基于DS證據(jù)理論的多幅遙感影像融合去噪

黃冬梅,朱貴鮮,張明華*,王麗琳,蘇 誠

(1.上海海洋大學(xué)信息學(xué)院,上海201306;2.國家海洋局東海預(yù)報中心,上海200137)

基于DS證據(jù)理論的多幅遙感影像融合去噪

黃冬梅1,朱貴鮮1,張明華1*,王麗琳2,蘇 誠2

(1.上海海洋大學(xué)信息學(xué)院,上海201306;2.國家海洋局東海預(yù)報中心,上海200137)

針對目前單幅遙感影像去噪方法會過度扼殺影像邊緣信息或噪聲去除不理想問題,提出了一種基于DS (Dempster-Shafer)證據(jù)理論的多幅遙感影像融合去噪方法。DS證據(jù)理論結(jié)合多源信息,能夠有效處理不確定性問題,適用于噪聲具有隨機性和不確定性情景。本文采用Landsat8衛(wèi)星獲取的上海周邊海域遙感數(shù)據(jù),依據(jù)DS證據(jù)理論處理不確定問題的優(yōu)勢,并充分利用多幅遙感影像的有效信息,設(shè)計4個模型,即兩狀態(tài)高斯混合模型、兩個噪聲分析模型、邊緣分析模型。這4個模型用以獲取每個像素與噪聲相關(guān)的概率,作為證據(jù)理論的4個證據(jù),用于決策去噪方案。結(jié)果表明,本文提出的多幅遙感影像融合去噪方法在保證去除噪聲的情況下能較好地保持影像邊緣和紋理細(xì)節(jié)信息。

遙感影像;DS證據(jù)理論;影像融合;影像去噪

遙感影像在獲取和傳輸?shù)倪^程中容易受到噪聲的污染,被污染的影像會影響它的進一步處理,對影像的理解和識別帶來一定的困難[1]。研究表明,在一幅影像中,當(dāng)信噪比低于一定程度時,在影像分割時產(chǎn)生的誤檢概率增大,在參數(shù)估計時誤差增大;在區(qū)域數(shù)的確定上,容易過估區(qū)域的數(shù)目[2]。因此,在對遙感影像進行邊緣檢測、參數(shù)估計、特征提取、信息分析和模式識別等處理之前,依據(jù)容許的性能采用適當(dāng)?shù)慕翟敕椒ǜ纳啤⑻岣哂跋褓|(zhì)量是一個非常重要的環(huán)節(jié)[3]。

遙感影像大多數(shù)像素的灰度值差別不明顯,正是由于這種灰度相關(guān)性的存在,一般遙感影像的能量主要集中在低頻區(qū)域,只有影像的細(xì)節(jié)部分的能量處于高頻區(qū)域[4]。同時,噪聲的能量也處于高頻區(qū)域,而去除噪聲的主要方法就是消除或衰減高頻分量、增強低頻分量,因此遙感影像在消減噪聲的過程中,影像的細(xì)節(jié)也有一定程度的衰減[5]。這也是目前去噪方法存在的一個問題,即去除噪聲與保持影像細(xì)節(jié)信息之間的矛盾。傳統(tǒng)的去噪方法一般在單幅影像內(nèi)基于影像空間相關(guān)性進行平滑濾波(如高斯濾波、中值濾波、均值濾波)[1,6],或基于頻域[7]、小波域[8-14]以及其他方法[15]進行濾波等。由于空域濾波僅根據(jù)影像的空間相關(guān)性判斷影像的某像素是否為噪聲,而不考慮時域信息[16],因而不好把握影像的全局特征。小波域去噪方法主要利用小波基對影像進行多尺度變換,由于信號突變點在不同尺度的同一位置都有較大的峰值出現(xiàn),噪聲能量卻隨著尺度的增大而減小,因此能夠提高信號邊緣的定位精度,更好地刻畫真實信號。但其在實際應(yīng)用時,如何選擇最優(yōu)閾值是一個很大的難題。其他降噪方法主要思想是如何建立合理的目標(biāo)分類函數(shù),將噪聲和有用信號分為兩個子空間,去除噪聲空間從而得到降噪后的影像[3]。

作為優(yōu)秀的圖像去噪方法,小波閾值去噪被很多研究者所選擇。為解決最優(yōu)閾值不易選擇的問題,黃劍玲和鄭雪梅[5]先通過小波邊緣檢測,確定邊緣信息在各個子帶中的位置,預(yù)先保留影像的邊緣特征,以便盡可能根據(jù)噪聲方差來設(shè)定閾值而不必?fù)?dān)心損害影像的邊緣特征。但對于同一幅含噪影像,正確地提取邊緣而不受噪聲影響比較困難。孫雷等[17]利用高光譜遙感影像的多個波段,用含噪較少的波段輔助含噪多的波段融合去噪,但對于波段相差較大的多光譜影像,會引入輔助波段的光譜信息,帶來新的噪聲,即便是高光譜影像,如果兩個波段離得比較遠(yuǎn)也會引入光譜噪聲。以上兩種方法體現(xiàn)了單幅遙感影像去噪的局限性,給予多幅遙感影像融合去噪的啟示。同時,隨著遙感技術(shù)的迅猛發(fā)展,使得遙感具有三高(高空間分辨率、高光譜分辨率、高時相分辨率)和三多(多傳感器、多平臺、多角度)的特點,為多幅遙感數(shù)據(jù)處理提供了數(shù)據(jù)基礎(chǔ)。本文提出基于信息融合的思想、采用DS證據(jù)理論對多幅遙感影像進行融合去噪。將針對同一目標(biāo)的多幅遙感影像數(shù)據(jù)加以智能化合成,從而產(chǎn)生比單一數(shù)據(jù)源更精確、更完全的估計和判決。楊海峰和侯朝楨[18]利用DS證據(jù)理論的合成法則對初始小波萎縮系數(shù)進行修正、重構(gòu),Lin[19]根據(jù)單幅遙感影像的空間相關(guān)性,設(shè)置了4個證據(jù)利用DS證據(jù)理論對其融合,得到該像素是否為噪聲的結(jié)論,雖然仍面臨單幅影像去噪閾值不易確定或權(quán)重不易設(shè)置問題,但都體現(xiàn)了DS證據(jù)理論在人工智能范疇通過信息融合處理知識不準(zhǔn)確因素引起的不確定問題的能力。

(王 燕 編輯)

結(jié)合上述方法的優(yōu)缺點,依據(jù)遙感影像噪聲在小波域和空間域的不同表現(xiàn)特征,本文為每幅遙感影像分別在小波域和空間域建立4個噪聲提取模型,通過DS證據(jù)理論信息融合技術(shù),融合4個模型的統(tǒng)計結(jié)果及多時相遙感影像的多源信息,得到多幅遙感影像證據(jù)融合結(jié)論,決策去噪。該方法充分利用多幅遙感影像的信息,實驗結(jié)果證實了該方法的有效性。

1 DS證據(jù)理論基本原理

DS證據(jù)理論是Dempster和Shafer于二十世紀(jì)六七十年代發(fā)展、完善形成的一種推理理論[20]。DS證據(jù)理論通過合并多重證據(jù)從而做出決策,對推理進行合理的信息論解釋,是一種決策理論。與概率決策理論相比,它不但能夠處理由于知識不準(zhǔn)確引起的不確定性,也能夠處理由于不知道的因素引起的不準(zhǔn)確性[20]。DS證據(jù)理論的基本原理[21]如下:

假設(shè)存在一個有限假設(shè)空間,Θ為空間中所有命題的窮舉集合。DS理論用“識別框架”描述構(gòu)成整個假設(shè)空間的所有命題的集合,識別框架中的各元素互相排斥,集合中的命題稱為識別框架的原命題。本文方法的識別框架Θ為{數(shù)據(jù)與噪聲相關(guān)(n),數(shù)據(jù)與非噪聲相關(guān)(f)}。

1.1 基本概率分配

在識別框架Θ上的基本概率分配BPA(Basic Probability Assignment)是一個2Θ→[0,1]的函數(shù)m,稱為mass函數(shù),滿足其中,在識別框架上使得m(A)＞0的A稱為焦元。m(A)為命題A的基本概率賦值,表示對命題A的信任程度,比如某證人認(rèn)為某像素是噪聲的確認(rèn)度,是DS證據(jù)理論多證據(jù)合成的關(guān)鍵依據(jù)。

1.2 Dempster合成規(guī)則

Dempster合成規(guī)則,也稱證據(jù)合成公式,定義:

對于?A?Θ,Θ上的兩個mass函數(shù)m1,m2的Dempster合成規(guī)則為

n個mass函數(shù)的Dempster合成規(guī)則:

對于?A?Θ,識別框架Θ上的有限個mass函數(shù)m1,m2,...,mn的Dempster合成規(guī)則為

2 多幅遙感影像去噪方法

2.1 整體方案

本方案的關(guān)鍵問題是如何恰當(dāng)?shù)亩x基本概率分配,因此需要一個方法表示證據(jù)并獲得相應(yīng)的mass函數(shù)。本文為每幅影像設(shè)置4個模型來獲得基本概率分配,即:

證據(jù)1(兩狀態(tài)高斯混合模型),利用小波變化具有信號的突變點在不同尺度的同一位置都有較大的峰值出現(xiàn)的性質(zhì),而噪聲能量卻隨著尺度的增大而減小的特點,來刻畫小波系數(shù)是與噪聲相關(guān)還是與邊緣相關(guān)的概率。

證據(jù)2(空間相關(guān)噪聲分析模型1),設(shè)置n*n窗口,對窗口中數(shù)據(jù)排序取中間值,根據(jù)中心值與中間值的差異程度決定中心值為噪聲的概率。

證據(jù)3(空間相關(guān)噪聲分析模型2),設(shè)置n*n窗口,對窗口中的數(shù)據(jù)求平均值,根據(jù)中心值與平均值的差異程度決定中心值為噪聲的概率。

證據(jù)4(邊緣分析模型),考慮窗口中屬于邊緣的元素對證據(jù)2和證據(jù)3也會得到較大的概率值,容易把邊緣誤分為噪聲,設(shè)計了邊緣分析模型,根據(jù)窗口中與中心值差異最小的3個值的差異程度決定是噪聲的概率。

本文方法具體實施時,首先選取同一位置某一時間段的多幅遙感影像,然后對每幅影像對應(yīng)波段進行多個模型下的數(shù)據(jù)統(tǒng)計分析,并得到每個模型下每個像素點是噪聲的概率,作為DS證據(jù)理論的基本概率分配;然后使用DS證據(jù)理論證據(jù)組合規(guī)則將4個證據(jù)組合成一個證據(jù),得到每幅影像每個像素點是噪聲的概率,作為多幅遙感影像融合去噪的基本概率分配;重復(fù)使用DS證據(jù)理論的證據(jù)組合規(guī)則,將多幅遙感影像相應(yīng)波段的信息融合起來,得到多幅遙感影像融合mass函數(shù);計算出信任區(qū)間,并利用設(shè)計好的決策規(guī)則進行去噪,得到融合去噪的影像。本方案整體流程如圖1所示。

圖1 基于DS證據(jù)理論的多幅遙感影像融合去噪流程Fig.1 Process of de-noising based on DS evidence theory using multiple images

2.2 基本概率分配定義

2.2.1 證據(jù)1基本概率分配的定義

建立兩狀態(tài)高斯混合模型,兩狀態(tài)指小波系數(shù)與邊緣相關(guān)還是與非邊緣相關(guān)。對小波系數(shù)用隱馬爾可夫模型訓(xùn)練,得到系數(shù)屬于邊緣或噪聲的概率,及兩狀態(tài)模型下各分解尺度的兩狀態(tài)方差,進而得到兩狀態(tài)下的條件概率,得到證據(jù)1的基本概率分配。K狀態(tài)高斯混合模型[22]如公式(3)所示。

式中,fj(sj)為狀態(tài)密度函數(shù)Θ為DS理論的識別框架,本文中方法Θ為{noise(n),freenoise(f)},n表示噪聲,f表示無噪聲。按照此模型,BPA定義方式為

式中,α1表示支持不確定的信任度,mp(w|Θ)表示在兩狀態(tài)高斯混合模型p(w|Θ)下的mass函數(shù),即基本概率分配。

為保證影像局部信息和空間相關(guān)性,以下3個證據(jù)采取小窗口形式,窗口大小為3*3。

2.2.2 證據(jù)2基本概率分配的定義

設(shè)中心點位置灰度值w(k),將除中心點位置的8個系數(shù)從大到小進行排序:r(1),r(2),r(3),r(4), r(5),r(6),r(7),r(8),取排序后的中間值,并求平均值ROM(k):

則窗口中心點為噪聲的概率d(k)可表示為

d(k)越大,說明w(k)與周圍灰度值差異越大,是噪聲的可能性就越大。按照此模型,BPA定義方式如下:

式中,α2表示支持不確定的信任度,md(k)表示模型d(k)下的mass函數(shù),即基本概率分配。

2.2.3 證據(jù)3基本概率分配的定義

設(shè)i為灰度值對應(yīng)位置編號,中心點位置灰度值w(k),則灰度值梯度δi可表示為

p(k)越大,說明w(k)與周圍灰度值差異越大,按照此模型,BPA定義方式:

式中,α3表示支持不確定的信任度,mp(k)表示在模型d(k)下的mass函數(shù),即基本概率分配。

2.2.4 證據(jù)4基本概率分配的定義

由于被污染的像素一般會引起較大的d(k)和較大的p(k)。但是如果沒有被噪聲污染的像素位于邊緣,d(k)和p(k)也會相對較大。因此,本文又引入另一個證據(jù)o(k),以區(qū)分像素與邊緣相關(guān)或是與噪聲相關(guān)。

設(shè)i為灰度值對應(yīng)位置編號,中心點位置灰度值w(k),中心點位置灰度值與位置i灰度值的差異ai可表示為

對ai進行從小到大排序,得到數(shù)組c,c=sort(a)。從ai表達(dá)式可以看出中心點與自身差異最小。若中心點屬于邊緣,即使在證據(jù)2和3得到了較大的d(k)和p(k),但根據(jù)邊緣的連貫性,若像素與邊緣相關(guān),計算的結(jié)果就是,在窗口中同屬邊緣的灰度值差異ci比較小,也就可以引入概率o(k),檢測具有較大d(k)和p(k)是噪聲或是邊緣。據(jù)此,o(k)定義如下:

o(k)越大,說明w(k)與他最接近的3個點差異越大,表示該點是噪聲的可能性就越大;反之,該點是邊緣的可能性越大。按照此模型,BPA定義方式:

式中,α4表示支持不確定的信任度,mo(k)表示在模型o(k)下的mass函數(shù),即基本概率分配。

2.3 決策規(guī)則

本文中方法通過4個模型對遙感數(shù)據(jù)進行統(tǒng)計分析,并對統(tǒng)計數(shù)據(jù)在單幅影像下進行信息融合,作為多幅信息融合的輸入。在第二次信息融合得到的融合mass函數(shù)基礎(chǔ)上,遵循優(yōu)先選擇數(shù)據(jù)質(zhì)量較好的數(shù)據(jù)的原則,遵循最大限度保存邊緣信息的原則,制定最終去噪的決策規(guī)則,具體如下:

1)首先對每幅影像單個波段利用4個模型計算DS理論的4個基本概率分布;

2)利用DS理論的融合規(guī)則,把每幅影像的4個證據(jù)融合成一個整體的概率分布;

3)再利用DS理論融合規(guī)則,把2)得到的多幅遙感影像整體的概率分布融合成一個概率分布;

4)根據(jù)3)的融合結(jié)果,若某像素融合的結(jié)果是非噪聲,且多個證據(jù)都是支持非噪聲,選擇支持非噪聲概率大的證據(jù);

5)若融合結(jié)果是非噪聲,多個證據(jù)中一些證據(jù)支持某像素為噪聲,說明支持非噪聲的證據(jù)較強,選擇支持非噪聲大的證據(jù);

6)若融合結(jié)果是噪聲,多個證據(jù)中有支持某像素為非噪聲的證據(jù),說明支持噪聲的證據(jù)較強,放棄支持噪聲的證據(jù),如果這時支持非噪聲的證據(jù)大于某一值,則相信這個證據(jù),否則對這個證據(jù)做萎縮處理,處理后的結(jié)果為最終像素值;

7)如果融合結(jié)果是噪聲,所有證據(jù)都支持噪聲,則選取支持噪聲相對小的影像,取其平穩(wěn)小波變化的低頻系數(shù)重構(gòu),得到的灰度值為融合去噪后影像的灰度值。

3 結(jié)果與分析

本文采用遙感影像均方誤差MSE(Mean Squared Error,MSE=和峰值信噪比PSNR(Peak Signal to Noise Ratio,PSNR=10 lg[(216-1)2/MSE])來度量去噪后的影像質(zhì)量。MSE越小,PSNR越大,說明去噪的效果越好。

3.1 B4波段去噪實驗結(jié)果

該實驗選用了Landsat 8衛(wèi)星獲取的上海周邊海域同一位置的兩幅遙感影像的一個可見光波段(B4波段)對本文方案在去除高斯噪聲上進行驗證。為兩幅遙感影像B4波段分別加入方差為0.000 1和0.005 db的高斯白噪聲,將其作為兩幅原始數(shù)據(jù)進行融合去噪,結(jié)果如圖2至圖4所示。

結(jié)果表明,本文方法(圖2e)邊緣保留較為清晰,也比較接近原始影像(圖2a至圖2b)。低通濾波(圖3a,圖4a)、納維濾波(圖3b,圖4b)、中值濾波(圖3c,圖4c)、均值濾波(圖3d,圖4d)、小波閾值去噪(圖3e,圖4e),特別是低通濾波,去噪結(jié)果邊緣比較模糊。

從參數(shù)上看,本文方法在峰值信噪比和均方誤差兩個指標(biāo)上均優(yōu)于其他5種方法。由表1可知,本文方法去噪得到的影像好于任一幅含噪影像;由表2和表3可知,融合去噪得到的影像具有最大的信噪比和最小的方差,遠(yuǎn)遠(yuǎn)好于含噪影像2(圖2d)單幅影像的去噪結(jié)果(圖4a至圖4e),略好于含噪影像1(圖2c)單幅影像的去噪結(jié)果(圖3a至圖3e),說明兩幅影像融合去噪比單幅影像去噪更加有效。

圖2 實驗數(shù)據(jù)及本文方法去噪結(jié)果Fig.2 Experimental data and the de-noising results

圖3 對原始影像1 B4波段加入0.000 1 db高斯白噪聲影像(圖2c)的5種方法去噪結(jié)果Fig.3 De-noising results by applying five methods to the image shown in figure 2c,which was obtained by adding 0.000 1 db white Gaussian noise to the fourth band of raw image 1(figure 2a)

圖4 對原始影像2 B4波段加入0.005 db高斯白噪聲影像(圖2d)5種方法去噪結(jié)果Fig.4 De-noising results by applying five methods to the image shown in figure 2d,which was obtained by adding 0.005 db white Gaussian noise to the fourth band of raw image 2(figure 2b)

融合去噪后影像的信噪比和方差與含噪影像2單幅影像各種方法去噪的結(jié)果差別較大,而與含噪影像1單幅影像各種方法去噪的結(jié)果差別不大。這是因為含噪影像1是加方差為0.000 1 db的高斯白噪聲影像,較接近真實影像;而含噪影像2是加了方差為0.005 db的高斯白噪聲影像,與真實影像差異較大。另外,實驗數(shù)據(jù)源加入了某特定方差的高斯白噪聲,在整幅影像中分布比較均勻,而自然環(huán)境下形成的噪聲比較分散,一幅影像上某個位置含噪聲,在另一幅影像該位置也含噪聲的可能性比加入的均勻噪聲相比小的多。因此,真實環(huán)境下本文的去噪方法在原則上會比添加均勻噪聲的情況下去除噪聲的效果更好。

表1 添加0.000 1 db(圖2c)和0.005 db(圖2d)高斯白噪聲以及本文去噪方法獲得影像(圖2e)信噪比、方差對比Table 1 PSNR and MSE for the images shown in figures 2c,2d and 2e

表2 對原始影像1 B4波段加入0.000 1 db高斯白噪聲影像(圖2c)的5種方法去噪圖像(圖3)及本文方法去噪影像(圖2e)信噪比、方差對比Table 2 PSNR and MSE for the images shown in figures 3 and 2e

表3 對原始影像2 B4波段加入0.005 db高斯白噪聲影像(圖2d)的5種方法去噪圖像(圖3)及本文方法去噪影像(圖2e)信噪比、方差對比Table 3 PSNR and MSE for the images shown in figures 4 and 2e

3.2 B5波段去噪實驗結(jié)果

該實驗選用了與實驗1相同位置的3幅不同光照強度遙感圖像的不可見光波段(近紅外B5波段)對本文方案在去除高斯噪聲上進行驗證。為3幅遙感影像B5波段分別加入方差為0.001,0.005和0.007 db的高斯白噪聲作為兩幅原始數(shù)據(jù)進行融合去噪。實驗結(jié)果如圖5至圖7所示。

結(jié)果表明,本文方法(圖5g)邊緣保留較為清晰,也比較接近原始影像(圖5a至圖5c)。低通濾波、納維濾波、中值濾波、均值濾波、小波閾值去噪,特別是低通濾波,去噪結(jié)果邊緣比較模糊。

從參數(shù)上看,本文方法在峰值信噪比和均方誤差兩個指標(biāo)上均優(yōu)于其他5種方法。由表4可知,本文方法去噪得到的影像好于任一幅含噪影像;由表5和表6可知,融合去噪得到的影像具有最大的信噪比和最小的方差,說明3幅影像融合去噪比單幅影像去噪更加有效,得到了與B4波段去噪一致的效果。

表4 添加0.001 db高斯白噪聲(圖5d)、添加0.005 db高斯白噪聲(圖5e)、添加0.007 db高斯白噪聲(圖5f)以及本文去噪方法獲得影像(圖5g)影像信噪比、方差對照比Table 4 PSNR and MSE for the images shown in figures 5d,5e,5f and 5g

圖5 實驗數(shù)據(jù)及本文方法去噪結(jié)果Fig.5 Experimental data and the de-noising results

圖6 對原始影像1 B5波段加入0.001 db高斯白噪聲影像(圖5d)的5種方法去噪結(jié)果Fig.6 De-noising results by applying five methods to the image shown in figure 5d,which was obtained by adding 0.001 db white Gaussian noise to the fifth band of raw image 1(figure 5a)

圖7 對原始影像2 B5波段加入0.005 db高斯白噪聲影像(圖5e)的5種方法去噪結(jié)果Fig.7 De-noising results by applying five methods to the image shown in figure 5e,which was obtained by adding 0.005 db white Gaussian noise to the fifth band of raw image 2(figure 5b)

表5 對原始影像1 B5波段加入0.001 db高斯白噪聲影像(圖5d)的5種方法去噪圖像(圖6)及本文方法去噪影像(圖5g)信噪比、方差對比Table 5 PSNR and MSE for the images shown in figures 6 and 5g

表6 對原始影像2 B5波段加入0.005 db高斯白噪聲影像(圖5e)的5種方法去噪圖像(圖7)及本文方法去噪影像(圖5g)信噪比、方差對比Table 6 PSNR and MSE for the images shown in figures 7 and 5g

3.3 去云和霧實驗結(jié)果

以上兩個實驗是本文方法對去除熱噪聲(由導(dǎo)體中電子的熱震動引起的,它存在于所有電子器件和傳輸介質(zhì)中,是溫度變化的結(jié)果)、散粒噪聲(通信設(shè)備中的有源器件中,由于電子發(fā)射不均勻性所引起的噪聲)等高斯類型噪聲的驗證,也是本文研究的主要噪聲。同時,考慮由于天氣原因引起的噪聲,比如云和霧,為另一類遙感影像處理的主要誤差來源。目前的單幅遙感影像去云方法,主要是對薄云的弱化而不是去除,對厚云、大面積云的弱化效果則不是很理想。為了驗證本文方法在去云和霧的可行性,設(shè)計了該實驗。該實驗選用了Landsat 8衛(wèi)星獲取的上海周邊海域同一位置的含云或霧量不同的3幅遙感影像,對本文方法在主要研究的高斯噪聲以外的噪聲去除的驗證。

由于本文方法主要研究的電噪聲、散粒噪聲等高斯噪聲性質(zhì),2.2節(jié)的表示噪聲的模型以及2.3節(jié)去除噪聲的融合規(guī)則不完全適用于去除云和霧,因此僅保留了2.2節(jié)的模型1以及2.3節(jié)規(guī)則1)～5)進行的去云處理。在這種情況下,當(dāng)多幅影像融合去噪的數(shù)據(jù)源為圖8a和圖8b時,兩幅影像只含云噪聲,其融合去云結(jié)果如圖8d和表7所示。從表7可以看出,融合去云的結(jié)果好于去噪輸入圖像。這說明DS證據(jù)理論多幅影像融合去云模式的可行性,至于效果要看對云和霧建立專門的模型。與兩個數(shù)據(jù)源融合相比添加了一幅既含大霧又含云的影像8c,融合結(jié)果把大霧也融合了進去,如圖8e所示。這是由于霧的特征比較平滑,在噪聲表述模型中代表比較好的數(shù)據(jù),與高斯噪聲類型的噪聲相比性質(zhì)差別比較大。因此,不能直接把表征高斯噪聲的模型直接表征霧,表征霧的模型有待進一步研究。同時,從去云的效果來看,對大面積云的表述模型也有待進一步研究。這也是后續(xù)我們要做的工作。

表7 含云影像1,含云影像2,含云和霧影像3,含云影像1和2融合去噪影像以及含云影像1,2和3融合去噪影像(圖8)信噪比、方差對照比(B4)Table 7 PSNR and MSE for the images contaminated by clouds and fog as well as the de-noising results

圖8 含云和霧影像實驗數(shù)據(jù)和去噪結(jié)果Fig.8 Experimental data with clouds or fog and the results of de-noising

4 結(jié) 語

DS證據(jù)理論作為人工智能的范疇,具有處理不確定信息的能力,被廣泛應(yīng)用于專家系統(tǒng)、目標(biāo)識別、醫(yī)學(xué)診斷、軍事指揮等許多需要綜合考慮來自多源的不確定信息,如多個傳感器的信息、多位專家的意見等,以完成問題的求解,并適用于噪聲具有隨機性和不確定性情景。本文將DS證據(jù)理論引入到多幅遙感影像融合去噪問題中,拓展了單幅遙感影像去噪的范疇,將兩幅或兩幅以上具有互補信息的遙感影像,利用小波變化進行多層次分解,映射到不同分辨率上,由粗到細(xì)觀察影像,并對影像的低頻分量以及垂直方向、水平方向、對角線方向三個高頻分量,同時從每幅影像的可信度及重要性多級別綜合處理,得到更為精準(zhǔn)、更具可靠性、且含有更豐富信息的影像。融合去噪后的遙感影像在減少模糊性的同時,具有更佳的互補性、可理解性,更加適合人類視覺或計算機檢測、識別、分類、理解等影像處理。同時,在兩狀態(tài)高斯混合模型中,僅利用小波變換的分析功能,避開了直接使用小波閾值去噪閾值不易確定的問題。由于本文方法是對多幅影像相同波段間數(shù)據(jù)進行處理,使去噪過程避免引入不同波段的光譜噪聲,且能充分利用多幅影像間的互補信息,得到信息更加豐富的影像。

本文去噪方法4個模型主要是針對高斯噪聲。對于大面積云和霧處理,從實驗結(jié)果可以看出,對兩幅僅含云的影像融合運算,得到的是一幅更優(yōu)的影像,說明多幅遙感影像融合去云的可取性;當(dāng)再加入一幅含有大霧和少量云的輸入后,融合運算結(jié)果有些混亂,效果有待提升。這與表征云和霧的模型有關(guān),本文模型主要是針對熱噪聲、散粒噪聲等高斯類型的噪聲,對去云和霧的噪聲表征模型正在做進一步的研究,希望后續(xù)找到一個模型的最小集,來去除盡可能的多類型噪聲。

[1] LI J L,LI H J,XU Q.Non-local means denoising based on wavelet threshold[J].Computer Engineering and Science,2015,37(8): 1546-1550.李嘉浪,李華君,徐慶.基于小波閾值的非局部均值去噪[J].計算機工程與科學(xué),2015,37(8):1546-1550.

[2] LEI T,UDUPA J K.Performance evaluation of finite normal mixture model-based image segmentation techniques[J].IEEE Transactions on Image Processing,2003,12(10):1153-1169.

[3] LI X C.Application of wavelet-domain markov random field in image processing[M].Beijing:Electronic Industry Press,2011.李旭超.小波域馬爾可夫隨機場在影像處理中的應(yīng)用[M].北京:電子工業(yè)出版社,2011.

[4] LI C,GU X F.Wavelet image denoising in wavelet shrinkage ways[J].Journal of Remote Sensing,2006,10(5):697-702.李翀,顧行發(fā).基于小波萎縮方法的影像小波去噪的研究[J].遙感學(xué)報,2006,10(5):697-702.

[5] HUANG J L,ZHENG X M.An optimized method for image denoising based on edge detection[J].Computer Simulation,2009,26(11): 260-263.黃劍玲,鄭雪梅.一種基于邊緣檢測的影像去噪優(yōu)化方法[J].計算機仿真,2009,26(11):260-263.

[6] REN H R,ZHANG P,WANG J L.A method of scanned image denoising based on morphological pyramid[J].Infrared Technology, 2004,26(2):40-43.任獲榮,張平,王家禮.一種形態(tài)金字塔掃描圖像去噪方法[J].紅外技術(shù),2004,26(2):40-43.

[7] XIA Q,XING S,MA D Y.An improved K-SVD-based denoising method for remote sensing images[J].Journal of Remote Sensing, 2016,20(3):441-449.夏琴,邢帥,馬東洋.遙感衛(wèi)星影像K-SVD稀疏表示去噪[J].遙感學(xué)報,2016,20(3):441-449.

[8] LI Q N,CHAO A N,SHI D Q,et al.A novel image denoising method of wavelet semi-soft threshold[J].Computer Engineering and Science,2014,36(8):1566-1570.李秋妮,晁愛農(nóng),史德琴,等.一種新的小波半軟閾值影像去噪方法[J].計算機工程與科學(xué),2014,36 (8):1566-1570.

[9] DONOHO D L,JOHNSTONE J M.Ideal spatial adaptation by wavelet shrinkage[J].Biometrika,1994,81(3):425-455.

[10] CHANG S G,YU B,VETTERLI M.Adaptive wavelet thresholding for image denoising and compression[J].IEEE Transactions on Image Processing,2000,9(9):1532-1546.

[11] ZONG X L,GEISER E A,LAINE A F,et al.Homomorphic wavelet shrinkage and feature emphasis for speckle reduction and enhancement of echocardiographic images[J].Proceedings of SPIE-The International Society for Optical Engineering,1996,2710:658-667.

[12] JANSEN M,MALFAIT M,BULTHEEL A.Generalized cross validation for wavelet thresholding[J].Signal Processing,1997,56(1):33-44. [13] TASDIZEN T.Principal components for non-local means image denoising[C]∥15th IEEE International Conference on Image Processing.New York:IEEE,2008:1728-1731.

[14] ZHANG J Y,MA Y,TIAN Z,et al.Impact of wavelet denoising on multi-spectral bathymetry inversion[J].Advances in Marine Science,2015,33(3):334-341.張靖宇,馬毅,田震,等.小波濾噪對多光譜遙感水深反演精度的影響分析[J].海洋科學(xué)進展,2015,33 (3):334-341.

[15] JIANG S P,HAO X J.Hybrid fourier-wavelet image denoising using gaussian scale mixture model for wavelet coefficients[J].Journal of Image and Graphics,2009,14(3):448-451.姜三平,郝曉劍.應(yīng)用小波系數(shù)GSM統(tǒng)計模型的混合傅里葉-小波影像降噪[J].中國影像圖形學(xué)報,2009,14(3):448-451.

[16] SONG B,XU C.The analysis of low SNR video de-noising algorithms using temporal domain and spatial domain mixture methods[J]. Infrared Technology,2011,33(8):489-494.宋博,徐超.基于時域和空域混合的低信噪比視頻降噪算法及其分析[J].紅外技術(shù), 2011,33(8):489-494.

[17] SUN L,GU D F,LUO J S.Hyperspectral imagery denoising method based on wavelets[J].Spectroscopy and Spectral Analysis,2009, 29(7):1954-1957.孫雷,谷德峰,羅建書.高光譜遙感影像的去噪方法[J].光譜學(xué)與光譜分析,2009,29(7):1954-1957.

[18] YONG H F,HOU C Z.Image de-nosing by wavelet shrinkage based on evidence theory[J].Optical Technique,2005,31(5):713-716.楊海峰,侯朝楨.基于證據(jù)理論的小波萎縮影像去噪[J].光學(xué)技術(shù),2005,31(5):713-716.

[19] LIN T-C.Fuzzy image restoration for noise reduction based on Dempster-Shafer theory[J].IEEE International Conference on Fuzzy Systems,2009,28(1):1931-1936.

[20] WANG L M,LEI L,ZOU H X.The fusion change detection of remote sensing images based on the D-Sevidential theory[J].Computer Engineering and Science,2011,33(7):50-54.王立民,雷琳,鄒煥新.基于D-S證據(jù)理論的遙感影像融合變化檢測方法[J].計算機工程與科學(xué),2011,33(7):50-54.

[21] ZHU F X,DU Y F,XIA D C.Introduction to Artificial Intelligence[M].Wuhan:Wuhan University Press,2006:100-300.朱福喜,杜友福,夏定純.人工智能引論[M].武漢:武漢大學(xué)出版社,2006:100-300.

[22] ZHANG M H.Study on WLAN based indoor location estimation technology[D].Shanghai:Shanghai Jiao Tong University,2009.張明華.基于WLAN的室內(nèi)定位技術(shù)研究[D].上海:上海交通大學(xué),2009.

Remote Sensing Image De-noising by Fusing Multiple Images Based on DS Evidence Theory

HUANG Dong-mei1,ZHU Gui-xian1,ZHANG Ming-hua1,WANG Li-lin2,SU Cheng2
(1.College of Information,Shanghai Ocean University,Shanghai 201306,China; 2.East China Sea Forecast Center Of SOA,People's Republic of China,Shanghai 200137,China)

The existing methods for de-noising a single remote sensing image tend to blur the image edges or give an imperfect de-noising result.To solve these problems,the de-noising method by fusing multiple remote sensing images based on DS evidence theory is proposed in this paper.The DS evidence theory is capable of utilizing multiple-source information and effectively dealing with cognitive uncertainty,and thus applicable to the cases of noise with uncertainty and randomness.Using the advantages of DS evidence theory,the paper aims to make full use of effective information of multiple remote sensing images taken by Landsat 8 in the sea-area around Shanghai.Four models are implemented to determine the probability of each pixel related with the noise,including the two-state Gaussian Mixture Model,edge analysis model, and two Noise Analysis Models based on spatial correlation.These four models work as the four evidences of DS theory to support the decision-making of de-noising scheme.Experimental results show that the method keeps the details of the image edge and texture information well while the noise is removed.

remote sensing image;DS evidence theory;image fusion;image de-nosing

July 28,2016

TP751

A

1671-6647(2017)03-0414-14

10.3969/j.issn.1671-6647.2017.03.011

2016-07-28

上海市科學(xué)技術(shù)委員會科研計劃項目——地方院校能力建設(shè)(15590501900);極地海洋環(huán)境監(jiān)測示范應(yīng)用系統(tǒng)開發(fā)項目——極地海洋環(huán)境監(jiān)測示范應(yīng)用系統(tǒng)開發(fā)(201405031-05);國家自然科學(xué)基金項目——基于多模態(tài)深度學(xué)習(xí)的弱特征多源海洋遙感影像協(xié)同分類模型研究(41671431);國家自然科學(xué)基金青年基金項目——一種面向多模態(tài)遙感信息的質(zhì)量抽樣檢驗方案研究(41501419)

黃冬梅(1964-),女,河南鄭州人,教授,博士生導(dǎo)師,主要從事海洋大數(shù)據(jù)管理、海洋GIS及輔助決策系統(tǒng)方面研究. E-mail:dmhuang@shou.edu.cn

*通訊作者:張明華(1977-),女,四川宣漢人,副教授,博士,主要從事海洋大數(shù)據(jù)管理方面研究.E-mail:mhzhang@shou.edu.cn