稳定的分解层数是3~7层。

Table4 DenoisingeffectsevaluationofdifferentdecomposinglevelLEVEL

TPTRRigrsureRigrsureRigrsureRigrsureRigrsureRigrsureRigrsureRigrsure

SORHhhhhhhhh

SCALslnslnslnslnslnslnslnsln

LEVEL

12345678

WNAMEcoif3coif3coif3coif3coif3coif3coif3coif3

SNR30196683118733311920831192253119196311922831192283119228

MSE1107876E2048175537E2058166014E2058165673E2058166242E2058165603E2058165613E2058165613E205

A010*********

η

9181899E2086197328E2086184955E2086184521E2086185249E2086184439E2086184452E2086184452E208

1944光谱学与光谱分析                   第29卷

综上所述可得,在对信噪比为30左右的植被光谱进行去噪时,参数的最佳组合为:

(1)采用“Heursure”阈值方案;

(2)使用软阈值函数进行处理;(3)根据第一层小波分解的噪声水平来调整阈值;(4)小波分解层数取327层;(5)小波类型可使用db12,db10,sym9,sym6等。

在本实验中所使用的数千种组合中,评估效果在前10的组合如表6所示。

从中亦可发现其结果与上述结论基本吻合。

  (5)小波类型的选择

参考前面的评估结果,选取了前4者的最优组合———即TPTR取“Heursure”、SORH取“s”、SCAL取“sln”、LEVEL取5———来完成对小波类型的去噪效果评估。

评估结果前20的如表5所示。

  由表5可发现,Daubechies中的db12,db10以及Sym2lets中的sym9和sym6等一系列小波对本类噪声的去除效果较好。

Table5 DenoisingeffectsevaluationofdifferentwaveletsWNAME

WNAMEsym9sym6db12db10sym14

η

1106963E2081107323E2081119447E2081127072E2081133338E208

WNAMEsym11sym19db3sym3sym12

η

1135850E2081137338E2081139013E2081139013E2081143350E208

WNAMEdb32sym4db14db21sym15

η

1143381E2081143678E2081148811E2081150906E2081152549E208

WNAMEdb31sym8db20db16sym23

η

1154020E2081156488E2081157113E2081158010E2081160346E208

Table6 ParameterscombinationsofTPTRHeursureHeursureHeursureHeursureMinimaxiSqtwologMinimaxiHeursureMinimaxiHeursure

SORHsshsshssss

SCALslnslnmlnmlnslnmlnsln

LEVEL

78633535

WNAMEsym6db12db12db12sym9sym6sym6

SNR3773710107361946636188273618773361874636186623618637

646222E2052167259E2052168247E2052172236E2052176267E2052176614E2052176787E2052177320E2052177478E205

010*********

η

9198998E2099199499E2091100783E2081101738E2081103861E2081106357E2081106595E2081106963E2081107038E2081107323E208

3 结 论

  本文将USGS光谱库中的植被光谱添加了信噪比为30

的噪声,用来模拟高光谱图像中的含噪光谱曲线,在MAT2LAB环境下实现了小波阈值法去除噪声。

评估结果表明,使用db12,db10,sym9,sym6等小波对含噪光谱进行327层分解,采用软阈值函数处理小波变换系数并使用Heursure阈值方案进行阈值估计,然后根据第一层小波分解的噪声水平估计进行阈值调整可以得到满意的去噪效果。

实验中作者还尝试改变了噪声的信噪比,发现最佳组合会有一些改变,可

见噪声水平对参数的选择也有一定的影响。

小波变换在去除光谱噪声方面的优势是,可以通过小波分解将含噪光谱中的信号和噪声部分分离开来,从而进行分别处理;不过由于小波阈值对噪声水平有一定的依赖性,针对不同噪声水平时还需根据需求探索合适的参数组合。

MATLAB自带功能强大的工具箱和函数库,可以在编程过程中节省大量的时间和精力,而且其在图像、信号处理及绘图方面的强大功能,非常有利于进行图像和信号处理。

不过编写的程序在脱离MATLAB的环境中运行时,需安装包含MATLAB函数库的一个近百兆大小的插件MCRIn2staller。

[1] LIUMing2cai(刘明才).WaveletAnalysisandItsApplication(小波分析及其应用).Beijing:

TsinghuaUniversityPress(北京:

清华大学

出版社),2005.125.

[2] DonohoDL.IEEETransactionsonInformationTheory,1995,41(3):

613.

[3] LIQing2wu,CHENXiao2gang(李庆武,陈小刚).OpticalTechnology(光学技术),2006,32(6):

831.

[4] ZHANGRong2xiang,LIZheng2qiang,ZHENGShi2jie(张荣祥,李正强,郑世杰).TransducerandMicrosystemTechnologies(传感器与

微系统),2007,26(6):

20.

[5] PANZhong2xiao,SUNPei2yan,WANGYong2ming,etal(潘忠孝,孙培艳,王永明,等).SpectroscopyandSpectralAnalysis(光谱学与

光谱分析),1999,19(3):

260.

第7期                    光谱学与光谱分析1945

[6] MAXiao2guo,ZHANGZhan2xia(马晓国,张展霞).SpectroscopyandSpectralAnalysis(光谱学与光谱分析),2003,23(3):

552.

[7] WANGYing,MOJin2yuan(王 瑛,莫金垣).SpectroscopyandSpectralAnalysis(光谱学与光谱分析),2005,25

(1):

124.

[8] HAOYong,CHENBin,ZHURui(郝 勇,陈 斌,朱 锐).SpectroscopyandSpectralAnalysis(光谱学与光谱分析),2006,26(10):

1838.

[9] ZOUXiao2bo,ZHAOJie2wen,XIARong,etal(邹小波,赵杰文,夏 蓉,等).TransactionsoftheChineseSocietyofAgriculturalMa2

chinery(农业机械学报),2006,37(6):

79.

[10] GUOHao2yan,HUShao2ming,QUANGuang2ri,etal(郭嗥岩,胡绍明,权光日,等).ComputerEngineeringandDesign(计算机工程

与设计),2007,28(7):

1504.

[11] ZHAORui2zhen,HUZhan2yi,HUShao2hai(赵瑞珍,胡占义,胡绍海).SpectroscopyandSpectralAnalysis(光谱学与光谱分析),

2007,27(8):

1644.

[12] DUYan,LIANGDa2kai(杜 艳,梁大开).ChineseJournalofQuantumElectronics(量子电子学报),2007,24(3):

294.

[13] WUChuan2qing,TONGQing2xi,ZHENGLan2fen(吴传庆,童庆禧,郑兰芬).RemoteSensingInformation(遥感信息),2005,(4):

10.

[14] LUWei,YUXu2chu,LIUJuan(路 威,余旭初,刘 娟).JounralofInformationEngineeirngUniversity(信息工程大学学报),2005,

6

(2):

10.

[15] ChangSG,YuB,VetterliM.IEEETransactionsonImageProcessing,2000,9(9):

1532.

[16] MisitiM,MisitiY,OppenheimG,etal.WaveletToolbox4User’sGuide.Natick,MA:

TheMathWorks,Inc.,2007.

WaveletAnalysisandItsApplicationinof

HyperspectralImage

ZHOUDan1,WANGQin2jun1,TIAN22INQi12xue1

1.CenterforEarththeAcademyofSciences,Beijing 100086,China

2.InternationalScience,NanjingUniversity,Nanjing 210093,China

Abstract Inordertoremovethesawtoothednoiseinthespectrumofhyperspectralremotesensingandimprovetheaccuracyofinformationextractionusingspectruminthepresentresearch,thespectrumofvegetationintheUSGS(UnitedStatesGeologicalSurvey)spectrumlibrarywasusedtosimulatetheperformanceofwaveletdenoising.Thesespectraweremeasuredbyacustom2modifiedandcomputer2controlledBeckmanspectrometerattheUSGSDenverSpectroscopyLab.Thewavelengthaccuracyisabout5nmintheNIRand2nminthevisible.Intheexperiment,noisewithsignaltonoiseratio(SNR)30wasfirstaddedtothespectrum,andthenremovedbythewaveletdenoisingapproach.Forthepurposeoffindingtheoptimalparameterscombina2tions,theSNR,meansquarederror(MSE),spectralangle(SA)andintegratedevaluationcoefficientηwereusedtoevaluatetheapproach’sdenoisingeffects.DenoisingeffectisdirectlyproportionaltoSNR,andinverselyproportionaltoMSE,SAandtheintegratedevaluationcoefficientη.Denoisingresultsshowthatthe

展开阅读全文
相关资源
猜你喜欢
相关搜索
资源标签

当前位置:首页 > 高中教育 > 语文

copyright@ 2008-2023 冰点文库 网站版权所有

经营许可证编号:鄂ICP备19020893号-2