Research on denoising method of remote sensing image in mining area
-
摘要: 去噪是矿区遥感图像得以有效应用的重要预处理步骤。现有的基于统计、基于域变换、基于学习等遥感图像去噪方法普遍存在细节过度平滑、纹理保持不足等问题。基于引导滤波良好的边缘保持特性，提出了迭代引导滤波方法，通过对残差信息进行引导映射，并迭代进行引导滤波及超参数收缩，增强了遥感图像边缘特征提取效果；将迭代引导滤波与传统的小波软阈值、非局部均值(NLM)滤波、三维块匹配 (BM3D)滤波等去噪方法结合，有效提高了传统方法的峰值信噪比，其中NLM滤波、BM3D滤波的去噪性能提升效果最明显；将迭代引导滤波与BM3D滤波融合，通过BM3D滤波初步获取去噪图像，得到残差数据，然后采用迭代引导滤波对残差数据进行处理，在提升图像去噪效果的同时，很好地保持了图像细节特征；将迭代引导滤波与BM3D滤波融合方法用于矿区遥感图像的煤矸石场识别及滑坡区域边缘识别，取得了较好的效果。Abstract: Denoising is an important preprocessing step for the effective application of remote sensing images in mining area. The existing remote sensing image denoising methods based on statistics, domain transformation and learning generally have the problems of excessive smoothing of details and insufficient texture preservation. Based on the good edge-preserving property of guided filtering, an iterative guided filtering method is proposed. The method enhances the edge characteristics extraction effect of remote sensing images by guided mapping of residual information, and iteratively performing guided filtering and hyper-parameter shrinkage. The iterative guided filtering is combined with traditional wavelet soft threshold, non-local mean (NLM) filtering, block matching 3D(BM3D) filtering and other denoising methods, which improves the peak signal-to-noise ratio of the traditional method effectively. Among them, NLM filtering and BM3D filtering have the most obvious effects on improving the denoising performance. The iterative guided filtering and BM3D filtering are fused, and the denoised images are initially obtained through BM3D filtering to obtain residual data. The iterative guided filtering is used to process the residual data. While improving the image denoising effect, the image detail characteristics are well preserved. The iterative guided filtering and BM3D filtering fusion method are used for coal gangue yard identification and landslide area edge recognition in remote sensing images of mining areas, and good results have been achieved.
-
0. 引言
巷道维护是井下煤炭开采过程中的重要环节之一。随着矿井巷道服役时间增加，对巷道表面位移开展定期监测显得尤为重要。目前可采用三维激光扫描技术提取巷道表面点云数据[1]，用于巷道表面位移监测，相较传统观测手段，极大提高了工作效率，但采集的点云数据量庞大，且井下巷道环境复杂，使点云数据中存在较多的冗余数据，给后续变形量统计分析工作增加了难度。因此有必要对原始点云数据进行精简处理，在快速去除冗余点的同时，保留更多的特征信息。
目前，关于点云数据精简方法[7-8]可大致分为不考虑点云特征和考虑点云特征，主要包括曲率精简方法[9]、随机精简方法[10]和栅格精简方法[11]。鉴于煤矿巷道变形分析的特殊需求，主要研究考虑点云特征的精简方法，在这方面大多数学者主要依据点云的曲率[12]、法向量夹角[13]及点云中点与点的欧氏距离等特征[14]作为点云数据是否舍弃的判别标准。何宽等[15]提出了基于逐点前进法的点云数据精简方法，并对线扫描数据进行了实验分析。李佩佩等[16]提出了基于二分K−means聚类的曲率分级点云精简方法，利用二分K−means聚类划分特征区，在保证残肢表面完整无孔洞的同时，保留了残肢点云的亚特征信息。章紫辉等[17]提出了一种基于邻域点位置特征的点云数据精简方法，根据权值计算投影面、搜寻矩阵大小及精简比例对目标点云进行精简。梁栋等[18]提出了保留特征点的大数据量点云分类精简方法，可在较高的精简率下均匀化平坦区域数据点，最大化地保留模型细节特征，避免孔洞产生，而且在速度上也取得了较好效果。丁吉祥等[19]提出了一种面向几何特征保留的点云精简方法，能够基于不同精简方法实现不同区域的点云精简，且精简后点云均匀无孔洞，整体几何特征形状保留完整。然而，现有方法存在大数量级点云处理过程中细节保留不足的问题。
鉴此，本文提出了一种基于二次特征提取的煤矿巷道表面点云数据精简方法。首先对原始点云进行去噪预处理并建立K−d树；然后进行初步区域划分后对特征区域二次提取，将特征区域进一步划分为特征点和非特征点，使用体素随机采样完成非特征点简化处理，对非特征区域的点云进行随机采样简化；最后将各类点云精简结果进行合并。
1. 方法流程
基于二次特征提取的煤矿巷道表面点云数据精简方法流程如图1所示。首先，对原始巷道表面点云数据进行去噪预处理并建立K−d树，提高计算效率；其次，计算点云的法向量夹角，根据设定的法向量夹角阈值α1将点云区域划分为特征区域和非特征区域，并对所划分的非特征区域进行随机下采样；然后，计算特征区域的法向量，设置一个大于α1的法向量夹角阈值α2，并依此阈值再次将特征区域点云划分为特征点与非特征点，同时对非特征点利用体素随机采样法进行精简；最后，将2次点云简化结果与特征点部分的点云合并，完成点云精简。
![]()
图 1 煤矿巷道表面点云数据精简方法流程Figure 1. Flowchart of point cloud data simplification method of coal mine roadway surface2. 方法原理
2.1 法向量计算
在点云的采样表面处处光滑的情况下，任何点的局部邻域都可用平面进行很好的拟合。因此针对点云的特征区域与非特征区域的划分，需先建立K−d树[17]，使用基于局部表面拟合的方法进行法向量估计。选取的点集不同，建立的K−d树不同，因此需对去噪预处理后点云及特征区域点云都进行法向量估计。
在法向量计算中，对于点云中的每个扫描点，搜索与其最近邻的k个相邻点并构成K邻域，然后计算这些点最小二乘意义上的局部平面P。
$$ P\left( {{\boldsymbol{n}},d} \right) = \mathop {\arg \min }\limits_{\left( {{\boldsymbol{n}} ,d} \right)} \sum\limits_{i = 1}^k {{{\left( {{\boldsymbol{n}} {p_i} - d} \right)}^2}} $$ (1) 式中：n为平面P的法向量；d为Р到坐标原点的距离；pi为点云中第i（i=1，2，···，k）个点。
在本文方法中，认为由最近邻的k个相邻点拟合出的平面的法向量即当前扫描点的法向量。平面P的法向量可由主成分分析法得到，P经过其K邻域的质心p0，且法向量n满足$ \left\| {\boldsymbol{n}} \right\| = 1 $。因此，先对协方差矩阵M进行特征值分解，求得M的各特征值，M的最小特征值所对应的特征向量即P的法向量。
$$ {\boldsymbol{M}} = \frac{1}{k}\sum\limits_{i = 1}^k {\left( {{p_i} - {p_0}} \right){{\left( {{p_i} - {p_0}} \right)}^{\rm{T}}}} $$ (2) 进一步，需采用以下方法对求出的法向量进行定向：假设点云足够稠密且采样平面处处光滑，那么相邻2个点的法向量会接近于平行。如果相邻2个点法向量的方向一致，则这2个点的法向量内积约为1；若该内积为负，则说明其中某个点的法向量需要被翻转。因此，先为点云中某个点设定一个法向量方向，然后遍历其他所有点，若当前点与下一个要遍历的点的法向量内积小于0，则将下一个要遍历的点的法向量翻转，否则保持其法向量方向不变。
2.2 基于法向量夹角的点云区分
在对点云进行法向量夹角计算后，根据点云特征设定法向量夹角阈值α1，之后遍历点云数据进行夹角对比，将满足条件的点划分到特征区域并保存，将剩余的点保存到非特征区域。
通过计算法向量，可得点云中点与点之间的几何关系。若局部区域点之间的点云法向量夹角较大，则可认为该区域为非平坦区域，即特征区域；若在该区域中的法向量夹角变化不大，则可认为该区域较为平坦，即非特征区域。基于法向量夹角的特征区域选取原理如图2所示，其中箭头表示某点处的法向量，θ为法向量夹角。
![]()
图 2 基于法向量夹角的特征区域选取原理Figure 2. Principle of feature area selection based on normal vector angle定义pi与其邻近点法向量夹角的算术平均值：
$$ {f_i} = \sum\limits_{j = 1}^k {{\theta _{ij}}} $$ (3) 式中θij为pi点与邻近点pj（j=1，2，···，k，i≠j）点的法向量夹角。
根据pi与其邻近点法向量夹角来提取特征点，需选取适当的法向量夹角阈值α1。当fi＞α1时，则pi为特征点；当fi≤α1时，则pi为非特征点。由此，将经过去噪预处理的点云初步划分为特征区域和非特征区域。
由于初始的点云数据量级很大，且为了保留更多特征，设定的阈值α1较小，可能会导致特征区域周围一些特征不明显的点被划分至特征区域。所以，在经过第1次区域划分后，位于特征区域的点需经过第2次区域划分。设定阈值α2，且保证α2＞α1，根据式（3）计算位于特征区域中某点pi'与其邻近点法向量夹角的算术平均值fi'。当fi'＞α2时，则将pi'划分为特征区域特征点；当fi'≤α2时，则将pi'划分为特征区域非特征点。
2.3 体素随机采样
为保留数据特征的同时，初步降低点云数据总量并去除冗余数据，对数据进行体素随机采样。首先依据点云的数据坐标集合，求取X，Y，Z坐标轴上的最大值Xmax，Ymax，Zmax和最小值Xmin，Ymin，Zmin。然后设置体素小栅格的边长r，根据X，Y，Z坐标轴上的最大值、最小值求得点云最小包围盒的边长LX，LY，LZ。
$$ \left\{ \begin{gathered} {L_X} = {X_{\max }} - {X_{\min }} \\ {L_Y} = {Y_{\max }} - {Y_{\min }} \\ {L_Z} = {Z_{\max }} - {Z_{\min }} \\ \end{gathered} \right. $$ (4) 计算体素小栅格的尺寸DX，DY，DZ：
$$ \left\{ \begin{gathered} {D_X} = \left\lfloor {{L_X}/r} \right\rfloor \\ {D_Y} = \left\lfloor {{L_Y}/r} \right\rfloor \\ {D_Z} = \left\lfloor {{L_Z}/r} \right\rfloor \\ \end{gathered} \right. $$ (5) 进一步，计算点云中每一个点在体素小栅格内的索引h：
$$ \left\{ \begin{gathered} h = {h_X} + {h_Y}{D_X} + {h_Z}{D_X}{D_Y} \\ {h_X} = \left\lfloor {(X - {X_{\min }})/r} \right\rfloor \\ {h_Y} = \left\lfloor {(Y - {Y_{\min }})/r} \right\rfloor \\ {h_Z} = \left\lfloor {(Z - {Z_{\min }})/r} \right\rfloor \\ \end{gathered} \right. $$ (6) 最后，将索引h中的元素hX，hY，hZ按照从小到大的顺序排序，每个体素小栅格内随机选取一个点代替小栅格内的所有点。
2.4 巷道表面点云数据简化
由于第1次特征提取时，设定的阈值α1较小，会将大部分包含特征信息的点云划分到特征区域，可认为在非特征区域所包含的特征信息已经很少，因此可对这一部分的点云数据进行随机采样，从而对整个方法进行提速。针对经过第2次区域划分的位于特征区域的非特征点，采用体素随机采样法进行数据简化。最后，将简化后的各类点云数据合并，输出精简后的点云数据。
3. 实验及结果分析
选取WHU−TLS基准数据集[21-22]中地下矿道数据进行模拟实验，数据量达百万级。为提高后续实验结果精度，选取去噪优化后的一部分巷道点云数据进行分析处理，所选整体数据集及截取局部部分如图3所示。
为验证本文方法的可行性与有效性，分别采用曲率精简方法、随机精简方法、栅格精简方法和本文方法对巷道表面点云数据进行精简，将数据量简化为原始数据的50%，30%，10%，对比不同方法的精简效果及在Geomagic Studio软件中的三维重建模型，如图4−图6所示。
![]()
图 4 精简率为50%的简化及三维重建结果Figure 4. Simplification and 3D reconstruction results with reduction rate of 50%![]()
图 6 精简率为10%的简化及三维重建结果Figure 6. Simplification and 3D reconstruction results with reduction rate of 10%![]()
图 5 精简率为30%的简化及三维重建结果Figure 5. Simplification and 3D reconstruction results with reduction rate of 30%从图4−图6可看出，在相同精简率下，曲率精简方法虽然保留了较多的特征信息，但对特征不明显区域的简化过度，在后续的三维重建中出现了明显的空洞，如图6（e）中红色虚线框所示。随机精简方法对数据的简化处理具有随机性，面对整体特征细节丰富的巷道表面点云数据，简化后的三维重建结果存在细节缺失的现象。栅格精简方法因其固有原理没有特意保留特征信息，简化后的三维重建结果整体分布均匀，但丢失了较多的表面点云数据特征，效果较差。本文方法在特征保留方面优于随机精简方法和栅格精简方法，在对非特征区域的简化方面弥补了曲率精简方法的不足，在高精简率的条件下，精简效果较好。
对比图6（f）−图6（h）中的红色虚线框可看出，在较高的精简率条件下，本文方法仍能在保留特征的同时正确重建三维结构。
为验证二次特征提取相较于一次特征提取能够更多地保留点云丰富的特征信息，将去噪优化后的原始点云数据、一次特征提取精简数据（法向量夹角阈值α1在10%，30%，50%精简率下均为90°）及二次特征提取精简数据（法向量夹角阈值α1在10%，30%，50%精简率下均为90°，法向量夹角阈值α2在10%，30%，50%精简率下均为120°）分别导入Geomagic Studio软件进行三维模型构建，并以优化的原始点云数据构建的三维模型作为对比标准，进行最大偏差及标准偏差的计算，结果见表1。其中，标准偏差是Geomagic Studio软件中评价三维模型重构精度的评价指标，是由拟合残差计算出的中误差。
表 1 不同特征提取次数下最大偏差与标准偏差Table 1. The maximum deviation and standard deviation under different feature extraction times特征提取方式 精简率/% 最大偏差（正向/负向）/m 标准偏差/m 一次特征提取 10 1.340 6/−2.807 2 0.038 93 二次特征提取 0.918 3/−0.748 4 0.036 44 一次特征提取 30 3.049 9/−2.398 7 0.035 16 二次特征提取 2.754 1/−2.375 9 0.033 27 一次特征提取 50 1.582 8/−1.835 1 0.021 50 二次特征提取 2.739 3/−2.226 8 0.020 66 由表1可知，在不同精简率条件下，二次特征提取对应的标准偏差均小于一次特征提取，这是因为二次特征提取在保留点云特征方面更加有效。
为更加客观地评估精简质量，将4种方法简化后的数据及去噪优化后的原始点云数据导入Geomagic Studio软件进行三维模型构建，同样以优化的原始点云数据构建的三维模型作为对比标准，分别对4种简化三维模型进行最大偏差及标准偏差的计算，结果见表2。
表 2 不同精简方法下最大偏差与标准偏差Table 2. The maximum deviation and standard deviation under different simplification methods精简方法 精简率/% 最大偏差（正向/负向）/m 标准偏差/m 曲率精简方法 10 2.800 9/−1.894 9 0.057 88 随机精简方法 2.452 6/−2.663 3 0.060 37 栅格精简方法 1.310 7/−3.052 4 0.055 09 本文方法 0.918 3/−0.748 4 0.036 44 曲率精简方法 30 3.265 2/−2.712 2 0.043 39 随机精简方法 2.428 1/−2.465 9 0.037 65 栅格精简方法 3.268 8/−1.856 2 0.039 15 本文方法 2.754 1/−2.375 9 0.033 27 曲率精简方法 50 3.151 3/−1.562 2 0.025 77 随机精简方法 2.848 6/−1.216 0 0.020 82 栅格精简方法 2.857 8/−1.550 1 0.033 63 本文方法 2.739 3/−2.226 8 0.020 66 由表2可知，本文方法在不同精简率条件下标准偏差均为最小，标准偏差平均可低于相同精简率下其他方法30%左右，表明本文方法对特征点的保留情况较好，精简后特征损失很小。
4. 结语
针对煤矿巷道三维激光扫描后点云数据量级大的问题，提出了基于二次特征提取的煤矿巷道表面点云数据精简方法。该方法首先通过预处理去除噪声数据；然后依据较小的法向量夹角阈值对点云进行初步的特征区域与非特征区域划分，再利用较大的法向量夹角阈值将特征区域点云划分为特征点和非特征点，并对非特征点进行体素随机采样，对非特征区域的点云进行随机下采样；最后将点云精简结果与特征点部分的点云合并。结合地下巷道点云数据开展仿真实验，结果表明：在百万数据量级的点云及较高精简率条件下，该方法能有效避免孔洞现象发生，在特征细节保留上有较好的效果。
-
![]()
图 3 迭代引导滤波处理后图像PSNR
Figure 3. PSNR of the image processed by iterative guided filtering
表 1 迭代引导滤波对于典型去噪方法的提升结果
Table 1 Improvement results of iterative guided filtering to typical denosing methods
指标 K−SVD字典学习 小波软阈值 NLM滤波 BM3D滤波 PSNR增大值/dB 0.6 1.9 3.1 3.0 SSIM 0.1 0.2 0.4 0.4 运算时间增加值/s 0.5 0.7 1.0 1.2 
下载: 导出CSV
表 2 不同方法的去噪性能对比
Table 2 Comparison of denosing performance of different methods
指标 小波软阈值 K−SVD
字典学习非局部相似性
K−SVD字典学习BM3D
滤波融合方法 PSNR/dB 23.6 25.2 27.3 28.2 30.8 SSIM 0.76 0.72 0.75 0.86 0.92
下载: 导出CSV
-
[1] 王义方, 李新举, 李富强, 等. 基于多时相遥感影像的采煤塌陷区典型扰动轨迹识别−以山东省济宁市典型高潜水位矿区为例[J]. 地质学报,2019,93(增刊1):301-309. WANG Yifang, LI Xinju, LI Fuqiang, et al. Identification of typical disturbance trajectory in coal mining subsidence area based on multi-temporal remote sensing images[J]. Acta Geologica Sinica,2019,93(S1):301-309.
[2] 杨宏业, 赵银娣, 董霁红. 基于纹理转移的露天矿区遥感图像超分辨率重建[J]. 煤炭学报,2019,44(12):3781-3789. YANG Hongye, ZHAO Yindi, DONG Jihong. Remote sensing image super-resolution of open-pit mining area based on texture transfer[J]. Journal of China Coal Society,2019,44(12):3781-3789.
[3] 宋国策, 张志. 内蒙古新巴尔虎右旗多金属矿区扬尘风积物遥感监测方法[J]. 国土资源遥感,2020,32(2):46-53. SONG Guoce, ZHANG Zhi. Remote sensing monitoring method for dust and wind accumulation in multimetal mining area of Xin Barag Right Banner, Inner Mongolia[J]. Remote Sensing for Land & Resources,2020,32(2):46-53.
[4] 周斌, 李雨鸿, 李辑, 等. 岫岩偏岭矿区植被修复生态环境监测评估[J]. 航天返回与遥感,2019,40(3):103-110. DOI: 10.3969/j.issn.1009-8518.2019.03.013 ZHOU Bin, LI Yuhong, LI Ji, et al. Monitoring and assessment of vegetation restoration ecology environment in Xiuyan pianling-mining area[J]. Spacecraft Recovery & Remote Sensing,2019,40(3):103-110. DOI: 10.3969/j.issn.1009-8518.2019.03.013
[5] 汤伏全, 李林宽, 李小涛, 等. 基于无人机影像的采动地表裂缝特征研究[J]. 煤炭科学技术,2020,48(10):130-136. TANG Fuquan, LI Linkuan, LI Xiaotao, et al. Research on characteristics of mining-induced surface cracks based on UAV images[J]. Coal Science and Technology,2020,48(10):130-136.
[6] 张元军. 基于双边滤波与小波阈值法的矿区遥感图像处理[J]. 金属矿山,2017(9):170-173. DOI: 10.3969/j.issn.1001-1250.2017.09.035 ZHANG Yuanjun. Remote sensing image processing method of mining area based on bilateral filtering algorithm and wavelet thresholding method[J]. Metal Mine,2017(9):170-173. DOI: 10.3969/j.issn.1001-1250.2017.09.035
[7] FENG Xubin, ZHANG Wuxia, SU Xiuqin, et al. Optical remote sensing image denoising and super-resolution reconstructing using optimized generative network in wavelet transform domain[J]. Remote Sensing,2021,13(9):1858-1880. DOI: 10.3390/rs13091858
[8] WEN Nu, YANG Shizhi, CUI Shengcheng. High resolution remote sensing image denoising based on curvelet-wavelet transform[J]. Journal of Zhejiang University(Engineering Science),2015,49(1):79-86.
[9] 王跃跃, 陈蓉, 于丽君, 等. 结合二维EMD与自适应高斯滤波的遥感卫星影像去噪[J]. 测绘通报,2019(2):22-27. WANG Yueyue, CHEN Rong, YU Lijun, et al. Denoising from remote sensing satellite image based on two-dimensional EMD and adaptive Gauss filtering[J]. Bulletin of Surveying and Mapping,2019(2):22-27.
[10] 王小兵. 融合提升小波阈值与多方向边缘检测的矿区遥感图像去噪[J]. 国土资源遥感,2020,32(4):46-52. WANG Xiaobing. Denoising algorithm based on the fusion of lifting wavelet thresholding and multidirectional edge detection of remote sensing image of mining area[J]. Remote Sensing for Land & Resources,2020,32(4):46-52.
[11] HUANG Zhenghua, ZHANG Yaozong, QIAN Li, et al. Unidirectional variation and deep CNN denoiser priors for simultaneously destriping and denoising optical remote sensing images[J]. International Journal of Remote Sensing,2019(15):5737-5748.
[12] TIAN Chunwei, XU Yong, ZUO Wangmeng. Image denoising using deep CNN with batch renormalization[J]. Neural Networks,2020,121:461-473. DOI: 10.1016/j.neunet.2019.08.022
[13] LIU Jing, XIANG Pengxia, ZHANG Xiaoyan. An improved generative adversarial network for remote sensing image denoising[C]//The 13th International Conference on Digital Image Processing, Singapore, 2021: 11878-11886.
[14] 秦振涛, 杨茹. 基于结构性字典学习的毛儿盖遥感图像去噪研究[J]. 遥感技术与应用,2019,34(4):793-798. QIN Zhentao, YANG Ru. Remote sensing image of Mao'ergai denoising based on structured dictionary learning[J]. Remote Sensing Technology and Application,2019,34(4):793-798.
[15] 马晓乐. 基于稀疏表示的去噪声遥感图像融合算法优化[D]. 北京: 北京交通大学, 2020. MA Xiaole. The algorithm optimization for de-noised remote sensing fusion based on sparse representation[D]. Beijing: Beijing Jiaotong University, 2020.
[16] 陈曦. 基于深度卷积神经网络的图像去噪[D]. 合肥: 合肥工业大学, 2019. CHEN Xi. Image denoising based on deep convolutional neural networks[D]. Hefei: Hefei University of Technology, 2019.
[17] 冯旭斌. 基于深度学习的光学遥感图像去噪与超分辨率重建算法研究[D]. 西安: 中国科学院大学(中国科学院西安光学精密机械研究所), 2020. FENG Xubin. Research on deep-learning based optical remote sensing image denosing and super-resoution reconstructing algorithm[D]. Xi’an: University of Chinese Academy of Science(Xi'an Institute of Optics and Precision Mechanics of Chinese Academy of Sciences), 2020.
[18] HE Kaiming, SUN Jian, TANG Xiaoou. Guided image filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(6): 1397-1409.
[19] DABOV K, FOI A, KATKOVNIK V, et al. Image denoising by sparse 3D transform-domain collaborative filtering[J]. IEEE Transactions on Image Processing,2007:2080-2095.
[20] 刘佳丽. 基于遥感的露天灰岩矿山开采信息提取[D]. 唐山: 华北理工大学, 2018. LIU Jiali. The opencast limestone mine information extraction based on remote sensing[D]. Tangshan: North China University of Science and Technology, 2018.
-
期刊类型引用(10)
1. 胡志峰，吴龙华，陈竹安. 基于自组织迁移算法小波阈值矿区遥感图像去噪研究. 江西科学. 2025(01): 59-64 . 
百度学术
2. 裴丹，房坤，庆宇东，陈沛. 基于改进YOLOv5的矿山遥感图像去噪方法. 工矿自动化. 2025(03): 148-155 . 本站查看
3. 李亦珂，王春梅. 基于离散小波域深度残差学习的矿区遥感图像增强算法. 金属矿山. 2024(04): 215-220 . 百度学术
4. 徐浩哲，李鑫雨，闫钰亭，王蓁，常远. 基于优化Canny-Ostu算法的爆破块度识别. 有色金属(矿山部分). 2024(03): 50-55 . 百度学术
5. 樊培利，王建军，艾薇. 基于生成对抗残差学习的矿山远程监控图像去噪算法. 金属矿山. 2024(05): 286-292 . 百度学术
6. 沈丹萍，赵爽. 基于轻量化YOLOX-S与多阈值分割的矿山遥感图像去噪算法. 金属矿山. 2024(09): 175-180 . 百度学术
7. 戴文祥，陈雷，闫鹏飞，王利欣，李波，袁鹏喆. 基于三维激光扫描的煤矿巷道形变监测方法. 工矿自动化. 2023(10): 61-67+95 . 本站查看
8. 樊华，王文旭，李晓阳，陈睿，韩贞辉. 结合非下采样剪切波变换的BM3D去除图像噪声方法研究. 震灾防御技术. 2023(03): 651-663 . 百度学术
9. 李清运，车守全，王浪威. 基于字典学习的遥感图像去噪方法研究. 山东工业技术. 2022(04): 77-81 . 百度学术
10. 刘晓明，白宗化. 基于滤波方法的遥感图像去噪算法. 中国电子科学研究院学报. 2022(10): 952-958 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 157
- HTML全文浏览量: 70
- PDF下载量: 21
- 被引次数: 12
