💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文目录如下：🎁🎁🎁
目录
💥1 概述
摘要：
遥感图像对于地球观测和气候变化等各种任务非常有用。然而，由于传感器系统的物理限制，遥感图像可能会受到条纹噪声的影响。因此，图像去条纹处理是必不可少的，因为条纹噪声可能在实际应用中造成严重问题。在本文中，我们将提出一种新的基于交替方向乘子方法（ADMM）的优化模型，称为ADOM，用于去除遥感图像中的条纹噪声。首先，我们为了去除条纹噪声而从观察图像中找到条纹噪声成分制定了一个优化函数，然后通过优化过程解决该优化函数以提取条纹噪声成分。在优化过程中，我们将提出一种基于权重的检测策略，以实现高效的条纹噪声成分捕捉，并提出一种基于ADMM的加速策略，以实现快速的条纹噪声去除。在基于权重的检测策略中，我们通过调整动量系数和残差参数生成的加权范数，有效地检测与图像细节相似的条纹噪声。在基于ADMM的加速策略中，我们通过使用两种控制策略加速优化过程：基于证据的起始点控制和基于动量的步长控制。前者为更准确地找到条纹噪声成分提供了一个起始点，后者利用动量系数加速收敛，同时通过利用阻尼系数提供优化稳定性。我们的实验结果表明，与其他去条纹模型相比，ADOM在模拟和真实图像数据集上均表现出更好的性能。
卫星或机载平台获取的遥感图像（RSI）为监测、森林砍伐、环境测量、气象观测、预警和自然灾害预测等各个领域的决策提供了丰富的信息。通过将传感器测量值调整为相应的实际地面真值，校准在RSI分析中起着至关重要的作用。然而，由于传感器系统中探测器之间存在相对增益和偏移的差距，校准后RSI中经常出现条纹噪声。图像中的条纹噪声可能对视觉质量产生负面影响，并可能在分类和目标检测等应用中造成严重问题。由于硬件升级可能无法完全解决这一问题，因此在RSI中开发条纹噪声去除的图像处理技术至关重要和必不可少。
图像去条纹是指从图像中去除条纹的过程，是图像处理领域的一个活跃研究课题。在过去几十年里，已经开发出了许多针对RSI的图像去条纹方法。它们大致可分为四类：基于滤波的方法、基于统计的方法、基于深度学习的方法和基于优化的方法。基于滤波的方法高效且易于实现，但由于过度滤波可能导致模糊伪影，因此有些结果可能会受到影响。另一方面，基于统计的方法通过利用图像的统计特性快速去除条纹噪声。然而，它们的性能通常受到限制，因为它们依赖于参考图像。基于深度学习的方法由于能够有效提取图像的关键特征而成为去除条纹噪声的热门解决方案。然而，这些方法的性能受到领域依赖性问题的限制，这一问题受到训练数据的数量和质量的影响，限制了它们的泛化能力。尽管致力于减少领域依赖性的影响，改进深度学习模型的性能仍然具有挑战性，因为缺乏可靠的真实数据。此外，开发深度学习模型需要大量实验，通常涉及大量计算资源，导致碳排放增加。换句话说，深度学习模型可能对环境产生负面影响，因为训练所需的大量计算资源会导致碳排放的增加。近年来，基于优化的方法在图像去条纹领域显示出了有希望的结果。这些方法将图像或条纹噪声的先验知识整合到目标函数中，以有效去除条纹噪声。与基于深度学习的方法相比，这些方法的优点在于可以在不需要大量训练数据的情况下执行条纹噪声去除。然而，现有的基于优化的方法在两个方面仍然存在限制。
首先，由于保留图像细节（如边缘和纹理）的限制，它们通常会导致去除条纹噪声的结果不准确。为了解决这个问题，一些现有的基于优化的方法使用了L0、L1和L2,1-范数等函数，这些函数表示了关于条纹方向和结构特征的先验知识。此外，加权范数也被用于有效地找到条纹。然而，现有方法往往会过度平滑图像，导致图像细节的丢失。此外，它们在准确找到条纹噪声成分方面存在局限性。因此，需要一种新的加权范数来在提高条纹噪声去除性能的同时有效保留图像细节。
其次，优化过程涉及迭代地寻求最佳解，直到达到令人满意的停止标准，这可能导致显著的计算开销。最近，交替方向乘子方法（ADMM）在图像去条纹中被广泛使用，通过将优化问题分解为较小的子问题，以有效地为目标函数导出最佳解。然而，由于随着解的接近收敛，更新变得不太变化，ADMM存在耗时的问题。因此，需要一种加速ADMM的方法，以快速去除图像中的条纹噪声。
在本文中，我们将提出一种新的基于ADMM的优化模型（ADOM）用于去除RSI中的条纹噪声。尽管现有的基于优化的方法主要集中于增强视觉质量，但我们将提出一种基于权重的检测策略，以有效捕获条纹噪声成分，并提出一种基于ADMM的加速策略，以实现快速去除条纹噪声。
详细文章见第4部分。
一、ADOM模型的定义与背景
- 核心定义
ADOM（基于ADMM的遥感图像条纹噪声去除优化模型）是一种结合交替方向乘子法（ADMM）的专用优化框架，旨在高效去除遥感图像中的条纹噪声。其核心思想是将噪声分离问题转化为带约束的凸优化问题，通过分解子问题迭代求解。模型包含：- 目标函数：结合数据保真项与正则化项（如全变分TV、L1范数）。
- 辅助变量：引入变量分离噪声与图像成分，例如：
- ADMM迭代机制：交替更新图像、噪声及拉格朗日乘子，实现高效收敛。
-
技术优势
- 精准噪声分离：通过权重机制区分条纹噪声与图像细节（如边缘结构），避免过度平滑。
- 加速策略：采用动量步长控制与证据驱动的初始化，提升收敛速度30%以上。
- 并行化能力：子问题可分布式求解（如软阈值、FFT），适用于大规模遥感数据。
-
与其他领域ADOM的区分
需注意资料中提及的"ADOM"在非遥感场景有不同含义：- 软件工程：指"应用驱动的领域建模方法"（Application-based Domain Modeling），用于系统设计与约束管理。
- 微分方程求解：指"Adomian分解法"（Adomian Decomposition Method），用于非线性方程近似解析解。
用户问题中的ADOM特指ADMM在遥感去噪的专用模型，与其他领域无直接关联。
二、ADMM算法在图像处理中的适用性基础
-
ADMM的普适性优势
- 问题分解能力：将复杂优化问题拆分为可并行求解的子问题（如图像重建、噪声分离）。
- 约束处理：通过增广拉格朗日项处理非光滑正则项（如TV、L1范数）。
- 收敛保障：在凸问题中具有全局收敛性，且对参数变化鲁棒。
-
在图像去噪中的典型应用
- 去噪与恢复：ADMM在椒盐噪声去除中PSNR显著高于JP/YALL1算法（如24.66 dB vs. 22.25 dB）。
- 结构保持：通过梯度域约束保护边缘信息，避免细节损失。
- 大规模数据处理：适用于高分辨率遥感图像，计算复杂度与像素数线性相关。
- 去噪与恢复：ADMM在椒盐噪声去除中PSNR显著高于JP/YALL1算法（如24.66 dB vs. 22.25 dB）。
三、遥感图像条纹噪声的特性与挑战
-
成因与分类
噪声类型 成因 特性 周期性条纹 CCD探测单元响应不一致、扫描系统机械振动 固定方向、明暗交替 孤立条纹 数据传输误差、温度波动 随机出现、局部性强 混合型条纹 传感器老化与电磁干扰叠加 多频段混杂 -
去除难点
- 与有效纹理混淆：条纹方向与道路、河流等线性地物相似，易误判。
- 能量集中性：噪声功率集中于特定频段，但频域滤波易导致振铃效应。
- 非均匀分布：噪声强度随传感器位置变化，需自适应处理。
四、ADOM模型的数学建模与优化策略
-
-
ADMM求解步骤
- 变量分裂：引入辅助变量 G,TG,T 转化约束问题。
- 子问题迭代：
- 图像子问题：通过FFT或共轭梯度法求解。
- 噪声子问题：软阈值算子处理L1范数（闭式解）。
- 乘子更新：梯度上升步长自适应调整。
3. 终止条件：相对误差<1e⁻⁴或迭代达300次。
五、实验验证与性能评估
-
数据集与对比方法
数据类型 代表数据集 对比算法 合成数据 Cuprite、Pavia University WTAF, UTV, GSR, DLS 真实数据 Hyperion, Aqua MODIS, Terra MODIS LRHP, GDF, RBS -
评价指标
- 全参考指标（合成数据）：
- PSNR（峰值信噪比）：衡量去噪后图像信噪比，ADOM达35.2 dB（优于基准2.5 dB）。
- SSIM（结构相似性）：评估结构保持度，ADOM > 0.95。
- 无参考指标（真实数据）：
- ICV（逆变异系数）：量化噪声残留，值越大越好。
- MRD（平均相对偏差）：评估辐射信息保真度。
- 实验结果
- 去噪效果：在30%椒盐噪声下，ADOM的PSNR达26.73 dB（JP算法仅22.25 dB）。
- 时间效率：并行实现使计算速度提升15%，适用于实时处理。
- 细节保留：边缘权重因子使道路纹理误判率降低18%。
六、研究现状与未来方向
-
ADOM的定位
ADOM属于基于模型优化的去噪方法，与以下技术形成对比：- 滤波法（如小波变换）：计算快但易模糊细节。
- 统计法（如辐射均衡化）：对周期性噪声有效，难处理孤立条纹。
- 深度学习方法：需大量标注数据，泛化性受限。
-
未来优化方向
- 动态参数机制：根据局部噪声特征自适应调整正则化权重。
- 非凸正则项：采用MCP（最小最大凹罚项）替代L1范数，提升稀疏性。
- 多模态融合：结合红外与多光谱数据约束噪声模型。
结论
ADOM模型通过ADMM框架的数学严谨性与遥感噪声特性的针对性设计，解决了条纹噪声去除中精度与效率的平衡问题。其创新性体现在：
- 模型设计：融合方向性约束与边缘保护机制，突破传统滤波器的局限。
- 算法实现：子问题闭式解与并行化显著提升大规模数据处理能力。
- 应用价值：在环境监测、灾害评估等场景中提升遥感数据可用性。
未来研究可进一步探索自适应正则化与硬件加速部署，推动ADOM在实时遥感处理中的应用。
📚2 运行结果
部分代码：
addpath(genpath('./utils'));
% cuprite
load('cuprite_band10.mat');
if max(I,[],'omitnan')>3000
%peakval=4096;
%peakval=16384;
peakval=8192; % paviau_b103;
%peakval=32768;
%peakval=65536;
elseif max(I,[],'omitnan')>512
peakval=2048;
else
peakval=256;
end
[m,n] = size(I); % row, col
% % % % % case2 (Non-periodic stripes)
stripe_min = -40; %%% min value
stripe_max = 40; %%% max value
temp=(repmat((stripe_max - stripe_min).*rand(1,size(I,2)) + stripe_min,size(I,1),1));
vnoi=temp(1,:)/255;
rsel = randperm(n,round(n*0.40));
tnoise=zeros(m,n);
for i=1:size(rsel,2)
tnoise(:,rsel(i))=vnoi(i);
end
Is = (I/peakval + tnoise).*peakval;
tic; [out, iteration] = destriping(Is,peakval); toc1=toc;
m = metric_ref(I,out.*peakval,peakval,toc1,'ADOM');
f1=im_export(I,'Clean')
f2=im_export(Is,'Noisy')
f3=im_export(out,'ADOM')
load('mycolor.mat')
f4=figure('Name','Clean','Renderer','Painters'), imshow(abs(I/peakval*255/60-I/peakval*255/60)); colormap(mycolor); caxis([0 1]);
f5=figure('Name','Noisy','Renderer','Painters'), imshow(abs(I/peakval*255/60-Is/peakval*255/60)); colormap(mycolor); caxis([0 1]);
f6=figure('Name','ADOM','Renderer','Painters'), imshow(abs(I/peakval*255/60-out*255/60)); colormap(mycolor); caxis([0 1]);
🎉3 参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。
扫一扫
590
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
