Создание маски пространственного фильтра

Это 1 из эффективных способов устранения полосового шума. Но он эффективен только для небольших изображений. Этот метод основан на анализе амплитудного спектра изображения и выделения в нем тех частотных компонент, которые соотв. шуму. Для этих частот создаются полосно-заграждающие фильтры. Эти фильтры позволяют устранить шумовые составляющие из амплитудного спектра и после обратного преобразования Фурье получить скорректированное изображение. Для некоторых изображений можно использовать более автоматизированные методы подавления шумов. Если интервал пространственных частот для всей сцены достаточно узок, а шум провялятся в основном на высоких частотах, то для создания заграждающего фильтра можно использовать следующую последовательность действий:

1. Перемножить амплитудный спектр изображения с мягким высокочастотным фильтром (обратная гауссова функция), это позволит снизить амплитуду низкочастотных компонент, которые содержат полезный сигнал и удалить нулевую частотную составляющую

2. Установить для результатов пороговое значение на глазок 

3. Используя пороговое значение, выбрать шумовые компоненты и задать для них амплитуды равные нулю, а для амплитуд всех остальных составляющих задать значение равное единице.

4. Применить данную маску(п3) к спектру изображения и после чего рассчитываем обратное преобразование Фурье.

При выполнении сегментации. Этот шум очень сильно зависит от направления сканирования и усиливается наиболее яркими элементами сцены. Для геометрически скорректированных изображений удаление шума будет сложным для решения этой задачи есть многошаговая процедура типа свертки, которая состоит из 3 этапов пространственной фильтрации (смотри схему).

В процессе работы этого фильтра происходит выделение шума с последующим вычитанием шумовой компоненты. Сначала применяется фильтр низких частот размером 1 строка на 101 столбец, позволяет выделить низкочастотный сигнал и шум сканирования, затем выделенное LP сворачивается с фильтром пропускания высоких частот размером 33 строки на 1 столбец. С помощью этого фильтра выделяется относительно высокочастотный шум сегментации и последний низкочастотной фильтр 1 строка на 31 столбец подавляет диагональные артефакты, которые могут быть внесены на 2 этапе. На завершающем этапе выделенная структура шума вычитается из исходного снимка

Пространственные признаки изображения

Все алгоритмы обработки (в том числе фильтрация и классификация) можно разделить на несколько категорий пространства признаков, где эти алгоритмы и применяются.

Элементами пространства исходных данных являются значения пикселов снимка DN(x,y), которое в явном виде зависят от пространственных координат. Пространство признаков лежит в направлении какого-либо вектора. Зависимость векторов в зависимости от пространственных координат уже не будет явным. Если зависимость не явная, то с пространством признаков можно производить преобразования. Пространство признаков не содержит в себе новой информации, а служит средством отображения исходных данных в удобной для нас форме.

Рассмотрим некоторое преобразование функции или вектора спектральных данных DN в вектор признаков DN':

(11.1)

Если преобразование линейно, то его можно записать в следующем виде (Это аффинное преобразование, применяющееся в геометрической коррекции) (11.2):

Где W – матрица весовых коэффициентов, применяемая к исходным спектральным полосам, а B – вектор смещения. В общем случае это преобразование описывает поворот, смещение, изменение масштаба пространства DN.

(Рисунок для общего развития).

Если W – единичная матрица и все элементы B=0, тогда мы просто получаем исходное спектральное пространство:

Если преобразование нельзя представить в форме (11.2), то это нелинейное преобразование. Например, .