基于间隔采样的快速变分条带噪声检测方法

图1 按照条带模式分类的条带噪声

Fig.1 Strip noise by strip pattern

多列条带噪声相比于单列条带噪声检测难度更高,因此,在实际的条带噪声检测过程中,需要提高条带噪声检测算法的泛型,使其能尽可能准确地将多列条带噪声检出。

2 基于间隔采样的快速变分条带噪声检测方法

条带噪声成分会影响遥感影像的行方向或列方向梯度,但在其垂直方向上却有良好的平滑性^[26]。如果可以在保留条带噪声特征的同时,大幅减少参与计算的数据量,即可提升条带噪声的检测效率。基于此,本文提出了一种基于间隔采样的快速变分条带噪声检测方法,间隔采样是对行直接采样(假设条带噪声成分沿行分布),并且不会进行插值运算,所以能够使下采样后的遥感影像保留条带噪声的方向和结构特性,并且不破坏条带噪声的位置信息。基于间隔采样的快速变分条带噪声检测方法通过构建变分正则化条带噪声成分估计模型从间隔采样的遥感影像中分离出条带噪声成分,然后对条带噪声成分进行计算,根据条带噪声成分列均值异常值检测结果确定条带噪声列,并对条带噪声列进行后处理,得到最终的条带噪声检测结果。具体的流程如图2所示。

图2

图2 基于间隔采样的快速变分条带噪声检测方法流程

Fig.2 Flowchart of the fast variation strip noise detection method based on interval sampling

2.1 间隔采样及条带噪声成分建模

条带噪声为加性噪声,为提高条带噪声检测效率,本文提出对原始遥感影像进行间隔采样,同时构建带间隔采样参数的条带噪声成分估计模型来快速获取遥感影像中的条带噪声信息。间隔采样及带间隔采样参数的条带噪声成分建模的具体步骤如下:

首先使用间隔采样方法对原始的大的遥感影像进行下采样。对于大小为 $M$ 行 $N$ 列的遥感影像 $Y$ ,每 $ω$ 行取一次数据,每次取 $ω$ 行中第一行的全部数据, $1 \leq ω \leq M$ ,最终取出 $m$ 行 $n$ 列数据组成下采样遥感影像。间隔采样后的遥感影像降质模型为:

(1)

y = x + s

式中: $y \in R^{m \times n}$ 为原始遥感影像的间隔采样遥感影像; $s \in R^{m \times n}$ 为与 $y$ 对应的条带噪声成分; $x \in R^{m \times n}$ 为与 $y$ 对应的不含条带噪声的影像成分。下采样遥感影像的长宽 $m$ 和 $n$ 与原始遥感影像的长宽 $M$ 和 $N$ 及下采样倍数 $ω$ 之间的关系为:

(2)

m = (M - 1) / ω + 1

(3)n=N 。

同时,考虑到间隔采样条件下的条带噪声成分应有如下约束,以图3为例。

图3

图3 基于统计的Terra MODIS第33波段去条带结果^[19]

Fig.3 Statistical-based debanding results for Terra MODIS band 33^[19]

1)如图3(d)和(e)所示,条带噪声成分在垂直方向上有良好的平滑性,因此可以用 $L_{1}$ 范数正则化进行约束,刻画条带噪声成分垂直梯度的稀疏特性。

2)如图3(f)和(g)所示,条带噪声成分会影响影像的水平梯度,而不含条带噪声的遥感影像的水平梯度是平滑的,因此可以通过最小化实际遥感影像和条带噪声成分水平梯度的差值来进行约束。

3)如图3(c)和(h)所示,可以将条带噪声成分中的每一列看作一个群组,条带噪声成分具有群组稀疏特性。

计算公式为:

(4)

R_{1} (s) = ‖ \frac{1}{ω} (\nabla_{y} s) ‖_{1}

(5)

R_{2} (s) = ‖ \nabla_{x} y - \nabla_{x} s ‖_{1}

(6)

R_{3} (s) = ‖ s ‖_{2,1}

式中: $R_{1} (s)$ 和 $R_{2} (s)$ 分别为基于条带噪声成分方向特性的约束项; $R_{3} (s)$ 为基于条带噪声成分结构特性的约束项; $\nabla_{y}$ 为垂直方向的线性一阶差分运算符; $\nabla_{x}$ 为水平方向的线性一阶差分运算符; $‖ \cdot ‖_{1}$ 为 $L_{1}$ 范数; $‖ \cdot ‖_{2,1}$ 为 $L_{2,1}$ 范数。将以上3个约束项组合,得到完整的条带噪声成分估计模型,即

(7)

s = a r g m i n (‖ \nabla_{y} s ‖_{1} + ω λ_{1} ‖ s ‖_{2,1} + ω λ_{2} ‖ \nabla_{x} y - \nabla_{x} s ‖_{1})

式中λ₁和λ₂为平衡各约束项作用强度的正则化参数, $λ_{1} > 0$ , $λ_{2} > 0$ 。

综上,可以得到了带间隔采样参数的条带噪声成分估计模型。

2.2 条带噪声成分的优化求解

交替方向乘子(alternating direction method of multipliers,ADMM)算法在处理条带噪声成分估计模型这类非光滑、非凸的优化问题时具有良好的性能,求解步骤如下:

根据ADMM算法的求解步骤,首先引入3个辅助变量 $v$ , $z$ , $h$ ,将式(7)转化为以下形式,即

(8)

\begin{array}{c} a r g m i n_{s, v, z, h} (‖ v ‖_{1} + ω λ_{1} ‖ z ‖_{2,1} + ω λ_{2} ‖ h ‖_{1}) \\ \begin{array}{c} s . t . & v = \nabla_{y} s, & z = s, & h = \end{array} \nabla_{x} y - \nabla_{x} s \end{array}

再利用增强拉格朗日函数将上式转换为:

(9)

\begin{array}{c} L_{ρ_{1}, ρ_{2}, ρ_{3}} (s, v, z, h, p_{1}, p_{2}, p_{3}) = ‖ v ‖_{1} + ω λ_{1} ‖ z ‖_{2,1} + ω λ_{2} ‖ h ‖_{1} + {p^{T}}_{1} (\nabla_{y} s - v) + \\ {p^{T}}_{2} (s - z) + {p^{T}}_{3} (\nabla_{x} y - \nabla_{x} s - h) + \frac{ρ_{1}}{2} ‖ \nabla_{y} s - v {‖^{2}}_{2} + \\ \frac{ρ_{2}}{2} ‖ s - z {‖^{2}}_{2} + \frac{ρ_{3}}{2} ‖ \nabla_{x} y - \nabla_{x} s - h {‖^{2}}_{2} \end{array}

式中: $p_{1}, p_{2}, p_{3}$ 为拉格朗日乘子,其值被初始化为0; $ρ_{1}, ρ_{2}, ρ_{3}$ 为与拉格朗日乘子更新相关的惩罚参数,均大于0。然后使用ADMM框架进行迭代,交替地求解v,h,z,s相关的4个相对简单的子问题,公式分别为:

(10)

v = a r g m i n (‖ \nabla_{y} s + \frac{p_{1}}{ρ_{1}} - v {‖^{2}}_{2} + \frac{2}{ρ_{1}} ‖ v ‖_{1})

(11)

h = a r g m i n (‖ \nabla_{x} y - \nabla_{x} s + \frac{p_{3}}{ρ_{3}} - h {‖^{2}}_{2} + \frac{2 ω λ_{2}}{ρ_{3}} ‖ h ‖_{1})

(12)

z = a r g m i n (ω λ_{1} ‖ z ‖_{2,1} + {p^{T}}_{2} (s - z) + \frac{ρ_{2}}{2} ‖ s - z {‖^{2}}_{2})

(13)

s = a r g m i n (\frac{ρ_{1}}{2} ‖ \nabla_{y} s - v + \frac{p_{1}}{ρ_{1}} ‖_{2}^{2} + \frac{ρ_{2}}{2} ‖ s - z + \frac{p_{2}}{ρ_{2}} {‖^{2}}_{2} + \frac{ρ_{3}}{2} ‖ \nabla_{x} y - \nabla_{x} s - h + \frac{p_{3}}{ρ_{3}} {‖^{2}}_{2})

。

每轮在完成对 $v$ , $h$ , $z$ , $s$ 的求解后,需要通过以下公式对拉格朗日乘子 $p_{1}, p_{2}, p_{3}$ 进行更新,计算公式为:

(14)

\{\begin{array}{c} p_{1}^{k + 1} = p_{1}^{k} + ρ_{1} (\nabla_{y} s^{k + 1} - v^{k + 1}) \\ p_{2}^{k + 1} = p_{2}^{k} + ρ_{2} (s^{k + 1} - z^{k + 1}) \\ p_{3}^{k + 1} = p_{3}^{k} + ρ_{3} (\nabla_{x} y^{k + 1} - \nabla_{x} s^{k + 1} - h^{k + 1}) \end{array}

式中 $k$ 为当前的迭代轮数。

综上,使用ADMM算法对下采样参数的条带噪声成分估计模型进行迭代求解。当满足下列条件时结束迭代,即

(15)

(k > N_{m a x}) O R (‖ s^{k} - s^{k - 1} ‖ / ‖ f - s^{k} ‖ < ε)

式中: OR为逻辑或运算,即当2个条件中的至少一个为真时该等式为真,结束迭代; $ε$ 为设置迭代终止的最大误差; $N_{m a x}$ 为设置的最大迭代次数; $f$ 为间隔采样后的输入影像。

2.3 条带噪声定位

条带噪声定位的具体步骤如下:

计算条带噪声成分 $s$ 每一列的均值,即

(16)

μ_{j} = \frac{1}{m} \overset{m}{\sum_{i = 1}} s_{i j}, 1 \leq j \leq n

式中: $i$ 为行号; $j$ 为列号; $m$ , $n$ 分别为条带噪声成分 $s$ 的行数和列数; $s_{i j}$ 为条带噪声成分 $s$ 第 $i$ 行第 $j$ 列的数值; $μ_{j}$ 为条带噪声成分 $s$ 第 $j$ 列的均值,可以用来表示第 $j$ 列的条带噪声强度。

如图4所示,从不含条带噪声的遥感影像中分离出的条带噪声成分的列均值近似地呈均值为0的正态分布,因此可以通过基于正态分布的一元离群点检测方法对条带噪声成分 $s$ 的列均值中的异常值进行检测。

图4

图4 不含条带噪声遥感影像的条带噪声成分列均值直方图

Fig.4 Histogram of the mean of the strip noise component columns for remote sensing images without strip noise

基于正态分布的一元离群点检测方法假设输入数据满足正态分布,通过学习输入数据得到正态分布的参数,并将低概率的点识别为离群点。假设输入数据中有 $n'$ 个点(x₁, x₂,…, x_n'),那么可以计算出这 $n'$ 个点的均值 $μ$ 和标准差 $σ$ 为:

(17)

μ = \frac{1}{n'} \overset{n'}{\sum_{i = 1}} x_{i}

(18)

σ = \sqrt{\frac{1}{n'} \overset{n'}{\sum_{i = 1}} (x_{i} {- μ)}^{2}}

。

在实际问题中常认为概率很小的事件不太可能会发生,因此可以使用 $k σ (k \geq 3)$ 作为正常值与异常值的界限,即当数据落在分布 $(μ - k σ, μ + k σ)$ 之外时,认为该数据为异常值。当条带噪声成分 $s$ 第 $j$ 列的列均值 $μ_{j}$ 为异常值时,判定遥感影像的第 $j$ 列为条带噪声列。

最后,对条带噪声列检测结果进行后处理。当 $μ_{b}$ 到 $μ_{e}$ 均被判定为异常值时,认为第 $b ~ e$ 列为一个多列条带噪声。

3 实验与结果分析

3.1 实验数据及实验参数设置

本次实验中所使用的遥感影像均来自海洋一号D卫星(HY-1D)海岸带成像仪(Coastal Zone Imager,CZI),用于实验的条带噪声影像均已通过人工目视的方法检测出条带噪声的具体位置,且此结果将用于本次实验所有方法的检测结果验证。

基于间隔采样的快速变分条带噪声检测方法需要设置平衡约束项作用强度的正则化参数λ₁和λ₂,与拉格朗日乘子更新相关的惩罚参数 $ρ_{1}, ρ_{2} 和 ρ_{3}$ ,ADMM优化求解的最大迭代次数 $N_{m a x}$ 和迭代终止的最大误差 $ε$ ,以及一元离群点检测中的 $k$ 值,参考已有的参数设置经验^[19]并结合笔者的参数设置经验,本文设置 $λ_{1} = λ_{2} = 0.0001, ρ_{1} = ρ_{2} = ρ_{3} = 0.1, N_{m a x} = 500, ε = 0.0001, k = 6$ 。

3.2 精度评价指标设置

本实验采用了错误率err、精确率p、召回率r和F1得分等作为条带噪声检测结果的定量评价指标。计算公式分别为:

(19)

e r r = \frac{F P + F N}{T P + T N + F P + F N}

(20)

p = \frac{T P}{T P + F P}

(21)

r = \frac{T P}{T P + F N}

(22)

F 1 = 2 \frac{p r}{p + r}

式中: $T P$ 为检测结果为条带噪声实际也为条带噪声的列数; $T N$ 为检测结果不为条带噪声实际也不为条带噪声的列数; $F P$ 为检测结果为条带噪声但实际不为条带噪声的列数; $F N$ 为检测结果不为条带噪声但实际为条带噪声的列数。

3.3 不同下采样方法条带噪声检测实验

本实验分别对间隔采样、高斯金字塔采样和均值采样这3种方法得到的下采样遥感影像进行条带噪声检测,分析不同下采样方法对条带噪声检测结果的影响,以及验证本文提出的间隔采样参数的条带噪声成分估计模型的有效性。

实验使用的数据为如图5所示的真实条带噪声遥感影像,大小为1 863像素×5 700像素,该遥感影像中有一个多列条带噪声,位于第5 675~5 680列,值得注意的是,多列条带噪声与周围非条带噪声的边界一般比较模糊,因此,在多列条带噪声检测中,当检出的条带噪声列位于人工标注的多列条带噪声位置及其左右3像素宽度内,认为该检测结果是正确的。实验结果如表1所示,本文所提出的方法已加粗表示。

图5

图5 条带噪声遥感影像

Fig.5 Strip noise remote sensing images

表1 不同下采样方法条带噪声检测实验结果

Tab.1 Experimental results of stripe noise detection with different downsampling methods

遥感影像	条带噪声成分估计模型	影像大小/像素	条带噪声列检测结果(列号)
4倍高斯金字塔下采样遥感影像	基于群组稀疏性的条带噪声成分估计模型	1 863×5 700	5 669,5 677~5 682
4倍均值下采样遥感影像	基于群组稀疏性的条带噪声成分估计模型	1 863×5 700	5 669,5 677~5 682
4倍间隔下采样遥感影像	基于群组稀疏性的条带噪声成分估计模型	1 863×5 700	5 677~5 681
4倍间隔下采样遥感影像	带间隔采样参数的条带噪声成分估计模型	1 863×5 700	5 675~5 683
32倍高斯金字塔下采样遥感影像	基于群组稀疏性的条带噪声成分估计模型	233×5 700	5 678~5 680
32倍均值下采样遥感影像	基于群组稀疏性的条带噪声成分估计模型	233×5 700	5 669,5 678~5 679
32倍间隔下采样遥感影像	基于群组稀疏性的条带噪声成分估计模型	233×5 700	5 678~5 680
遥感影像	条带噪声成分估计模型	影像大小/像素	条带噪声列检测结果(列号)
32倍间隔下采样遥感影像	带间隔采样参数的条带噪声成分估计模型	233×5 700	5 677~5 680

通过表1的实验结果可知,使用间隔采样方法和带间隔采样参数的条带噪声成分估计模型,能够有效保留遥感影像中条带噪声的特征并从中分离出条带噪声成分,相比于其他几种采样方法漏检、误检率更低,条带噪声检测结果更准确。

3.4 不同下采样倍数条带噪声检测实验

本实验使用的处理器为Intel(R) Core(TM) i7-7500U CPU @2.70 GHz 2.90 GHz,内存大小为8.00 GB,实验平台为MATLAB R2020b。本实验使用图6所示的条带噪声遥感影像大小为1 863像素×5 700像素,该遥感影像中有2个多列条带噪声,分别位于第5 540~5 551列和第5 688~5 690列。在实验中分别设置下采样倍数为1,5,10,15,20,25,30,得到不同下采样倍数条带噪声检测结果,如表2所示,本文所提出的方法已加粗表示。由实验结果可知,下采样能够显著提高条带噪声检测效率,并且在一定的下采样范围内能够将遥感影像上的条带噪声准确检出。在本实验中,下采样倍数为5,10,15时,均能将第5 540~5 551列和第5 688~5 690列的2个多列条带噪声准确检出,当采样倍数大于15时,条带噪声检测结果中可能会漏检多列条带噪声中边缘处的部分条带噪声列。因此,综合检测效率与检测精度,本实验中最合适的下采样倍数为15。

图6

图6 条带噪声遥感影像

Fig.6 Strip noise remote sensing images

表2 不同下采样倍数条带噪声检测实验结果

Tab.2 Experimental results of stripe noise detection with different downsampling multipliers

下采样倍数	影像大小/像素	计算时间/s	检测结果(列号)
1	7 450×5 700	3 897	5 538~5 553,5 688~5 692
5	1 490×5 700	91	5 538~5 554,5 687~5 690
10	745×5 700	38	5 539~5 553,5 687~5 690
15	497×5 700	21	5 540~5 552,5 687~5 690
20	373×5 700	15	5 542~5 551,5 689~5 690
25	298×5 700	10	5 542~5 551,5 688~5 690
30	249×5 700	9	5 542~5 551,5 688~5 690

3.5 不同条带噪声检测方法对比实验

在本实验中,除了使用本文提出的基于间隔采样的快速变分条带噪声检测方法,另外选取了2种条带噪声检测方法作为比较,包括自适应条带噪声检测方法^[5]和基于滑动窗口的多列条带噪声检测方法^[5]。

3.5.1 不含条带噪声的遥感影像条带噪声检测

图7所示的不含条带噪声的遥感影像大小为7 450像素×5 700像素,分别使用基于间隔采样的快速变分条带噪声检测方法、自适应条带噪声检测方法和基于滑动窗口的多列条带噪声检测方法对其进行条带噪声的检测。该遥感影像中的条带噪声数量为0,因此本实验使用错误率 $e r r$ 作为定量评价指标,检测结果如表3所示,本文所提出的方法已加粗表示。由检测结果可知,对于不含条带噪声的遥感影像,自适应条带噪声检测方法和基于滑动窗口的多列条带噪声检测方法均会判断该遥感影像中存在条带噪声,并且误检的条带噪声数量较多,而本文提出的基于间隔采样的快速变分条带噪声检测方法能够准确地判断该遥感影像中不含条带噪声。

图7

图7 不含条带噪声的遥感影像

Fig.7 Remote sensing images without strip noise

表3 不含条带噪声的遥感影像条带噪声检测结果

Tab.3 Strip noise detection results of remote sensing images without strip noise

检测方法	$T N$	$F P$	$e r r$
基于间隔采样的快速变分条带噪声检测方法	5 700	0	0
自适应条带噪声检测方法	4 796	904	0.159
基于滑动窗口的多列条带噪声检测方法	4 042	1 658	0.291

3.5.2 条带噪声遥感影像条带噪声检测

图8所示的条带噪声遥感影像大小为7 450像素×5 700像素,该遥感影像中有一个多列条带噪声,位于第5 660~5 666列,分别使用基于间隔采样的快速变分条带噪声检测方法、自适应条带噪声检测方法和基于滑动窗口的多列条带噪声检测方法对该遥感影像进行条带噪声的检测,使用精确率 $p$ 、召回率 $r$ 和F1得分作为本实验条带噪声检测结果的定量评价指标,检测结果如表4所示,本文所提出的方法已加粗表示。

图8

图8 条带噪声遥感影像

Fig.8 Strip noise remote sensing images

表4 条带噪声遥感影像条带噪声检测结果

Tab.4 Stripe noise detection results of stripe noise remote sensing image

检测方法	$T P$	$T N$	$F P$	$F N$	$p$	$r$	$F 1$
基于间隔采样的快速变分条带噪声检测方法	6	5 693	0	1	1.000	0.857	0.923
自适应条带噪声检测方法	3	5 692	1	4	0.750	0.429	0.545
基于滑动窗口的多列条带噪声检测方法	4	5 653	40	3	0.091	0.571	0.157

由检测结果可知,对于真实条带噪声遥感影像,相比于其他2种方法,基于间隔采样的快速变分条带噪声检测方法不会将非条带噪声列判定为条带噪声列。而且从精确率、召回率以及 $F 1$ 得分来看,基于间隔采样的快速变分条带噪声检测方法表现出更好的检测效果。

综合分析不含条带噪声的遥感影像条带噪声检测实验和真实条带噪声遥感影像条带噪声检测实验的结果可知,基于间隔采样的快速变分条带噪声检测方法的检测效果最好,不管是不含条带噪声的遥感影像还是真实条带噪声遥感影像,实验中该方法都不会将遥感影像中的非条带噪声列检测为条带噪声列,并且该方法能准确地检测出真实条带噪声遥感影像中条带噪声的位置。自适应条带噪声检测方法和基于滑动窗口的多列条带噪声检测方法在不含条带噪声的遥感影像条带噪声检测中均会将较多的非条带噪声列检测为条带噪声列,在真实条带噪声遥感影像的条带噪声检测中也都存在漏检和误检的情况,分析原因可知,这2种条带噪声检测方法本质上都只使用了遥感影像中条带噪声的灰度值信息,没有顾及条带噪声的特征,在地物类型丰富的遥感影像中,条带噪声与非条带噪声可能不完全满足这2种方法中的判断条件,从而导致自适应条带噪声检测方法和基于滑动窗口的多列条带噪声检测方法的检测结果不够准确。

4 结论

针对遥感影像中多列条带噪声的检测,本文提出了一种基于间隔采样的快速变分条带噪声检测方法,该方法对原始遥感影像进行间隔采样并构建带间隔采样参数的条带噪声成分估计模型,对条带噪声成分优化求解并使用一元离群点检测方法得到条带噪声的位置。

实验结果表明,该方法通过间隔采样和针对下采样遥感影像构建带间隔采样参数的条带噪声成分估计模型,能显著降低条带噪声成分优化求解的运算量,提高计算效率,同时在不降低检测精度的情况下检出遥感影像中的单列和多列条带噪声,适合用于遥感影像预处理系统条带噪声的自动检测,便于后续的条带噪声去除工作,也让CCD探元的响应趋势分析更加准确,为遥感卫星的相对辐射定标提供保障。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

蒋耿明, 牛铮, 阮伟利, 等.

MODIS影像条带噪声去除方法研究

[J]. 遥感技术与应用, 2003(6):393-398.

Jiang

G M

, Niu

, Ruan

W L

, et al.

A study on removing the stripe noises in MODIS 1B images

[J]. Remote Sensing Technology and Application, 2003(6):393-398.

[2]

曹艳丽

. 高光谱图像条带噪声滤除技术的研究[D]. 哈尔滨: 哈尔滨工程大学, 2011.

Cao

Y L

. The research on filtering technology of stripe noise on hyperspectral image[D]. Harbin: Harbin Engineering University, 2011.

[3]

Zhang

, Xing

L Y

, Cui

H L

, et al.

A new algorithm for stripe noises detection and removal in image processing

[C]// Society of Photo-Optical Instrumentation Engineers (SPIE) Conference Series 891314, 2013:1-6.

[4]

Tsai

, Chen

W W

Striping noise detection and correction of remote sensing images

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(12):4122-4131.

DOI:10.1109/TGRS.2008.2000646 URL [本文引用: 1]

[5]

Liu

Q H

, Feng

A destriping method combining strong filter with weak filter based on image divided and adapative strip noise detection

[J]. Physics Procedia, 2012, 25:2103-2108.

DOI:10.1016/j.phpro.2012.03.356 URL [本文引用: 3]

[6]

胡旭东

. 高分一号卫星遥感影像条带噪声检测与修复[D]. 武汉: 武汉大学, 2017.

X D

. Strip noise detecting and removal of GF-1 satellite images[D]. Wuhan: Wuhan University, 2017.

[7]

Horn

B K P

, Woodham

R J

Destriping Landsat MSS images by histogram modification

[J]. Computer Graphics and Image Processing, 1979, 10(1):69-83.

DOI:10.1016/0146-664X(79)90035-2 URL [本文引用: 1]

[8]

Cao

, Du

, Xu

, et al.

An improved histogram matching algorithm for the removal of striping noise in optical remote sensing imagery

[J]. Optik - International Journal for Light and Electron Optics, 2015, 126(23):4723-4730.

DOI:10.1016/j.ijleo.2015.08.079 URL [本文引用: 1]

[9]

Gadallah

F L

, Csillag

, Smith

E J M

Destriping multisensor imagery with moment matching

[J]. International Journal of Remote Sensing, 2000, 21(12):2505-2511.

DOI:10.1080/01431160050030592 URL [本文引用: 1]

[10]

邢坤, 岳春宇, 刘爽, 等. 一种基于空间分割的矩匹配卫星影像条带噪声去除方法:中国,201310577168.4[P].2014-03-26.

Xing

, Yue

C Y

, Liu

, et al. A spatial segmentation based moment matching satellite image stripe noise removal method:China,201310577168.4[P].2014-03-26.

[11]

Chen

, Lin

, Shao

, et al.

Oblique striping removal in remote sensing imagery based on wavelet transform

[J]. International Journal of Remote Sensing, 2006, 27(8):1717-1723.

DOI:10.1080/01431160500185516 URL [本文引用: 1]

[12]

Zhao

, He

, Cong

Destriping method using lifting wavelet transform of remote sensing image

[C]// 2010 International Conference on Computer,Mechatronics,Control and Electronic Engineering, 2010, 6:110-113.

[13]

Pan

J J

, Chang

C I

Destriping of Landsat MSS images by filtering techniques

[J]. Photogrammetric Engineering and Remote Sensing, 1992, 58(10):1417-1423

DOI:10.11947/j.AGCS.2019.20180394 [本文引用: 1]

[14]

Chen

, Shao

, Guo

, et al.

Destriping CMODIS data by power filtering

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(9):2119-2124.

DOI:10.1109/TGRS.2003.817206 URL [本文引用: 1]

[15]

Münch

, Trtik

, Marone

, et al.

Stripe and ring artifact removal with combined wavelet-Fourier filtering

[J]. Optics Express, 2009, 17(10):8567-8591.

DOI:10.1364/oe.17.008567 PMID:19434191 [本文引用: 1]

A fast, powerful and stable filter based on combined wavelet and Fourier analysis for the elimination of horizontal or vertical stripes in images is presented and compared with other types of destriping filters. Strict separation between artifacts and original features allowing both, suppression of the unwanted structures and high degree of preservation of the original image information is endeavoured. The results are validated by visual assessments, as well as by quantitative estimation of the image energy loss. The capabilities and the performance of the filter are tested on a number of case studies related to applications in tomographic imaging. The case studies include (i) suppression of waterfall artifacts in electron microscopy images based on focussed ion beam nanotomography, (ii) removal of different types of ring artifacts in synchrotron based X-ray microtomography and (iii) suppression of horizontal stripe artifacts from phase projections in grating interferometry.

[16]

Pande-Chhetri

, Abd-Elrahman

De-striping hyperspectral imagery using wavelet transform and adaptive frequency domain filtering

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(5):620-636.

DOI:10.1016/j.isprsjprs.2011.04.003 URL [本文引用: 1]

[17]

Shen

H F

, Zhang

L P

A map-based algorithm for destriping and inpainting of remotely sensed images

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(5):1492-1502.

DOI:10.1109/TGRS.2008.2005780 URL [本文引用: 1]

[18]

Liu

, Lu

, Shen

, et al.

Stripe noise separation and removal in remote sensing images by consideration of the global sparsity and local variational properties

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(5):1-12.

DOI:10.1109/TGRS.2015.2471975 URL [本文引用: 1]

[19]

Chen

, Sun

, Toh

K C

A note on the convergence of ADMM for linearly constrained convex optimization problems

[J]. Computational Optimization and Applications, 2017, 66:327-343.

DOI:10.1007/s10589-016-9864-7 URL [本文引用: 4]

[20]

Sun

Y J

, Huang

T Z

, Ma

T H

, et al.

Remote sensing image stripe detecting and destriping using the joint sparsity constraint with iterative support detection

[J]. Remote Sensing, 2019, 11(6):608.

DOI:10.3390/rs11060608 URL [本文引用: 1]

Remote sensing images have been applied to a wide range of fields, but they are often degraded by various types of stripes, which affect the image visual quality and limit the subsequent processing tasks. Most existing destriping methods fail to exploit the stripe properties adequately, leading to suboptimal performance. Based on a full consideration of the stripe properties, we propose a new destriping model to achieve stripe detection and stripe removal simultaneously. In this model, we adopt the unidirectional total variation regularization to depict the directional property of stripes and the weighted ℓ 2, 1 -norm regularization to depict the joint sparsity of stripes. Then, we combine the alternating direction method of multipliers and iterative support detection to solve the proposed model effectively. Comparison results on simulated and real data suggest that the proposed method can remove and detect stripes effectively while preserving image edges and details.

[21]

王昶, 张永生, 王旭, 等.

遥感影像条带噪声去除的小波变分法

[J]. 测绘学报, 2019, 48(8):1025-1037.

为了避免条带噪声去除过程中丢失影像细节，提出一种基于小波变分法去除遥感影像条带噪声。首先，对含有条带噪声的遥感影像进行小波分解；其次，通过构建的条带保留变分模型（SPVM）去除低层高频分量（含条带噪声）中的细节信息而保留条带噪声，从而有效分离出低层高频分量（含条带噪声）中的细节信息；通过构建的条带去除变分模型（DVM）去除高层高频分量（含条带噪声）中的条带噪声，从而有效地保留高层高频分量（含条带噪声）中的细节信息；最后，通过小波重构，获得去噪影像。试验证明本文方法在去除条带噪声的同时基本没有丢失影像细节，去噪后的影像对比度及质量都是最优的。

Wang

, Zhang

Y S

, Wang

, et al.

Stripe noise removal of remote image based on wavelet variational method

[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(8):1025-1037.

DOI:10.11947/j.AGCS.2019.20180394 [本文引用: 1]

In order to avoid the loss of image details in the process of strip noise removal, a method based on wavelet variational method was proposed to remove strip noise of remote images. First, remote image with stripe noise was decomposed by wavelet technology. Second, a stripe preserve variation model was constructed, this model could effectively remove image details from the wavelet horizontal direction high-frequency components in lower layers and only preserve the stripe noise, and the details are effectively separated; a destriping variation model was constructed, this model could effectively preserve the image details while removing the strip noise form the wavelet horizontal direction high-frequency components in the top layers. Finally, the destriping image was obtained by wavelet reconstruction. Experimental results show that the proposed method not only can effectively restrain the stripe noise of remote image, and can be also preserve the image details very well. The quality and contrast of destriping image are the best.

[22]

赵书珩

. 月球高光谱遥感影像复杂条带噪声处理的低秩方法研究[D]. 武汉: 武汉大学, 2021.

Zhao

S H

. Stripe noise removal for lunar hyperspectral imagery employing low-rank framework[D]. Wuhan: Wuhan University, 2021.

[23]

赵英时

. 遥感应用分析原理与方法[M]. 北京: 科学出版社, 2003: 87-91.

Zhao

Y S

. Principles and methods of remote sensing application analysis[M]. Beijing: Science Press, 2003:87-91.

[24]

薛利军, 李自田, 李长乐, 等.

光谱成像仪CCD焦平面组件非均匀性校正技术研究

[J]. 光子学报, 2006(5):693-696.

Xue

L J

, Li

Z T

, Li

C L

, et al.

Study on the hyper-spectral CCD imager non-uniformity correction algorithm

[J]. Acta Photonica Sinica, 2006(5):693-696.

[25]

刘欣鑫

. 光学遥感影像复杂条带噪声的变分处理方法研究[D]. 武汉: 武汉大学, 2018.

Liu

X X

. Stripe noise removal in remote sensing images by variational methods[D]. Wuhan: Wuhan University, 2018.

[26]

闫小明, 胡旭东, 尹烁.

卫星遥感影像信息缺失检测

[J]. 测绘与空间地理信息, 2020, 43(7):153-155,159.

Yan

X M

, Hu

X D

, Yin

Missing information detection on satellite remote sensing images

[J]. Geomatics and Spatial Information Technology, 2020, 43(7):153-155,159.