基于变分法遥感影像条带噪声去除

母建羽

沈阳祺鹏集团有限公司 辽宁沈阳 110000

为了避免去除遥感影像条带噪声时丢失影像细节，构建了综合两种单向变分模型的组合去噪方法。首先，构建一种条带去除单向变分模型，通过此模型可以有效去除遥感影像条带噪声，从而初步获得近似遥感影像及条带噪声影像，同时避免近似遥感影像出现阶梯效应；其次，为了避免条带噪声影像中包含的少量细节信息丢失，构建一种条带保留单向变分模型，通过此模型可以去除条带噪声影像中的细节信息而只保留条带噪声，从而有效分离出细节信息[1]。最后，把分离出的细节信息与近似遥感影像进行累加得到去噪影像。通过实验分析发现，本文方法不仅能完全去除条带噪声，而且基本没有破坏影像细节，去噪后的影像质量得到明显提高。

1 重要性

条带噪声是遥感影像中常见的噪声，它往往是由于传感器中C CD探测单元响应不一致造成的，包括不同CCD探测单元大小的细微差别、CCD探测单元中微弱暗电流的影响、CCD响应函数校正的不完全性、外界环境和温度变化对传感器光电系统的影响，条带噪声的存在掩盖了遥感数据真实的辐射信息，降低了图像的质量。针对条带噪声去除过程中容易丢失影像细节这一问题，本文构建了两种单向变分模型来去除条带噪声。通过构建的条带去除单向变分模型可以初步获得去噪后的近似遥感影像及条带噪声影像，并且避免去噪后的影像出现阶梯效应。为了避免影像细节丢失，通过构建的条带保留单向变分模型可以从条带噪声影像中分离出影像细节[2]。最后，把近似恢复影像与影像细节累加得到去噪影像。

2 条带噪声去除方法

2.1 移动窗口矩匹配

矩匹配算法改变了图像CCD扫描行方向均值和方差的分布，使得图像在空间上的灰度分布产生了畸变。因此，有学者对矩匹配算法进行了改进，提出了移动窗口矩匹配算法。移动窗口矩匹配算法利用窗口的均值和方差归一化CCD探测单元的均值和方差，利用增益和偏移量完成对各CCD探测单元的校正，实现条带噪声去除。窗口矩匹配算法将条带噪声视为传感器CCD探测单元的增益和偏移变化引起的偏差。

2.2 小波变换

小波分析的多分辨率的特性，能够有效地将图像的高频和低频信息分离。一般采用基于Mallat算法的离散小波变换，利用低通和高通滤波器对影像处理，并向下进行二抽取，得到具有相同长度的低频和高频小波系数；多层小波分解是单层小波分解的重复，将上一层分解得到的低频小波系数进行高通和低通滤波，并向下进行二抽取，依此类推[3]。影像的重构则与小波分解过程相反，对底层的小波系数向上采样，再通过高频和低频滤波器的共轭滤波器，重构得到上一层低频小波系数，将其与同一层高频小波系数循环进行重构，直到获得最初的图像。小波变换的关键在于小波基的选取，采用双正交小波基，即采用一个小波函数进行分解，另外一个小波函数进行重构，由此克服了对称性和重构的精确性之间的矛盾。小波去噪基于小波变换的去相关性，使信号能量对应数值较大的小波系数，噪声对应数值较小的小波系数。利用小波软阈值函数对尺度小波系数进行阈值处理，将数值较小的噪声小波系数置零，将较大的数值进行收缩处理，小波重构得到去噪后图像。

3 结语

为了避免条带噪声去除过程中丢失影像细节，本文构建一种综合两种单向变分模型的组合条带噪声去除方法。此方法不仅可以有效去除MODIS影像、TM影像及航空影像上的条带噪声，而且与其他方法比较来看，在保留影像细节及影像质量提升两方面都是最优的。本文方法虽然在去除条带噪声时能更好的保留影像细节信息，但由于此方法分两个步骤来去除条带噪声的，因此会导致其计算效率较其他方法低。