基于多通道融合的遥感影像电子学噪声去除方法

张炳先 李岩 何红艳

基于多通道融合的遥感影像电子学噪声去除方法

张炳先 李岩 何红艳

（北京空间机电研究所，北京 100094）

“高分七号”（GF-7）卫星遥感影像由于受成像系统中多种因素的干扰，在进行相对辐射校正后，部分影像中仍会残留随机电子学噪声。文章在分析电子学噪声特性的基础上，结合目前的融合以及空间域去噪方法，提出一种基于多通道融合的遥感影像电子学噪声去除算法。该算法从影像融合的技术优点出发，将不含电子学噪声的邻近通道的高频信息和含电子学噪声通道的低频信息结合，生成新的影像代替原本含电子学噪声的通道信息，这样不仅能够保留原通道的光谱特性，也能有效的抑制原通道信息中的电子学噪声；最后，采用GF-7卫星数据作为试验对象验证新算法的有效性，试验结果表明，该方法不仅有效去除了随机电子学噪声，而且原始影像的光谱和纹理信息保留度均优于90%，能够满足影像的后续使用要求。

遥感影像 多通道融合 电子学噪声“高分七号”卫星

0 引言

电子学噪声是影响光学卫星影像成像品质的一个重要因素，抑制或去除电子学噪声是卫星地面预处理进行辐射处理的基本环节之一。部分光学卫星成像系统由于内外部因素的干扰，在进行CCD探元均一化相对辐射校正之后，影像中仍会残留随机电子学噪声，进而会影响后续影像的应用。这类电子学噪声有以下特点：1）噪声出现的空间位置是随机的；2）噪声与周围地物之间高度非线性相关[1]；3）噪声呈螺旋状堆积分布。这些噪声的存在，极大的降低了影像的清晰度，为影像的后续判读处理增加了难度，必须予以剔除。目前常用的去噪声的方法归纳起来可以分为两类：一类是针对影像空间域特征提出的去噪方法；另一类是将空间域和频率域相结合，采用适当的滤波算子去除条带噪声的方法。其中空间域去噪的典型算法主要分为点状噪声去除方法和条带噪声去除算法，由于此类电子学噪声是呈螺旋状堆积分布，其既不属于点状噪声也不属于条带噪声，因此现有空间域去噪算法的滤波模板对此类噪声并不适用；空间域和频率域相结合的去噪算法主要是利用小波变换的时频特点，通过对影像进行小波变换，研究噪声的小波系数变换规律，从而提炼出条带噪声的成分并对其进行剔除[2-3]。但小波变换计算量大，并且会对光谱信息造成较大损失[4-5]，对于整幅卫星影像的处理，以“高分七号”（GF-7）卫星影像为例，在i7、双核CPU配置下，小波变化一般需要2~3h完成噪声去除，计算速度并不理想。因此，本文在分析电子学噪声主要成因的基础上，提出了一种新的基于多通道融合的遥感影像电子学噪声去除算法，并通过“高分七号”卫星在轨影像进行了验证，取得了较好的试验效果。

1 基于多通道融合的电子学噪声去除方法

通过对GF-7卫星遥感影像的电子学噪声进行分析发现，该类噪声通常出现在信噪比较低的谱段中。由于GF-7卫星多光谱相机蓝色谱段的能量较弱，因此该类噪声大部分出现在蓝色谱段中，而在绿色以及红色谱段出现的可能性十分小。该类噪声由于其内部呈堆积状态，噪声内部存在结构性关联，采用常规的噪声检测和定位方法不能有效且完整的检验出噪声的全部成分，因此本文在考虑现有算法的基础上，提出了一种新的改进策略——基于多通道融合的遥感影像电子学噪声去除算法。

灰度信息是构成一幅影像的基础，梯度信息是构成影像边缘轮廓的要素[6-7]。由于卫星影像随机电子学噪声与周围地物高度相关，因此依据影像的梯度信息，可将影像分为两部分，即梯度值小的部分对应背景信息，梯度值大的部分对应噪声和边缘轮廓。虽然轮廓信息所表征的光谱特性有限，但为了尽可能的减少噪声去除过程中引入的光谱畸变现象，本文选择光谱范围最接近的不含噪声的邻近通道信息中的边缘轮廓替代含噪声的通道中的高频信息，即选择绿色谱段信息中的边缘轮廓替代蓝色谱段中的高频信息。算法处理流程图如图1所示。

1.1 高斯模糊与高频信息提取

所有图像上的点都表示为一个像素的数值矩阵。所谓“模糊”，可以理解成每一个像素都取周边像素的平均值。在数值上，这是一种“平滑化”；在图形上，则相当于产生“模糊”效果。由于图像的连续性，越靠近的点关系越密切，越远离的点关系越疏远[8-10]。

正态分布（又名“高斯分布”）在图形上是一种钟形曲线，越接近中心取值越大，越远离中心取值越小，这与图像模糊的特性相似，因此可以将正态分布用于产生图像模糊效果。计算正态分布核函数与图像卷积后的平均值时，只需将函数“中心点”作为原点，其他点按照其在正态曲线上的位置分配权重，即可得到一个加权平均值。高斯模糊就是使图像点经过加权平均处理与正态分布的卷积运算得到的图像模糊。

正态分布核函数方程为：

式（1）的正态分布是一维的，而图像都是二维的，所以需要将式（1）转换为二维的正态分布。转换后的计算公式为：

式中，表示图像中的点在二维图像坐标系中对应的横、纵坐标。

经高斯模糊后，图像中的高频信息被去除，仅仅留下了背景信息，因此，将原图与经过高斯变换后的模糊图进行差值处理，即可获取原始影像中的高频信息。

1.2 基于HSV变换的影像融合算法

通常多光谱影像表达色彩的空间为RGB（Red，Green，Blue）色彩空间，其表达空间是由值域分别为[0，1]的红，绿，蓝分量、、构成的立方体[10-11]。HSV（Hue，Saturation，Value）色彩空间是由色调（值域为[0°，360°]），饱和度（值域为[0，1]），亮度（值域为[0，1]）所构成的倒圆锥体。由RGB 空间到HSV 空间的转换模型为

式中、、分别代表图像红绿蓝三个通道的像素值；代表明暗程度，从黑到白过渡，完全暗时用=0表示，完全亮时用=1表示。

当=时，HSV空间中色调分量可表示为

当=时，色调分量可表示为

当=时，色调分量和饱和度分量分别表示为

采用比值法，将不含电子学噪声的影像和含电子学噪声的影像进行融合处理，具体处理流程见图2。

图2 融合处理流程

如图2所示，本方法的融合处理主要表现在将不含电子学噪声的影像与含电子学噪声的分量进行比值处理，获取新的分量，替代HSV空间中原来的分量，再进行HSV空间到RGB空间的逆变换，从而实现多光谱影像与全色影像的融合，最后将融合后的影像变为灰度影像，即为去噪后的影像。

2 算法试验与分析

为了验证本文提出算法的有效性，采用中国资源卫星应用中心提供的GF-7卫星数据进行了算法验证，试验结果展示如图3所示。

图3 基于多通道融合的遥感影像电子学噪声去除效果

可以发现，经过噪声去除后的影像中正常地物的光谱特性接近于含噪声通道，与不含噪声通道的地物光谱特性差异较大，例如去噪后图像整体能量明显和含噪声通道相同，要高于不含噪声通道，同时为了进一步证实图2（c）中的电子学噪声已经基本被消除干净。选取图2中的某一区域进行局部放大，对比结果如图4所示。

图4 基于多通道融合的遥感影像电子学噪声去除局部放大效果

表1 去噪前后的影像定量指标对比

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

从图4所示结果可以看出，电子学噪声已经基本被去除，虽然引入了极少量的邻近通道的纹理信息，但对于整体的光谱分布影响不大，为了进一步证明去噪后影像的光谱畸变变化不大，本文引入均值和方差两个指标来比较去噪前后两幅影像的差异，其结果如表1所示。

由表1可以发现，去噪后的影像的均值和方差与含噪声通道影像的均值和方差基本保持一致，其变化均不超过10%，在有效抑制噪声的同时，保留了原图的整体光谱特性和纹理特性，这与图3的结果保持一致，证明了本文算法的有效性

3 结束语

本文在研究已有噪声去除算法的基础上，结合GF-7卫星在轨运行获取的影像经过相对辐射校正后残留的随机电子学噪声的特点，提出了一种基于多通道融合的遥感影像电子学噪声去除算法。本文算法解决了现有算法无法有效去除残留电子学噪声的问题，通过中国资源卫星应用中心提供的GF-7卫星数据进行了应用测试，取得了较好的去噪效果，证明了该算法对于GF-7卫星复杂地物场景随机电子学噪声去除的有效性。

[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] 陈劲松, 朱博勤, 邵芸. 基于小波变换的多波段遥感影像条带噪声的去除[J]. 遥感信息, 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] 刘永昌, 张平, 严卫东, 等. 小波包域值法去除合成孔径雷达图像斑点噪声[J]. 红外与激光工程, 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] 潘志强, 顾行发, 刘国栋, 等. 基于探元直方图匹配的CBERS-01星CCD数据相对辐射校正方法[J]. 武汉大学学报(信息科学版), 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] 刘正军, 王长耀, 王成. 成像光谱仪图像条带噪声去除的改进矩匹配方法[J]. 遥感学报, 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] 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. 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, 刘团结, 丁赤彪. 一种CBERS-02星CCD原始条带噪声处理方法[J]. 遥感技术与应用, 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] 刘妍. 基于改进矩匹配算法的资源一号02B CCD数据的条带噪声滤除方法研究[D]. 武汉: 武汉大学, 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, 张斌, 张飞艳, 等. 一种遥感影像Min/Max流去噪方法的研究[J]. 武汉大学学报(信息科学版), 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] 龙建武, 申铉京, 魏巍, 等. 基于均值–中值–梯度共生矩阵模型的最大熵分割算法[J]. 计算机应用研究, 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] 汪鲁才, 王耀南, 毛六平. 基于小波变换和中值滤波的InSAR干涉影像滤波方法[J]. 测绘学报, 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] 张俊, 柳健. SAR影像斑点噪声的小波软门限滤除算法[J]. 测绘学报, 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

张炳先，男，1986年生，2014年获武汉大学测绘遥感国家重点实验室摄影测量与遥感专业博士学位，高级工程师。研究方向为卫星影像智能处理。E-mail：409313966@qq.com。

2020-03-17

国家重大科技专项工程

张炳先, 李岩, 何红艳. 基于多通道融合的遥感影像电子学噪声去除方法[J]. 航天返回与遥感, 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)

（编辑：夏淑密）