MODIS 影像条带噪声去除的自相关插值法

条带噪声是影响MODIS 影像质量和反演精度的一个重要因子。针对MODIS 第五波段影像条带特征, 系统地分析了其形成的原因, 比较了几种常用条带噪声去除方法并讨论了其具体应用的局限性。应用常用的傅立叶变换法进行了MODIS 条带去除试验, 并根据MODIS 影像数据的自相关性提出了自相关插值法去除MOD IS 影像条带噪声的方法。两种方法在MODIS 条带噪声去除实验结果的均值和标准偏差的比较表明自相关插值法在去除MODIS 影像条带噪声方面要明显优于傅立叶变换法。     

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。     

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。     

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.     

“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。     

结合MNF变换和Canny算子的遥感影像变化检测

针对大面积区域的多时相遥感影像变化检测的需求，提出了一种基于最小噪声分离（MNF）的Canny边缘检测提取影像变化信息的检测方法。对多时相影像采用多种变换组合成具有多维波段信息的影像，采用最小噪声分离法分离噪声并得到单波段差异图，通过Canny边缘检测法计算梯度幅值，采用高低双阈值法细化边缘，从而提取差异图变化边缘，有效突出了变化信息。以1995年和2003年加扎勒河的两期遥感影像为例，利用两时相影像进行土地覆被变化检测。实验结果表明，该方法适用于监测大面积区域内地物的突变情况。在数据基础上进行最小噪声分离可以有效解决传统Canny边缘检测提取边缘时造成的伪边缘现象，同时采用高低双阈值法有效去除伪边缘点，从而获得更加精确、直观的变化检测效果，在自然地理变化监测、地理国情灾害监测等有很好的应用价值。     

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。     

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。     

一种去除遥感图像条带噪声的小波矩匹配方法

遥感图像条带噪声掩盖数据真实的辐射信息,降低图像的质量及应用效果。针对窗口矩匹配算法对灰度分布不均一影像的条带噪声去除不彻底问题,提出小波矩匹配条带噪声去除算法。首先,基于小波多分辨率的特性将低频小波系数和高频小波系数分离;其次,利用移动窗口矩匹配算法对影像低频成分滤波,利用阈值法去除影像高频成分中的条带噪声;最后,通过小波逆变换重构得到去条带后的影像。采用局部峰值信噪比、局部结构相似度、模糊系数和拟合优度对影像去噪效果进行定量评价。结果表明:小波矩匹配算法的各项指标均优于矩匹配、小波软阈值和窗口矩匹配算法。小波矩匹配算法改善了窗口矩匹配算法要求影像灰度分布均匀的局限性,结合空间域和频率域去噪的优势,在去除条带噪声的同时能够较好地保留影像的细节信息。     

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。     

A piece-wise approach to removing the nonlinear and irregular stripes in MODIS data

As a result of imaging acquisition conditions, Moderate Resolution Imaging Spectroradiometer (MODIS) imagery suffers from nonlinear and irregular striping. The nonlinear stripes are those whose degradation parameters change with the ground objects, and the irregular stripes are those in which only some of the pixels are contaminated. These kinds of stripes result in great difficulties for conventional statistical destriping methods. To deal with these problems effectively, we propose a piece-wise destriping method. This approach divides the recognized defective rows into different portions by the local statistical and mean curve information. The destriping is then performed in each portion, based on the different correction coefficients, with a neighbouring normal row as a reference. Experimental results demonstrate that the proposed algorithm can effectively destripe MODIS data.     

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。
     

一种改进的CHRIS/PROBA垂直条带去除方法

多角度高光谱高空间分辨率的CHRIS数据是新一代小卫星PROBA平台上的CHRIS传感器获取的又一卓越的遥感数据源,虽然其数据有诸多优势,但也有一个缺陷:在图像上垂直条带噪声污染严重。本文在San-dra Mannheim提出的去除此类噪声的方法基础上,对该方法进行了另一种途径的探索,基于图像分割的原理,将图像分成灰度相近的几个片段,逐片断应用最小二乘法的多项式拟合,然后将去过条带的片段整合成一幅完整的图像。通过试验证明,用该途径实现的这种方法在地物复杂图像灰度变化剧烈的影像上取得了优越于其他方法的效果,并且证实,对于具有同类条带噪声的OMIS(Airborne Operational Modular Imaging Spectrometer),该方法也取得了比较好的效果,因而值得推广。     

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CBERS-02星CCD原始条带噪声处理方法

在简略分析辐射均衡、矩匹配和直方图匹配的基础上,提出了一种直方图匹配结合线性方向滤波的方法来去除CBERS\|02星图像数据中存在的条带噪声。其中直方图匹配用于消除探测元间的条带噪声,线性方向滤波用于消除横向随机条带噪声和剩余的列向条带噪声。实验结果表明,该方法不仅能很好地消除CBERS\|02卫星图像条带噪声,而且保留了图像上有用的信息。最后,从定性和定量两个方面进一步验证了该方法的有效性。     

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。
