宋婷婷　韓揚　史美齡

摘要：文章綜合探討了遙感影像中常見的混合噪聲類型及其特點。詳細介紹了基于深度學習的遙感影像混合噪聲去除技術(shù)，包括卷積神經(jīng)網(wǎng)絡、生成對抗網(wǎng)絡和自編碼器等模型的選擇與應用。同時，對數(shù)據(jù)預處理和增強技術(shù)、模型優(yōu)化策略進行了深入分析，并通過技術(shù)應用測試驗證了所提方法的有效性。

關鍵詞：深度學習；遙感影像；混合噪聲；去除技術(shù)

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2024）13-0037-02 開放科學（資源服務）標識碼（OSID） ：

遙感影像作為地表監(jiān)測與分析的重要資料來源，其質(zhì)量直接影響到地理信息系統(tǒng)、氣候變化監(jiān)測、自然資源管理等多個領域的決策和研究質(zhì)量。然而，這些影像在獲取過程中往往會被多種噪聲所污染，包括但不限于鹽與胡椒噪聲和高斯噪聲。這些噪聲來源復雜，如傳感器故障、信號傳輸錯誤等，嚴重降低了遙感數(shù)據(jù)的可用性和可信度。傳統(tǒng)的噪聲去除技術(shù)，如中值濾波、高斯濾波等，在某些場景下雖然有效，但面對復雜多變的混合噪聲環(huán)境時，這些方法往往顯得力不從心，難以取得理想的去噪效果。

1 遙感影像噪聲類型與特點

1.1 類型

1.1.1 鹽與胡椒噪聲

鹽與胡椒噪聲，也被稱為脈沖噪聲，是一種極端的噪聲形式。表現(xiàn)為影像上隨機分布的黑點（鹽）和白點（胡椒）。此類噪聲通常由圖像傳感器、傳輸錯誤或由于軟件缺陷引起。它對遙感影像的影響尤為嚴重，會造成圖像細節(jié)的丟失，尤其是在遙感影像中的小物體檢測和分類中，其影響尤為顯著。而高斯噪聲，是一種統(tǒng)計噪聲，其幅度在圖像中呈正態(tài)分布[1]。

1.1.2 高斯噪聲

高斯噪聲是一種統(tǒng)計噪聲，其幅度在圖像中呈正態(tài)分布。與鹽與胡椒噪聲相比，高斯噪聲更為普遍，反映了圖像獲取、傳輸過程中的隨機誤差。這種噪聲在整個圖像中普遍存在，表現(xiàn)為圖像的模糊，影響圖像質(zhì)量的同時也增加了圖像處理的難度。

1.2 特點

深度學習技術(shù)在處理這兩種噪聲方面展現(xiàn)出了獨特的優(yōu)勢。針對鹽與胡椒噪聲，深度學習模型，尤其是具有強大特征提取能力的卷積神經(jīng)網(wǎng)絡（CNN） ，能夠通過學習影像數(shù)據(jù)的深層特征，有效區(qū)分噪聲與圖像本身的信息，從而實現(xiàn)精確去噪[2]。通過設計專門的網(wǎng)絡結(jié)構(gòu)和損失函數(shù)，例如采用具備自適應特征提取能力的深度殘差網(wǎng)絡，可以進一步提高對鹽與胡椒噪聲的去除效率。

2 基于深度學習的遙感影像混合噪聲去除方法

2.1 深度學習模型選擇

在深度學習領域，選擇適當?shù)哪Ｐ蛯τ谶b感影像中混合噪聲的有效去除至關重要。本文將集中討論三種主要的深度學習模型——卷積神經(jīng)網(wǎng)絡（CNN） 、生成對抗網(wǎng)絡（GAN） 和自編碼器，在遙感影像混合噪聲去除中的應用及其效果。為了深入分析這些模型的工作原理和優(yōu)勢，我們引入一個以卷積神經(jīng)網(wǎng)絡為基礎的算法實例，通過公式來闡述其在遙感影像混合噪聲去除中的應用。

2.1.1 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡（CNN） 通過其特有的卷積層和池化層架構(gòu)，在特征提取和模式識別方面表現(xiàn)出色。CNN 的一個關鍵優(yōu)勢在于其能夠自動且有效地從大量數(shù)據(jù)中學習空間層次的特征[3]?？紤]到CNN在處理圖像數(shù)據(jù)方面的能力，定義了一個基本的CNN去噪模型，其關鍵在于最小化原始圖像與去噪圖像之間的差異，這可以通過以下?lián)p失函數(shù)L來量化：

其中，N 代表訓練樣本的數(shù)量，Xi 是受噪聲污染的輸入圖像，Yi 是對應的無噪聲圖像，f （Xi ; θ ）代表帶有參數(shù)θ 的CNN模型，∥ 2 表示歐氏距離。通過優(yōu)化上述損失函數(shù)，CNN模型學習到了從受噪聲污染的輸入中恢復清晰圖像的能力。

2.1.2 生成對抗網(wǎng)絡

生成對抗網(wǎng)絡（GAN） 由一個生成器和一個判別器組成，其中生成器負責產(chǎn)生盡可能接近真實圖像的輸出，而判別器則嘗試區(qū)分生成的圖像和真實的圖像。在遙感影像去噪的上下文中，生成器接收受噪聲影響的圖像作為輸入，并試圖輸出去噪后的圖像；判別器評估去噪圖像與真實無噪聲圖像之間的區(qū)別。GAN的訓練過程可以通過以下兩個最小化問題來描述：

其中，G 代表生成器，D 代表判別器，V （D，G ）是判別器和生成器的值函數(shù)，E 表示期望，pdata 表示數(shù)據(jù)的分布，x 和y 分別表示受噪聲影響的輸入圖像和真實的無噪聲圖像。通過這種方式，GAN能夠生成與真實遙感影像在視覺上幾乎無法區(qū)分的去噪圖像。

2.2 數(shù)據(jù)預處理和增強

在遙感影像混合噪聲去除的深度學習研究中，數(shù)據(jù)預處理和增強是一項至關重要的步驟。它不僅能夠提升模型的訓練效率，還能顯著提高去噪性能。為了深入探討這一過程，我們將專注于介紹自適應實例歸一化（Adaptive Instance Normalization， AdaIN） 技術(shù)在數(shù)據(jù)預處理和增強中的應用，并通過數(shù)學公式來闡明其原理和效果。

自適應實例歸一化（AdaIN） 源于視覺藝術(shù)風格遷移的研究。其核心思想是將一個圖像的風格實時地遷移到另一個圖像上。而在遙感影像去噪的上下文中，將這一概念轉(zhuǎn)化為將遙感影像數(shù)據(jù)調(diào)整到一個更有利于深度學習模型學習的狀態(tài)。AdaIN的操作可以表示為兩個步驟的組合：首先是實例歸一化（InstanceNormalization， IN） ，然后是自適應調(diào)整。實例歸一化通過下列公式進行：

其中，x 表示圖像中的一個像素點，μ （x） 和σ（x） 分別是該像素在通道內(nèi)的均值和標準差，γ 和β 是可學習的參數(shù)，用于調(diào)整歸一化后的數(shù)據(jù)的縮放和偏移。自適應調(diào)整則通過以下公式實現(xiàn)：

在這里，y 代表目標圖像，這意味著我們使用目標圖像y的均值μ （y ）和標準差σ（y ）來替代源圖像x的相應參數(shù)。這一過程有效地將源圖像的“風格”調(diào)整為目標圖像的“風格”。在遙感影像去噪的場景中，可以理解為將具有噪聲的遙感影像調(diào)整為更接近無噪聲狀態(tài)的風格，從而提高深度學習模型處理這些數(shù)據(jù)的能力。通過動態(tài)調(diào)整γ和β，可以實現(xiàn)多種不同程度和類型的噪聲狀態(tài)，從而使模型在面對實際的、多變的遙感影像噪聲時，表現(xiàn)出更強的魯棒性和適應性。

2.3 模型優(yōu)化策略

有效的模型優(yōu)化策略應當綜合考慮損失函數(shù)設計、優(yōu)化算法的選擇、網(wǎng)絡結(jié)構(gòu)的調(diào)整以及超參數(shù)的精細調(diào)優(yōu)，以確保深度學習模型能夠充分學習數(shù)據(jù)中的復雜特征，同時有效降低噪聲對最終影像質(zhì)量的影響[4]。損失函數(shù)的設計需要精確反映遙感影像去噪的目標，即在降低噪聲的同時盡可能保留影像的重要特征和信息。結(jié)合使用基于內(nèi)容和結(jié)構(gòu)的損失函數(shù)，如結(jié)構(gòu)相似性（SSIM） 指數(shù)和感知損失，能夠更全面地評估去噪效果，從而引導模型在減少噪聲的同時保留影像的視覺質(zhì)量。隨機梯度下降（SGD） 及其變體雖然是深度學習中最常見的優(yōu)化方法之一，但基于自適應學習率的優(yōu)化算法，如Adam，因其出色的收斂速度和較小的超參數(shù)調(diào)整需求而越來越受到歡迎。網(wǎng)絡結(jié)構(gòu)的調(diào)整是實現(xiàn)高效去噪的關鍵。深度卷積神經(jīng)網(wǎng)絡（CNN） 通過引入更深的網(wǎng)絡結(jié)構(gòu)和創(chuàng)新的層間連接方式（如殘差連接和密集連接）提高了信息的傳遞效率，有助于模型捕捉更復雜的數(shù)據(jù)特征并提高去噪性能。

3 技術(shù)應用測試

3.1 實驗準備

1） 數(shù)據(jù)類型：遙感衛(wèi)星影像，包括但不限于城市、農(nóng)田、森林等地表類型。

2） 數(shù)據(jù)量：訓練集大小為10 000張影像，驗證集大小為2 000張影像，測試集大小為2 000張影像。

3） 噪聲類型：模擬加入的高斯噪聲和鹽與胡椒噪聲。

3.2 實驗過程

在本研究中，數(shù)據(jù)集的選擇和使用是實驗設計的核心部分，確保了研究的有效性和可靠性。首先，本研究采用的遙感影像數(shù)據(jù)集是從公開的遙感數(shù)據(jù)源中精心挑選的，這些數(shù)據(jù)源包括但不限于NASA提供的地球觀測數(shù)據(jù)和歐洲空間局（ESA） 的哨兵計劃數(shù)據(jù)。選擇這些數(shù)據(jù)集的原因是它們提供了豐富多樣的地表類型，包括城市、農(nóng)田、森林等，這對于本研究混合噪聲去除技術(shù)的全面評估至關重要。所有選用的數(shù)據(jù)都是實測數(shù)據(jù)，保證了實驗結(jié)果的真實性和適用性。在數(shù)據(jù)使用方面，本研究將數(shù)據(jù)集分為訓練集、驗證集和測試集三部分。總共14 000張遙感影像中，10 000張用于模型的訓練，2 000張用于模型的驗證，以及另外2 000張用于模型的最終測試，總共的數(shù)據(jù)量為14 000張遙感影像，這些數(shù)據(jù)涵蓋了從低到高不同強度的噪聲條件，以模擬真實世界中的多種情況[5]。每條數(shù)據(jù)包含的內(nèi)容豐富，不僅有高分辨率的遙感圖像本身，還包括了圖像對應的噪聲類型和噪聲級別信息。通過對這些數(shù)據(jù)的深入分析和處理，本研究旨在評估和優(yōu)化深度學習模型在遙感影像混合噪聲去除任務中的性能，如表1所示。

結(jié)果解釋顯示，隨著噪聲強度的增加，PSNR值逐漸降低，而計算時間逐漸增加。這反映了去噪難度的提升和處理時間的延長。SSIM值也隨噪聲強度的增加而減少，表明圖像質(zhì)量在視覺上的下降。這些結(jié)果一致地表明，噪聲強度對去噪性能有顯著影響，尤其是在高噪聲條件下，去噪任務變得更加挑戰(zhàn)，同時去噪算法的效率也受到影響。然而，即便在高噪聲條件下，所采用的深度學習技術(shù)依然能夠達到相對滿意的去噪效果，證明了該技術(shù)在處理復雜噪聲環(huán)境下的有效性和潛力。利用本文算法對某兩幅遙感影像進行去噪處理，得到去噪前后的影像如圖1所示。

4 結(jié)束語

基于深度學習的遙感影像混合噪聲去除技術(shù)的研究，是一項具有深遠影響的工作。通過不斷優(yōu)化深度學習模型和算法，提高數(shù)據(jù)處理的效率和準確性，不僅可以極大提升遙感影像的應用價值，還可以推動深度學習技術(shù)在更廣泛領域的應用和發(fā)展。面對未來，這一領域仍有廣闊的研究空間和應用前景，期待更多創(chuàng)新性的理論和技術(shù)突破，共同推進遙感科學與深度學習技術(shù)的進步。

參考文獻：

[1] 胡鵬程，唐詩華，張炎，等. 決策中值濾波聯(lián)合三維塊匹配的遙感影像去噪[J]. 海洋測繪，2023，43（2）：60-64.

[2] 任超，李現(xiàn)廣，鄧開元，等. 結(jié)合BM3D和多級非線性加權(quán)平均中值濾波的遙感影像混合噪聲去噪方法[J]. 測繪通報，2020（1）：89-93.

[3] 任超，張勝國，李現(xiàn)廣，等. 一種新的遙感影像組合濾波去噪方法[J]. 桂林理工大學學報，2023，43（3）：442-449.

[4] 胡紹凱，赫曉慧，田智慧. 基于MLUM-Net的高分遙感影像土地利用多分類方法[J]. 計算機科學，2023，50（5）：161-169.

[5] 槐燕萍. 多特征自適應融合的高分辨率遙感影像建筑物提取算法[J]. 測繪與空間地理信息，2023，46（6）：151-154.

【通聯(lián)編輯：梁書】