学术咨询服务正当时学报期刊咨询网是专业的学术咨询服务平台！
发布时间：2022-01-20 10:59所属平台：学报论文发表咨询网浏览： 次
摘要：去噪是矿区遥感图像得以有效应用的重要预处理步骤。现有的基于统计、基于域变换、基于学习等遥感图像去噪方法普遍存在细节过度平滑、纹理保持不足等问题。基于引导滤波良好的边缘保持特性，提出了迭代引导滤波方法，通过对残差信息进行引导映射，并迭代进行引
摘要：去噪是矿区遥感图像得以有效应用的重要预处理步骤。现有的基于统计、基于域变换、基于学习等遥感图像去噪方法普遍存在细节过度平滑、纹理保持不足等问题。基于引导滤波良好的边缘保持特性，提出了迭代引导滤波方法，通过对残差信息进行引导映射，并迭代进行引导滤波及超参数收缩，增强了遥感图像边缘特征提取效果;将迭代引导滤波与传统的小波软阈值、非局部均值(NLM)、三维块匹配(BM3D)滤波等去噪方法结合，有效提高了传统方法的峰值信噪比，其中NLM、BM3D滤波的去噪性能提升效果最明显;将迭代引导滤波与BM3D滤波融合，通过BM3D滤波初步获取去噪图像，得到残差数据，然后采用迭代引导滤波对残差数据进行处理，在提升图像去噪效果的同时，很好地保持了图像细节特征;将迭代引导滤波与BM3D滤波融合方法用于矿区遥感图像的煤矸石场识别及滑坡区域边缘识别，取得了较好的效果。
关键词:矿区遥感图像;图像去噪;边缘保持;迭代引导滤波;三维块匹配;BM3D
0引言
利用卫星、无人机等拍摄的矿区遥感图像广泛用于矿区生产管理与监测，如道路规划、无人驾驶、塌陷区扰动识别、矿山植被修复监测、土壤侵蚀估算、地质滑坡监测与识别、污染物识别等[1-5]。受设备稳定性、电子元件安装、成像及计算误差、信号传输等因素影响，矿区遥感图像会出现噪声污染、模糊化等情况，导致后续难以获得较好的视觉处理效果。因此，去噪成为遥感图像得以有效应用的重要预处理步骤。现有的遥感图像去噪方法大致可分为基于统计方法、基于域变换方法、基于学习方法3类。
基于统计方法根据含噪图像本身的统计特征完成去噪，主要包括MF(MeanFiltering，均值滤波)、NLM (Non-LocalMean，非局部均值)滤波、BF(BilateralFilter，双边滤波)等。文献[6]采用BF进行结构特征保持，实现了矿区遥感图像初步去噪。基于域变换方法是将图像数据转换到频域[7-9]，通过阈值函数得到合适的图像分割及处理频率系数，然后进行逆变换重构，得到保留了大部分能量的低频数据对应的去噪图像，主要包括WT(WaveletTransform，小波变换)、FT(FourierTransform，傅里叶变换)等。文献[10]采用提升小波变换与双参数阈值函数完成矿区遥感图像去噪，结合边缘算子重构了清晰的图像。
基于学习方法主要包括2类：①生成式去噪模型，如字典学习及稀疏表示等，通过学习含噪图像的过完备字典，将图像表示为字典原子稀疏的线性组合，从而达到去噪目的;②判别式去噪模型，如深度RNN(RecursiveNeuralNetwork，递归神经网络)、CNN(ConvolutionalNeuralNetwork，卷积神经网络)、GAN(GenerativeAdversarialNetwork，生成对抗网络)等，通过学习大量的噪声图像，形成数据映射式的去噪模型[11-13]。
文献[14]提出一种基于聚类的组稀疏字典学习方法，并将其用于多光谱遥感图像去噪;文献[15]采用平移不变性的KSVD(K-SingularValueDecomposition,K奇异值分解)完成字典学习，结合稀疏表示理论，将去噪过程转换为一个L1范数非凸函数优化问题，实现遥感图像去噪;文献[16]针对残差网络提出空洞卷积方法，并扩大神经网络的感知野，提高了遥感图像去噪性能;文献[17]创新性地结合传统WT和GAN进行遥感图像去噪和超分辨率重建，克服了在非GAN下细节趋于平滑的问题。
上述方法均具有较好的遥感图像去噪效果，但普遍存在细节过度平滑、纹理保持不足等缺点，而纹理细节是遥感图像应用中的重要信息。本文基于引导滤波良好的边缘保持特性，提出了迭代引导滤波方法，增强了遥感图像边缘特征的提取效果;将迭代引导滤波与传统去噪方法结合，提高了图像去噪效果;采用迭代引导滤波与BM3D融合方法对矿区遥感图像进行去噪处理，结果表明融合方法在提升去噪性能的同时，很好地保持了细节特征。
1基于引导滤波的图像边缘保持方法
1.1引导滤波
1.2迭代引导滤波
在引导滤波基础上，引入迭代引导滤波，其主要思想是将引导滤波结果与输入图像作差，得到残差数据(主要为输入图像与引导滤波输出图像在边缘上的内容差值及噪声)，再对残差数据进行引导滤波，所得结果与最初的引导滤波结果相加，得到最终输出结果，并将该结果作为下一次引导滤波的输入，直至满足迭代条件。
迭代引导滤波对于具有稀疏特性的残差数据具有很好的边缘保持效果。本文将迭代引导滤波分别与K-SVD字典学习、小波软阈值、NLM、三维块匹配(Block-Matchingand3D，BM3D)滤波相结合，用于提升上述方法的去噪性能。在计算机参数为IntelI5-7200U，4GBRAM，实验平台为MatlabR2016条件下，以上文噪声图像为例，采用上述方法进行去噪处理，将去噪结果与输入图像作差，得到残差数据，对其进行迭代引导滤波。
2迭代引导滤波与BM3D滤波融合方法
鉴于迭代引导滤波对BM3D滤波的去噪性能有较好的提升效果，本文采用迭代引导滤波与BM3D滤波融合，对矿区遥感图像进行去噪。BM3D滤波在NLM基础上发展而来，结合了统计方法和域变换方法，具有信噪比高、视觉效果好、计算复杂度低等优点。
2.1BM3D滤波
BM3D滤波主要包括基础步骤和最终估计[20]。基础步骤如下。(1)相似块聚类。在输入图像中进行
(1)对含噪图像及基础估计处理后得到的图像分别进行相似块聚类，得到2组三维块数据。(2)对得到的2组三维块数据进行与基础步骤中步骤(2)相同的变换处理，并对含噪图像三维块数据的变换系数进行维纳滤波缩放。(3)对变换结果加权聚合到原位置，得到输出图像。
2.2融合方法去噪性能
某矿区遥感图像大小为765×1206(宽×长)，对其进行方差为20的高斯处理，模拟成像及信号传输噪声。分别采用K-SVD字典学习、非局部相似性K-SVD字典学习、小波软阈值、BM3D滤波、迭代引导滤波与BM3D滤波融合方法对含噪图像进行处理。
其中，K-SVD字典学习区域划分大小为√
3融合方法在矿区遥感图像中的应用
遥感图像在煤矿生产中的应用范围广泛。以煤矸石场识别及矿区滑坡区域分割为例，验证迭代引导滤波与BM3D滤波融合方法的应用效果。针对原始图像及采用融合方法去噪后的图像，采用文献[21]中方法进行煤矸石场识别，将识别结果与人工标注结果进行对比，可看出采用融合方法去噪后区域识别准确率更高。贵州省毕节地区某矿区附近滑坡区域遥感图像，采用Canny算子对经融。
4结论
(1)在引导滤波基础上，提出了迭代引导滤波。通过对残差信息进行引导映射，并迭代进行引导滤波及超参数收缩，在有效去除图像噪声的同时，更好地保持边缘数据，提升去噪效果。
(2)将迭代引导滤波与传统的K-SVD字典学习、小波软阈值、NLM、BM3D滤波相结合对图像进行去噪，结果表明输出图像的PSNR、SSIM均得到提升，NLM、BM3D的去噪性能提升效果更明显。(3)将迭代引导滤波与BM3D滤波融合方法应用于矿区遥感图像去噪，结果表明融合方法较其他方法提升了图像PSNR及SSIM，并可获得更好的局部纹理视觉，用于矿区煤矸石场识别及滑坡区域边缘识别场景中取得了较好的效果。
参考文献(References)：
[1]王义方,李新举,李富强,等.基于多时相遥感影像的采煤塌陷区典型扰动轨迹识别—以山东省济宁市典型高潜水位矿区为例[J].地质学报,2019,93(增刊1):301-309.WANGYifang,LIXinju,LIFuqiang,etal.Identificationoftypicaldisturbancetrajectoryincoalminingsubsidenceareabasedonmulti-temporalremotesensingimages[J].ActaGeologicaSinica,2019,93(S1):301-309.
[2]杨宏业,赵银娣,董霁红.基于纹理转移的露天矿区遥感图像超分辨率重建[J].煤炭学报,2019,44(12):3781-3789.YANGHongye,ZHAOYindi,DONGJihong.Remotesensingimagesuper-resolutionofopen-pitminingareabasedontexturetransfer[J].JournalofChinaCoalSociety,2019,44(12):3781-3789.
[3]宋国策,张志.内蒙古新巴尔虎右旗多金属矿区扬尘风积物遥感监测方法[J].国土资源遥感,2020,32(2):46-53. SONGGuoce,ZHANGZhi.RemotesensingmonitoringmethodfordustandwindaccumulationinmultimetalminingareaofXinBaragRightBanner,InnerMongolia[J].RemoteSensingforLand&Resources,2020,32(2):46-53.
[4]周斌,李雨鸿,李辑,等.岫岩偏岭矿区植被修复生态环境监测评估[J].航天返回与遥感,2019,40(3):103-110.ZHOUBin,LIYuhong,LIJi,etal.Monitoringandassessmentofvegetationrestorationecologyenvironmentinxiuyanpianlingminingarea[J].SpacecraftRecovery&RemoteSensing,2019,40(3):103-110.
[5]汤伏全,李林宽,李小涛,等.基于无人机影像的采动地表裂缝特征研究[J].煤炭科学技术,2020,48(10):130-136.TANGFuquan,LILinkuan,LIXiaotao,etal.Researchoncharacteristicsofmining-inducedsurfacecracksbasedonUAVimages[J].CoalScienceandTechnology,2020,48(10):130-136.
作者：车守全，李涛，包从望，江伟
转载请注明来源。原文地址：http://www.xuebaoqk.com/xblw/7293.html
《矿区遥感图像去噪方法研究》