English
资源说明：在实际获取远程观测图像的过程中，图像中经常夹杂了混合噪声。针对实际中一般由加性高斯白噪声（AWGN）和脉冲噪声（IN）所组成的混合噪声，提出了一种将剪裁中值滤波和基于加权编码图像稀疏表示相结合的混合噪声的去除算法。实验结果表明，所提算法在不同的噪声比率下都可以有较好的去噪表现，效果优于对比算法，而且能更好地保留纹理等细节。
在图像处理领域，远程观测图像的获取过程中常常面临的一个挑战是图像中混杂的噪声问题。混合噪声，通常包括加性高斯白噪声（AWGN）和脉冲噪声（IN），严重影响了图像的质量和后续的分析。针对这一问题，本文提出了一种结合剪裁中值滤波和稀疏表示的混合噪声去除算法。
该算法运用非对称剪裁中值滤波（Asymmetric Trimmed Median Filter, UTMF）进行初步去噪。噪声模型假设图像的灰度值在[dmin, dmax]之间，其中vi,j表示方差为σ的高斯噪声，s表示椒盐噪声的比率，而P表示随机脉冲噪声比例。通过设定不同大小的滤波窗口，根据噪声点的特性进行中值滤波，有效地去除噪声点，保留非噪声点。
然后，为了进一步提升去噪效果，算法引入了稀疏表示和非局部相似性的概念。图像可以看作是由超完备字典Φ的线性组合，即稀疏编码。在高斯噪声污染的图像上，通过最小化l2范数来寻找最佳的稀疏编码系数α。为了适应混合噪声环境，引入了权重项，使数据残差的分布更接近高斯噪声，从而建立了一个新的去噪模型。通过迭代更新，找到最优的稀疏表示系数，以更好地保持图像的细节和纹理。
实验结果显示，提出的去噪算法在不同噪声比率下都有良好的表现，相比于其他对比算法，如三边滤波、开关双边滤波、ROR-NLM算法和WESNR等，本文的算法能够更好地保留图像细节，特别是在处理纹理丰富的区域，具有明显优势。这验证了算法的有效性和鲁棒性。
总结来说，本文的创新点在于结合了两种不同的去噪策略：非对称剪裁中值滤波用于初步去除混合噪声，而稀疏表示和非局部相似性的结合则进一步提升了去噪质量和图像的保真度。这种方法在实际应用中，对于提高远程观测图像的分析精度和处理效率具有重要意义。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
