Removal of salt and pepper noise from rgb and hyperspectral images utilizing clustering techniques

Abstract

The main subject of this thesis is the removal of the salt and pepper noise from RGB and hyperspectral images, while a secondary subject, closely related to the previous one, is the estimation of missing pixels (pixels, for which their intensity values in all bands are missing). In this work, it is proposed a new denoising method, which is based on clustering arguments and, more specifically, it uses the k-medians clustering algorithm as its basic structuring element. The proposed method has been evaluated against, some classical methods, namely, the median filter and the trimmed mean filter. The method has been tested on both simulated data (including RGB images taken from the web, as well as simulated and real hyperspectral images), where the characterstics of the added noise were known, and on real data sets (hyperspectral data from Mars). In general, the proposed method compares favorably against the above well known methods. All methods have been implemented in Python and Matlab.

Το κύριο αντικείμενο αυτής της μεταπτυχιακής εργασίας είναι η αφαίρεση του θορύβου τύπου "αλατοπίπερου" (salt and pepper) από RGB και υπερφασματικές εικόνες, ενώ ένα δευτερογενές αντικείμενο άμεσα συνδεδεμένο με το προηγούμενο θέμα, είναι η εκτίμηση των εκλιπόντων εικονοστοιχείων - missing pixels (pixels των οποίων οι τιμές λείπουν για όλες τις φασματικές μπάντες της εικόνας). Σε αυτήν την εργασία προτείνεται μια νέα μέθοδος αποθορυβοποίησης, η οποία βασίζεται σε τεχνικές clustering και πιο συγκεκριμένα χρησιμοποιεί τον αλγόριθμο k-medians ως βασικό δομικό της υλικό. Η προτεινόμενη μέθοδος αξιολογήθηκε σε σύγκριση με ορισμένες κλασικές μεθόδους αποθορυβοποίησης εικόνας και ειδικότερα με τη μέθοδο "median filter" και "trimmed mean filter". Η μέθοδος αυτή εφαρμόστηκε σε προσομοιωμένα δεδομένα (συμπεριλαμβανομένων RGB εικόνων προερχόμενων από το Διαδίκτυο καθώς και προσομοιωμένων και πραγματικών υπερφασματικών εικόνων), όπου τα χαρακτηριστικά του προστιθέμενου θορύβου ήταν γνωστά, καθώς και σε πραγματικά δεδομένα (υπερφασματικά δεδομένα από τον Άρη). Γενικά, η προτεινόμενη μέθοδος υπερτερεί των προαναφερθέντων κλασσικών μεθόδων. Όλες οι μέθοδοι έχουν υλοποιηθεί σε προγραμματιστικά περιβάλλοντα Python και Matlab.