【图像去躁】基于交替方向乘子法(ADMM)的遥感图像去条纹噪声优化模型（含SSIM PSNR）Matlab论文复现

最新推荐文章于 2025-12-05 17:36:32 发布

原创最新推荐文章于 2025-12-05 17:36:32 发布 · 907 阅读

23 ·

CC 4.0 BY-SA版权

文章标签：

#matlab #人工智能 #计算机视觉

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知，求助可私信。

🔥 内容介绍

遥感图像(RSI)在地球观测和气候变化研究等领域发挥着至关重要的作用。然而，由于传感器系统本身的物理限制，遥感图像常常遭受条纹噪声的污染。这种条纹噪声的存在会严重影响后续图像处理和分析的精度，进而阻碍相关应用的有效开展，因此，有效的条纹噪声去除方法至关重要。本文提出一种基于交替方向乘子法(ADMM)的全新优化模型，简称ADOM，用于高效去除遥感图像中的条纹噪声。该模型首先构建了一个旨在从观测图像中提取条纹噪声分量的优化函数，并在此基础上设计了一种有效的优化求解策略，以实现精准的条纹噪声去除。在优化过程中，我们提出了一种基于权重的检测策略以高效捕获条纹噪声分量，以及一种基于ADMM的加速策略以加快条纹噪声去除速度。

基于权重的检测策略利用调整范数和组范数权重的加权范数来有效地检测与图像细节相似的条纹噪声。该策略通过基于动量系数和残差参数动态调整权重，实现了对条纹噪声的精准识别，避免了误将图像细节识别为条纹噪声的情况。具体而言，我们根据图像局部区域的纹理复杂程度和条纹噪声的显著程度，动态调整范数权重，从而在抑制条纹噪声的同时，最大限度地保留图像细节信息。

基于ADMM的加速策略则通过两个控制策略来加速优化过程：基于证据的起始点控制和基于动量的步长控制。前者通过分析观测图像的统计特性，例如频谱特征和空间相关性，预估一个更精确的条纹噪声分量起始点，从而减少迭代次数，提高计算效率。后者则利用动量系数加速收敛速度，同时利用阻尼系数保证优化过程的稳定性，避免出现振荡等不稳定现象。动量系数控制算法的迭代方向，使其能够快速逼近最优解，而阻尼系数则控制步长大小，防止迭代过程出现过冲。这两种控制策略相互配合，有效地提升了算法的收敛速度和稳定性。

为了验证ADOM模型的有效性，我们进行了大量的实验，并将其与其他几种先进的去条纹噪声模型进行了比较。实验结果表明，无论是针对模拟数据集还是真实遥感图像数据集，ADOM模型在峰值信噪比(PSNR)、结构相似性指数(SSIM)等客观评价指标上都取得了显著优于其他模型的性能。这充分证明了ADOM模型在遥感图像去条纹噪声方面的优越性。 ADOM模型的优势主要体现在：1) 权重策略能够精准识别条纹噪声，减少误判；2) ADMM加速策略有效提高了收敛速度和稳定性，降低了计算复杂度；3) 在多种数据集上的实验结果均表明其性能优于现有算法。

总之，本文提出的基于ADMM的优化模型ADOM，通过巧妙地结合基于权重的检测策略和基于ADMM的加速策略，有效地解决了遥感图像去条纹噪声问题。其在提高去条纹效果和计算效率方面的显著优势，使其具有广泛的应用前景，为提高遥感图像数据质量和促进相关应用发展提供了重要的技术支撑。未来的研究将集中在进一步优化ADOM模型，例如探索更有效的权重调整策略和ADMM参数自适应调整机制，以期在更复杂的遥感图像去条纹噪声场景中获得更好的性能。此外，将ADOM模型应用于不同类型的遥感图像数据和更广泛的应用领域，例如目标检测、变化检测等，也是我们未来研究的重点方向。

📣 部分代码

end);

end

C1 = (K(1)*L)^2;

C2 = (K(2)*L)^2;

window = window/sum(sum(window));

mu1 = filter2(window, img1, 'valid');

mu2 = filter2(window, img2, 'valid');

mu1_sq = mu1.*mu1;

mu2_sq = mu2.*mu2;

mu1_mu2 = mu1.*mu2;

sigma1_sq = filter2(window, img1.*img1, 'valid') - mu1_sq;

sigma2_sq = filter2(window, img2.*img2, 'valid') - mu2_sq;

sigma12 = filter2(window, img1.*img2, 'valid') - mu1_mu2;

if (C1 > 0 & C2 > 0)

ssim_map = ((2*mu1_mu2 + C1).*(2*sigma12 + C2))./((mu1_sq + mu2_sq + C1).*(sigma1_sq + sigma2_sq + C2));

else

numerator1 = 2*mu1_mu2 + C1;

numerator2 = 2*sigma12 + C2;

denominator1 = mu1_sq + mu2_sq + C1;

denominator2 = sigma1_sq + sigma2_sq + C2;

ssim_map = ones(size(mu1));

index = (denominator1.*denominator2 > 0);

ssim_map(index) = (numerator1(index).*numerator2(index))./(denominator1(index).*denominator2(index));

index = (denominator1 ~= 0) & (denominator2 == 0);

ssim_map(index) = numerator1(index)./denominator1(index);

end

mssim = mean2(ssim_map);

return

⛳️ 运行结果

🔗 参考文献

[1] He B , Yuan X .A class of ADMM-based algorithms for three-block separable convex programming[J].Computational Optimization and Applications, 2018.DOI:10.1007/s10589-018-9994-1.