[0043] 下面结合附图对本发明作进一步详细描述：
[0044] 参见图1，一种无人机遥感山区公路图像融合滤波方法，包括以下步骤：
[0045] 步骤1：获取无人机遥感山区公路图像；
[0046] 步骤2：用小波函数对步骤1中获得的遥感图像进行两层小波分解；
[0047] 步骤3：设置阈值向量，对步骤2中所得的高频系数分别进行水平、垂直、对角三个方向的软阈值滤波，其中垂直方向滤波两次，其他方向滤波一次；
[0048] 步骤4:对步骤3滤波后的图像进行小波重构；
[0049] 步骤5：将重构的图像进行小波一层分解；获得三个方向的高频系数；用改进Kuwahara滤波器对其进行滤波，具体方法为：
[0050] 步骤5.1：将像素点周围的一个邻域均匀地分成8个扇形区域Ki；
[0051] 步骤5.2：定义二维平方高斯核系数：
[0052]
[0053] 坐标(x,y)处像素点为高斯核模板的中心像素点，其中σ反映的是二维高斯核模板的离散度；
[0054] 使用二维平方高斯核系数对每个扇形区域Ki，定义权重函数ωi为：
[0055]
[0056] 对权重函数归一化：
[0057]
[0058] 步骤5.3：计算图像I中每个子区域内的加权均值mi及方差Si
[0059] mi＝Iωi,
[0060] 步骤5.4：定义滤波器调节因子为q，改进的Kuwahara滤波器的输出为：
[0061]
[0062] 步骤6：重构滤波之后的图像，并输出本文滤波器滤波后的图像。
[0063] 下面结合具体实施方式对本发明作进一步详细描述：
[0064] 参见图1和图2，本发明提供一种对无人机遥感山区公路图像滤波方法，在小波滤波的基础上，结合改进的Kuwahara滤波器，实现对无人机遥感山区公路图像的滤波去噪。具体思路是，针对传统的Kuwahara滤波器滤波器输出的是四个子方块的方差较小的子块的均值，易造成吉布斯效应(即方块效应)和输出像素值不确定的不足，提出一种新的改进Kuwahara滤波器，通过增加子块的数目，改变子块的形状以及对子块内的像素进行高斯加权，输出子区域的加权均值与方差的线性组合。在整个过程中，首先对遥感图像进行软阈值滤波，然后用改进的Kuwahara滤波器滤波对其高频系数进行滤波，最后对滤波后的图形进行小波重构，得到滤波后的图像。
[0065] 具体步骤如下：
[0066] 步骤1、获得无人机遥感山区公路图像：利用图像采集设备，获得要处理的无人机遥感山区公路图像，等待下一步处理：
[0067] 步骤2、对步骤1中获得的含大量噪声遥感图像进行小波变换，利用小波函数coif3对其进行2层小波分解；
[0068] 步骤3、设置阈值。阈值的选择是小波去噪中最关键的一步，在去噪过程中，小波阈值p起到了决定性作用：如果阈值太小，则施加阈值后的小波系数将包含过多的噪声分量，达不到去噪的效果；反之，阈值太大，则去除了有用的成分，造成失真向量：根据经验，取阈值向量为：
[0069] p＝[10.12,23.28]
[0070] 对步骤2中所得的水平、垂直、对角三个方向的高频系数分别进行软阈值滤波，即当小波系数的绝对值小于给定阈值时，令其为0，大于阈值时，令其都减去阈值，用公式表述如下所示：
[0071]
[0072] 其中，垂直方向的高频系数滤波两次，水平和对角方向分别滤波一次。
[0073] 相比于小波硬阈值滤波，软阈值滤波避免了阈值曲线在阈值处出现不连续的现象，防止重构后的信号出现附件振荡，产生“伪吉布斯”现象。
[0074] 步骤4、用coif3小波函数对软阈值处理后的小波分解结构进行重构，得到小波滤波后的图像。
[0075] 步骤5、用coif2小波函数将上步得到的图像进行一层小波分解，用改进Kuwahara滤波器分别对水平、垂直、对角三个方向的高频系数进行滤波。
[0076] 经典的Kuwahara滤波器在滤波处理时，一般设定滤波器窗口大小为3*3,将其分为四个子方块，记为Qi，i∈(0,1,2,3)，中心像素及四个子区域分别由不同的阴影部分表示。若窗口包括(2n+1)*(2n+1)个元素，则子区域分别包含(n+1)*(n+1)个元素，如图3：
[0077] 针对各子区域Qi，i∈(0,1,2,3)，求局部均值mi与方差Si，定义为：
[0078]
[0079]
[0080] 则针对中心像素，Kuwahara滤波器的输出Φ(x,y)为:
[0081]
[0082] 由于Kuwahara滤波器的输出为4个子区域Q0～Q3中方差较小的子方块均值，对于图像中边缘曲率较大或者细节信息较多的区域，无法精确地反映图像边缘，且易形成吉布斯效应。故，本发行提出了Kuwahara滤波器的改进算法，如下：
[0083] 步骤5.1、定义滤波器模板大小为7*7，并将模板均匀的分为8个扇形区域Ki，每个扇区Ki中包含8个像素点，其具体结构如图4所示：
[0084] 步骤5.2、定义二维平方高斯核系数：
[0085]
[0086] 坐标(x,y)处像素点为高斯核模板的中心像素点。σ反映的是二维平方高斯核模板的离散度；
[0087] 使用二维平方高斯核系数对每个扇形区Ki，定义权重函数ωi，即：
[0088]
[0089] 对权重函数归一化：
[0090]
[0091] 步骤5.3、计算每个子区域内的加权均值及方差：
[0092] mi＝Iωi,
[0093] 步骤5.4、根据经典Kuwahara滤波器的输出公式，可知改进Kuwahara滤波器的输出公式：
[0094]
[0095] 从而得到改进的Kuwahara滤波器的输出值为：
[0096]
[0097] 上述滤波器的输出为局部加权均值mi与局部方差的线性组合，避免了滤波器输出不确定的情况。调整因子q决定了滤波器中局部均值和方差所占比重的大小，当q为正值时滤波器的输出将更加靠近具有较小局部加权标准差区域的局部加权均值；若q为0，此时滤波器的输出为所有区域的局部加权标准差的算术平均值；若q→+∞，此时滤波器的输出将与原始Kuwahara滤波器的输出一致。而一般情况下，q的取值为1～3，本发明中，q取1.2。此时，滤波器的输出不但在大面积连续区域内具有较好的平滑特性，而且具有较优秀的边缘以及角点的保持特性。
[0098] 步骤6、用coif2小波函数对滤波之后的图像进行小波重构，输出本文滤波器滤波后的图像。
[0099] 从图2可以看出，图2中(b)为含噪的无人机遥感山区公路图像，分别使用传统的滤波方法和本文提出的滤波方法对图(b)进行滤波。首先使用经典的小波软阈值滤波算法对图(b)进行滤波，滤波后的图像如图(c)所示，从图中可以看出滤波后的图像中仍含有部分噪声没有滤除干净。图(d)是使用经典Kuwahara滤波器滤波后的图像，可以看出较好的滤除了噪声，但图像模糊，边缘细节信息丢失。图(e)是本发明提出的新方法滤波后的图像，对比前面几种滤波器算法滤波后的图像，可以看到图(e)在保护图像边缘细节信息的同时，噪声滤除彻底，图像边缘轮廓比较清晰，效果优于传统滤波器滤波后的图像。
