礦區遙感圖像去噪方法研究

2022-01-25 02:52:28車守全李濤包從望江偉

工礦自動化 2022年1期

車守全，李濤，包從望，江偉

(六盤水師范學院礦業與土木工程學院，貴州六盤水 553000)

0 引言

利用衛星、無人機等拍攝的礦區遙感圖像廣泛用于礦區生產管理與監測，如道路規劃、無人駕駛、塌陷區擾動識別、礦山植被修復監測、土壤侵蝕估算、地質滑坡監測與識別、污染物識別等[1-5]。受設備穩定性、電子元件安裝、成像及計算誤差、信號傳輸等因素影響，礦區遙感圖像會出現噪聲污染、模糊化等情況，導致后續難以獲得較好的視覺處理效果。因此，去噪成為遙感圖像得以有效應用的重要預處理步驟。

現有的遙感圖像去噪方法大致可分為基于統計方法、基于域變換方法、基于學習方法3類?；诮y計方法根據含噪圖像本身的統計特征完成去噪，主要包括MF(Mean Filtering，均值濾波)、NLM(Non-Local Mean，非局部均值) 濾波、BF(Bilateral Filter，雙邊濾波)等。文獻[6]采用BF進行結構特征保持，實現了礦區遙感圖像初步去噪?；谟蜃儞Q方法是將圖像數據轉換到頻域[7-9]，通過閾值函數得到合適的圖像分割及處理頻率系數，然后進行逆變換重構，得到保留了大部分能量的低頻數據對應的去噪圖像，主要包括WT(Wavelet Transform，小波變換)、FT(Fourier Transform，傅里葉變換)等。文獻[10]采用提升小波與雙參數閾值函數完成礦區遙感圖像去噪，結合邊緣算子重構了清晰的圖像?；趯W習方法主要包括2類：① 生成式去噪模型，如字典學習及稀疏表示等，通過學習含噪圖像的過完備字典，將圖像表示為字典原子稀疏的線性組合，達到去噪目的；② 判別式去噪模型，如深度RNN(Recursive Neural Network，遞歸神經網絡)、CNN(Convolutional Neural Network，卷積神經網絡)、GAN(Generative Adversarial Network，生成對抗網絡)等，通過學習大量的噪聲圖像，形成數據映射式的去噪模型[11-13]。文獻[14]提出一種基于聚類的組稀疏字典學習方法，并將其用于多光譜遙感圖像去噪。文獻[15]采用平移不變性的K-SVD(K-Singular Value Decomposition,K奇異值分解)完成字典學習，結合稀疏表示理論，將去噪過程轉換為一個L1范數非凸函數優化問題，實現遙感圖像去噪。文獻[16]針對殘差網絡提出空洞卷積方法，并擴大神經網絡的感知野，提高了遙感圖像去噪性能。文獻[17]創新性地結合傳統WT和GAN進行遙感圖像去噪和超分辨率重建，克服了在非GAN下細節趨于平滑的問題。

上述方法均具有較好的遙感圖像去噪效果，但普遍存在細節過度平滑、紋理保持不足等缺點，而紋理細節是遙感圖像應用中的重要信息。本文基于引導濾波良好的邊緣保持特性，提出了迭代引導濾波方法，可增強遙感圖像邊緣特征提取效果；將迭代引導濾波與傳統去噪方法結合，可提高圖像去噪效果；采用迭代引導濾波與BM3D(Block Matching 3D,三維塊匹配)濾波融合方法對礦區遙感圖像進行去噪處理，結果表明融合方法可在提升去噪性能的同時，很好地保持細節特征。

1 基于引導濾波的圖像邊緣保持方法

1.1 引導濾波

引導濾波用1張引導圖像對輸出圖像中像素進行線性表達[18]，即

qi=akIi+bk?i∈wk

(1)

式中：wk為以引導圖像中任意像素點k為中心的窗口；qi為輸出圖像中窗口wk內像素點i的值；ak，bk為線性表達參數;Ii為引導圖像中窗口wk內像素點i的值。

當Ii為待優化輸入圖像時，輸出圖像與輸入圖像之間的梯度存在倍數關系，因此輸出圖像能夠很好地保留輸入圖像的邊緣部分。設待優化輸入圖像pi含有加性噪聲ni，則其與輸出圖像的關系為

pi=qi+ni

(2)

在窗口wk中關于參數ak，bk的引導濾波最小二乘損失函數為

(3)

式中ε為輸入圖像一階邊緣參數約束項的權重。

(4)

(5)

對輸出圖像中包含任意像素點i的窗口wi的線性表達參數取均值，得到式(1)的輸出結果：

(6)

(7)

(8)

1.2 迭代引導濾波

在引導濾波基礎上，引入迭代引導濾波，其主要思想是將引導濾波結果與輸入圖像作差，得到殘差圖像(主要為輸入圖像與引導濾波輸出圖像在邊緣上的內容差值及噪聲)，再對殘差圖像進行引導濾波，所得結果與最初的引導濾波結果相加，得到最終輸出圖像，并將該圖像作為下一次引導濾波的輸入，直至滿足迭代條件。迭代引導濾波過程如圖1所示。

圖1 迭代引導濾波過程Fig.1 Iterative guided filtering process

(9)

式中:εj為ε在第j(j=1,2,…,n)次迭代中的值;n為迭代次數。

迭代引導濾波具體步驟如下。

(1) 初始化約束參數ε、迭代次數n及其他結束條件(如圖像塊梯度變化量、PSNR(Peak Signal to Noise Ratio,峰值信噪比)變化值、殘差圖像像素二范數等)。

(2) 輸入殘差圖像。

(3) 根據式(3)—式(8)進行引導濾波，并將濾波結果與輸入殘差圖像作差，得到殘差結果。

(4) 對殘差結果進行引導濾波并輸出結果。

(5) 將步驟(4)中輸出結果與輸入殘差圖像相加。

(6) 判斷是否滿足迭代次數或其他迭代要求，若是則停止迭代，否則根據式(9)更新參數ε，并轉至步驟(2)繼續迭代。

選取1張典型的含高斯噪聲圖像進行迭代引導濾波，設置窗口半徑為1，ε=0.64，n=7，濾波結果如圖2所示。可看出經7次迭代引導濾波后，取得了較好的去噪效果。對比首次引導濾波后的殘差圖像及末次迭代引導濾波后的殘差圖像(為便于觀察，對圖像進行了像素值翻轉處理)，可看出經首次引導濾波后，殘差圖像中仍存在大量邊緣數據，導致濾波結果較為平滑，而末次迭代引導濾波后的殘差圖像中邊緣數據較少，多為離散的噪聲數據。以最終輸出圖像的PSNR為衡量標準，不同迭代次數下PSNR如圖3所示。與單次引導濾波相比，迭代引導濾波處理后的圖像PSNR提升了2.3 dB。

圖2 噪聲圖像迭代引導濾波結果Fig.2 Iterative guided filtering results of noise image

上述研究表明，迭代引導濾波對于具有稀疏特性的殘差圖像具有很好的邊緣保持效果。本文將迭代引導濾波分別與K-SVD字典學習、小波軟閾值、NLM濾波、BM3D濾波相結合，用于提升上述方法的去噪性能。在計算機參數為Intel I5-7200U，4 GB RAM，實驗平臺為Matlab R2016條件下，以圖2(a)所示的噪聲圖像為例，采用上述方法進行去噪處理，將去噪結果與輸入圖像作差，得到殘差圖像，對其進行迭代引導濾波。以PSNR,SSIM(Structural Similarity，結構相似性)為指標，迭代引導濾波對不同方法去噪性能的提升結果見表1。

圖3 迭代引導濾波處理后圖像PSNRFig.3 PSNR of the image processed by iterative guided filtering

表1 迭代引導濾波對于典型去噪方法的提升結果Table 1 Improvement results of iterative guided filtering to typical denosing methods

從表1可看出：迭代引導濾波對4種方法的去噪性能均有所提升，對BM3D濾波、NLM濾波的提升效果明顯，對K-SVD字典學習提升效果稍差，主要原因是K-SVD字典學習根據系數稀疏性實現去噪，而殘差圖像中的邊緣數據不夠突出；融合迭代引導濾波后，4種方法的運算時間增加值均較小。

2 迭代引導濾波與BM3D濾波融合方法

鑒于迭代引導濾波對BM3D濾波的去噪性能有較好的提升效果，本文采用迭代引導濾波與BM3D濾波融合，對礦區遙感圖像進行去噪。BM3D濾波在NLM濾波基礎上發展而來，結合了基于統計和基于域變換的圖像去噪方法，具有信噪比高、視覺效果好、計算復雜度低等優點。

2.1 BM3D濾波

BM3D濾波主要包括基礎估計和最終估計[19]?；A估計步驟如下。

(1) 相似塊聚類。在輸入圖像中進行W1尺寸網格劃分，并在W2大小的空間內尋找相似塊，將所有相似塊組成一個三維塊數據。

(2) 對三維塊中第二維塊數據進行小波變換，并對第三維數據進行Hadamard一維變換。針對變換結果，采用硬閾值函數進行第三維數據的一維反變換及第二維塊數據的二維反變換。

(3) 將步驟(2)中反變換結果聚合為原位置的同尺寸圖像，每個像素點值等于其所在相似塊值的加權和。

最終估計步驟如下。

(1) 對含噪圖像及基礎估計處理后得到的圖像分別進行相似塊聚類，得到2組三維塊數據。

(2) 對得到的2組三維塊數據進行與基礎估計中步驟(2)相同的變換處理，并對含噪圖像三維塊數據的變換系數進行維納濾波縮放。

(3) 對變換結果加權聚合到原位置，得到輸出圖像。

2.2 融合方法去噪性能

表2 不同方法的去噪性能對比Table 2 Comparison of denosing performance of different methods

3 融合方法在礦區遙感圖像去噪中的應用

以煤矸石場識別及礦區滑坡區域分割為例，驗證迭代引導濾波與BM3D濾波融合方法的應用效果。某礦區煤矸石場遙感圖像及識別結果如圖5所示。針對原始圖像及采用融合方法去噪后的圖像，采用文獻[20]中方法進行煤矸石場識別，將識別結果與人工標注結果進行對比，可看出采用融合方法去噪后區域識別準確率更高。貴州省畢節地區某礦區附近滑坡區域遙感圖像如圖6所示，采用Canny算子對經融合方法去噪前后的圖像邊緣進行識別，進而完成區域分割，結果表明去噪后的圖像區域劃分更接近實際滑坡區域。