無人機遙感具有快速、低成本、高影像分辨率等優點，能夠彌補衛星遙感不足、適用范圍廣泛。遙感圖像是用于描述地表信息的重要數據源，但在圖像采集過程中受傳感器自身和大氣環境等因素影響，使得遙感圖像在采集、傳輸和存儲過程中受到各類噪聲的干擾。這對進一步處理、分析遙感圖像中的有用信息十分不利。因此，為了獲取清晰、高質量的遙感圖像，對遙感圖像進行一定的濾波去噪處理是十分必要的。

傳統的遙感圖像濾波方法靈活性較差，往往不能得到理想的去噪效果，不能很好地滿足無人機遙感圖像的去噪要求。這些問題對無人機遙感圖像濾波去噪方法提出了更高的要求。基于此，本文提出一種基于梯度倒數的無人機遙感圖像融合濾波方法，將梯度倒數與自適應開關均中值濾波融合設計新的濾波方法，并應用到遙感圖像濾波處理中，提高圖像的質量。

基于梯度倒數的無人機遙感圖像融合濾波方法

結合梯度倒數與自適應開關均中值濾波提出了一種基于梯度倒的無人機遙感圖像融合濾波方法———梯度倒數自適應開關均中值濾波，并將其應用到遙感圖像濾波處理中。根據圖像的連通性原理，相鄰像素點的灰度值相近。對于n×n的平滑模板，分別計算出（x，y）與模板內其余像素點（x＋i，y＋j）之間的梯度值并設定閾值T。本文算法規定：若中心像素點周圍至少存在一個像素點使得梯度值的絕對值小于等于T，則認為像素點f（x，y）不是由隨機噪聲引起。此時，采用傳統的梯度倒數加權算法對其進行平滑；若模板內所有像素點的梯度值的絕對值都大于T，則認為像素點f（x，y）被隨機噪聲污染，此時根據自適應開關均中值方法對該像素點進行濾波處理。具體實現方法如下：

（１）選取n×n的模板，計算出模板內中心像素點（x，y）與鄰近像素點（x＋i，y＋j）的梯度絕對值的導數并保存在g數組中。

（２）根據當前濾波點的 f （ x， y）灰度值， 設定閾值 T 的大小。其中 T 的取值滿足 T ＝f（x， y）μ，μ為調整因子，本文取值為０.１。

（３）設置標志數組g′，用于標記模板內各點與中心點的梯度值是大于閾值 T。若超過，則置為１；否則置為０。為便于判斷，標志數組中中心點（ x，y）處的值也置為 １。

（４）如果當前像素點滿足 g′（x，y） ＝１， 則采用自適應開關均中值濾波方法，如式（４）中所示。

此時，q（x，y）為當前模板內中心像素點（即噪聲點）的輸出；否則，按照文獻所述方法對模板內各點進行處理，將q（x，y）作為非噪聲點的輸出，如式（５）所示。

（５）用濾波模板對整幅含噪圖像進行遍歷，重復步驟（２）步驟（４），如果濾波后像素的灰度值超出［０，１］范圍，則將灰度值小于０的像素點置０，超出１的置１。

結果與分析

實驗中選取了由無人機拍攝的大小為３４６×３００的遙感圖像。分別采用傳統的梯度倒數加權平滑方法、開關均中值濾波方法、自適應開關均中值濾波方法、本文提出的基于梯度倒數的無人機遙感圖像融合濾波方法對遙感圖像進行濾波去噪處理，實驗結果如圖１和表１中所示。

結合表 １，觀察分析這幾種方法的實驗結果可以發現：對比圖１（ｃ）和圖１（ｄ），開關均中值濾波方法較傳統的梯度倒數加權平滑方法去噪效果好，濾波后圖像的峰值信噪比和信息熵均比較高，但圖像的邊緣保持效果比較差；對比圖１（ｄ）和圖１（ｅ），由于自適應開關均中值濾波方法的閾值會隨著圖像中局部區域受到噪聲污染的程度自適應變化，因此濾波后 PSNR、MSE、信息熵等幾項指標均有一定的提升；對比圖１（ｆ）和圖１（ｃ）、圖１（ｄ）、圖１（ｅ），可以看出本文提出的基于梯度倒數的無人機遙感圖像融合濾波方法濾波后各項評價指標均優于其他傳統對照方法，不僅可以較好地保持遙感圖像的邊緣細節信息，而且針對高斯噪聲和脈沖噪聲等不同類型的混合噪聲有著顯著的濾波去噪效果。

結論

針對現有無人機遙感圖像濾波去噪處理時存在無法兼顧濾波效果與邊緣細節保持效果的問題，本文提出了一種基于梯度倒數的無人機遙感圖像融合濾波方法———梯度倒數自適應均中值濾波，根據實驗結果得到以下結論。

（１）該方法結合了梯度倒數加權平滑方法和自適應開關均中值濾波方法的優點，在保證濾波效果的同時較好的保持了圖像邊緣等細節信息。

（２）從主觀視覺方面，本文方法能夠較好的濾除高斯、椒鹽噪聲等混合噪聲，濾波效果明顯。

從客觀實驗數據方面，使用本文方法濾波后圖像的 MSE、PSNR、平均梯度、信息熵等參數均有一定幅度的提升，其中平均梯度提升了約３.５％，能夠滿足對遙感圖像的濾波降噪處理要求。

歡迎關注公眾號：萊森光學，了解更多光譜知識。

萊森光學（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統的研發、生產和銷售。

審核編輯黃宇