基于小波包與支持向量機(jī)組合模型的遙感圖像去噪研究.pdf

1、遙感圖像包含了地球表面的諸多重要信息，圖像質(zhì)量的好壞對開展區(qū)域規(guī)劃、環(huán)境監(jiān)測以及工程建設(shè)等一系列工作具有重要的影響。在圖像采集和傳輸?shù)倪^程中，遙感圖像經(jīng)常會受到噪聲干擾，從而降低了圖像的質(zhì)量，進(jìn)而影響了后續(xù)的圖像解譯等工作。為了更好地進(jìn)行圖像分析、解譯、識別和更高層次的圖像處理和應(yīng)用，必須對圖像進(jìn)行噪聲濾波處理，提高圖像的質(zhì)量。
　　小波分析的局部時(shí)頻化與多分辨率分析，能夠很有效的提取信號的信息。Donoho于1994年提出了小波

2、軟、硬閾值圖像去噪方法，通過設(shè)定門限閾值對高頻系數(shù)進(jìn)行處理，達(dá)到濾除圖像噪聲目的。小波包繼承了小波分析的優(yōu)點(diǎn)，還能對小波無法分解的高頻部分進(jìn)一步分解，因此對信號特征提取更加有效。
　　支持向量機(jī)(SVM)能夠解決小樣本和高維數(shù)分類問題，并且具有很強(qiáng)的泛化性能，已經(jīng)被廣泛應(yīng)用于分類問題中。而在SVM分類算法基礎(chǔ)上，模糊支持向量機(jī)(FSVM)把不同的隸屬度賦予不同樣本，從而提高包含異常數(shù)據(jù)問題的分類能力。
　　本文綜合小波包與F

3、SVM的各自優(yōu)點(diǎn)，提出了基于小波包與FSVM組合模型的遙感圖像去噪算法。其去噪原理是先對含噪圖像進(jìn)行小波閾值處理；再使用小波包對其分解；然后使用FSVM對小波包結(jié)點(diǎn)系數(shù)分類；最后重構(gòu)圖像。該模型的核參數(shù)和懲罰因子是使用訓(xùn)練樣本縮減集策略與基因算法相結(jié)合的方法進(jìn)行尋優(yōu)的，而模糊隸屬度是在考慮樣本類別和樣本間鄰域關(guān)系，對傳統(tǒng)的模糊隸屬度加以改進(jìn)得到的。
　　論文最后進(jìn)行了仿真實(shí)驗(yàn)，分析了本文提出的去噪方法對不同類型噪聲的去噪效果。仿真