MODIS影像条带噪声去除方法研究

条带噪声是影响MODIS影像质量的一个重要因子。分析了MODIS条带噪声形成的主要原因和特点,比较了几种常用条带噪声去除方法及其局限性,着重提出和改进了利用傅立叶变换法、小波变换法和插值法去除MODIS影像条带噪声。上述3种方法都能在一定程度上去除MODIS影像条带噪声。对实验结果的均值、标准偏差以及边缘保留的比较结果表明,在去除MODIS影像条带噪声方面,插值法优于小波变换,而小波变换优于傅立叶变换。     

MODIS影像条带噪声行的判断及去除研究

为了提高MODIS_L1B含有条带噪声的波段5和波段27的影像质量,基于MODIS的扫描特性提出了一种通过扫描带行均最大值判断条带噪声行的方法。去除影像的噪声行时,在波段5的单行邻域插值法基础上,针对波段27提出了一种相邻多行插值方法。最后,通过对比原始数据和去条带噪声后数据的差值图、行均值图和数值分析来证实条带噪声处理效果。结果表明:该方法可以精确判断这两个波段影像的所有条带噪声行,且对条带噪声去除效果较好,去除条带过程简单且适用于复杂场景的光谱图像。     

GA-BP网络在去除MODIS遥感影像条带噪声中的应用

由于卫星传感器光、电器件在反复扫描地物的成像过程中受扫描探测单元正反扫描响应差异、传感器机械运动和温度变化等因素的影响,使MODIS(moderate-resolution imaging spectroradiometer)遥感影像产生一定的条带噪声。影像条带噪声的去除在改善MODIS数据的质量和提高其利用率上具有重要的意义。在BP神经网络去除MODIS遥感影像条带噪声方法的基础上,运用遗传算法GA优化BP神经网络,有效地提高了神经网络的学习、训练速度和精准度,去除了影像的条带噪声,取得良好的实验结果。     

基于小波变换的图像条带噪声去除方法

条带噪声的存在不但妨碍高光谱图像的目视判读,而且制约高光谱遥感的定量应用。针对小波变换法条带噪声去除过程中遇到的条带噪声和图像有用信息难以有效分离的问题,根据小波变换的方向性和数学显微镜特性,提出了一种新的基于小波变换的条带噪声去除方法。这种方法首先对含有条带噪声的图像进行一定层数的小波分解;然后对每一层分解得到的与条带噪声分布方向相同的子图像再进行一定层数的小波分解,从而实现条带噪声和图像有用信息的有效分离,将含有条带噪声的子图像置零;最后利用小波反变换得到去除条带噪声的图像。以欧洲空间局PROBA卫星上搭载的CHRIS高光谱数据为例,采用相关系数(R)、结构相似度(SSIM)和峰值信噪比(PSNR)3个定量指标,对比分析了新方法与矩匹配法、傅立叶滤波法和小波阈值法的条带噪声去除效果。结果表明新方法去噪后的图像具有最高的R、SSIM和PSNR,新方法能够有效地去除高光谱图像中的条带噪声,同时较好地保留了原始图像的有用信息。
     

基于小波变换的多波段遥感图像条带噪声的去除

介绍了几种在TM，MSS，SPOT等多传感器遥感图像中条带噪声去除方法的特点，提出了一种基于小波变换的条带噪声去除方法，并以几何纠正前的非均匀地物分布的CMODIS图像为实验数据，对这些方法的去条带噪声效果作了比较。结果表明，本提出的方法要优于以前的几种常用方法，具有很好的去条带效果，同时较好地保持了原图像的特征。这种方法在其它多传感器遥感图像的条带噪声去除中也有很强的适用性。     

一种改进的矩匹配方法在CMODIS数据条带去除中的应用

由于传感器之间对接受的地物辐射信号的响应特性不同,导致CMODIS数据中的许多波段含有大量的条带。这些噪声严重影响了CMODIS数据的解译和信息提取。介绍了几种常用在TM、MSS、SPOT等多传感器光谱仪中条带去除方法,提出了一种改进矩匹配方法用于CMODIS数据中的条带去除,并比较了这种方法和其它几种常用方法对几何纠正前非均匀地物分布的CMODIS数据的去条带噪声结果。结果表明这种新方法要优于以上提到的几种常用方法,具有很好的去条带噪声效果,同时保持图像原有的的信息。这种方法在其它多传感器遥感图像的条带噪声去除中也有很强的适用性。     

一种高光谱遥感数据条带及随机点噪声去除方法

针对高光谱数据条带噪声的分布特点,本文提出在空间域采用矩匹配法去除条带噪声,在NSCT域采用基于邻域信息的自适应软阈值滤波法去除随机点噪声的综合去噪模型.通过哈图金矿区HSI二级产品数据实验证明,该方法不仅可以有效地去除条带及随机点噪声,而且较为完整地保留了原始影像的特征信息及边沿细节,进而为高光谱遥感定量分析与应用提供数据基础.     

基于变换域的条带噪声去除方法

为解决线扫描图像中的条带噪声干扰问题,提出了傅里叶变换与小波分解相结合的变换域条带噪声去除方法。首先对图像进行多尺度小波分解,将包含条带噪声的小波子带与包含图像信息的小波子带分离;然后对含有条带噪声的小波子带进行傅里叶变换,并对变换系数进行带阻滤波以消除条带噪声。利用实际采集的带有条带噪声的棉花异性纤维图像进行仿真实验,结果表明:傅里叶变换与小波分解相结合的方法,去噪效果明显优于单独使用傅里叶变换或小波分解的方法,既能有效地去除图像中的条带噪声,又能较好地保持图像的细节信息。     

“泰景四号01星”遥感影像条带噪声去除方法

泰景四号01星是全球首颗直接用于动目标检测的遥感卫星，提供全色双条带推扫数据，一次推扫任务可以完成两个拥有可控时间差的条带影像采集。在双条带影像存在条带噪声的条件下，需避免噪声引起的目标漏检与误检，为此，提出了一种顾及帧间一致性的去条带方法。首先，使用实验室辐射定标参数去除大部分微弱条带；然后，利用配准后两谱影像之间列均值统计特征差异，对条带噪声定位并进行像素补偿。实验结果表明，该方法在定性和定量评价上均取得了良好的效果，能够在提高影像质量的同时兼顾算法处理效率。     

CHRIS/PROBA数据条带噪声去除方法比较

PROBA是欧空局于2001年发射的一颗最小的对地观测卫星,CHRIS是搭载于PROBA平台上的最主要的成像光谱分光计,具有五个成像模式,以其卓越的光谱空间分辨率及多角度的优势为着不同的研究目的分别对陆地、海洋及内陆水体进行成像。但CHRIS/PROBA数据本身被严重的条带噪声所污染,尤其是垂直条带噪声,因而去除条带噪声则成为使用CHRIS数据的首要与处理工作。本文描述了几种去除条带方法,包括传统的矩匹配方法,新的迭代辐射纠正方法,校正因子法及比值法。由于这些方法基于不同的理念,各个方法的去噪效果必定有所差异,本文目的是通过比较选出其中最好的一种方法。每种方法的结果从两方面进行了比较、评定:定性的视觉效果及图像变换前后的定量的灰度偏移值,比较结果列成表格,从而挑选出最优秀的一种方法。     

Destriping Remote Sensing Imagery by Wavelet Moment Matching Algorithm

Strip noise will cover the real radiation information of remote sensing image,which not only reduces image quality,but also application effect.Aiming at the problem that window moment matching is difficult to remove strip noise thoroughly for the non\|uniform image,the wavelet moment matching algorithm is proposed.Firstly,the low frequency wavelet coefficient and the high frequency wavelet coefficients are separated which based on the wavelet multiresolution characteristic.Secondly,the low frequency wavelet coefficients were filtering by window moment matching,while strip noise of high frequency wavelet coefficients was performed by threshold method.Finally,reconstruction of the wavelet coefficients obtained destriping image.The above mentioned algorithm was evaluated quantitatively by local PSNR,local SSIM,Fuzzy coefficient and goodness of fit index.Results show that the wavelet moments matching algorithm is superior to the moment matching,wavelet soft threshold and window moment matching algorithm.Wavelet moment matching improves limitation of uniform distribution of grayscale value based on window moment matching,combining the advantages of spatial and frequency domain denosing,which can remove the noise while preserving the details of the image.     

基于BP神经网络的云相态检测方法研究

利用MODIS中5个光谱波段上不同云相态的特性,提出了一种基于BP神经网络的云相态检测方法。首先,分析了所选波段上不同云相态的特性,利用5个波段上光谱图像的反射率、亮温值和亮温差值构成4组特征数据作为输入层,隐层和输出层分别采用优化的传输函数。然后,利用3层前馈型BP神经网络对所选波段MODIS数据进行了云相态检测。最后,将两组测试数据用该BP神经网络算法进行云相态检测的结果与相应MOD06云相态数据进行了对比分析,结果表明该方法能很好地识别云相态,检测平均准确率达到86.11%,计算结果与标准结果平均相关性达到0.874的高度相关,且无需在计算前进行复杂的云和晴空分离处理。     

MOD09A1数据产品中缺失条带的插补方法

MODIS地表反射率产品(MOD09A1)是MODIS系列化数据产品中一项重要而基础性的产品。在实际应用中发现该数据产品中仍然继承了原始数据固有的条带缺失问题,且随着数据投影转换,缺失数据在表现为条带状的同时,表现出新的分布特点,以往的插补方法不再适用。利用MOD09A1数据集中描述MODIS数据获取和处理质量的QC数据逐一确定单个缺失像元的准确位置,采用其8邻域内的非缺失像元均值对缺失像元进行插补,在对非条带信息不产生影响的前提下实现了MOD09A1缺失条带的去除,从而确保了该产品数据的质量。选用不同年份不同天数的3景数据进行处理,并将模拟的条带缺失数据采用本文方法处理的结果与真实数据比较,以及将同一条带缺失数据采用不同方法处理的结果比较,结果显示本文方法对于MOD09A1数据条带去除优于以往的方法,并具有普适性和可靠性。
     

基于BPANN噪声检测的反距离加权法滤除椒盐噪声

针对传统方法滤除高密度椒盐噪声出现模糊和图像细节丢失的问题,提出基于BP神经网络噪声检测的反距离加权插值法(IDWF)滤除椒盐噪声。该算法共分为两步。第一步,使用有监督学习的BP神经网络检测出被椒盐噪声污染的像素点并标记。第二步,使用反距离加权插值法对标记后的噪声图像进行重建。实验结果表明,该算法要优于传统的滤波方法,修复后的图像能够保留更多的细节,拥有更高的峰值信噪比和结构相似性指数,特别是对高密度噪声图像的修复有很好的效果。     

分段线性动态矩匹配条带去除

由于探测器之间对接收的地物辐射信号的响应特征不同,导致遥感数据含有条带噪声,严重影响了图像质量及后续的定量计算。针对探测器响应函数在图像低值区及高值区呈非线性的特点,在着重分析矩匹配方法的基础上,提出分段线性动态矩匹配条带去除方法。方法设定阈值分割高中低值域统计区间,对探测器响应函数进行分段线性拟合,并对探测器每一分图像动态采用其领域内均值和标准差作为参考值进行条带纠正。应用TM数据第4波段及环境一号卫星高光谱数据进行去条带实验,并定性和定量地比较了该方法与动态矩匹配、傅里叶变换、自动均衡化曲线方法的去条带效果。结果表明该方法能够在保留图像基本信息的前提下,获得最佳的去条带效果,尤其能够提高非均匀地物分布区域内水体的条带去除效果。     

一种新的基于噪声点检测的脉冲噪声去噪算法

中值滤波是广泛应用于去除脉冲噪声的一种非线性去噪方法,但是单一地使用中值滤波方法去除脉冲噪声会造成图像细节信息的丢失,从而使图像变得模糊。基于噪声点检测的脉冲噪声滤波方法可以在滤除噪声的同时有效地保持图像的细节信息。该文在此基础上提出了一种新的基于噪声点检测的脉冲噪声滤波算法,该算法在检测噪声点时用被检测点的中值滤波结果作为判定该点是否为噪声点的依据。而在滤除被检测到的噪声点时,采用的是迭代的中值滤波算法。从实验结果中可以看到,与其它中值滤波算法相比,该文的算法在去除脉冲噪声时能取得较好的效果。