- 研究背景及意义
高光谱遥感（HS）技术是20世纪80年代兴起的新型对地观测技术，与传统遥感相比，高光谱遥感具有更为广泛的应用前景。此项目致力于高光谱遥感图像对混合噪声的评估。随着高光谱遥感技术的发展，高光谱图像的光谱分辨率不断提高，识别地物的能力不断增强。由于高光谱遥感图像波段很窄，图像信号非常容易受到噪声干扰。在遥感图像中，根据噪声与真实信号值的相关性可以将噪声类型分为三类：加性噪声、乘性噪声以及加性和乘性的混合噪声。对于遥感图像中噪声类型和噪声强度的研究始于20世纪70年代，然而在过去三十多年的研究中，研究人员认为遥感图像中的噪声主要为纯加性噪声(如SPOT，Landsat卫星图像等)或纯乘性噪声(如SAR图像等)。然而，近年来的研究表明，高光谱遥感图像中的噪声，尤其是新一代高光谱成像仪获取的遥感图像中的噪声，不能简单地当作纯加性噪声或纯乘性噪声来处理[9,10]，而新型高光谱图像中加性乘性混合噪声的建模和评估也成为近五年来研究的热点。
二、国内外研究情况
在以前，局部均值与局部标准差法是应用最广泛的遥感图像噪声评估方法之一。该方法利用了局部均值与局部标准差的概念,对含有加性噪声的遥感图像进行噪声评估。但该方法受地物覆盖类型影响很大,当遥感图像中地物覆盖复杂时,会得到异常的噪声估算结果。产生这一现象的主要原因是遥感图像中包含边缘和纹理的不均匀子块。为降低地物覆盖复杂性对算法的影响,[13]提出了基于边缘块剔出的局部均值与局部标准差法和基于高斯波形提取的局部均值与局部标准差法,前一种方法是削弱图像中包含边缘的不均匀子块的影响,后一种方法是提取反映均匀子块数量特征的高斯波形。利用同一次航空试验中获取的两幅AVIRIS辐射图像对改进后的算法进行了检验,结果表明改进后算法的健壮性明显提高,且噪声估算结果更准确。文献[14]提出了一种改进高光谱图像噪声评估的MNF变换算法。文献[15]提出小波分析也能应用于噪声评估。这些研究只针对了加性的噪声进行评估。
之后针对图像中存在的加性噪声和乘性噪声的混合噪声，文献[4]中提出了一个参数化噪声模型，分别以加性噪声和乘性噪声的方差作为噪声模型的两个参数。基于上述的双参数混合噪声模型，已有一些噪声参数求解的方法[1-4]。基于混合噪声假设，当估计信号相关（SD）和信号不相关（SI）噪声的强度时通常有两个主要步骤[2-8]。噪声和原始信号的分离从HS图像通常是这些算法的第一步。然后，最大似然估计（MLE）和散点图是用于在第二步骤中计算SD和SI噪声的两种主要方法。文献[1]提出了一种全自动算法，从没有任何自由参数的光谱信息从原始图像提取噪声和信号。然而，可以在没有空间信息的情况下降低分裂噪声和信号的精度。为了解决这个问题，文献[6]中的算法通过与本地3D扫描窗口联合处理HS数据来引入光谱相关分形布朗运动样本和随机噪声的混合。在文献[4]中，噪声被证明是机载可见/红外成像光谱仪（AVIRIS）图像的混合型，从单个扫描窗口估计SD和SI噪声。由于高计算复杂性，该算法没有被广泛应用。总之，基于MLE的算法具有两个缺点：初始值选择的灵敏度和最高优解的计算复杂度。在文献[6]中，提出了一种基于散点图方法来估计纯加法和纯乘法噪声的经典算法。图像被划分为具有相当小尺寸的块或窗口;然后估计局部平均值对局部噪声方差的散点图;基于散点图的算法可以容易地扩展以处理混合噪声估计，其中，线的斜率和截距分别对应于SD和SI噪声的强度。由于图像中的纹理和边缘，总是存在从纹理图像块产生的丰富的“异常”点，这将严重地影响曲线图的真实性。在文献[3]，Alparone等人试图通过将整个图像划分为非重叠块并检测均匀来消除异常点。该算法的弱点是需要手动选择用于计算均匀性判断阈值的均匀区域，主要决定于噪声估计的精度。在文献[8]中提出了一种高级算法，该算法使用全局均匀性阈值自动选择均匀块，该全局均匀性阈值是在来自图像散布图的最密集填充块上计算的。为了找到最密集填充的块，引入全局阈值参数并且对于任何给定图像根据经验进行设置。特别是当HS图像中的结构简单时，该算法对混合噪声估计产生高精度。目前存在的这些方法主要是通过寻找图像中的“均匀图像块”，将“均匀图像块”的均值和方差绘制成散点图，通过线性拟合的方法对加性噪声和乘性噪声的方差进行估计。文献[11]中提到高光谱图像变换域各波段图像噪声强度不同，并具有独特的结构。针对这些特点，文献[11]提出一种基于主成分分(Principal Component Analysis, PCA)和字典学习的高光谱遥感图像去噪新方法。首先，对高光谱数据进行PCA 变换得到一组主成分图像；然后，对信息量较小的主成分图像分别采用基于自适应字典的稀疏表示方法和对偶树复小波变换方法去除空间维和光谱维的噪声；最后，通过PCA 逆变换得出去噪后的数据。结合主成分分析和字典学习的优势，[11]方法相对于传统方法对高光谱图像具有更好的自适应性，在细节得到保留的同时有效地抑制了斑块效应。[12]提出了一种基于相关向量机(RVM)的高光谱图像噪声评估算法,对该算法所采用的RVM 回归原理, 残差与噪声的关系等进行了研究.然而，由于大多数高光谱遥感图像中场景都较为复杂，目前已有方法在针对简单场景的遥感图像时大都能获得不错的实验结果，而遇到复杂的遥感图像时，对其混合噪声评估的精度往往很难令人满意。
三、参考文献
[1] Abramov S., Zabrodina V., Lukin V., Vozel B., Chehdi K., amp; Astola J. (2010). Improved method for blind estimation of the variance of mixed noise using weighted LMS line fitting algorithm. Proceedings of ISCAS, pp. 2642-2645, Paris, France,June 2010.
[2] N. Acito, M. Diani, and G. Corsini, Signal-dependent noise modelling and model parameter estimation in hyperspectral images,' IEEE Trans. Geosci. Remote Sens. 49, 2957-2971 (2011).
[3] L. Alparone, M. Selva, B. Aiazzi, S. Baronti, F. Bufera, and L. Chiarantini, Signal-dependent noise modelling and estimation in new-generation imaging spectrometers,' in Proceedings IEEE 1st Workshop Hyperspectral Image and Signal Processing: Evolution in Remote Sensing(IEEE, 2009), pp.1-4.
[4] A. Foi, M. Trimeche, V. Katkovnik, and K. Egiazarian, Practical Poissonian-Gaussian noise modelling and tting for single image raw-data,' IEEE Trans. Image Process. 17, 1737-1754 (2008).
[5] J. Meola, M. T. Eismann, R. L. Moses, and J. N. Ash,Modeling and estimation of signal-dependent noise in hyperspectral imagery,' Appl. Opt. 50, 3829-3846(2011).
