一種基于ds證據(jù)理論的多幅遙感圖像融合去噪方法
【專利摘要】本發(fā)明涉及一種基于DS證據(jù)理論的多幅遙感圖像融合去噪方法,該方法具體包括以下步驟：選取同一位置某一時間段的多幅遙感圖像，然后對每幅圖像建立四個噪聲模型；對四個噪聲模型進(jìn)行數(shù)據(jù)統(tǒng)計分析，并得到每個模型下每個像素點是噪聲的概率，作為DS證據(jù)理論的基本概率分配；使用DS證據(jù)理論融合規(guī)則將四個證據(jù)融合成一個證據(jù)，得到每幅圖像每個像素點是噪聲的概率；重復(fù)使用DS證據(jù)理論的融合規(guī)則，將多幅遙感圖像的信息融合起來，得到多幅遙感圖像融合的總證據(jù)；最終根據(jù)證據(jù)計算出信任區(qū)間，并利用設(shè)計好的決策規(guī)則進(jìn)行去噪，得到融合去噪的圖像。其優(yōu)點表現(xiàn)在：憑借豐富的信息源，實現(xiàn)去噪的同時更好的保留遙感圖像邊緣紋理細(xì)節(jié)。
【專利說明】
一種基于DS證據(jù)理論的多幅遙感圖像融合去噪方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及遙感圖像去噪處理技術(shù)領(lǐng)域，具體地說，是一種基于DS證據(jù)理論的多 幅遙感圖像融合去噪方法。
【背景技術(shù)】
[0002] 數(shù)字圖像在獲取和傳輸?shù)倪^程中容易受到噪聲的污染，被污染的圖像會影響圖像 的進(jìn)一步處理，對圖像的理解和識別帶來一定的困難。研究表明，在一幅圖像中，當(dāng)信噪比 低于14.2db時，在圖像分割時產(chǎn)生的誤檢概率大于0.5%;在參數(shù)估計時，參數(shù)的估計誤差 大于0.6%;在區(qū)域數(shù)的確定上，容易過估區(qū)域的數(shù)目。因此，在對圖像進(jìn)行邊緣檢測、參數(shù) 估計、特征提取、信息分析和模式識別等處理之前，依據(jù)容許的性能采用適當(dāng)?shù)慕翟敕椒ǜ?善、提高圖像質(zhì)量是一個非常重要的環(huán)節(jié)。
[0003] 遙感圖像大多數(shù)像素的灰度值差別不明顯，正是由于這種灰度相關(guān)性的存在，一 般遙感圖像的能量主要集中在低頻區(qū)域，只有圖像的細(xì)節(jié)部分的能量處于高頻區(qū)域。同時， 噪聲的能量也處于高頻區(qū)域，而去除噪聲的主要方法就是消除或衰減高頻分量、增強(qiáng)低頻 分量，因此遙感圖像在消減噪聲的過程中，圖像的細(xì)節(jié)也有一定程度的衰減。這也是目前去 噪方法存在的一個矛盾，即去除噪聲與保持圖像細(xì)節(jié)信息之間的矛盾。
[0004] 傳統(tǒng)的去噪方法一般在單幅圖像內(nèi)基于圖像空間相關(guān)性進(jìn)行平滑濾波(如高斯濾 波、納維濾波、中值濾波、均值濾波），或基于頻域、小波域以及其他方法進(jìn)行濾波等。由于簡 單的空域濾波僅根據(jù)圖像的局部空間相關(guān)性判圖像的某像素是否為噪聲，而不考慮時域信 息，因而不好把握圖像的全局特征。頻域降噪方法主要利用正余弦坐標(biāo)基對圖像進(jìn)行處理， 能很好反映圖像的整體特征，但不能很好地表述圖像的時頻局部化變化，不利于邊緣保持。 小波閾值降噪方法主要利用小波基對圖像進(jìn)行多尺度變換，由于信號突變點在不同尺度的 同一位置都有較大的峰值出現(xiàn)，噪聲能量卻隨著尺度的增大而減小，因此能夠提高信號主 要邊緣的定位精度，更好地刻畫真實信號，但在實際應(yīng)用時，還需要估計噪聲方差才能設(shè)定 適當(dāng)?shù)拈撝怠?br>[0005] 綜上所述，亟需一種充分利用多幅遙感圖像互補(bǔ)信息，對遙感圖像進(jìn)行去噪，與單 幅遙感圖像去噪相比，憑借豐富的信息源，實現(xiàn)去噪的同時更好的保留遙感圖像邊緣紋理 細(xì)節(jié)的基于DS證據(jù)理論的多幅遙感圖像融合去噪方法。而關(guān)于這種方法目前還未見報道。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的是針對現(xiàn)有技術(shù)中的不足，提供一種充分利用多幅遙感圖像互補(bǔ)信 息，對遙感圖像進(jìn)行去噪，與單幅遙感圖像去噪相比，憑借豐富的信息源，實現(xiàn)去噪的同時 更好的保留遙感圖像邊緣紋理細(xì)節(jié)的基于DS證據(jù)理論的多幅遙感圖像融合去噪方法。
[0007] 為實現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案是：
[0008] 一種基于DS證據(jù)理論的多幅遙感圖像融合去噪方法，該方法具體包括以下步驟：
[0009] 步驟一，選取同一位置某一時間段的多幅遙感圖像，然后對每幅圖像建立四個噪 聲模型；
[0010] 步驟二，對四個噪聲模型進(jìn)行數(shù)據(jù)統(tǒng)計分析，并得到每個模型下每個像素點是噪 聲的概率，作為DS證據(jù)理論的基本概率分配；
[0011] 步驟三，使用DS證據(jù)理論融合規(guī)則將四個證據(jù)融合成一個證據(jù)，得到每幅圖像每 個像素點是噪聲的概率，作為多幅遙感圖像融合去噪的基本概率分配；
[0012] 步驟四，重復(fù)使用DS證據(jù)理論的融合規(guī)則，將多幅遙感圖像的信息融合起來，得到 多幅遙感圖像融合的總證據(jù)；
[0013] 步驟五，最終根據(jù)證據(jù)計算出信任區(qū)間，并利用設(shè)計好的決策規(guī)則進(jìn)行去噪，得到 融合去噪的圖像。
[0014] 進(jìn)一步地，所述步驟二中的四個噪聲模型分別兩狀態(tài)高斯混合模型、類中值濾波 模型、類均值濾波模型、邊緣分析模型。
[0015] 進(jìn)一步地，所述的兩狀態(tài)高斯混合模型依據(jù)小波變化具有信號的突變點在不同尺 度的同一位置都有較大的峰值出現(xiàn)的性質(zhì)，而噪聲能量卻隨著尺度的增大而減小的特點， 來刻畫小波系數(shù)是與噪聲相關(guān)還是與邊緣相關(guān)的概率。
[0016] 進(jìn)一步地，所述的類中值濾波模型根據(jù)遙感圖像的空間相關(guān)性，小窗口內(nèi)像元值 一般差距不大，差別較大說明是奇異點，設(shè)置n*n窗口，n為自然數(shù)，對窗口中數(shù)據(jù)排序取中 間值，根據(jù)中心值與中間值的差異程度決定中心值為噪聲的概率。
[0017] 進(jìn)一步地，所述的類均值濾波模型根據(jù)遙感圖像空間相關(guān)性，設(shè)置n*n窗口，n為自 然數(shù)，對窗口中的數(shù)據(jù)求平均值，根據(jù)中心值與平均值的差異程度決定中心值為噪聲的概 率。
[0018] 進(jìn)一步地，所述的邊緣分析模型根據(jù)窗口中與中心值差異最小的3個值的差異程 度決定是噪聲的概率。
[0019] 進(jìn)一步地，所述步驟五中的決策規(guī)則具體如下：
[0020] (1)對每幅圖像利用四個模型得到基本概率分布；
[0021] (2)利用DS理論把每幅圖像的四個證據(jù)融合成一個整體概率分布；
[0022] (3)利用DS理論把(2)得到的兩個整體概率分布融合成一個概率分布；
[0023] (4)如果融合結(jié)果是邊緣，且兩個證據(jù)都是邊緣，選擇是邊緣概率大的證據(jù)；
[0024] (5)如果融合結(jié)果是邊緣，兩個證據(jù)一個是邊緣另一個是噪聲，說明是邊緣的證據(jù) 較強(qiáng)，選擇是邊緣的證據(jù)；
[0025] (6)如果融合結(jié)果是噪聲，兩個證據(jù)一個是邊緣另一個是噪聲，說明是噪聲的證據(jù) 較強(qiáng)，放棄是噪聲的證據(jù)，如果這時是邊緣的證據(jù)大于某一值，則相信這個證據(jù)，否則對這 個證據(jù)做萎縮處理之后再使用；
[0026] (7)如果融合結(jié)果是噪聲，兩個證據(jù)都是噪聲，則選取相對可靠的圖像，取其平穩(wěn) 小波變化的低頻系數(shù)重構(gòu)，得到的灰度值作為融合去噪后圖像的灰度。
[0027]本發(fā)明優(yōu)點在于：
[0028] 1、本發(fā)明一種基于DS證據(jù)理論的多幅遙感圖像融合去噪方法，根據(jù)不同時間序列 的遙感影像，由于受大氣輻射、溫度等不同因素的影響，遙感影像受噪聲污染的位置和程度 也不同這一特點，使用多幅遙感圖像的互補(bǔ)信息進(jìn)行融合去噪，選取多幅遙感圖像中質(zhì)量 比較好的數(shù)據(jù)(非噪聲數(shù)據(jù)或噪聲數(shù)據(jù)的衰減數(shù)據(jù)），融合成新的圖像，與單幅遙感圖像去 噪相比，憑借豐富的信息源，實現(xiàn)去噪的同時更好的保留遙感圖像邊緣紋理細(xì)節(jié)。
[0029] 2、DS證據(jù)理論能夠處理由于知識不準(zhǔn)確引起的不確定性，也能夠處理由于不知道 的因素引起的不準(zhǔn)確性，通過合并多重證據(jù)從而作出決策，對推理進(jìn)行合理的信息論解釋， 是一種決策理論。
[0030] 3、DS證據(jù)理論信息融合技術(shù)，結(jié)合多源信息，能夠有效處理認(rèn)知不確定問題，根據(jù) DS證據(jù)理論這一優(yōu)勢，將多個模型的信息融合起來，得到更可靠的判斷，然后同樣利用DS證 據(jù)理論將多幅圖像信息融合起來，作為融合去噪決策依據(jù)。
【附圖說明】
[0031] 附圖1為本發(fā)明多幅遙感圖像融合去噪流程圖。
[0032] 附圖2為本發(fā)明和單幅遙感圖像多種方法去噪結(jié)果對比圖。
【具體實施方式】
[0033]下面結(jié)合附圖對本發(fā)明提供的【具體實施方式】作詳細(xì)說明。
[0034] 實施例1
[0035]本發(fā)明根據(jù)不同時間序列的遙感影像，由于受大氣輻射、溫度等不同因素的影響， 遙感影像受噪聲污染的位置和程度也不同，即不同時間內(nèi)同一地區(qū)遙感圖像的含噪情況不 同，一幅圖像的某位置是噪聲，而另一幅圖像的該位置不一定含噪聲，使用多幅遙感圖像的 互補(bǔ)信息進(jìn)行融合去噪，選取多幅遙感圖像中質(zhì)量比較好的數(shù)據(jù)(非噪聲數(shù)據(jù)或噪聲數(shù)據(jù) 的衰減數(shù)據(jù)），融合成新的圖像。
[0036]如圖1所示，一種基于DS證據(jù)理論的多幅遙感圖像融合去噪方法，該方法具體包括 以下步驟:步驟一，選取同一位置某一時間段的多幅遙感圖像，然后對每幅圖像建立四個噪 聲模型;步驟二，對四個噪聲模型進(jìn)行數(shù)據(jù)統(tǒng)計分析，并得到每個模型下每個像素點是噪聲 的概率，作為DS證據(jù)理論的基本概率分配;步驟三，使用DS證據(jù)理論融合規(guī)則將四個證據(jù)融 合成一個證據(jù)，得到每幅圖像每個像素點是噪聲的概率，作為多幅遙感圖像融合去噪的基 本概率分配;步驟四，重復(fù)使用DS證據(jù)理論的融合規(guī)則，將多幅遙感圖像的信息融合起來， 得到多幅遙感圖像融合的總證據(jù);步驟五，最終根據(jù)證據(jù)計算出信任區(qū)間，并利用設(shè)計好的 決策規(guī)則進(jìn)行去噪，得到融合去噪的圖像。
[0037] 步驟二中的四個噪聲模型分別為:兩狀態(tài)高斯混合模型、類中值濾波模型、類均值 濾波模型、邊緣分析模型。
[0038] 其中，兩狀態(tài)高斯混合模型依據(jù)小波變化具有信號的突變點在不同尺度的同一位 置都有較大的峰值出現(xiàn)的性質(zhì)，而噪聲能量卻隨著尺度的增大而減小的特點，來刻畫小波 系數(shù)是與噪聲相關(guān)還是與邊緣相關(guān)的概率；
[0039] 類中值濾波模型根據(jù)遙感圖像的空間相關(guān)性，小窗口內(nèi)像元值一般差距不大，差 別較大說明是奇異點，設(shè)置n*n窗口，n為自然數(shù)對窗口中數(shù)據(jù)排序取中間值，根據(jù)中心值與 中間值的差異程度決定中心值為噪聲的概率，差異越大，噪聲的可能性就越大；
[0040] 類均值濾波模型同樣根據(jù)遙感圖像空間相關(guān)性，設(shè)置n*n窗口，n為自然數(shù)對窗口 中的數(shù)據(jù)求平均值，根據(jù)中心值與平均值的差異程度決定中心值為噪聲的概率，差異越大， 噪聲的可能性就越大；
[0041]邊緣分析模型，考慮窗口中屬于邊緣的元素對于類中值模型和類均值模型也會得 到較大的概率值，容易誤分為噪聲，邊緣分析模型根據(jù)窗口中與中心值差異最小的3個值的 差異程度決定是噪聲的概率，差異越小，由于圖像邊緣的連貫性，是邊緣的可能性就很大， 差異越大，噪聲的可能性就越大。
[0042]具體模型設(shè)計和決策規(guī)則如下：
[0043] ( - )本發(fā)明設(shè)計四個模型(兩狀態(tài)高斯混合模型、類中值模型、類均值模型、邊緣 分析模型)來表示證據(jù)和相應(yīng)的mass函數(shù)，具體定義如下：
[0044] (1)兩狀態(tài)高斯混合模型基本概率分配的定義
[0045] 建立兩狀態(tài)高斯混合模型，兩狀態(tài)指小波系數(shù)與邊緣相關(guān)還是與噪聲相關(guān)。對小 波系數(shù)用隱馬爾可夫模型訓(xùn)練，得到系數(shù)屬于邊緣或噪聲的概率，及兩狀態(tài)模型下各分解 尺度的兩狀態(tài)方差，進(jìn)而得到在系數(shù)屬于邊緣或噪聲的條件下小波系數(shù)是某值的概率，得 到證據(jù)1的基本概率分配。K狀態(tài)高斯混合模型如公式1，2。
[0047]灼(&)為狀態(tài)密度函數(shù)。其中，
[0049]為保證圖像局部信息和空間相關(guān)性，以下三個證據(jù)采取小窗口形式，窗口大小為 3*3 〇
[0050] (2)類中值模型基本概率分配的定義
[0051]設(shè)中心點位置灰度值w(k)，為除中心點位置的8個系數(shù)從大到小排序：
[0052] r(l),r(2),r(3),r(4),r(5),r(6),r(7),r(8) (3)
[0053]取排序后的中間值，并求平均值ROM(k):
[0056] d(k)越大，說明w(k)與周圍灰度值差異越大，是噪聲的可能性就越大。PDA定義方 式如下： 氣⑴(彡）=0
[0057] ?= nid(K}{n) = d(k) (6) = 1 - d(k)
[0058] (3)類均值模型基本概率分配的定義
[0059] 設(shè)i為灰度值對應(yīng)位置編號，中心點位置灰度值w(k)，
[0060] = r (k) - w(k) , t = I,. . . 5-. ( 7 )
[0061 ]心表示灰度值梯度，S為窗口大小，;T(A )為窗口所有元素的平均值。
[0063] p(k)越大，說明w(k)與周圍系灰度值差異越大，PDA定義方式如下： = 0
[0064] < miAK)、n)二 p、k). (9) 5<幻(尸）=1 -靡）
[0065] (4)邊緣分析模型基本概率分配的定義
[0066] 由于被污染的像素一般出現(xiàn)在小的鄰域的大綱窗口里，一般會引起較大得d(k)和 較大的P(k)。但是如果沒有被噪聲污染的像素位于邊緣，d(k)和p(k)也會相對較大。因此， 本文又引入另一個證據(jù)〇(k)。
[0067] 設(shè)i為灰度值對應(yīng)位置編號，中心點位置灰度值w(k)，
[0068] ai= | w(k)-wi(k) (10)
[0069] 對&1進(jìn)行從小到大排序，得到數(shù)組c:
[0070] c = sort(a) (11)
[0072] Ci為第i小的數(shù)，表示窗口中心值與和他第i相近值的差異。由于C1*窗口中心值減 去本身得到，值為零，與窗口中心值的有效差異從i = 2開始。o(k)越大，說明w(k)與他最接 近的三個系數(shù)差異越大，表示是噪聲的可能性就越大。PDA定義方式如下： ~'#) = 0
[0073] ? nirAK)(n) = o^k) (13) "7 ".'(/) = 1 ― 0(女)：
[0074](二)決策規(guī)則
[0075] 本方法通過4個模型對遙感數(shù)據(jù)進(jìn)行統(tǒng)計分析，并對統(tǒng)計數(shù)據(jù)在單幅圖像下進(jìn)行 信息融合，作為多幅信息融合的輸入。在進(jìn)行第二次信息融合得到總的證據(jù)的基礎(chǔ)上，遵循 優(yōu)先選擇數(shù)據(jù)質(zhì)量較好的數(shù)據(jù)的原則，遵循最大限度保存邊緣信息的原則，制定最終用于 去噪的決策規(guī)則，具體如下：
[0076] (1)對每幅圖像利用四個模型得到基本概率分布；
[0077] (2)利用DS理論把每幅圖像的四個證據(jù)融合成一個整體概率分布；
[0078] (3)利用DS理論把(2)得到的兩個整體概率分布融合成一個概率分布；
[0079] (4)如果融合結(jié)果是邊緣，且兩個證據(jù)都是邊緣，選擇是邊緣概率大的證據(jù)；
[0080] (5)如果融合結(jié)果是邊緣，兩個證據(jù)一個是邊緣另一個是噪聲，說明是邊緣的證據(jù) 較強(qiáng)，選擇是邊緣的證據(jù)；
[0081] (6)如果融合結(jié)果是噪聲，兩個證據(jù)一個是邊緣另一個是噪聲，說明是噪聲的證據(jù) 較強(qiáng)，放棄是噪聲的證據(jù)，如果這時是邊緣的證據(jù)大于某一值，則相信這個證據(jù)，否則對這 個證據(jù)做萎縮處理之后再使用；
[0082] (7)如果融合結(jié)果是噪聲，兩個證據(jù)都是噪聲，則選取相對可靠的圖像，取其平穩(wěn) 小波變化的低頻系數(shù)重構(gòu)，得到的灰度值作為融合去噪后圖像的灰度值。
[0083]去噪分析效果對比1
[0084] 請參照圖2,選用兩幅原始圖像、兩幅含噪圖像與本方法去噪后圖像對比，分析各 自的圖像信噪比和方差。如以下表1所示。
[0085] 表1本發(fā)明去噪結(jié)果和兩幅原始數(shù)據(jù)源信噪比方差對比表
[0087]去噪分析效果對比2
[0088]請參照圖2,選用數(shù)據(jù)源1為0.0001的單幅遙感圖像，分別在低通濾波、納維濾波、 均值濾波、中值濾波、小波變換與本方法去噪圖像對比，分析各自的圖像信噪比和方差。如 以下表2所示。
[0089]表2本發(fā)明去噪結(jié)果和單幅遙感圖像數(shù)據(jù)源1多種方法去噪結(jié)果信噪比方差對比 表
[0091]請參照圖2,選用數(shù)據(jù)源2為0.005的單幅遙感圖像，分別在低通濾波、納維濾波、均 值濾波、中值濾波、小波變換與本方法去噪圖像對比，分析各自的圖像信噪比和方差。如以 下表3所示。
[0092]去噪分析效果對比3
[0093]表3本發(fā)明去噪結(jié)果和單幅遙感圖像數(shù)據(jù)源2多種方法去噪結(jié)果信噪比方差對比 表
[0096]以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人 員，在不脫離本發(fā)明方法的前提下，還可以做出若干改進(jìn)和補(bǔ)充，這些改進(jìn)和補(bǔ)充也應(yīng)視為 本發(fā)明的保護(hù)范圍。
【主權(quán)項】
1. 一種基于DS證據(jù)理論的多幅遙感圖像融合去噪方法，其特征在于，該方法具體包括 以下步驟： 步驟一，選取同一位置某一時間段的多幅遙感圖像，然后對每幅圖像建立四個噪聲模 型； 步驟二，對四個噪聲模型進(jìn)行數(shù)據(jù)統(tǒng)計分析，并得到每個模型下每個像素點是噪聲的 概率，作為DS證據(jù)理論的基本概率分配； 步驟三，使用DS證據(jù)理論融合規(guī)則將四個證據(jù)融合成一個證據(jù)，得到每幅圖像每個像 素點是噪聲的概率，作為多幅遙感圖像融合去噪的基本概率分配； 步驟四，重復(fù)使用DS證據(jù)理論的融合規(guī)則，將多幅遙感圖像的信息融合起來，得到多幅 遙感圖像融合的總證據(jù)； 步驟五，最終根據(jù)證據(jù)計算出信任區(qū)間，并利用設(shè)計好的決策規(guī)則進(jìn)行去噪，得到融合 去噪的圖像。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟二中的四個噪聲模型分別為:兩 狀態(tài)高斯混合模型、類中值濾波模型、類均值濾波模型、邊緣分析模型。3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述的兩狀態(tài)高斯混合模型依據(jù)小波變化 具有信號的突變點在不同尺度的同一位置都有較大的峰值出現(xiàn)的性質(zhì)，而噪聲能量卻隨著 尺度的增大而減小的特點，來刻畫小波系數(shù)是與噪聲相關(guān)還是與邊緣相關(guān)的概率。4. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述的類中值濾波模型根據(jù)遙感圖像的空 間相關(guān)性，小窗口內(nèi)像元值一般差距不大，差別較大說明是奇異點，設(shè)置n*n窗口，η為自然 數(shù)，對窗口中數(shù)據(jù)排序取中間值，根據(jù)中心值與中間值的差異程度決定中心值為噪聲的概 率。5. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述的類均值濾波模型根據(jù)遙感圖像空間 相關(guān)性，設(shè)置η*η窗口，η為自然數(shù)，對窗口中的數(shù)據(jù)求平均值，根據(jù)中心值與平均值的差異 程度決定中心值為噪聲的概率。6. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述的邊緣分析模型根據(jù)窗口中與中心值 差異最小的3個值的差異程度決定是噪聲的概率。7. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟五中的決策規(guī)則具體如下： (1) 對每幅圖像利用四個模型得到基本概率分布； (2) 利用DS理論把每幅圖像的四個證據(jù)融合成一個整體概率分布； (3) 利用DS理論把(2)得到的兩個整體概率分布融合成一個概率分布； (4) 如果融合結(jié)果是邊緣，且兩個證據(jù)都是邊緣，選擇是邊緣概率大的證據(jù)； (5) 如果融合結(jié)果是邊緣，兩個證據(jù)一個是邊緣另一個是噪聲，說明是邊緣的證據(jù)較 強(qiáng)，選擇是邊緣的證據(jù)； (6) 如果融合結(jié)果是噪聲，兩個證據(jù)一個是邊緣另一個是噪聲，說明是噪聲的證據(jù)較 強(qiáng)，放棄是噪聲的證據(jù)，如果這時是邊緣的證據(jù)大于某一值，則相信這個證據(jù)，否則對這個 證據(jù)做萎縮處理之后再使用； (7) 如果融合結(jié)果是噪聲，兩個證據(jù)都是噪聲，則選取相對可靠的圖像，取其平穩(wěn)小波 變化的低頻系數(shù)重構(gòu)，得到的灰度值作為融合去噪后圖像的灰度。
【文檔編號】G06T5/00GK105913402SQ201610341777
【公開日】2016年8月31日
【申請日】2016年5月20日
【發(fā)明人】黃冬梅, 朱貴鮮, 張明華, 徐首玨, 石少華, 王麗琳
【申請人】上海海洋大學(xué)