馬曉劍， 趙法舜， 劉艷賓

(1.東北林業(yè)大學(xué)理學(xué)院，哈爾濱 150040; 2.中國地質(zhì)大學(xué)(北京)地球科學(xué)與資源學(xué)院，北京 100083)

0 引言

遙感圖像是用來描述地表信息的重要數(shù)據(jù)源，能否獲取清晰、高質(zhì)量的遙感圖像直接關(guān)系到有用信息的提取、分析和應(yīng)用。但是在采集、切換和傳送遙感圖像時(shí)，常常因?yàn)閮x器性能、操作手段或者成像環(huán)境，導(dǎo)致圖像被脈沖噪聲所沖擊，造成圖像質(zhì)量下降。因此，在利用遙感圖像解決深層問題之前，選擇合適的方法在去除脈沖噪聲的同時(shí)，有效保留遙感圖像原有的有用信息(如邊緣和細(xì)節(jié)等)就顯得至關(guān)重要。

遙感圖像去噪的方法可以基于不同的理論模型，比如概率統(tǒng)計(jì)、偏微分方程、稀疏表示以及多尺度分析等[1-6]。DBA算法[5]、NSBMF[6]等非線性方法是在統(tǒng)計(jì)的基礎(chǔ)上添加噪聲判斷，而文獻(xiàn)[2]提出了一種基于梯度倒數(shù)的自適應(yīng)開關(guān)算法對(duì)噪聲進(jìn)行判斷并消除。此外，為了解決遙感圖像在濾波過程中丟失細(xì)節(jié)信息的問題，文獻(xiàn)[3]提出使用組合濾波方法，在利用多尺度分析和中值濾波后，提取邊緣信息，將提取結(jié)果再融合到消噪后的遙感影像中，以此提升細(xì)節(jié)信息。以上方法的共同特點(diǎn)是先對(duì)隨機(jī)脈沖噪聲與信號(hào)點(diǎn)進(jìn)行分類[4]，再對(duì)噪聲點(diǎn)進(jìn)行消除，那么分類的準(zhǔn)確性會(huì)直接影響著濾波的效果。

事實(shí)上這種分類問題可以視作是一種不確定性問題，因?yàn)楸幻}沖噪聲沖擊的遙感圖像在某些像素點(diǎn)上會(huì)發(fā)生不確定性的突變，這種不確定性主要體現(xiàn)在突變像素強(qiáng)度的不確定性、突變位置的不確定性和突變數(shù)量的不確定性。D-S證據(jù)理論具有表達(dá)“不確定”和“不知道”的能力，在沒有先驗(yàn)信息的情況下它對(duì)不確定性和非精確性進(jìn)行建模有著不錯(cuò)的靈活性和有效性[7]。因此，它比一般概率理論的適用范圍更加廣泛，作為解決不確定性問題的有力工具，它已經(jīng)被應(yīng)用到許多實(shí)際領(lǐng)域，如目標(biāo)識(shí)別、遙感分類和圖像分割等[8-10]。D-S證據(jù)理論已經(jīng)成為不確定性信息處理與信息融合領(lǐng)域的重要理論，但是很少有人將該理論與圖像脈沖噪聲和信號(hào)點(diǎn)的分類問題結(jié)合起來。

直到2018年Zhang等[11]提出了ASMF-DBER算法，同時(shí)考慮脈沖噪聲間斷特征和極值特征2種準(zhǔn)則進(jìn)行了不確定性建模，創(chuàng)新性地將D-S證據(jù)理論應(yīng)用到了噪聲與信號(hào)的分類上，并取得了不錯(cuò)的結(jié)果。但是在證據(jù)高度沖突的情況下，僅使用2個(gè)特征和沖突系數(shù)無法準(zhǔn)確顯示融合的效果。比如，在脈沖噪聲密度較高時(shí)，圖像由于受到大量脈沖噪聲的沖擊而遭到嚴(yán)重?fù)p壞，ASMF-DBER算法中的2個(gè)特征準(zhǔn)則融合后的結(jié)果出現(xiàn)了違背直覺或者難以分類的情況，本文考慮添加第3種特征來降低遙感圖像中出現(xiàn)的證據(jù)高度沖突發(fā)生的可能性。所謂“高度沖突”的情況在本文中主要表現(xiàn)為以下幾種情況： 一是遙感圖像脈沖噪聲密度過大； 二是待分類的像素處在遙感圖像的邊緣位置或者處在圖像明暗區(qū)域的交界處； 三是待分類的像素恰好體現(xiàn)遙感圖像的細(xì)節(jié)信息。一直以來這些情況下的噪聲消除都是難以解決的。

為了更加有效地刻畫遙感圖像的固有結(jié)構(gòu)、邊緣以及紋理等細(xì)節(jié)特征，并盡可能地將脈沖噪聲從遙感圖像中去除掉，本文把脈沖噪聲的3個(gè)特征準(zhǔn)則： 極值性、間斷性和相似性作為證據(jù)，提出多特征準(zhǔn)則模型，再根據(jù)BJS散度和信度熵，構(gòu)建新的權(quán)重分配以解決證據(jù)融合出現(xiàn)的高度沖突的問題，然后綜合評(píng)估每個(gè)像素被判斷為噪聲點(diǎn)的概率大小，即通過概率決策完成分類。另外，在消除噪聲的階段，采用的是自適應(yīng)中值濾波方法。需要指出的是本文的重點(diǎn)是脈沖噪聲與信號(hào)的分類，分類的準(zhǔn)確性是本文重點(diǎn)研究的內(nèi)容。實(shí)驗(yàn)結(jié)果證實(shí)本文算法在能夠提高圖像濾波后的信噪比的同時(shí)，還做到了有效保留遙感圖像原有的邊緣細(xì)節(jié)等信息，即使是在高度沖突的情況下也有理想的結(jié)果。

1 不確定性噪聲模型及證據(jù)理論

1.1 脈沖噪聲模型

為了描述脈沖噪聲的不確定性，本文選擇文獻(xiàn)[12]中的噪聲模型，當(dāng)圖像(以8位灰色圖像為研究對(duì)象)被脈沖噪聲破壞后，噪聲隨機(jī)出現(xiàn)在像素集合N1={0,1,2，…，l}和N2={255-l,255-(l-1),…，255}中，其概率密度函數(shù)如下:

(1)

式中：xi,j和Si,j分別為噪聲圖像和原始圖像中處在第i行，第j列的位置的像素點(diǎn)；p為圖像被脈沖噪聲破壞的概率。被脈沖噪聲污染的遙感圖像的像素明顯偏離正常值，主要集中在0或者255附近，具有一定的不確定性，因此，本文選取l=2進(jìn)行研究，即噪聲像素強(qiáng)度為0，1，2，253，254或255。與l=0時(shí)，脈沖噪聲強(qiáng)度僅為0或者255的椒鹽噪聲相比，本文給出的噪聲模型增大了噪聲強(qiáng)度的不確定性。此外，由脈沖噪聲產(chǎn)生的機(jī)制不難發(fā)現(xiàn)，噪聲出現(xiàn)位置和數(shù)量也具有不確定性?？梢?，式(1)確定的脈沖噪聲模型更能反映遙感圖像被脈沖噪聲污染的實(shí)際情況。

1.2 D-S證據(jù)理論

在辨識(shí)框架Θ上，設(shè)有n個(gè)BPA函數(shù)m1,m2,…,mn，焦元分別為A1,A2,…,An，并假設(shè)這n個(gè)BPA函數(shù)是相互獨(dú)立的，則BPA函數(shù)之間的Dempster融合規(guī)則定義如下：

(2)

概率轉(zhuǎn)換函數(shù)[13]是指假設(shè)m(A)是辨識(shí)框架Θ下的BPA函數(shù)，Pignistic概率轉(zhuǎn)換函數(shù)將一個(gè)BPA轉(zhuǎn)換為一個(gè)概率測(cè)度Betp，公式為：

(3)

式中|A|為焦元A的基數(shù)；θi為脈沖噪聲N或非脈沖噪聲S。一般地，通過辨識(shí)框架Θ中Betp的最高值來進(jìn)行最終的決策。

2 多特征準(zhǔn)則融合的分類算法

2.1 脈沖噪聲的多特征準(zhǔn)則不確定性建模

與相鄰信號(hào)相比，被脈沖噪聲污染的像素有顯著的特征，比如： 極值性、相似性以及間斷性。本文根據(jù)這些特征利用區(qū)間距離、相似度函數(shù)以及像素的相對(duì)差異分別構(gòu)造特征準(zhǔn)則證據(jù)m1，m2和m3。

2.1.1 極值性特征準(zhǔn)則BPA的構(gòu)造

由噪聲模型可以看出，脈沖噪聲像素的強(qiáng)度主要分布在0或者255附近，接近或者達(dá)到極值。為了將噪聲和信號(hào)點(diǎn)進(jìn)行分類，本文利用區(qū)間距離來描述像素的強(qiáng)度和極值之間的接近程度，定義為[14]:

(4)

式中a和b為區(qū)間，即區(qū)間a=(a1,a2)和區(qū)間b=(b1,b2)，則像素x與圖像之間的區(qū)間距離可以表示為：

(5)

這里I=[Imin,Imax]是圖像的強(qiáng)度區(qū)間，Imin和Imax分別為圖像的最小強(qiáng)度和最大強(qiáng)度，x∈[Imin,Imax]。

如圖1所示，當(dāng)x取[0,255]的中值時(shí)，d(I，[x,x])達(dá)到最小值； 當(dāng)x接近極值0或255時(shí)，區(qū)間距離變大。因此,d(I，[x,x])可以用來描述像素強(qiáng)度x與極值Imin和Imax之間的接近程度。根據(jù)區(qū)間距離的這一性質(zhì)，本文構(gòu)造BPA函數(shù)m1，公式如下：

(6)

式中：dc為待分類像素的強(qiáng)度和區(qū)間I之間的距離；d0為在當(dāng)前窗口中的像素和I之間的最小距離；dext為I和極值(Imin或Imax)的距離；dmed為I和I的中值的距離。在噪聲密度高的情況下，m1(N)應(yīng)該接近于1，但是文獻(xiàn)[11]中m1(N)趨近于0，這樣就導(dǎo)致了噪聲點(diǎn)被判斷成信號(hào)的錯(cuò)誤分類結(jié)果，本文將文獻(xiàn)[11]的m1函數(shù)做了改進(jìn)，用ε(取ε=0.001)去調(diào)整BPA函數(shù)，避免了這種情形下的高度沖突結(jié)果的發(fā)生。

圖1 不同像素的d(I，[x,x])變化圖Fig.1 d(I，[x,x]) of pixels

2.1.2 相似性特征準(zhǔn)則BPA的構(gòu)造

往往圖像的細(xì)節(jié)信息與周圍信號(hào)既有差異性又有相似性，只用極值性特征準(zhǔn)則進(jìn)行分類還不夠準(zhǔn)確，本文用待分類像素與窗口內(nèi)其他信號(hào)的差異，作為分類的又一依據(jù)來構(gòu)建相似性特征準(zhǔn)則BPA函數(shù)。

(7)

式中：rg(xi,j)為像素差，g=1,2,…,WF×WF；xi,j為(i,j)處的待分類像素強(qiáng)度；xi-s,j-t為(i-s,j-t)處的像素強(qiáng)度。令SIMij為xi,j與窗口內(nèi)像素的相似度[15]，公式為：

(8)

式中σμ取當(dāng)前窗口區(qū)域像素的均值。則SIMij表征了xi,j與周圍像素的相似程度。

利用相似度構(gòu)造特征準(zhǔn)則BPA如下：

(9)

式中μ為SIMij的權(quán)重，介于0～1之間。從圖2中可以看出： 當(dāng)rg的絕對(duì)值越小時(shí)，SIMij越大，說明xi,j的紋理、強(qiáng)度等特征與周圍像素越相似，即它沒有被脈沖破壞的可能性越大，則被判斷成是信號(hào)點(diǎn)的概率就越大； 當(dāng)rg絕對(duì)值增大時(shí)，SIMij減小，xi,j被判斷成是脈沖噪聲的概率變大?？梢娪肧IMij構(gòu)造BPA函數(shù)來對(duì)脈沖噪聲與信號(hào)分類是合理的。通過實(shí)驗(yàn)，本文取μ=0.9效果最佳，容易證明m2滿足BPA函數(shù)的定義。

圖2 rg與SIMij關(guān)系曲線Fig.2 The curve of relation between rg and SIMij

2.1.3 間斷性特征準(zhǔn)則BPA的構(gòu)造

處在明暗交界處的信號(hào)往往比其相鄰信號(hào)的強(qiáng)度高或低很多，這體現(xiàn)了間斷性的特征，同時(shí)也是脈沖噪聲的特點(diǎn)，因此這些信號(hào)往往被錯(cuò)誤地分類成噪聲。本文構(gòu)建了間斷性特征準(zhǔn)則BPA，記作m3函數(shù)，以減小分類誤判的概率，公式如下：

(10)

式中：IWmax為當(dāng)前窗口像素的最大值，IWmin為當(dāng)前窗口像素的最小值；n為當(dāng)前窗口WF(i,j)中除去中心像素的像素個(gè)數(shù)；γ為權(quán)重，介于0～1之間。

2.2 基于信度熵和BJS散度的證據(jù)融合

雖然根據(jù)脈沖噪聲的極值性、相似性、間斷性這3個(gè)特征進(jìn)行了不確定性證據(jù)建模，但是證據(jù)之間的沖突可能還會(huì)出現(xiàn)，為了減少證據(jù)沖突的可能性，本文提出在利用證據(jù)融合規(guī)則之前，對(duì)特征準(zhǔn)則BPA函數(shù)進(jìn)行修正處理，利用BJS散度與信度熵對(duì)證據(jù)進(jìn)行重新分配，以校正高度沖突情形下噪聲與信號(hào)分類的錯(cuò)誤結(jié)果。

若Ai為信度函數(shù)m的假設(shè)，m1和m2為在同一辨識(shí)框架Θ上的兩個(gè)BPA函數(shù)，則m1和m2之間的BJS散度[16]可表示為：

(11)

根據(jù)BJS散度建立證據(jù)之間的差異度量矩陣M，即：

(12)

事實(shí)上，BJS散度的顯著特征之一是可以為每種概率分布分配不同的權(quán)重，它代表了證據(jù)間可靠性的差異大小，2個(gè)證據(jù)間越相似，BJS散度就越大，尤其在多于2個(gè)證據(jù)時(shí)，它對(duì)分類結(jié)果會(huì)產(chǎn)生至關(guān)重要的作用。

此外，當(dāng)分類的不確定性程度很高時(shí)，信度熵越大，得到證據(jù)的支持度越少，可以用它來進(jìn)一步表示信號(hào)與噪聲分類的不確定性。所以令A(yù)i為信度函數(shù)m的假設(shè)，則集合Ai的信息量為:

(13)

綜上，為降低高度沖突發(fā)生的可能性，提高分類效果，本文利用BJS散度建立證據(jù)可信度Rei，再根據(jù)信度熵，給出證據(jù)信息量ICi，最后融合兩者作為證據(jù)的新權(quán)重，實(shí)現(xiàn)對(duì)證據(jù)的重新分配，具體步驟如下：

1)BJS散度計(jì)算3個(gè)證據(jù)的差異度量矩陣Mij,1≤i≤3,1≤j≤3。

2)計(jì)算證據(jù)可信度Rei，i=1,2,3。

3)由信度熵計(jì)算每個(gè)證據(jù)的信息量ICi，i=1,2,3。

4)由可信度和信息量融合生成新權(quán)重Wfi=Rei×ICi,i=1,2,3。

于是再將修改后的證據(jù)采用Dempster的融合規(guī)則進(jìn)行自身間的融合，并使用Pignistic概率轉(zhuǎn)換(式(3))得到概率測(cè)度Betp，并將其作為最終脈沖噪聲與信號(hào)點(diǎn)分類的依據(jù)。如果Betp>0.5，則判斷該像素點(diǎn)為脈沖噪聲，反之則為信號(hào)點(diǎn)。本文提出的多特征準(zhǔn)則的融合分類算法具體過程見圖3。

圖3 多特征準(zhǔn)則的建模與融合Fig.3 Modeling and fusion process of multi-feature criterion

本文算法采用先對(duì)脈沖噪聲與信號(hào)分類，再進(jìn)行噪聲消除的思路，提出了基于IBDND[18]的消噪改進(jìn)方法，步驟如下：

1)將過濾窗口的初始大小WF設(shè)置為3，并將最大窗口大小Wmax設(shè)置為11。

2)設(shè)置當(dāng)前窗口大小WF×WF，并以(i,j)的目標(biāo)像素為中心設(shè)置濾波窗口WF(i,j)。

4)將過濾窗口的大小擴(kuò)展為(WF+1)×(WF+1)，然后重復(fù)2)和3)，直到當(dāng)前過濾窗口大小達(dá)到最大窗口11×11。

5)對(duì)當(dāng)前過濾窗口應(yīng)用近似中值像素替換，輸出像素值為：

(14)

式中：Nu為當(dāng)前窗口脈沖噪聲像素個(gè)數(shù)；P為脈沖噪聲密度；Nt為當(dāng)前窗口像素總數(shù)；Zij為在窗口信號(hào)點(diǎn)中值Yij的基礎(chǔ)上增添了基于距離索引的調(diào)整項(xiàng)；Vu為當(dāng)前窗口信號(hào)點(diǎn)像素；dist(k)為Vu中第k個(gè)值的信號(hào)與位置(i,j)處的噪聲像素之間的空間距離，公式為：

(15)

3 實(shí)驗(yàn)與分析

為了驗(yàn)證本文算法的有效性，文章從SIRI-WHU遙感影像中的公園、住宅區(qū)、工業(yè)區(qū)、和河壩等數(shù)據(jù)庫[19-21]里隨機(jī)選取了6幅含有不同類型地物信息的遙感圖像(見圖4)進(jìn)行實(shí)驗(yàn)。這些圖像具有區(qū)域平滑、色調(diào)對(duì)比明顯或者背景復(fù)雜、紋理信息豐富等不同特征。采用的不確定性噪聲模型見式(1)。為說明算法的優(yōu)勢(shì)，本文還與DBA，NSBMF，IBDND，SAMF[22]以及ASMF-DBER這5種算法進(jìn)行了比較。實(shí)驗(yàn)主要從“高沖突”角度出發(fā)，對(duì)高噪聲密度、邊緣、紋理細(xì)節(jié)等情況進(jìn)行視覺分析和定量分析。定量指標(biāo)選擇常用的結(jié)構(gòu)相似度(structural similarity index,SSIM)、準(zhǔn)確率(accuracy rate,AR)和峰值信噪比(peak signal to noise ratio,PSNR)，指標(biāo)公式如下：

(16)

(17)

(18)

由于本文算法分2步進(jìn)行，即先將遙感圖像中的脈沖噪聲與信號(hào)分類，再消除噪聲，因而先選擇了同為2步消噪的IBDND和ASMF-DBER算法進(jìn)行對(duì)比。由式(16)可以看出AR指標(biāo)可以衡量分類的準(zhǔn)確性，其值越大說明遙感圖像中信號(hào)與噪聲的分類越準(zhǔn)確；SSIM指標(biāo)則表示消噪后的遙感圖像與原圖的接近程度。因此，以圖4(a)為例，表1給出這2個(gè)指標(biāo)下的對(duì)比結(jié)果。

表1 不同算法的AR與SSIMTab.1 AR and SSIM of different algorithms

從表1中可以看出，在低噪聲密度時(shí)，2種指標(biāo)下的IBDND算法稍遜一籌，當(dāng)噪聲密度達(dá)到50%后，即“高度沖突”體現(xiàn)越明顯時(shí)，本文算法的分類準(zhǔn)確率AR表現(xiàn)就越突出，這意味著更多的噪聲被準(zhǔn)確識(shí)別出來。另外本文算法的SSIM在“高度沖突”下表現(xiàn)穩(wěn)定，說明消噪后的遙感圖像結(jié)構(gòu)變化小于其他算法，細(xì)節(jié)保持更優(yōu)。

由表1不難發(fā)現(xiàn)，在噪聲密度較低時(shí)，ASMF-DBER算法的結(jié)構(gòu)相似度略微優(yōu)于本文算法，但是從定性視覺直觀的角度(圖5)能夠發(fā)現(xiàn)，當(dāng)噪聲密度為50%時(shí)，消噪后選定明暗交界處，放大橫跨河水兩岸的建筑物的部分細(xì)節(jié)(圖5(e))，可以明顯看出ASMF-DBER算法對(duì)梯度變化較大的信息保留要稍差，而本文算法符合地理要素的空間自相關(guān)性，消噪后遙感圖像中的建筑物仍能保持良好的連續(xù)性，失真度小，邊緣更流暢，對(duì)比度損失小。為了進(jìn)一步說明本文算法對(duì)圖像邊緣或明暗交替的位置具有較高的還原度，本文對(duì)河壩圖的局部信息(20×20的像素區(qū)域)進(jìn)行誤差分析,將未污染噪聲的細(xì)節(jié)圖與消噪后的細(xì)節(jié)圖做差，生成像素誤差圖，如果誤差分析圖越接近0附近的顏色，那么消噪后的誤差就會(huì)越小。由圖6不難發(fā)現(xiàn)相比于ASMF-DBER算法，本文算法誤差波動(dòng)幅度較小，圖像顏色顯示誤差值分布更接近0附近，說明本文算法處理后的細(xì)節(jié)結(jié)果更接近原圖像，從而再次說明本文算法對(duì)遙感圖像的細(xì)節(jié)保持好，后期應(yīng)用處理會(huì)更具優(yōu)勢(shì)。

為了進(jìn)一步從視覺角度說明本文算法適合不同地物類型的遙感圖像的去噪，本文將圖4(b)，(c)，(d)，(e)以及(f)添加10%～90%不同密度的脈沖噪聲，考察遙感圖像被不同噪聲密度干擾時(shí)的恢復(fù)能力。這5幅不同類型的遙感圖像中住宅區(qū)和立交橋的遙感圖像背景相對(duì)復(fù)雜，像素反差小，細(xì)節(jié)信息較多； 公園和工業(yè)區(qū)的遙感圖像類型像素強(qiáng)度高低相間，背景相對(duì)平滑，圖像的連續(xù)性較為復(fù)雜； 云層圖像色調(diào)反差大，紋理信息明顯。原圖及各算法處理后的效果如表2所示。從中可以看出，SAMF算法由于分類能力最差，明顯有大量噪聲殘留，故僅適用于低噪聲密度的情況； DBA算法處理后的圖像過于模糊，影響后續(xù)的地物信息的提??； NSBMF算法對(duì)于細(xì)節(jié)信息多的遙感圖像來說，該方法的弱點(diǎn)就暴露出來，比如邊緣連續(xù)性差、細(xì)節(jié)清晰度低、明暗交界的輪廓位置出現(xiàn)了毛糙； 而本文算法對(duì)于“高沖突”處理結(jié)果理想，噪聲提取準(zhǔn)確，對(duì)于遙感圖像中不同類型的地物信息還原性強(qiáng)。同時(shí)從表2中還可以發(fā)現(xiàn)，公園和云層的遙感圖像中的白色高亮部分經(jīng)過不同恢復(fù)算法后損失嚴(yán)重，這是因?yàn)榘咨吡敛糠值南袼貜?qiáng)度接近脈沖噪聲的像素強(qiáng)度，在脈沖噪聲的識(shí)別過程中容易產(chǎn)生誤判。本文利用多特征準(zhǔn)則融合算法提取脈沖噪聲，有效降低了誤判發(fā)生的可能性，白色高亮的細(xì)節(jié)部分得到更好的保留。

表2 噪聲密度依次為10%，30%，50%，70%和90%的濾波效果對(duì)比圖Tab.2 Comparison of filtering effect under 10%，30%，50%，70% and 90% noise density

為驗(yàn)證不同噪聲密度條件下本文算法均有良好的還原能力，當(dāng)噪聲密度由10%變化到90%時(shí)，圖7為應(yīng)用5種算法對(duì)圖4不同類型遙感圖像分別處理后的定量指標(biāo)PSNR的結(jié)果。很顯然，隨著噪聲密度的升高，PSNR指標(biāo)普遍下降，IBDND算法下降速度最快，本文算法的濾波優(yōu)勢(shì)明顯，即使噪聲密度達(dá)到90%，相比其他算法，本文算法處理過的遙感圖像對(duì)噪聲的分類仍然有效。

圖7 遙感圖像的PSNR對(duì)比圖

4 結(jié)論

脈沖噪聲的存在極大影響著遙感圖像的信息判讀與分析，為了實(shí)現(xiàn)對(duì)遙感圖像的高質(zhì)量復(fù)原，擴(kuò)展遙感圖像的應(yīng)用范圍和應(yīng)用價(jià)值，本文提出了多特征準(zhǔn)則融合的脈沖噪聲識(shí)別方法。在文獻(xiàn)[11]的基礎(chǔ)上，本文增加了脈沖噪聲的相似性特征，根據(jù)脈沖噪聲的相似性、極值性和間斷性特征進(jìn)行了新的不確定性建模； 同時(shí)利用BJS散度和信度熵對(duì)證據(jù)進(jìn)行了新的權(quán)重分配，根據(jù)D-S證據(jù)理論進(jìn)行了證據(jù)融合，避免沖突信息的發(fā)生。通過實(shí)驗(yàn)得到以下結(jié)論：

1)針對(duì)被脈沖噪聲損壞后的SIRI-WHU影像中工業(yè)區(qū)、公園等不同類別的遙感圖片，本文算法均表現(xiàn)出很強(qiáng)的恢復(fù)能力，還原后的遙感影像符合地理要素的空間自相關(guān)性，圖像清晰且對(duì)比度損失小，說明本文算法可以廣泛適用于不同類型遙感圖像的去噪處理。

2)即使在信息“高沖突”的情況下，本文算法仍然能保證脈沖噪聲被準(zhǔn)確的識(shí)別，完成圖像的去噪。在脈沖噪聲密度達(dá)到90%時(shí)，本文算法處理后的遙感圖像仍能保持原有的紋理、邊緣以及明暗交界等細(xì)節(jié)信息，圖像的連續(xù)性仍能保持較佳的水平，說明本文提出的多特征準(zhǔn)則信息融合算法適合對(duì)細(xì)節(jié)信息豐富或者被高密度噪聲干擾的圖像進(jìn)行恢復(fù)處理。