本發明涉及衛星遙感,具體涉及基于噪聲強度估計的遙感衛星圖像條紋輻射校正方法。
背景技術:
1、隨著技術發展,遙感衛星圖像已被廣泛應用于環境監測、農業、城市規劃與管理及災害預警與救援等多種領域。遙感衛星圖像通過衛星傳感器捕獲地球表面反射及輻射信息數據,經過解析轉化為可視化的圖像數據。然而,受到衛星成像系統性能的限制及影像拍攝過程中外界環境的影響,傳感器的不同探元在掃描成像時會出現對同一輻射能量響應不一致的現象,導致影像出現條紋噪聲,嚴重影響視覺效果和后續圖像處理過程。因此,亟需開發針對遙感衛星圖像條紋噪聲的相對輻射校正算法,以提高影像數據的質量和可用性。
2、傳統的基于噪聲機理的相對輻射校正算法可歸納為基于場景統計特征、基于濾波及基于優化三類校正方法。基于場景統計特征的方法以矩匹配、直方圖匹配法為代表,然而該類方法性能對同一波段內不同子場景的統計分布非常敏感,當條紋噪聲不規則及場景響應分布不均勻時,校正效果不穩定。基于濾波方法包括空間域濾波法、頻率域濾波法等。該類方法進行條紋校正時通常無法準確識別地物信息及噪聲特征,從而在去噪時濾掉相同頻率成分的有用信息,導致校正后遙感圖像損失較多圖像細節。基于優化的校正方法將去噪過程描述為從退化圖像中恢復干凈圖像的不適定優化問題,利用特定先驗,如稀疏性、低秩性等求解優化問題進行條紋去噪,但由于該類問題需準確刻畫噪聲的先驗特征,處理具有復雜噪聲特性的衛星圖像時會存在局限性,出現欠校正或過校正現象。
3、近年來,隨著人工智能技術的發展,基于深度學習的相對輻射校正算法也被廣泛應用。然而,深度學習方法需要無噪聲的干凈圖像作為樣本,實際工業中難以獲取大量的該類衛星圖像,造成深度學習模型開發受限。已有部分研究通過人為構建噪聲樣本集的方式進行模型訓練,但構建的樣本集無法準確模擬出實際噪聲特性,導致訓練出的網絡無法具備最佳性能。此外,深度學習網絡模型中由于存在卷積核,會使校正后的圖像存在細節損失,分辨率降低。
4、綜上所述,現有的基于機理及基于深度學習方法均難以在不損失圖像細節的情況下實現條紋噪聲的精準去噪。
技術實現思路
1、本發明解決了現有的條紋校正模型無法實現不損失圖像細節的衛星圖像條紋精準去噪的問題。
2、本發明所述的一種基于噪聲強度估計的遙感衛星圖像條紋輻射校正方法,包括以下步驟:
3、步驟s1,多個光譜圖像分離成若干單譜段圖像;
4、步驟s2,求取若干單譜段圖像的列均值,對若干單譜段圖像的列均值初步去噪獲得初步去噪后的若干單譜段圖像的列均值;
5、步驟s3,將若干單譜段圖像的列均值與初步去噪后的若干單譜段圖像的列均值做差值獲得初步校正的噪聲強度,對初步校正的噪聲強度約束處理獲得噪聲強度;
6、步驟s4,若干單譜段圖像的列均值與噪聲強度做差值獲得初步校正后的若干單譜段圖像;
7、步驟s5,將初步校正后的若干單譜段圖像濾波,初步校正后的若干單譜段圖像與濾波后的初步校正后的若干單譜段圖像做差值提取出噪聲圖像;
8、步驟s6,分別計算噪聲圖像的列均值和列中值,并選擇絕對值最大的數值作為噪聲強度,將初步較正后的若干譜段圖像與噪聲強度做差值獲得去噪后的圖像。
9、進一步地,在本發明的一個實施例中,所述的步驟s2中,所述的對若干單譜段圖像的列均值初步去噪獲得初步去噪后的若干單譜段圖像的列均值,具體為:
10、
11、其中,ismooth,k為初步去噪后的若干單譜段圖像的列均值,為平滑系數,m為常數,ik為若干單譜段圖像的列均值,k=1,…n,n為圖像寬度。
12、進一步地,在本發明的一個實施例中,所述的步驟s3中,所述的將若干單譜段圖像的列均值與初步去噪后的若干單譜段圖像的列均值做差值獲得初步校正的噪聲強度,具體為:
13、inoise,k=ik-ismooth,k;
14、其中,inoise,k為初步校正的噪聲強度,ik為若干單譜段圖像的列均值,k=1,…n,n為圖像寬度,ismooth,k為初步去噪后的若干單譜段圖像的列均值。
15、進一步地,在本發明的一個實施例中,所述的步驟s3中,所述的對初步校正的噪聲強度約束處理獲得噪聲強度,具體為:
16、
17、其中,ithres,k為噪聲強度,threshold為閾值,inoise,k為初步校正的噪聲強度。
18、5、根據權利要求1所述的一種基于噪聲強度估計的遙感衛星圖像條紋輻射校正方法,其特征在于,所述的步驟s4中,所述的若干單譜段圖像的列均值與噪聲強度做差值獲得初步校正后的若干單譜段圖像,具體為:
19、isg,k=ik-ithres,k;
20、其中,isg為初步校正后的若干譜段圖像,ik為若干單譜段圖像的列均值,k=1,…n,n為圖像寬度,ithres,k為噪聲強度。
21、進一步地,在本發明的一個實施例中,所述的步驟s5中,所述的將初步校正后的若干單譜段圖像濾波,具體為:
22、
23、其中,ibif,p為濾波后的初步校正后的p位置單譜段圖像,s為核函數空間域大小,r為像素范圍域,q為核函數中除中心點外所有像素,isg,q為當前核函數的中心像素點,wbif,p為歸一化函數,和分別為空間域加權函數、像素范圍域加權函數。
24、進一步地,在本發明的一個實施例中,所述的步驟s5中,所述的初步校正后的若干單譜段圖像與濾波后的初步校正后的若干單譜段圖像做差值提取出噪聲圖像,具體為:
25、inoise=isg-ibif;
26、其中,inoise為噪聲圖像,isg為初步校正后的若干譜段圖像,ibif為濾波去噪后的初步校正后的若干單譜段圖像。
27、進一步地,在本發明的一個實施例中,所述的步驟s6中,所述的選擇絕對值最大的數值作為噪聲強度,具體為:
28、
29、其中,xnoise,k為噪聲強度,xmean,k為噪聲圖像的列均值,xmedian,k為噪聲圖像的列中值。
30、進一步地,在本發明的一個實施例中,所述的步驟s6中,所述的將初步較正后的若干譜段圖像值與噪聲強度做差值獲得去噪后的圖像,具體為:
31、iclean,k=isg,k-xnoise,k;
32、其中,xnoise,k為噪聲強度,isg為初步校正后的若干譜段圖像,iclean,k為去噪后的圖像。
33、本發明解決了現有的條紋校正模型無法實現不損失圖像細節的衛星圖像條紋精準去噪的問題。具體有益效果包括:
34、1、本發明所述的一種基于噪聲強度估計的遙感衛星圖像條紋輻射校正方法,現有技術中,基于機理及深度學習模型均無法實現不損失圖像細節衛星圖像條紋精準去噪的問題。為解決上述技術問題,本實施方式針對不同特性的條紋噪聲圖像,無需進行先驗估計,通過從粗略到精細化的噪聲強度估計及標定步驟,實現復雜條紋噪聲特性下的遙感圖像輻射校正,且校正過程均以列均值為單位處理,不損失圖像細節,計算復雜度低,為了避免進行輻射校正時出現過校正現象,對校正過程增加機理約束,校正后圖像質量更高。該處理過程有效的避免了條紋校正方法無法對衛星圖像精準去噪的技術問題;
35、2、本發明所述的一種基于噪聲強度估計的遙感衛星圖像條紋輻射校正方法,現有的統計類方法需要積累圖像數據進行校正,該方法需大量耗費時間成本及人力物力。為解決上述技術問題,本發明以單景圖像為單位進行校正,分析單景圖像的統計特征進行條紋校正,無需積累歷史圖像樣本,大量節省了處理時間及資源消耗,因此,本發明所述的方法可以作為現有統計類方法進行相對輻射校正的補充手段;
36、本發明所述的一種基于噪聲強度估計的遙感衛星圖像條紋輻射校正方法,用于處理遙感衛星多光譜及全色圖像,不受地物類型的影響;
37、本發明所述的一種基于噪聲強度估計的遙感衛星圖像條紋輻射校正方法,提供了一種高效、精準的遙感圖像相對輻射校正算法,具有良好的適用性及魯棒性,可以處理不同衛星數據的條紋噪聲。