一种遥感影像混合噪声的去噪方法

邓开元，任 超，梁月吉，于志文

(1.桂林理工大学测绘地理信息学院，广西 桂林 541004； 2. 广西空间信息与测绘重点实验室，广西 桂林 541004)

遥感图像噪声产生的原因存在于图像获取的各个环节，目前对遥感图像的处理主要考虑脉冲噪声[1-2]和高斯噪声[3-6]。在实际中，图像的噪声往往不是单一的，大多可能为脉冲噪声和高斯噪声的混合噪声，因为传统的均值、中值去噪方法的效果不佳，因此文献[7]提出了将小波阈值方法与自适应Wiener滤波相结合的去噪方法。文献[8]等提出了将Bayes小波阈值滤波、自适应Wiener滤波和自适应中值滤波相结合的3层组合滤波去噪方法，效果虽然优于传统的两层组合滤波，但最终还会残留部分噪声。

以上的滤波方法针对影像中常见的脉冲噪声和高斯噪声依次通过阈值判别进行去噪，由于不同维度的滤波相互影响，即使有针对性地进行组合滤波去噪也会导致影像残留部分噪声。本文提出一种基于三维块匹配[9]与自适应中值滤波[10]相结合的新组合滤波方法。

1 组合滤波除去混合噪声方法

影像中常见混合噪声是由脉冲噪声和高斯白噪声组合而成。混合噪声中大部分是加性的高斯噪声

X(m,n)=S(m,n)+N(m,n)

(1)

式中，X为观测信号；S为原始信号；N为高斯噪声，其均值为0，方差为δ。

由于合成孔径雷达影像所含乘性噪声的特殊性，本文将在以后的研究中对其进行分析。

1.1 三维块匹配方法

由于图像中信息的噪声位于高频区域，消除噪声与保存细节二者之间自相矛盾，因此传统低通滤波方法无法获得良好的去噪效果。三维块匹配方法采用块匹配原理，三维块匹配有两个相同的步骤。第一步，它使用硬阈值生成噪声图像的基本估计。第二步，利用维纳滤波器对噪声图像进行去噪处理。

1.1.1 分 组

分组是一种收集相似图像区域的过程。假设Z为含噪图像，ZXR为参考块，ZX为当前处理的图像块。组中的块数为N,那么ZXR与ZX之间的距离可以表示为

(2)

(3)

1.1.2 协同滤波

为了实现协同滤波，必须首先对ZS1进行三维变换，然后利用硬阈值进行收缩处理，最后通过逆变换得到逐块估计的三维数组。

(4)

1.1.3 重新组合

重组是在第一次估计图像的基础上，利用块匹配方法再次确定分组结果。

(5)

1.1.4 协同维纳滤波

维纳滤波收缩系数大小由第一次估计的三维变换系数的能量决定

(6)

(7)

1.2 自适应中值滤波

自适应中值滤波是一种非线性滤波，能够很好地去除噪声，并且保留边缘信息。其方法可分为两个层次，可定义为A层和B层。设Xx,y表示中心像素点(x,y)在进行滤波时对应的窗口(窗口允许的最大尺寸为Xmax)，Zmin为Xx,y中灰度级的最小值，Zmax

为Xx,y中灰度级的最大值，Zmed为Xx,y中灰度级的中值，Z(x,y)为坐标(x,y)上的灰度值。

ZA1=Zmed-Zmin

(8)

ZA2=Zmax-Zmed

(9)

ZB1=Zx,y-Zmin

(10)

ZB2=Zmax-Zx,y

(11)

A层：当ZA1>0且ZA2>0时，转入B层；否则，增大窗口尺寸。如果窗口尺寸等于或小于Xmax，则重复A层，否则输出Z(x,y)。

B层：当ZB1>0且ZB2>0时，输出Zx,y；否则，输出Zmed。

2 新的组合滤波方法

本文方法是在传统空间域和小波域的基础上提出的,方法流程如图1所示。

本文方法分为3步，具体实现步骤如下：

3 试验与评价质量

为了比较自适应中值、三维块匹配、3层组合滤波、本文方法在图像去除混合噪声中处理的精度，通过Matlab 2017b进行了两个仿真试验及一个真实遥感图像去噪试验。

3.1 试验1

为了验证本文方法的有效性与优越性，仿真试验1用256×256像素Lena灰度影像，根据遥感影像中常见的混合噪声类型对各种组合滤波方法进行对比试验，其中遥感影像常见的混合噪声主要包含25/0.005、30/0.01、35/0.03、40/0.05这4种，每组数据的前者代表高斯噪声的标准差，后者代表脉冲噪声的密度。采用自适应中值、三维块匹配、3层组合滤波、本文方法来进行试验。在噪声强度为40/0.05

时本文去噪方法的效果如图2所示,各种去噪方法评价指标结果见表1。从表1看出，就去除影像的混合噪声而言，本文方法比传统去噪方法具有更好的去噪效果。

去噪方法噪声污染25/0.00530/0.0135/0.0340/0.05自适应中值131.76/26.93/0.58181.21/25.55/0.51246.17/24.22/0.45329.42/22.95/0.38三维块匹配42.93/31.84/0.8754.16/30.72/0.8485.63/28.20/0.78143.43/26.56/0.693层滤波方法106.22/27.87/0.79124.87/27.17/0.76160.46/26.08/0.72194.79/25.24/0.68本文方法44.89/31.60/0.8754.24/30.79/0.8571.63/29.56/0.8297.63/28.23/0.79

3.2 试验2

试验图像为截取某地区上空的遥感图像。利用不同混合噪声大小进行试验，其结果见表2,各去噪方法在混合噪声大小为35/0.03的结果如图3所示。经过对比分析，本文提出的组合滤波方法就去除遥感图像混合噪声而言，其效果优于传统方法，可应用在实际遥感影像去噪。

表2 各种组合滤波方法去噪评价指标(MSE/PSNR/MSSIM)

从表2和图3中看出，本文方法均优于自适应中值滤波方法、三维块匹配、3层滤波方法。从表2还可以看出，各方法在影像所含混合噪声较小时相对于混合噪声较大时，后者的去噪效果差，说明去噪效果还受到噪声大小影响。为了进一步比较三维块匹配与本文算法优劣，三维块匹配去噪与本文方法去噪在40/0.05噪声类型下最终结果的放大如图4所示。经过对比分析，本文提出的组合滤波方法在去除遥感图像中各类常见的混合噪声时，其效果优于传统各方法，去噪后图像的MSE、PSNR、MSSIM也都最优，可应用于实际遥感影像去噪。

3.3 试验3

为了验证方法的可行性，采用真实遥感图像进行去噪，选取资源三号卫星在某地区上空的拍摄遥感图像，所截取图像尺寸为112×157。原始图像及各种方法去噪图像如图5所示。

通过以上真实遥感图像的试验结果观察可知，本文方法在去噪的定性视觉效果上优于传统方法，可以有效去除遥感图像中的混合噪声。

4 结 语

针对遥感图像中存在的混合噪声，本文提出了一种新的组合滤波方法。该方法与目前常见滤波方法相对比，从去噪的数据质量和人眼的视觉效果比较上有一定的优势。该去噪方法，在有效地去除遥感图像中常见的脉冲和高斯混合噪声的同时，能够更好地保护图像有用的信息，保留图像的边缘细节，适用于遥感图像常见类型混合噪声的去除，可以推广应用在实际工程中。