遙感圖像數據抗噪原理及常用檢測方法

遙感圖像數據抗噪原理及常用檢測方法

1遙感圖像噪聲評估光學成像主要依靠傳感器對太陽輻射光譜反射的適應性來認識地球對象。隨著傳感器由單波段到多波段再到成像光譜儀的進步,以及空間分辨率由低到高的逐步發(fā)展,技術上已經可以獲得地面目標越來越詳細和精確的信息,從而極大地開闊了人們對遙感對象的研究能力和研究范圍。同時隨著遙感技術的不斷進步,對遙感圖像噪聲評估已經成為光學傳感器實飛成像質量評價中的一項重要檢驗內容,信噪比是衡量遙感儀器性能的一項重要指標。人們從遙感圖像中識別地物目標的能力有賴于圖像的信噪比水平。國內外學者在遙感圖像噪聲評估方法上作了很多研究工作,如B-CGao,RogerRE和ArnoldJF等,提出了多種經典的方法,使得后來的學者能夠在其基礎上發(fā)展、擴充新的方法和思想。已有多種成型的信噪比計算方法,新的方法也在研究中。在實際應用中,信噪比計算的關鍵是如何正確獲得噪聲強度信息,即盡可能將噪聲與信號分離開。在實測圖像中,噪聲情況比較復雜,而且又根據一定的數學運算關系與信號結合在一起,這就增加了對噪聲強度計算的難度。而且隨著遙感技術的發(fā)展,遙感圖像中表達的地物信息越來越豐富,地物類型也越來越復雜,這在一定程度上也給信噪比計算帶來困難。已有的各種信噪比計算方法根據不同的原理在一定的條件下或多或少地減輕了地表性質對信噪比估算的影響,從而使得信噪比計算值趨于準確。本文將介紹目前常用的光學遙感圖像信噪比評估方法。2遙感圖像噪聲機理噪聲是影響遙感器成像質量的重要因素,噪聲高會嚴重降低遙感圖像的實際應用價值。遙感圖像的噪聲根據統(tǒng)計特征可分為周期噪聲和隨機噪聲兩大類;根據噪聲產生的機理可分為信號傳輸噪聲、儀器噪聲、外界干擾噪聲、像元變化引起的噪聲、波段間光譜維噪聲等;根據噪聲與信號的相互關系可分為加性噪聲與乘性噪聲。2.1噪聲的主要來源概括地說,目前光學遙感衛(wèi)星探測器主要有兩種,一是以Landsat衛(wèi)星為代表的雙向擺掃成像方式,二是以SPOT衛(wèi)星為代表的CCD推掃成像方式。雙向擺掃成像傳感器的噪聲主要分兩種,一是靜態(tài)噪聲;二是動態(tài)噪聲。靜態(tài)噪聲包括時間、空間上行、列噪聲,以及幀間偏移等。動態(tài)噪聲包括探測器的飽和、滯后響應和RC隔直電路、直流恢復電路對圖像輻射質量影響而產生的噪聲。CCD(電荷耦合器件)單向掃描成像傳感器的噪聲主要是與暗電流、零響應偏移和響應不一致等有關。無論是以哪種方式成像,都不可避免地會引入空間、時間上的噪聲。這種噪聲是由光子噪聲和散粒噪聲等白噪聲經過空間和時間采樣產生的。2.2隨機噪聲的形成機制在光學遙感中,圖像噪聲主要由周期性(系統(tǒng))噪聲和隨機噪聲構成。周期性噪聲可以經過頻域變換濾波有效地消除。隨機噪聲可以是由傳感器造成,也可以由光線、云等自然界原因產生,一般認為是加性噪聲。而且隨機噪聲的影響一直存在,是無法避免的。2.3測試測試過程光學遙感器的信噪比是儀器的一個非常重要的性能指標,一般采用白板測試的方法在實驗室內進行測試。光學遙感圖像信噪比是光學遙感器所獲取數據質量的一個重要評價標準,是對在軌光學遙感器信噪比的實際評估。它主要取決于儀器的性能,同時還和數據獲取時的環(huán)境條件、大氣條件等因素有一定的關系。圖像數據的信噪比能在很大程度上反映遙感器的信噪比性能。3遙感圖像噪聲處理法傳感器噪聲評估主要有3類方法:實驗室法、暗電流法、圖像法。其中適用于傳感器在軌信噪比評估的是圖像法,即利用遙感圖像評估傳感器信噪比的方法。當拿到一幅遙感圖像的時候一般是二級及二級以上的圖像產品,某些噪聲在圖像預處理時已經除去了,例如條帶噪聲等。遙感圖像信噪比評估方法種類很多,新的思想和新的方法也在不斷產生,本文討論的是幾種較為典型和有價值的方法,在它們基礎上還可以發(fā)展、演化出諸多方法。3.1自動快速定位計算方差法,也可以稱為定義式法。首先從圖像中選取一個面積較大而且均勻的區(qū)域,然后計算該區(qū)域內的像元均值和標準差,均值和標準差的比值即作為所求的信噪比。公式如下:其中:DNi表示所選擇區(qū)域圖像中每個像素的DN值。表示該區(qū)域圖像DN值的均值。σ表示該區(qū)域圖像DN值的標準差。這種方法受地物目標的影響很大,并且需要操作者手動選擇區(qū)域進行計算,即不能實現自動化計算。更大的問題是在實際圖像中大面積的均勻區(qū)域是極少的,而若選擇的均勻區(qū)域較小則計算結果難以表征整幅圖像的信噪比水平。從原理上看,算法過于簡單。但是當預先知道圖像中地物的情況,而且確實存在大面積的均勻統(tǒng)一區(qū)域(如人工修建的大面積靶標)時,該方法還是較為實用的。3.2像素的相關性求地學統(tǒng)計量法認為地面像元的亮度值隨著相隔距離h的變化而呈現不同程度的自相關性,這種相關性反映了地表參數的某種連續(xù)性和關聯性,因此在一定程度上體現了遙感度量值的空間結構特性。該方法利用像素值在空間域的相關性變化來度量噪聲的大小。在地學中,半方差函數可以用來表征像素值相關性的變化。公式如下:其中:γ即為半方差函數值。其中z為一維信號值,xi為一維坐標值,h為滯后程差,M(h)為根據h劃分出來的像素對的個數。如果信號是平穩(wěn)的,噪聲也是平穩(wěn)的,并且和信號既不相關,又不自相關,并且是加性的噪聲,則成立如下式子:其中σn2為噪聲標準差。使用地學統(tǒng)計量方法時需要滿足如下條件:(1)圖像中大部分區(qū)域的像素值要穩(wěn)定且各向同性。(2)圖像像素的空間分辨率相同。(3)圖像中各個方向上的變化應該獨立不具有相關性。也就是說半方差函數曲線的斜率的變化不影響其在滯后程差趨近于零時的函數值。這種方法受圖像中地物情況影響嚴重,嚴格的說滿足以上全部條件的數據并不是很多,而且其可靠性并不是很高。3.3地表區(qū)域噪聲的評估在實際圖像中存在大面積均勻區(qū)域的可能性比較小,往往會存在均勻的分散的小塊區(qū)域,那么該方法提出把圖像分割成4×4,或……,或8×8的小區(qū)域,并假定在這么小的區(qū)域里地物是均勻的。再分別計算每個區(qū)域的均值和標準差(利用公式(1)和(2)),該標準差值作為這個小區(qū)域的噪聲值。然后根據所有這些小區(qū)域的標準差值選擇一個眾數最大的區(qū)間,以落入該區(qū)間的小區(qū)域的標準差均值作為整幅圖像的平均噪聲值。該方法在北京1號小衛(wèi)星圖像噪聲評估測試中得到了應用。這種方法對較為均勻的地表區(qū)域計算結果較好。但是噪聲值隨地表均勻性的不同結果也很可能不同,方法健壯性不夠好。若圖像中均勻的小塊比較少,即存在很多不均勻子塊時,方法的前提可能就不滿足了,塊數最多的區(qū)間有可能是由不均勻子塊構成,這樣對圖像噪聲的評估誤差就會很大,使方法準確性、可靠性明顯降低。而且圖像尺寸的大小在很大程度上關聯著該方法程序的運行速度。3.4邊緣檢測和噪聲評估分析地物光譜特征可知,同種地物具有相同或相似的光譜特征,那么在同一波段的遙感圖像內就會具有相同或相似的灰度值。該方法基于局部方差法并且認為,圖像中相鄰兩種地物間灰度值相差較大的線即為不同地物的分界線——邊緣,包含邊緣的子塊可能包含不同的地物,這樣的子塊不是均勻的子塊,應該舍去。如果先探測出圖像中不同地物的邊緣,并將包含邊緣的子塊進行標記然后除去,就可以減小圖像中不均勻子塊對噪聲評估的影響,從而改進局部方差法,提高該方法的準確性和健壯性。如何檢測圖像中地物邊緣信息是方法的關鍵,而能否除去邊緣在很大程度上受到邊緣算子的影響。而且同種地物的不同部位有可能會產生不同光譜反射,也會對邊緣檢測結果產生影響,會錯誤地被認為是邊界,也就是說該方法的“辨別”能力需要先行考證。不過圖像中地物情況不很復雜時,該方法基本還是能較好地區(qū)分地物邊界,剔除邊界子塊,使計算結果相比局部方差法更為準確。3.5選擇第一波形該方法認為,在使用局部方差法對地物覆蓋均勻的圖像進行信噪比評估運算時,落入各個區(qū)間的小塊個數的統(tǒng)計曲線,在理論上應該是呈高斯分布的。然而在實際圖像中,地物覆蓋情況比較復雜,統(tǒng)計后的曲線會顯示出有多個波峰,即由多個高斯波形構成。這時可以認為第一個波形表示對均勻子塊統(tǒng)計的結果,而其它波形則表示對非均勻子塊的統(tǒng)計結果。于是選擇第一個波形的波峰對應的區(qū)間中小塊標準差的均值作為這幅圖像的噪聲值。這種方法主要通過傅里葉變換和低通濾波器,提取統(tǒng)計曲線的趨勢波形,求第一個波形頂點對應區(qū)間的小塊標準差平均值作為圖像噪聲最佳估計。此方法避免了局部方差法中塊數最多的區(qū)間不是由均勻子塊構成的問題,使計算準確性提高。但是傅里葉變換運算起來速度較慢,若用快速傅里葉變換,子塊標準差統(tǒng)計區(qū)間數最好為2n,這樣才能對大多數的數據進行變換。在實際應用中,波形受圖像數據影響較大。第一個波峰有時顯得不是那么明顯,而且要認真辨別是否的確是第一個波峰。還會出現波峰頂點與原始統(tǒng)計曲線上塊數最多的區(qū)間對應偏離的現象,因為在實際的快速傅里葉變換和傅里葉反變換時可能會造成對應位置的“漂移”。3.6基于去相關的噪聲評估該方法主要針對高光譜圖像來評估成像光譜儀信噪比。成像光譜儀在成像過程中會引入許多噪聲,從噪聲分解角度對噪聲強度進行分析具有一定的難度。然而在高光譜狀態(tài)下,大氣衰減作用、地表類型的光譜反射都會在相鄰波段間相對平滑的變化,也就是說信號在光譜間或者是波段間具有強烈的相關性。所以去相關法就是通過線性回歸來去除圖像中具有很高光譜相關性的信號,即去相關化,從而將噪聲分離出來?；貧w公式如下:將圖像按照一定大小分割成許多小塊,xi,j,k為某個小塊中第k波段、第i列、第j行的圖像像素灰度值;為xi,j,k(圖像灰度)的線性擬合值;a、b、c、d為線性回歸系數,用于使殘差的平方和最小。對于xp,k來說:去相關后的殘差圖像為:其中ri,j,k為殘差值,有:圖像噪聲方差σn2:其中:w、h分別為每一小塊圖像的寬度和高度。去相關法是一種可靠的、自動化的評估高光譜圖像噪聲的方法,也是一種非常穩(wěn)定的高光譜圖像噪聲評估方法。既適用于場景均勻的圖像,也適用于不均勻的情況;既可用于主動遙感圖像,也可適用于被動遙感圖像。但是該方法也存在一些不足之處:(1)若地物對成像光譜儀的某波段存在特征吸收,那么該波段及其附近的幾個波段就不適合用去相關法進行噪聲評估。(2)噪聲一定,地物光譜反射率的大小會影響該方法對圖像噪聲評估的結果。(3)該方法不適用于信號相關性低的多光譜圖像噪聲評估。(4)圖像中的噪聲若具有相關性,則計算殘差時會有誤,導致最后計算結果不準確。高連如等借鑒Kettig和Geng的高光譜圖像分類方法提出了一種改進的去相關方法——均勻區(qū)域劃分和光譜維去相關法(HRDSDC)。這種方法在一定程度上比去相關法更可靠、更適用于高光譜圖像,在算法上也更健壯,可用于對高光譜圖像在數據處理和應用方面的質量評價。另外,對于干涉成像的高光譜圖像,往往由干涉引起的噪聲要比普通噪聲對干涉光譜儀圖像影響更嚴重。所以,使用信號/(普通噪聲+干涉噪聲)來評價這種圖像質量就更合理、準確。3.7在軌測量光學遙感器信噪比人工神經網絡(ArtificialNeuralNetwork,ANN)是一種模仿動物神經網絡行為特征,進行分布式并行信息處理的算法模型。它是由大量處理單元(神經元)廣泛相連接而成的非線性映射或自適應動力系統(tǒng)。用人工神經網絡在軌測量航天光學遙感器信噪比的方法可以通過任意一幅地面景物圖像進行測量,避免了選取固定的均一場景測量中的諸多缺點,李宏壯等的測試取得了平均誤差小于10%的結果。Delvit等曾率先使用這種方法對SPOT衛(wèi)星信噪比進行了測量。這種方法的關鍵是要有大量的多狀態(tài)樣本進行訓練,而且輸入向量需能夠反映要解決問題的規(guī)律。圖像的信噪比不能太小,否則測試誤差將會很大。這種方法還有一個優(yōu)點是既適用于加性噪聲模型,也適用于乘性噪聲模型。3.8風壓法的計算除了以上提到的還有一些其它方法,比如光學傳遞函數法、三維噪聲分析法、空間結構函數分析法、信息量(信息熵)法等。但是這些方法的使用不是很普遍,實際應用案例也較少。4神經網絡法與其他常用方法的比較對于應用來說,通常會考慮算法的自動化程度、運算速度、健壯性、準確程度、適用面以及計算區(qū)域條件等。自動化程度,指算法實現過程中操作人員對圖像處理過程的非干預程度,如是否需要選擇區(qū)域等。自動化程度高表示操作人員不需要對處理做多少干預。運算速度,指該算法程序對圖像進行處理運算過程所需時間。健壯性,用于衡量對圖像中不同地物(或者是區(qū)域)的計算結果差異程度。準確性,用于衡量算法的計算結果與真值的接近程度。適用面,指該算法是否適合用于對各種類型的圖像進行評估。區(qū)域條件,指該方法對圖像中用于噪聲評估區(qū)域的地物要求。從方法的自動化角度來說,方差法、局部方差法、求地學統(tǒng)計量法自動化程度不高。因為方差法和局部方差法要求計算區(qū)域均勻,求地學統(tǒng)計量法要求計算區(qū)域掃描的行、列均勻,這往往需要操作者手動設定合適的計算區(qū)域。去相關法與神經網絡法沒有特別的要求,當然圖像中計算區(qū)域越均勻越好,地物復雜度越簡單越好。從方法的運算速度來看,求地學統(tǒng)計量法和方差法最快。因為方差法原理和計算復雜度是最簡單的。通過分析求地學統(tǒng)計量法的公式可以看出,其計算難度并不高,而且在實際測試中確實反映出該方法速度快的特點。局部方差法受到圖像尺寸的影響較大,因為算法中含有分塊計算的步驟。而且基于邊緣塊剔除法和高斯波形提取法分別有進行邊緣檢測和傅里葉變換、濾波、反變換等過程均增加了計算的復雜度,也就更耗時。去相關法的原理和公式表明,該方法要同時操作幾個相鄰波段圖像,那么必然帶來計算機內存和計算時間上的消耗。人工神經網絡法運算速度也不快,尤其神經元的訓練需要耗費大量計算和時間。從方法的魯棒性角度來看,方差法、局部方差法、求地學統(tǒng)計量法的魯棒性差一些。這3種方法對地物的變化很敏感,在計算結果的體現上差別較大。雖然基于邊緣塊剔除法和高斯波形提取法都是從局部方差法發(fā)展而來的,但是這兩種方法的健壯性要高于單純的局部方差法。因為無論是邊緣提取或者是高斯波形選擇都在一定程度上減輕了地物變化帶來的影響。去相關法只受到圖像各波段間相關性的影響,與圖像本身的地物情況基本無關。人工神經網絡法對地物沒有什么要求,主要是受訓練樣本采集情況的影響。從準確性角度來看,去相關法是比較準確的,因為對于高光譜圖像來說,相鄰幾個波段間同一空間位置的圖像灰度值總是存在一定的相關性,由此來“估計”當前波段的灰度值是合理的,而且在圖像滿足算法所需條件的基礎上,得到的估計值也是準確的。方差法完全不考慮地物本身變化帶來的圖像灰度值空間變化,所以準確性受地物影響很大。求地學統(tǒng)計量法對圖像條件要求較高,并且求趨零值的時候容易產生較大誤差。其它的算法多少都受到算法本身的限制,如局部方差法受到分塊大小、地物復雜度影響;基于邊緣塊剔除法的結果與邊緣檢測算子(在實際應用中Canny算子效果較好)和閾值設定密切相關;高斯波形提取法受到第一波峰判斷是否準確、波峰位置