張炳先 李巖 何紅艷

基于多通道融合的遙感影像電子學(xué)噪聲去除方法

張炳先 李巖 何紅艷

（北京空間機(jī)電研究所，北京 100094）

“高分七號(hào)”（GF-7）衛(wèi)星遙感影像由于受成像系統(tǒng)中多種因素的干擾，在進(jìn)行相對(duì)輻射校正后，部分影像中仍會(huì)殘留隨機(jī)電子學(xué)噪聲。文章在分析電子學(xué)噪聲特性的基礎(chǔ)上，結(jié)合目前的融合以及空間域去噪方法，提出一種基于多通道融合的遙感影像電子學(xué)噪聲去除算法。該算法從影像融合的技術(shù)優(yōu)點(diǎn)出發(fā)，將不含電子學(xué)噪聲的鄰近通道的高頻信息和含電子學(xué)噪聲通道的低頻信息結(jié)合，生成新的影像代替原本含電子學(xué)噪聲的通道信息，這樣不僅能夠保留原通道的光譜特性，也能有效的抑制原通道信息中的電子學(xué)噪聲；最后，采用GF-7衛(wèi)星數(shù)據(jù)作為試驗(yàn)對(duì)象驗(yàn)證新算法的有效性，試驗(yàn)結(jié)果表明，該方法不僅有效去除了隨機(jī)電子學(xué)噪聲，而且原始影像的光譜和紋理信息保留度均優(yōu)于90%，能夠滿足影像的后續(xù)使用要求。

遙感影像 多通道融合 電子學(xué)噪聲“高分七號(hào)”衛(wèi)星

0 引言

電子學(xué)噪聲是影響光學(xué)衛(wèi)星影像成像品質(zhì)的一個(gè)重要因素，抑制或去除電子學(xué)噪聲是衛(wèi)星地面預(yù)處理進(jìn)行輻射處理的基本環(huán)節(jié)之一。部分光學(xué)衛(wèi)星成像系統(tǒng)由于內(nèi)外部因素的干擾，在進(jìn)行CCD探元均一化相對(duì)輻射校正之后，影像中仍會(huì)殘留隨機(jī)電子學(xué)噪聲，進(jìn)而會(huì)影響后續(xù)影像的應(yīng)用。這類電子學(xué)噪聲有以下特點(diǎn)：1）噪聲出現(xiàn)的空間位置是隨機(jī)的；2）噪聲與周圍地物之間高度非線性相關(guān)[1]；3）噪聲呈螺旋狀堆積分布。這些噪聲的存在，極大的降低了影像的清晰度，為影像的后續(xù)判讀處理增加了難度，必須予以剔除。目前常用的去噪聲的方法歸納起來(lái)可以分為兩類：一類是針對(duì)影像空間域特征提出的去噪方法；另一類是將空間域和頻率域相結(jié)合，采用適當(dāng)?shù)臑V波算子去除條帶噪聲的方法。其中空間域去噪的典型算法主要分為點(diǎn)狀噪聲去除方法和條帶噪聲去除算法，由于此類電子學(xué)噪聲是呈螺旋狀堆積分布，其既不屬于點(diǎn)狀噪聲也不屬于條帶噪聲，因此現(xiàn)有空間域去噪算法的濾波模板對(duì)此類噪聲并不適用；空間域和頻率域相結(jié)合的去噪算法主要是利用小波變換的時(shí)頻特點(diǎn)，通過對(duì)影像進(jìn)行小波變換，研究噪聲的小波系數(shù)變換規(guī)律，從而提煉出條帶噪聲的成分并對(duì)其進(jìn)行剔除[2-3]。但小波變換計(jì)算量大，并且會(huì)對(duì)光譜信息造成較大損失[4-5]，對(duì)于整幅衛(wèi)星影像的處理，以“高分七號(hào)”（GF-7）衛(wèi)星影像為例，在i7、雙核CPU配置下，小波變化一般需要2~3h完成噪聲去除，計(jì)算速度并不理想。因此，本文在分析電子學(xué)噪聲主要成因的基礎(chǔ)上，提出了一種新的基于多通道融合的遙感影像電子學(xué)噪聲去除算法，并通過“高分七號(hào)”衛(wèi)星在軌影像進(jìn)行了驗(yàn)證，取得了較好的試驗(yàn)效果。

1 基于多通道融合的電子學(xué)噪聲去除方法

通過對(duì)GF-7衛(wèi)星遙感影像的電子學(xué)噪聲進(jìn)行分析發(fā)現(xiàn)，該類噪聲通常出現(xiàn)在信噪比較低的譜段中。由于GF-7衛(wèi)星多光譜相機(jī)藍(lán)色譜段的能量較弱，因此該類噪聲大部分出現(xiàn)在藍(lán)色譜段中，而在綠色以及紅色譜段出現(xiàn)的可能性十分小。該類噪聲由于其內(nèi)部呈堆積狀態(tài)，噪聲內(nèi)部存在結(jié)構(gòu)性關(guān)聯(lián)，采用常規(guī)的噪聲檢測(cè)和定位方法不能有效且完整的檢驗(yàn)出噪聲的全部成分，因此本文在考慮現(xiàn)有算法的基礎(chǔ)上，提出了一種新的改進(jìn)策略——基于多通道融合的遙感影像電子學(xué)噪聲去除算法。

灰度信息是構(gòu)成一幅影像的基礎(chǔ)，梯度信息是構(gòu)成影像邊緣輪廓的要素[6-7]。由于衛(wèi)星影像隨機(jī)電子學(xué)噪聲與周圍地物高度相關(guān)，因此依據(jù)影像的梯度信息，可將影像分為兩部分，即梯度值小的部分對(duì)應(yīng)背景信息，梯度值大的部分對(duì)應(yīng)噪聲和邊緣輪廓。雖然輪廓信息所表征的光譜特性有限，但為了盡可能的減少噪聲去除過程中引入的光譜畸變現(xiàn)象，本文選擇光譜范圍最接近的不含噪聲的鄰近通道信息中的邊緣輪廓替代含噪聲的通道中的高頻信息，即選擇綠色譜段信息中的邊緣輪廓替代藍(lán)色譜段中的高頻信息。算法處理流程圖如圖1所示。

1.1 高斯模糊與高頻信息提取

所有圖像上的點(diǎn)都表示為一個(gè)像素的數(shù)值矩陣。所謂“模糊”，可以理解成每一個(gè)像素都取周邊像素的平均值。在數(shù)值上，這是一種“平滑化”；在圖形上，則相當(dāng)于產(chǎn)生“模糊”效果。由于圖像的連續(xù)性，越靠近的點(diǎn)關(guān)系越密切，越遠(yuǎn)離的點(diǎn)關(guān)系越疏遠(yuǎn)[8-10]。

正態(tài)分布（又名“高斯分布”）在圖形上是一種鐘形曲線，越接近中心取值越大，越遠(yuǎn)離中心取值越小，這與圖像模糊的特性相似，因此可以將正態(tài)分布用于產(chǎn)生圖像模糊效果。計(jì)算正態(tài)分布核函數(shù)與圖像卷積后的平均值時(shí)，只需將函數(shù)“中心點(diǎn)”作為原點(diǎn)，其他點(diǎn)按照其在正態(tài)曲線上的位置分配權(quán)重，即可得到一個(gè)加權(quán)平均值。高斯模糊就是使圖像點(diǎn)經(jīng)過加權(quán)平均處理與正態(tài)分布的卷積運(yùn)算得到的圖像模糊。

正態(tài)分布核函數(shù)方程為：

式（1）的正態(tài)分布是一維的，而圖像都是二維的，所以需要將式（1）轉(zhuǎn)換為二維的正態(tài)分布。轉(zhuǎn)換后的計(jì)算公式為：

式中，表示圖像中的點(diǎn)在二維圖像坐標(biāo)系中對(duì)應(yīng)的橫、縱坐標(biāo)。

經(jīng)高斯模糊后，圖像中的高頻信息被去除，僅僅留下了背景信息，因此，將原圖與經(jīng)過高斯變換后的模糊圖進(jìn)行差值處理，即可獲取原始影像中的高頻信息。

1.2 基于HSV變換的影像融合算法

通常多光譜影像表達(dá)色彩的空間為RGB（Red，Green，Blue）色彩空間，其表達(dá)空間是由值域分別為[0，1]的紅，綠，藍(lán)分量、、構(gòu)成的立方體[10-11]。HSV（Hue，Saturation，Value）色彩空間是由色調(diào)（值域?yàn)閇0°，360°]），飽和度（值域?yàn)閇0，1]），亮度（值域?yàn)閇0，1]）所構(gòu)成的倒圓錐體。由RGB 空間到HSV 空間的轉(zhuǎn)換模型為

式中、、分別代表圖像紅綠藍(lán)三個(gè)通道的像素值；代表明暗程度，從黑到白過渡，完全暗時(shí)用=0表示，完全亮?xí)r用=1表示。

當(dāng)=時(shí)，HSV空間中色調(diào)分量可表示為

當(dāng)=時(shí)，色調(diào)分量可表示為

當(dāng)=時(shí)，色調(diào)分量和飽和度分量分別表示為

采用比值法，將不含電子學(xué)噪聲的影像和含電子學(xué)噪聲的影像進(jìn)行融合處理，具體處理流程見圖2。

圖2 融合處理流程

如圖2所示，本方法的融合處理主要表現(xiàn)在將不含電子學(xué)噪聲的影像與含電子學(xué)噪聲的分量進(jìn)行比值處理，獲取新的分量，替代HSV空間中原來(lái)的分量，再進(jìn)行HSV空間到RGB空間的逆變換，從而實(shí)現(xiàn)多光譜影像與全色影像的融合，最后將融合后的影像變?yōu)榛叶扔跋?，即為去噪后的影像?/p>

2 算法試驗(yàn)與分析

為了驗(yàn)證本文提出算法的有效性，采用中國(guó)資源衛(wèi)星應(yīng)用中心提供的GF-7衛(wèi)星數(shù)據(jù)進(jìn)行了算法驗(yàn)證，試驗(yàn)結(jié)果展示如圖3所示。

圖3 基于多通道融合的遙感影像電子學(xué)噪聲去除效果

可以發(fā)現(xiàn)，經(jīng)過噪聲去除后的影像中正常地物的光譜特性接近于含噪聲通道，與不含噪聲通道的地物光譜特性差異較大，例如去噪后圖像整體能量明顯和含噪聲通道相同，要高于不含噪聲通道，同時(shí)為了進(jìn)一步證實(shí)圖2（c）中的電子學(xué)噪聲已經(jīng)基本被消除干凈。選取圖2中的某一區(qū)域進(jìn)行局部放大，對(duì)比結(jié)果如圖4所示。

圖4 基于多通道融合的遙感影像電子學(xué)噪聲去除局部放大效果

表1 去噪前后的影像定量指標(biāo)對(duì)比

Tab.1 The compared indices between original image and de-noise image

從圖4所示結(jié)果可以看出，電子學(xué)噪聲已經(jīng)基本被去除，雖然引入了極少量的鄰近通道的紋理信息，但對(duì)于整體的光譜分布影響不大，為了進(jìn)一步證明去噪后影像的光譜畸變變化不大，本文引入均值和方差兩個(gè)指標(biāo)來(lái)比較去噪前后兩幅影像的差異，其結(jié)果如表1所示。

由表1可以發(fā)現(xiàn)，去噪后的影像的均值和方差與含噪聲通道影像的均值和方差基本保持一致，其變化均不超過10%，在有效抑制噪聲的同時(shí)，保留了原圖的整體光譜特性和紋理特性，這與圖3的結(jié)果保持一致，證明了本文算法的有效性

3 結(jié)束語(yǔ)

本文在研究已有噪聲去除算法的基礎(chǔ)上，結(jié)合GF-7衛(wèi)星在軌運(yùn)行獲取的影像經(jīng)過相對(duì)輻射校正后殘留的隨機(jī)電子學(xué)噪聲的特點(diǎn)，提出了一種基于多通道融合的遙感影像電子學(xué)噪聲去除算法。本文算法解決了現(xiàn)有算法無(wú)法有效去除殘留電子學(xué)噪聲的問題，通過中國(guó)資源衛(wèi)星應(yīng)用中心提供的GF-7衛(wèi)星數(shù)據(jù)進(jìn)行了應(yīng)用測(cè)試，取得了較好的去噪效果，證明了該算法對(duì)于GF-7衛(wèi)星復(fù)雜地物場(chǎng)景隨機(jī)電子學(xué)噪聲去除的有效性。

[1] JUNG H S, WON J S, KANG M H, et al. Detection and Restoration of Defective Lines in the SPOT 4 SWIR Band[J]. IEEE Trans Image Process, 2010, 19(8): 2143-2156.

[2] WEGENER M. Destriping Multiple Sensor Imagery by Improved Histogram Matching[J]. International Journal of Remote Sensing, 1990, 11(5): 859-875.

[3] GADALLAH F L, CSILLAG F, SMITH E J M. Destriping Multiple Imagery with Moment Matching[J]. International Journal of Remote Sensing, 2000, 21(12): 2505-2511.

[4] 陳勁松, 朱博勤, 邵蕓. 基于小波變換的多波段遙感影像條帶噪聲的去除[J]. 遙感信息, 2003(2): 6-9. CHEN Jinsong, ZHU Boqin, SHAO Yun. Destriping Multi-sensor Imagery Based on Wavelet Transform[J]. Remote Sensing Information, 2003(2): 6-9. (in Chinese)

[5] 劉永昌, 張平, 嚴(yán)衛(wèi)東, 等. 小波包域值法去除合成孔徑雷達(dá)圖像斑點(diǎn)噪聲[J]. 紅外與激光工程, 2001, 30(3): 160-162. LIU Yongchang, ZHANG Ping, YAN Weidong, et al. Restrain Speckle Noise of SAR Image Based on Wavelet Package Threshold Method[J]. Infrared and Laser Engineering, 2001, 30(3): 160-162. (in Chinese)

[6] LIU B F, SERA Y, MATSUBARA N, et al. Signal Denoising and Baseline Correction by Discrete Wavelet Transform for Microchip Capillary Electrophoresis[J]. Electrophoresis, 2003, 24(18): 3260-3265.

[7] BROWN C D, MONTOTO L V, WENTZELL P D. Derivative Preprocessing and Optimal Corrections for Baseline Drift in Multivariate Ealibration[J]. Applied Spectroscopy, 2000, 54(7): 1055-1068.

[8] FIORE L, CORSINI G, GEPPETTI L. Application of Non-linear Filters Based on the Median Filter to Experimental and Simulated Multiunit Neural Recordings[J]. Journal of Neuroscience methods, 1996, 70(2): 177-184.

[9] TSAI F, CHEN W W. Striping Noise Detection and Correction of Remote Sensing Images[J]. IEEE Trans on Geoscience and Remote Sensing, 2008, 46(12): 4122-4131.

[10] 潘志強(qiáng), 顧行發(fā), 劉國(guó)棟, 等. 基于探元直方圖匹配的CBERS-01星CCD數(shù)據(jù)相對(duì)輻射校正方法[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2005, 30(10): 925-927. PAN Zhiqiang, GU Xingfa, LIU Guodong, et al. Relative Radiometric Correction of CBERS-01 CCD Data Based on Detector Histogram Matching[J]. Geomatics And Information Science of Wuhan University, 2005, 30(10): 925-927. (in Chinese)

[11] 劉正軍, 王長(zhǎng)耀, 王成. 成像光譜儀圖像條帶噪聲去除的改進(jìn)矩匹配方法[J]. 遙感學(xué)報(bào), 2002, 6(4): 279-284. LIU Zhengjun, WANG Changyao, WANG Cheng. Destriping Imaging Spectrometer Data by an Improved Moment Matching Method[J]. Journal of Remote Sensing, 2002, 6(4): 279-284. (in Chinese)

[12] 韓玲, 董連鳳, 張敏, 等. 基于改進(jìn)的矩匹配方法高光譜影像條帶噪聲濾波技術(shù)[J]. 光學(xué)學(xué)報(bào), 2009, 29(12)：3333-3338. HAN Ling, DONG Lianfeng, ZHANG Min, et al. Destriping Hyperspectral Image Based on an Improved Moment Matching Method[J]. Acta Optica Sinica, 2009, 29(12): 3333-3338. (in Chinese)

[13] 宋燕, 劉團(tuán)結(jié), 丁赤彪. 一種CBERS-02星CCD原始條帶噪聲處理方法[J]. 遙感技術(shù)與應(yīng)用, 2008, 23(4): 457-461. SONG Yan, LIU Tuanjie, DING Chibiao. Striping Removal in CBERS-02 Data[J]. Remote Sensing Technology and Application, 2008, 23(4): 457-461. (in Chinese)

[14] 劉妍. 基于改進(jìn)矩匹配算法的資源一號(hào)02B CCD數(shù)據(jù)的條帶噪聲濾除方法研究[D]. 武漢: 武漢大學(xué), 2010. LIU Yan. Destriping Methods of CBERS-02B Satellite CCD Data Based on an Improved Moment Matching Method[D]. Wuhan: Wuhan University, 2010. (in Chinese)

[15] 高建, 張斌, 張飛艷, 等. 一種遙感影像Min/Max流去噪方法的研究[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2012, 37(1): 31-34. GAO Jian, ZHANG Bin, ZHANG Feiyan, et al. Surface Min/max Flow Method for Remote Sensing Image Denoising[J]. Geomatics and Information Science of Wuhan University, 2012, 37(1): 31-34. (in Chinese)

[16] 龍建武, 申鉉京, 魏巍, 等. 基于均值–中值–梯度共生矩陣模型的最大熵分割算法[J]. 計(jì)算機(jī)應(yīng)用研究, 2010, 27(9): 3575-3578. LONG Jianwu, SHEN Xuanjing, WEI Wei, et al. Maximum Entropy Thresholding Algorithm Based on Mean-median-gradient Co-occurrence Matrix Model[J]. Application Research of Computers, 2010, 27(9): 3575-3578. (in Chinese)

[17] 汪魯才, 王耀南, 毛六平. 基于小波變換和中值濾波的InSAR干涉影像濾波方法[J]. 測(cè)繪學(xué)報(bào), 2005, 34(2): 108-112. WANG Lucai, WANG Yaonan, MAO Liuping. An Algorithm of Interferometric Phase Filter of InSAR Based on Wavelet Analysis and Median Filter Algorithm[J]. Acta Geodaetica et Cartographica Sinica, 2005, 34(2): 108-112. (in Chinese)

[18] SHEN Huanfeng, ZHANG Liangpei. A Map-based Algorithm for Destriping and Inpainting of Remotely Sensed Images[J]. Geoscience and Remote Sensing, 2009, 47(5): 1492-1502.

[19] WANG Zifeng, CHEN Liangfu, GU Xingfa, et al. Destriping MODIS Data Based on Surface Spectral Correlation[J]. Geoscience and Remote Sensing, 2008, 46(3): 266-269.

[20] 張俊, 柳健. SAR影像斑點(diǎn)噪聲的小波軟門限濾除算法[J]. 測(cè)繪學(xué)報(bào), 1998, 27(2): 119-124. ZHANG Jun, LIU Jian. A Speckle Reduction Algorithm by Soft-thresholding Based on Wavelet Filters for SAR Images[J]. Acta Geodaetica et Cartographica Sinica, 1998, 27(2): 119-124. (in Chinese)

Electronic Noise Removal Method for Remote Sensing Image Based on Multi-channel Fusion

ZHANG Bingxian LI Yan HE Hongyan

（Beijing Institute of Space Mechanics & Electricity, Beijing 100094, China）

Due to the interference of various factors in the imaging system, some GF-7 images still have random electronic noise after relative radiation correction. By analyzing the electronic noise characteristics, we propose an electronic noise removal method for remote sensing images based on multi-channel fusion in combination with the existed fusion and spatial domain de-noising methods. Considering the advantages of image fusion, the paper combine the high-frequency information of adjacent channels without electronic noise and the low-frequency information of channels with electronic noise to generate a new image instead of the original information with electronic noise. It can not only preserve the spectral characteristics of the original channel, but also effectively suppress the electronic noise in the original channel information. Finally, GF-7 images as test data are used to verify the effectiveness of the proposed method. The experimental results show that the method effectively removes random electronic noise, and the retention of spectrum and texture information of original image is better than 90%, which can meet the requirements for subsequent use of images.

remote sensing image; multi-channel fusion; electronic noise; GF-7 satellite

TP751

A

1009-8518(2020)02-0116-06

10.3969/j.issn.1009-8518.2020.02.013

張炳先，男，1986年生，2014年獲武漢大學(xué)測(cè)繪遙感國(guó)家重點(diǎn)實(shí)驗(yàn)室攝影測(cè)量與遙感專業(yè)博士學(xué)位，高級(jí)工程師。研究方向?yàn)樾l(wèi)星影像智能處理。E-mail：409313966@qq.com。

2020-03-17

國(guó)家重大科技專項(xiàng)工程

張炳先, 李巖, 何紅艷. 基于多通道融合的遙感影像電子學(xué)噪聲去除方法[J]. 航天返回與遙感, 2020, 41(2): 116-121.

ZHANG Bingxian, LI Yan, HE Hongyan.Electronic Noise Removal Method for Remote Sensing Image Based on Multi-channel Fusion[J]. Spacecraft Recovery & Remote Sensing, 2020, 41(2): 116-121. (in Chinese)

（編輯：夏淑密）