基于归一化的国产高分辨率遥感影像条带噪声去除方法与流程

本发明涉及遥感图像处理领域，尤其涉及一种基于归一化的国产高分辨率遥感影像条带噪声去除方法。

背景技术：

在卫星遥感影像成像过程中，由于线阵ccd器件反复扫描地物成像，受扫描探测元正反扫描响应差异、传感器机械运动和温度变化等影响，会造成影像中出现明显的条带噪声。条带噪声是最常见的一种系统噪声，在影像中具有一定周期性、方向性、且呈条带状分布，它的存在会掩盖影像的真实辐射信息，降低影像的质量。

我国国产高分卫星均采用全色和多光谱多谱合一的tdiccd器件方案，以推扫方式进行成像。由于载荷研制起步较晚，国产高分卫星在对暗电流控制、器件本身均匀性、ccd响应函数矫正方面还未达到理想状态，因此影像上会偶尔出现呈列分布的宽条带的噪声，且一旦出现则整景影像几乎全部被数条噪声覆盖(如图2)，严重影响了地物特征识别和国产高分影像的应用。

近年来，国内外学者针对不同卫星传感器，如spot、tm、mss的条带噪声，进行了很多研究，也提出了多种噪声去除方法，如归一化方法、直方图匹配和矩匹配法等，但大多是针对国外卫星载荷。虽然也有国内学者针对国产卫星数据进行了条带噪声去除的相关研究，但是，经过处理之后的影像容易出现新的条带噪声，并且影像色彩和对比度失真。因此，建立一种针对国产高分卫星影像条带噪声去除的方法就显得尤为重要。

技术实现要素：

本发明的目的在于提供一种基于归一化的国产高分辨率遥感影像条带噪声去除方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于归一化的国产高分辨率遥感影像条带噪声去除方法，包括如下步骤：

s1，根据原始影像中没有条带噪声的均一地物，建立掩膜矩阵m1；根据原始影像中的0值和坏像元，建立掩膜矩阵m2；

s2，将原始影像与掩膜矩阵m1、掩膜矩阵m2作掩膜运算，得到原始影像有效像元矩阵m3；

s3，统计原始影像b波段有效像元dn值的动态范围[tbmin，tbmax]，其中tbmin表示b波段最小的dn值，tbmax表示b波段最大的dn值，b波段表示原始影像的任意波段；

s4，统计原始影像b波段有效像元矩阵m3b的平均dn值μb和标准差σb，m3b为m3的子矩阵；

s5，统计原始影像b波段有效像元矩阵m3b第c列的平均dn值μc和标准差σc，第c列表示m3b的任意列；

s6，对原始影像b波段有效像元矩阵m3b中第c列有效像元逐一进行dn值归一化处理，完成对第c列有效像元的校正；

s7，循环执行s6，直至完成对原始影像b波段有效像元矩阵m3b的全部有效像元的校正；

s8，循环执行s7，直至完成对原始影像全部波段的有效像元的校正，得到校正后影像；

s9，统计校正后影像b波段有效像元dn值的动态范围[ybmin，ybmax]，其中ybmin表示校正后b波段最小的dn值，ybmax表示校正后b波段最大的dn值；

s10，将s9中校正后影像b波段dn值的动态范围与s3中原始影像b波段dn值的动态范围进行匹配，将校正后的影像dn值拉伸至原始影像范围，保持影像色彩和对比度一致；

s11，循环执行s10，直至完成将校正后影像全部波段dn值拉伸至原始影像范围。

优选地，s1中，所述根据原始影像中没有条带噪声的均一地物，建立掩膜矩阵m1，包括如下步骤：

s101，基于边缘检测算法，识别出原始影像中大范围的均一地物；

s102，对s101中识别出的均一地物进行直方图统计，根据统计结果识别出没有条带噪声的地物，建立掩膜矩阵m1。

优选地，s101中，所述边缘检测算法采用sobel微分算子法，利用临近区域的像元值来计算中心像元的梯度，再根据设定的阈值进行边界判断，由下式计算梯度值：

其中，gx、gy分别是水平方向和垂直方向的梯度；

由如下两个3x3的卷积核与原始影像进行卷积运算计算得到gx、gy：

优选地，s101中，所述大范围的均一地物为面积超过1000x1000平方米的地物。

优选地，s1中，所述原始影像中的坏像元，为dn值超过1024的像元。

优选地，s6中，采用如下公式进行dn值归一化处理：

yi＝(ti-μc)*σc/σb+μb，

其中，ti表示像元i的原始dn值，yi表示像元i经过处理后的dn值，μb和σb分别表示原始影像b波段的平均dn值和标准差，μc和σc分别表示原始影像b波段第c列的平均dn值和标准差。

优选地，s10中，所述将校正后的影像dn值拉伸至原始影像范围，具体为，采用线性拉伸方法将校正后的影像dn值拉伸至原始影像范围。

本发明的有益效果是：本发明实施例提供的基于归一化的国产高分辨率遥感影像条带噪声去除方法，首先对影像均一地物作掩膜处理，并剔除影像0值和坏像元；然后根据国产高分卫星ccd推扫成像方式，通过选用矩匹配算法，将不同ccd器件的增益和偏置参数归一化为同一个值，从而有效地去除影像条带噪声；最后，通过动态范围匹配，将校正后的影像dn值范围进行拉伸至原始影像范围，不仅能够很好地去除国产高分影像的条带噪声，不会产生新的条带噪声，而且校正后的影像在色彩和对比度上与原始影像能够保持一致，不会破坏影像原始辐射信息。

附图说明

图1为本发明提供的方法流程示意图；

图2为存在条带噪声的高分2号原始多光谱影像；

图3为通过本方法对图2校正后的输出影像。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例提供了一种基于归一化的国产高分辨率遥感影像条带噪声去除方法，包括如下步骤：

s1，根据原始影像中没有条带噪声的均一地物，建立掩膜矩阵m1；根据原始影像中的0值和坏像元，建立掩膜矩阵m2；

s2，将原始影像与掩膜矩阵m1、掩膜矩阵m2作掩膜运算，得到原始影像有效像元矩阵m3；

s3，统计原始影像b波段有效像元dn值的动态范围[tbmin，tbmax]，其中tbmin表示b波段最小的dn值，tbmax表示b波段最大的dn值，b波段表示原始影像的任意波段；

s4，统计原始影像b波段有效像元矩阵m3b的平均dn值μb和标准差σb，m3b为m3的子矩阵；

s5，统计原始影像b波段有效像元矩阵m3b第c列的平均dn值μc和标准差σc，第c列表示m3b的任意列；

s6，对原始影像b波段有效像元矩阵m3b中第c列有效像元逐一进行dn值归一化处理，完成对第c列有效像元的校正；

s7，循环执行s6，直至完成对原始影像b波段有效像元矩阵m3b的全部有效像元的校正；

s8，循环执行s7，直至完成对原始影像全部波段的有效像元的校正，得到校正后影像；

s9，统计校正后影像b波段有效像元dn值的动态范围[ybmin，ybmax]，其中ybmin表示校正后b波段最小的dn值，ybmax表示校正后b波段最大的dn值；

s10，将s9中校正后影像b波段dn值的动态范围与s3中原始影像b波段dn值的动态范围进行匹配，将校正后的影像dn值拉伸至原始影像范围，保持影像色彩和对比度一致；

s11，循环执行s10，直至完成将校正后影像全部波段dn值拉伸至原始影像范围。

其中，s1中，所述根据原始影像中没有条带噪声的均一地物，建立掩膜矩阵m1，可以包括如下步骤：

s101，基于边缘检测算法，识别出原始影像中大范围的均一地物；

s102，对s101中识别出的均一地物进行直方图统计，根据统计结果识别出没有条带噪声的地物，建立掩膜矩阵m1。

s101中，所述边缘检测算法可以采用sobel微分算子法，利用临近区域的像元值来计算中心像元的梯度，再根据设定的阈值进行边界判断，由下式计算梯度值：

其中，gx、gy分别是水平方向和垂直方向的梯度；

由如下两个3x3的卷积核与原始影像进行卷积运算计算得到gx、gy：

另外，在s101中，所述大范围的均一地物可以为面积超过1000x1000平方米的地物。

本发明实施例中，s1中，所述原始影像中的坏像元，可以为dn值超过1024的像元。

本发明的一个优选实施例中，s6中，可以采用如下公式进行dn值归一化处理：

yi＝(ti-μc)*σc/σb+μb，

其中，ti表示像元i的原始dn值，yi表示像元i经过处理后的dn值，μb和σb分别表示原始影像b波段的平均dn值和标准差，μc和σc分别表示原始影像b波段第c列的平均dn值和标准差。

在本发明的一个优先实施例中，s10中，所述将校正后的影像dn值拉伸至原始影像范围，具体为，采用线性拉伸方法将校正后的影像dn值拉伸至原始影像范围。

具体实施例

为了更好的说明本发明涉及的国产高分辨率遥感影像条带噪声方法，对分辨率为3.2米的高分二号多光谱噪声数据进行了条带噪声去除。具体实现步骤如下：

步骤1，读入具有条带噪声的高分辨率遥感影像数据：读入高分二号多光谱影像，空间分辨率为3.2米，波段顺序为蓝、绿、红、近红外波段(如附图2)。从附图2可以看到，影像上有数条非常明显的垂直分布的条带噪声，这种噪声就是由于ccd器件扫描差异造成的系统噪声。

步骤2，通过sobel微分算子法，自动识别出高分二号多光谱影像中的均一地物，得到矢量边界。

步骤3，由于大范围的均一地物会对噪声去除算法造成一定的影响，将原始影像的辐射值拉伸至非正常水平。因此，对步骤2中自动识别的均一地物进行大小判定，超过1000x1000平方米的地物，在本发明中被识别为大范围均一地物。

步骤4，统计步骤2中大范围均一地物的dn值标准差，数值小于5的均一地物在本发明中被识别为无条带噪声的均一地物，在后续的噪声去除步骤中不参与整体运算，防止影像中水体、沙漠等大范围地物对整体校正结果产生影响，同时也能避免原本没有噪声的地物产生新的细条带噪声。

步骤5，针对国产卫星影像偶尔会出现的坏像元以及0值现象，根据国产高分卫星影像数据通常压缩为10bit，即有效dn通常小于1024的特点，本方法中将dn值超过1024的像元均认定为坏像元，坏像元和0值像元作为无效像元，同样不参与后续的处理步骤。

步骤6，将原始影像剔除掉步骤4中的大范围均一地物和步骤5中的无效像元，得到有效像元矩阵m，参与后续的条带噪声运算。

步骤7，统计高分二号多光谱影像b波段有效像元dn值的动态范围[tbmin，tbmax]，其中tbmin表示b波段最小的dn值，tbmax表示b波段最大的dn值；

步骤8，统计多光谱影像b波段有效像元矩阵m的平均dn值μb和标准差σb；

步骤9，统计多光谱影像b波段有效像元矩阵m第c列的平均dn值μc和标准差σc；

步骤10，对高分二号多光谱影像b波段有效像元矩阵m中第c列的像元逐一进行条带噪声去除运算，yi＝|ti-μc|*σc/σb+μb，其中，ti表示像元i的原始dn值，yi表示像元i经过处理后的dn值，μb和σb分别表示影像b波段的平均dn值和标准差，μc和σc则分别表示影像b波段第c列的平均dn值和标准差。这种改进的矩匹配算法通过引入影像标准差和均值分别作为增益和偏差，将不同ccd器件的响应值归一化输出，能够有效去除由于器件响应等原因引起的条带噪声。

步骤11，循环执行步骤9和步骤10，直至多光谱影像b波段的有效像元全部校正完毕；

步骤12，循环执行步骤11，直至高分二号多光谱影像全部波段的有效像元校正完毕；

步骤13，统计校正后多光谱影像各波段有效像元dn值的动态范围[ybmin，ybmax]，其中ybmin表示校正后影像b波段最小的dn值，ybmax表示校正后影像b波段最大的dn值；

步骤14，将步骤13中校正后高分二号影像dn值的动态范围[ybmin，ybmax]与步骤7中原始高分二号影像dn值的动态范围[tbmin，tbmax]进行匹配，通过线性拉伸方法将校正后高分二号影像的dn值拉伸至原始影像范围，保持影像色彩和对比度一致。

步骤15，最终经过本发明所涉及的条带噪声去除方法，得到的校正后高分二号多光谱影像如附图3所示。可以看到，经过校正，影像不仅去除了原本明显的条带噪声，而且保持了原始影像的辐射信息，并且没有出现新的细条带噪声，效果非常理想。

通过采用本发明公开的上述技术方案，得到了如下有益的效果：本发明实施例提供的基于归一化的国产高分辨率遥感影像条带噪声去除方法，首先对影像均一地物作掩膜处理，并剔除影像0值和坏像元；然后根据国产高分卫星ccd推扫成像方式，通过选用矩匹配算法，将不同ccd器件的增益和偏置参数归一化为同一个值，从而有效地去除影像条带噪声；最后，通过动态范围匹配，将校正后的影像dn值范围进行拉伸至原始影像范围，不仅能够很好地去除国产高分影像的条带噪声，不会产生新的条带噪声，而且校正后的影像在色彩和对比度上与原始影像能够保持一致，不会破坏影像原始辐射信息。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。