基于低通滤波残差图的高光谱条带噪声去除 下载: 888次
1 引言
受成像光谱仪成像机理以及环境的影响,高光谱遥感图像中常含有条带噪声,这限制了高光谱遥感的应用[1-2]。在过去的二十几年中,人们根据条带噪声的特点,提出了许多去除条带噪声的方法。
早在1988年,功率谱滤波的方法便被用于去除条带噪声[3],甘信铮等[4]提出使用低通滤波的方法去除条带噪声。滤波方法主要基于条带噪声的高频特性。由于图像的细节也具有高频特性,滤波方法在去除条带的同时往往也去除了图像的细节。一些文献还进一步探索了如何选择合适的滤波器以保留图像的细节信息[5-7]。但这些方法中还假设条带噪声具有周期性,而这往往并不成立。
相对于傅里叶变换,小波变换是一种更为精细的时频分析工具。由于小波变换的局部性,它可以克服周期性假设的问题。在二维图像的小波变换中,列小波成分包含主要的条带噪声。Torres等[8]将列小波成分置0以去除条带。但如同滤波方法一样,列小波成分仍然包含大量的图像细节,这使去噪后的图像变得模糊。Pande-Chhetri等[9]对此进行了改进,使用自适应滤波的方法去除列小波成分包含的条带噪声。但正如Yang等[10]指出的,如何在小波变换中既保持细节又去除条带仍然是一个困难的问题。
条带噪声的另一个特点是列均值与列方差的差异性较大。直方图匹配[11-12]和矩匹配[13]就是在这个特点上建立的两种去条带噪声的算法。均值和方差是典型的统计量,因此,上述两种算法也被称为基于统计的方法。相对于直方图匹配法,矩匹配法去除条带的效果更好。矩匹配法建立在电荷耦合器件(CCD)响应函数近似线性的假设基础之上,有着坚实的理论基础。但其假设对图像的限制太大,这限制了它的应用。韩玲等[14]对此进行了改进,提出使用均值滤波对列均值进行平滑处理。Wang等[15]针对红外图像提出了最小化列间差异(MDBC)的方法,该方法等价于使用加权均值滤波对列均值进行处理。
此外,基于变分的方法也被用于去除条带噪声,该方法首先确定图像的模型,然后结合条带噪声的特点构造能量函数。Shen等[16]最早使用的是Huber-Markov图像模型。ROF(Rudin-Osher-Fatem)模型则在2011年被使用,并根据条带噪声的方向性特点,被改为单方向变差模型[17]。其后陆续还有很多改进工作[18-19]。其中,著名的图像分解表示(IDP)法[20]就使用单方向变差模型,且结合了条带噪声的低秩性。
不同于这些算法,本文提出一种基于低通滤波残差图去除条带噪声的算法(RSLFRI),旨在将低通滤波残差图中的图像细节与条带噪声分离。低通滤波法去除条带噪声的问题在于残差图中包含图像细节,使得在去除噪声的同时也丢掉了图像的细节信息,造成滤波后的图像模糊。鉴于此,先使用高斯低通滤波器对图像进行滤波,获得低通滤波残差图,再借助条带噪声秩为1[20]以及残差图中的细节信息和条带噪声正交的先验知识,使用正交子空间投影技术分离残差图中的条带噪声和图像细节,然后把细节信息补回到滤波后的图像中。通过不断迭代,所提算法能够有效地去除条带噪声。
2 条带噪声图像的矩阵分解模型
给定一幅含条带噪声的图像
如果条带噪声是乘性的,则有
式中⚪表示矩阵的Hadamard积。图像的取值是非负的,可以通过对数函数将(2)式转化为(1)式,因而可以将条带噪声都当作加性噪声处理。
条带噪声是CCD响应函数不一致与图像由多次探测拼接而成的共同作用形成的,因而在列方向有明显的相关性。Chang等[20]指出条带噪声具有低秩性的特点,且秩仅为1。因而Zhang等[21]认为可以将条带噪声表示为
式中,
即去除图像的条带噪声相当于估计
3 基于低通滤波残差图的高光谱条带噪声去除算法
3.1 高斯低通滤波去除条带噪声
低通滤波是一种频域滤波技术,研究使用高斯低通滤波,主要考虑到高斯低通滤波器没有振铃效应。假设使用的模板为
式中
现对一幅尺寸为198 pixel×200 pixel的含有条带噪声的高光谱图像进行高斯低通滤波测试,以检测高斯低通滤波去除条带噪声的效果。其中,图像的取值范围被归一化到区间[0,1],测试时共对其进行1000次的高斯滤波,得到如
由
图 1. 1000次高斯滤波后的实验结果。(a)原始条带噪声图像Y;(b)滤波后图像X;(c)残差图R
Fig. 1. Experimental results after 1000 Gaussian filtering. (a) Original strip noise image Y; (b) filtered image X; (c) residual image R
由此可以看出,低通滤波技术虽然能够去除图像的条带噪声,但是同时也会使图像变模糊。低通滤波法的问题在于滤波后的残差图中包含图像的一些细节信息,与所期望的残差图像包含且只包含条带噪声的目标不符。但如果能从低通滤波残差图中分离条带信息与细节,则可以将细节信息放回滤波后的图像中(这等价于在原图中直接去除条带信息),从而避免低通滤波法去条带造成图像模糊的问题。这正是本研究算法的出发点和核心。
3.2 RSLFRI算法
RSLFRI算法首先对图像进行一次上述的高斯低通滤波,滤波残差图可以表示为
式中,
如果能从
为了从(9)式中提取条带,假设图像细节
将(10)式代入(9)式即可求得
这样,就能够估计出残差图中的条带噪声。
图 2. 条带噪声与细节的分离结果。(a)残差图R;(b)细节D;(c)条带噪声S
Fig. 2. Separation results of strip noise and detail. (a) Residual image R; (b) details D; (c) strip noise S
将分离出来的细节信息
研究提出的利用低通滤波残差图进行条带噪声去除的方法,能够大力改善低通滤波法去条带的性能,算法实现的主要步骤可以用伪代码简述,如
表 1. RSLFRI算法步骤
Table 1. Steps of RSLFRI algorithm
|
在表达式
4 实验验证
为了验证所提算法的有效性,将RSLFRI算法与三种前沿的去条带算法进行比较。用于对比的三种方法分别为小波自适应频域滤波(WFAF)[9],MDBC[15]和IDP[20]。这些方法的参数设置将以参考文献给定的参数为准。其中文献[ 20]中给出了IDP算法的参数范围,这里将使用给定区间中的去噪效果最优的值作为算法的参数。将图像的取值范围归一化到[0,1]。
4.1 RSLFRI算法参数选择
RSLFRI算法对图像进行高斯低通滤波处理,需要确定卷积模板
1)
式中
2) 选择的
相对于均方误差,
由于需要已知参考图像
从
除此之外,算法在迭代过程中还需要选择迭代阈值参数
图 3. 含有不同程度条带噪声的Lenna图像。(a) 0.01; (b) 0.02; (c) 0.05; (d) 0.1; (e) 0.2; (f) 0.5
Fig. 3. Lenna images with strip noise of different degrees. (a) 0.01; (b) 0.02; (c) 0.05; (d) 0.1; (e) 0.2; (f) 0.5
表 2. 滤波器标准差σ对RSLFRI算法性能的影响
Table 2. Influences of filter standard deviation σ on the performance of RSLFRI algorithm
|
4.2 实验数据
测试图像-1的高光谱数据是由搭载在环境与灾害监测A号小卫星的高光谱成像仪获取的,共有384个波段,其中第130~160波段图像含有严重的条带噪声。选择其第140波段作为测试图像-1,尺寸为200 pixel×200 pixel,如
4.3 实验结果及分析
图 5. 不同方法去除测试图像-1条带噪声效果。 (a) WFAF; (b) MDBC; (c) IDP; (d) RSLFRI
Fig. 5. Stripe noise removing results of different algorithms on test image-1. (a) WFAF; (b) MDBC; (c) IDP; (d) RSLFRI
观察
图 6. 不同方法去除测试图像-2条带噪声效果。(a) WFAF; (b) MDBC; (c) IDP; (d) RSLFRI
Fig. 6. Stripe noise removing results of different algorithms on test image-2. (a) WFAF; (b) MDBC; (c) IDP; (d) RSLFRI
图 7. 测试图像-1去噪前后列均值曲线对比
Fig. 7. Comparison of mean column profiles before and after de-noising of test image-1
图 8. 测试图像-2去噪前后列均值曲线对比
Fig. 8. Comparison of mean column profiles before and after de-noising of test image-2
为了能够定量地评价算法的去噪效果,引入均值
灰度均值
式中
峰值信噪比
参考图像选择距测试图像最近且不受条带噪声污染的波段,测试图像-1的参考图像为高光谱数据第100波段图像,测试图像-2的参考图像为第15波段图像。
图像信息熵
式中
条带噪声通常在高光谱数据的多个波段连续出现,因此,去噪前后数据的光谱信息保持能力也是衡量算法去噪效果的一个重要方面。对测试图像-1所在高光谱数据的第130~160条带噪声波段以及测试图像-2所在高光谱数据的前10个条带噪声波段进行去条带处理,使用平均相关系数
平均相关系数
其中:
式中,
平均欧式距离
其中:
式中
表 3. 不同算法的信息保持能力对比
Table 3. Comparison of ability to maintain information for different algorithms
|
5 结论
提出了一种基于低通滤波残差图去除条带噪声的方法,算法的核心在于使用正交子空间投影技术将低通滤波残差图中的细节与条带分离开。在进行正交投影时,低频信息并未进行正交投影,使得大部分图像信息被保留。而对于高频部分,由于投影子空间已知,在进行投影时只丢弃了包含在条带子空间中的信息,大部分有用信息能够保留下来,使得图像的信息得到很好的保留。此外,算法通过迭代方式逐步去除条带噪声,从而能够有效地去除图像中的条带噪声。定性地分析去噪后的图像和列均值曲线以及定量地分析图像的信息保持能力,结果都表明RSLFRI算法能在有效去除条带噪声的同时很好地保留图像的信息。
但同时也应看到,RSLFRI算法中高斯低通滤波器标准差
[1] 郭玲玲, 吴泽鹏, 张立国, 等. 推扫式遥感相机图像条带噪声去除方法[J]. 光学学报, 2013, 33(8): 0828001.
[2] 薛志祥, 余旭初, 谭熊, 等. 局部超图拉普拉斯约束的高光谱影像低秩表示去噪方法[J]. 光学学报, 2017, 37(5): 0510001.
[4] 甘信铮, 孙家抦. 南极卫星影像条带噪声的消除[J]. 武汉测绘科技大学学报, 1994, 19(4): 332-334.
[5] 孙颖, 张志佳. 基于频域滤波的自适应条带噪声去除算法[J]. 仪表技术与传感器, 2006( 2): 57- 59.
SunY, Zhang ZJ. Adaptively de-striping algorithm based on frequency filtering[J]. Instrument Technique and Sensor, 2006( 2): 57- 59.
[6] 赵立荣, 朱玮, 曹永刚, 等. CCD弱目标图像条带噪声消除[J]. 电子测量与仪器学报, 2014, 28(10): 1084-1091.
[7] Pal MK, PorwalA. Destriping of Hyperion images using low-pass-filter and local-brightness-normalization[C]∥2015 IEEE International Geoscience and Remote Sensing Symposium, July 26-31, 2015, Milan, Italy. New York: IEEE, 2015: 3509- 3512.
[10] YangJ, WangS, YangW. Fast removal of stripe noise based on wavelet decomposition[C]∥2013 Fourth Global Congress on Intelligent Systems, December 3-4, 2013, Hong Kong, China. New York: IEEE, 2013: 195- 199.
[14] 韩玲, 董连凤, 张敏, 等. 基于改进的矩匹配方法高光谱影像条带噪声滤波技术[J]. 光学学报, 2009, 29(12): 3333-3338.
[18] 周达标, 李刚, 王德江, 等. 基于全变分的航空图像条带噪声消除方法[J]. 光学学报, 2014, 34(11): 1128003.
[19] 刘亚梅. 基于自适应单向变分的高光谱图像去条带方法[J]. 激光与光电子学进展, 2016, 53(9): 091002.
[22] HoreA, ZiouD. Image quality metrics: PSNR vs. SSIM[C]∥2010 20th International Conference on Pattern Recognition, August 23-26, 2010, Istanbul, Turkey. New York: IEEE, 2010: 2366- 2369.
[23] 高晓惠. 高光谱数据处理技术研究[D]. 北京: 中国科学院大学, 2013: 55- 59.
Gao XH. Research on technologies of hyperspectral data processing[D]. Beijing: University of Chinese Academy of Sciences, 2013: 55- 59.
Article Outline
鞠荟荟, 刘志刚, 姜江军, 汪洋. 基于低通滤波残差图的高光谱条带噪声去除[J]. 光学学报, 2018, 38(12): 1228002. Huihui Ju, Zhigang Liu, Jiangjun Jiang, Yang Wang. Removal of Hyperspectral Stripe Noise Using Low-Pass Filtered Residual Images[J]. Acta Optica Sinica, 2018, 38(12): 1228002.