多光谱数据预处理

（一）多光谱图像的去噪声处理

实际上，噪声是一种高频信号，是以其灰度级与周围像元明显不同造成。不同图像产生噪声的强度及频率不同，因此，不可能有一种适合于所有图像的噪声消除算法。为此，我们选择了新疆阿尔金山地区一景有噪声的 TM数据，并设计了专门的程序来检测消除斑点噪声。具体算法是将一个像元的灰度值与周围像元进行比较，差值明显高于周围邻接像元，该像元就被定义为噪声，它的灰度值用邻近像元灰度值来替代或取周围与它距离最小的数个像元的算术平均值，且这数个像元灰度值不存在灰度突变。用这种方法可以消除单像元的孤立噪声点，且不会改变图像的信息量和清晰度（彩图1-1b）。对于面积分布较大的斑点噪声处理，可选择现有的几种主要方法进行，但利弊不同。其中，采用低通滤波可以有地效消除噪声，但同时也减少了其他有用的高频信息，为此对低通图像再进行高频滤波可以恢复部分高频信息。使用常规图像处理软件中的自适应滤波方法，如 Frost自适应滤波（彩图1-1c）、Lee自适应滤波、Gamma Map滤波等也有一定的效果，但图像的清晰度和信息量都有不同程度的降低。

（二）多光谱图像去条带处理

在TM图像上，条带的主要表现形式为：①图像数据行有若干相邻像元及整行丢失，图像上呈现白色条带。我们消除条带的具体做法是用“整行替代”算法，即用相邻行直接替代或用相邻两行的算术平均值去替代条带行（彩图1-2b）；②图像数据行有若干相邻像元及整行与周围行明显不同，其消除条带做法除了用“整行替代”的方法去消除之外，还可以采利用傅里叶变换提取水平条带，如在阿尔金山干旱裸露地区的实验中也取得了一定的效果（彩图1-2c）。具体方法是建立分解图像的傅里叶谱，穿过傅氏谱的垂直线表示水平条带，去掉这种垂直分量，然后再进行逆变换就可消除条带。

Filter 技术是servlet 23 新增加的功能。servlet23是sun公司于2000年10月发布的，它的开发者包括许多个人和公司团体，充分体现了sun公司所倡导的代码开放性原则。

在众多参与者的共同努力下，servlet23比以往功能都强大了许多，而且性能也有了大幅提高。

扩展资料

Filter实际上只是一些函数，在编写函数之前，要确定这个Filter属于哪一类，不同类的Filter，所需要的参数是不一样的，缺省情况下，参数个数为一个。

在WordPress中，Filter的类名是通过Tag来指定的，每个Tag下可以定义很多Filter，每个Filter又可以有自己的优先级。Filter是通过Tag来调用的，每次调用，注册在该Tag下的所有的Filter都会被运行，

这些Filter的调用顺序是根据注册时定义的优先级来确定的，优先级数值低的先执行，优先级数值高的后执行。

要知道具体某一类Filter的参数是什么，需要先知道该类Filter的Tag名，不同的Tag在不同的时候会被调用，通过查阅WordPress文档找到添加Filter的适当地方。

然后在WordPress的源码中搜索该Tag的名字，查找某个已加入该Tag的函数或者说是Filter，确定函数参数以后就可以编写自己的实现函数了。注意要在函数中返回处理过后的内容以供其他的Filter继续处理。

参考资料来源：百度百科-Filter

现在滤波方法主要该算是维纳和卡尔曼，自适应滤波中LMS其实就是变系数的维纳滤波，维纳滤波本身也是线性滤波，FIR和IIR是传统的频率域的滤波方式，和维纳卡尔曼这种现代滤波出发点不是一回事儿

以上就是关于多光谱数据预处理全部的内容，包括:多光谱数据预处理、filter 是什么意思、数字滤波常用方法有几种，维纳、卡尔曼、自适应滤波是非线性滤波方法，线性的有FIR和IIR滤波结构吗等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！