基于深度学习的遥感影像混合噪声去除技术

宋婷婷　韩扬　史美龄

摘要：文章综合探讨了遥感影像中常见的混合噪声类型及其特点。详细介绍了基于深度学习的遥感影像混合噪声去除技术，包括卷积神经网络、生成对抗网络和自编码器等模型的选择与应用。同时，对数据预处理和增强技术、模型优化策略进行了深入分析，并通过技术应用测试验证了所提方法的有效性。

关键词：深度学习；遥感影像；混合噪声；去除技术

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2024）13-0037-02 开放科学（资源服务）标识码（OSID） ：

遥感影像作为地表监测与分析的重要资料来源，其质量直接影响到地理信息系统、气候变化监测、自然资源管理等多个领域的决策和研究质量。然而，这些影像在获取过程中往往会被多种噪声所污染，包括但不限于盐与胡椒噪声和高斯噪声。这些噪声来源复杂，如传感器故障、信号传输错误等，严重降低了遥感数据的可用性和可信度。传统的噪声去除技术，如中值滤波、高斯滤波等，在某些场景下虽然有效，但面对复杂多变的混合噪声环境时，这些方法往往显得力不从心，难以取得理想的去噪效果。

1 遥感影像噪声类型与特点

1.1 类型

1.1.1 盐与胡椒噪声

盐与胡椒噪声，也被称为脉冲噪声，是一种极端的噪声形式。表现为影像上随机分布的黑点（盐）和白点（胡椒）。此类噪声通常由图像传感器、传输错误或由于软件缺陷引起。它对遥感影像的影响尤为严重，会造成图像细节的丢失，尤其是在遥感影像中的小物体检测和分类中，其影响尤为显著。而高斯噪声，是一种统计噪声，其幅度在图像中呈正态分布[1]。

1.1.2 高斯噪声

高斯噪声是一种统计噪声，其幅度在图像中呈正态分布。与盐与胡椒噪声相比，高斯噪声更为普遍，反映了图像获取、传输过程中的随机误差。这种噪声在整个图像中普遍存在，表现为图像的模糊，影响图像质量的同时也增加了图像处理的难度。

1.2 特点

深度学习技术在处理这两种噪声方面展现出了独特的优势。针对盐与胡椒噪声，深度学习模型，尤其是具有强大特征提取能力的卷积神经网络（CNN） ，能够通过学习影像数据的深层特征，有效区分噪声与图像本身的信息，从而实现精确去噪[2]。通过设计专门的网络结构和损失函数，例如采用具备自适应特征提取能力的深度残差网络，可以进一步提高对盐与胡椒噪声的去除效率。

2 基于深度学习的遥感影像混合噪声去除方法

2.1 深度学习模型选择

在深度学习领域，选择适当的模型对于遥感影像中混合噪声的有效去除至关重要。本文将集中讨论三种主要的深度学习模型——卷积神经网络（CNN） 、生成对抗网络（GAN） 和自编码器，在遥感影像混合噪声去除中的应用及其效果。为了深入分析这些模型的工作原理和优势，我们引入一个以卷积神经网络为基础的算法实例，通过公式来阐述其在遥感影像混合噪声去除中的应用。

2.1.1 卷积神经网络

卷积神经网络（CNN） 通过其特有的卷积层和池化层架构，在特征提取和模式识别方面表现出色。CNN 的一个关键优势在于其能够自动且有效地从大量数据中学习空间层次的特征[3]。考虑到CNN在处理图像数据方面的能力，定义了一个基本的CNN去噪模型，其关键在于最小化原始图像与去噪图像之间的差异，这可以通过以下损失函数L来量化：

其中，N 代表训练样本的数量，Xi 是受噪声污染的输入图像，Yi 是对应的无噪声图像，f （Xi ; θ ）代表带有参数θ 的CNN模型，∥ 2 表示欧氏距离。通过优化上述损失函数，CNN模型学习到了从受噪声污染的输入中恢复清晰图像的能力。

2.1.2 生成对抗网络

生成对抗网络（GAN） 由一个生成器和一个判别器组成，其中生成器负责产生尽可能接近真实图像的输出，而判别器则尝试区分生成的图像和真实的图像。在遥感影像去噪的上下文中，生成器接收受噪声影响的图像作为输入，并试图输出去噪后的图像；判别器评估去噪图像与真实无噪声图像之间的区别。GAN的训练过程可以通过以下两个最小化问题来描述：

其中，G 代表生成器，D 代表判别器，V （D，G ）是判别器和生成器的值函数，E 表示期望，pdata 表示数据的分布，x 和y 分别表示受噪声影响的输入图像和真实的无噪声图像。通过这种方式，GAN能够生成与真实遥感影像在视觉上几乎无法区分的去噪图像。

2.2 数据预处理和增强

在遥感影像混合噪声去除的深度学习研究中，数据预处理和增强是一项至关重要的步骤。它不仅能够提升模型的训练效率，还能显著提高去噪性能。为了深入探讨这一过程，我们将专注于介绍自适应实例归一化（Adaptive Instance Normalization， AdaIN） 技术在数据预处理和增强中的应用，并通过数学公式来阐明其原理和效果。

自适应实例归一化（AdaIN） 源于视觉艺术风格迁移的研究。其核心思想是将一个图像的风格实时地迁移到另一个图像上。而在遥感影像去噪的上下文中，将这一概念转化为将遥感影像数据调整到一个更有利于深度学习模型学习的状态。AdaIN的操作可以表示为两个步骤的组合：首先是实例归一化（InstanceNormalization， IN） ，然后是自适应调整。实例归一化通过下列公式进行：

其中，x 表示图像中的一个像素点，μ （x） 和σ（x） 分别是该像素在通道内的均值和标准差，γ 和β 是可学习的参数，用于调整归一化后的数据的缩放和偏移。自适应调整则通过以下公式实现：

在这里，y 代表目标图像，这意味着我们使用目标图像y的均值μ （y ）和标准差σ（y ）来替代源图像x的相应参数。这一过程有效地将源图像的“风格”调整为目标图像的“风格”。在遥感影像去噪的场景中，可以理解为将具有噪声的遥感影像调整为更接近无噪声状态的风格，从而提高深度学习模型处理这些数据的能力。通过动态调整γ和β，可以实现多种不同程度和类型的噪声状态，从而使模型在面对实际的、多变的遥感影像噪声时，表现出更强的鲁棒性和适应性。

2.3 模型优化策略

有效的模型优化策略应当综合考虑损失函数设计、优化算法的选择、网络结构的调整以及超参数的精细调优，以确保深度学习模型能够充分学习数据中的复杂特征，同时有效降低噪声对最终影像质量的影响[4]。损失函数的设计需要精确反映遥感影像去噪的目标，即在降低噪声的同时尽可能保留影像的重要特征和信息。结合使用基于内容和结构的损失函数，如结构相似性（SSIM） 指数和感知损失，能够更全面地评估去噪效果，从而引导模型在减少噪声的同时保留影像的视觉质量。随机梯度下降（SGD） 及其变体虽然是深度学习中最常见的优化方法之一，但基于自适应学习率的优化算法，如Adam，因其出色的收敛速度和较小的超参数调整需求而越来越受到欢迎。网络结构的调整是实现高效去噪的关键。深度卷积神经网络（CNN） 通过引入更深的网络结构和创新的层间连接方式（如残差连接和密集连接）提高了信息的传递效率，有助于模型捕捉更复杂的数据特征并提高去噪性能。

3 技术应用测试

3.1 实验准备

1） 数据类型：遥感卫星影像，包括但不限于城市、农田、森林等地表类型。

2） 数据量：训练集大小为10 000张影像，验证集大小为2 000张影像，测试集大小为2 000张影像。

3） 噪声类型：模拟加入的高斯噪声和盐与胡椒噪声。

3.2 实验过程

在本研究中，数据集的选择和使用是实验设计的核心部分，确保了研究的有效性和可靠性。首先，本研究采用的遥感影像数据集是从公开的遥感数据源中精心挑选的，这些数据源包括但不限于NASA提供的地球观测数据和欧洲空间局（ESA） 的哨兵计划数据。选择这些数据集的原因是它们提供了丰富多样的地表类型，包括城市、农田、森林等，这对于本研究混合噪声去除技术的全面评估至关重要。所有选用的数据都是实测数据，保证了实验结果的真实性和适用性。在数据使用方面，本研究将数据集分为训练集、验证集和测试集三部分。总共14 000张遥感影像中，10 000张用于模型的训练，2 000张用于模型的验证，以及另外2 000张用于模型的最终测试，总共的数据量为14 000张遥感影像，这些数据涵盖了从低到高不同强度的噪声条件，以模拟真实世界中的多种情况[5]。每条数据包含的内容丰富，不仅有高分辨率的遥感图像本身，还包括了图像对应的噪声类型和噪声级别信息。通过对这些数据的深入分析和处理，本研究旨在评估和优化深度学习模型在遥感影像混合噪声去除任务中的性能，如表1所示。

结果解释显示，随着噪声强度的增加，PSNR值逐渐降低，而计算时间逐渐增加。这反映了去噪难度的提升和处理时间的延长。SSIM值也随噪声强度的增加而减少，表明图像质量在视觉上的下降。这些结果一致地表明，噪声强度对去噪性能有显著影响，尤其是在高噪声条件下，去噪任务变得更加挑战，同时去噪算法的效率也受到影响。然而，即便在高噪声条件下，所采用的深度学习技术依然能够达到相对满意的去噪效果，证明了该技术在处理复杂噪声环境下的有效性和潜力。利用本文算法对某两幅遥感影像进行去噪处理，得到去噪前后的影像如图1所示。

4 结束语

基于深度学习的遥感影像混合噪声去除技术的研究，是一项具有深远影响的工作。通过不断优化深度学习模型和算法，提高数据处理的效率和准确性，不仅可以极大提升遥感影像的应用价值，还可以推动深度学习技术在更广泛领域的应用和发展。面对未来，这一领域仍有广阔的研究空间和应用前景，期待更多创新性的理论和技术突破，共同推进遥感科学与深度学习技术的进步。

参考文献：

[1] 胡鹏程，唐诗华，张炎，等. 决策中值滤波联合三维块匹配的遥感影像去噪[J]. 海洋测绘，2023，43（2）：60-64.

[2] 任超，李现广，邓开元，等. 结合BM3D和多级非线性加权平均中值滤波的遥感影像混合噪声去噪方法[J]. 测绘通报，2020（1）：89-93.

[3] 任超，张胜国，李现广，等. 一种新的遥感影像组合滤波去噪方法[J]. 桂林理工大学学报，2023，43（3）：442-449.

[4] 胡绍凯，赫晓慧，田智慧. 基于MLUM-Net的高分遥感影像土地利用多分类方法[J]. 计算机科学，2023，50（5）：161-169.

[5] 槐燕萍. 多特征自适应融合的高分辨率遥感影像建筑物提取算法[J]. 测绘与空间地理信息，2023，46（6）：151-154.

【通联编辑：梁书】