Απομάκρυνση Υβριδικού Θορύβου σε υπερφασματικές εικόνες χρησιμοποιώντας το χωρικό φασματικό διαβαθμισμένο δίκτυο

Από RemoteSensing Wiki

Απομάκρυνση Υβριδικού Θορύβου σε υπερφασματικές εικόνες χρησιμοποιώντας το χωρικό φασματικό διαβαθμισμένο δίκτυο

Hybrid Noise Removal in Hyperspectral Imagery with a Spatial Spectral Gradient Network

Qiang Zhang , Student Member, IEEE, Qiangqiang Yuan , Member, IEEE, Jie Li , Member, IEEE, Xinxin Liu , Huanfeng Shen , Senior Member, IEEE, and Liangpei Zhang , Fellow, IEEE, 2019, IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 57, NO. 10

Abstract

Η ύπαρξη θορύβου στην δορυφορική εικόνα, υποβαθμίζει την ποιότητα των δεδομένων, μειώνει την ακρίβεια της ερμηνείας και περιορίζει την χρήση των εφαρμογών. Στην συγκεκριμένη εργασία παρουσιάζεται το Χωρικό Φασματικό Διαβαθμισμένο Δίκτυο (SSGN) για την απομάκρυνση θορύβου σε υπερφασματικές εικόνες. Η προτεινόμενη μέθοδος κάνει χρήση της χώρο-φασματικής στρατηγικής λαμβάνοντας υπόψη τη χωρική δομή τόσο του θορύβου όσο του φάσματος με επιπλέον πληροφορίες για την αποτελεσματική εξόρυξη εγγενών και βασικών χαρακτηριστικών των υπερφασματικών εικόνων. Το παρακάτω πείραμα προσομοίωσης με πραγματικά δεδομένα επαλήθευσε την απόδοση της μεθόδου όσο αφορά την μικτή αφαίρεση θορύβου συγκριτικά με άλλους σύγχρονους δείκτες.

Εισαγωγή

Εξαιτίας της αφθονίας φασματικής πληροφορίας, τα δεδομένα από υπερφασματικές εικόνες (1) μπορούν να αξιοποιηθούν επιτυχώς σε επίγεια αντικειμενική ταξινόμηση (2), τελική εξαγωγή (3) και δίχως ανάμιξη (4). Πάραυτα, λόγω της αστάθειας του αισθητήρα και των ατμοσφαιρικών παρεμβολών, οι υπερφασματικές εικόνες συχνά πάσχουν από πολλαπλού τύπους θορύβου (5) όπως ο θόρυβος Gauss, ο θόρυβος ώθησης, νεκρών γραμμών και μικτού θορύβου. Οι υποβαθμισμένες πληροφορίες συχνά διαταράσσουν και περιορίζουν την επεξεργασία εικόνας. Ως εκ τούτου, η μείωση θορύβου είναι ζωτικής σημασίας (6,7). Παρόλο που οι υπάρχουσες μέθοδοι απομάκρυνσης θορύβου προσφέρουν αρκετά καλά αποτελέσματα, εξακολουθούν να υπάρχουν αρκετές προκλήσεις και σημεία συμφόρησης που πρέπει να λυθούν. Πρώτον, οι παράμετροι πρέπει να ρυθμίζονται κατάλληλα και προσεκτικά ανάλογα την δορυφορική εικόνα, γεγονός που προκαλεί δυσάρεστα και χρονοβόρα μειονεκτήματα για τα διάφορα σενάρια εφαρμογών της ανάλυσης δορυφορικών εικόνων. Δεύτερον, ο θόρυβος στις δορυφορικές εικόνες υπάρχει και στις δύο διαστάσεις, χωρική και φασματική σε διάφορους τύπους και επίπεδα. Ωστόσο, οι περισσότεροι αλγόριθμοι δεν είναι σε θέση να ικανοποιήσουν την πολυπλοκότητα της ύπαρξης θορύβου. Ως αποτέλεσμα, τα επεξεργασμένα δεδομένα περιέχουν υπολείμματα θορύβου ή παρουσιάζουν παραμόρφωση. Τρίτον, τα περισσότερα κανάλια δορυφορικών εικόνων είναι υψηλής ανάλυσης ενώ τα υπόλοιπα υποβαθμίζονται και διαφορετικό θόρυβο. Ως εκ τούτου, το να μειωθεί αποτελεσματικά ο θόρυβος στα αλλοιωμένα κανάλια ενώ ταυτόχρονα να διατηρείται η υψηλή ποιότητα των υπόλοιπων καναλιών παίζει μεγάλο ρόλο στην απομάκρυνση θορύβου μιας δορυφορικής εικόνας. Συνολικά, υπάρχει ανάγκη για την δημιουργία ενός βολικού, παγκόσμιου και αποτελεσματικού μηχανισμού απομάκρυνσης θορύβου το οποίο θα εξυπηρετεί διάφορα δεδομένα και τύπους εικόνων.

Μέθοδος Βασισμένη σε Φίλτρο

Η μέθοδος αυτή στοχεύει στον διαχωρισμό καθαρών σημάτων από θόρυβο κυρίως μέσω διαδικασιών φιλτραρίσματος. Βασίζεται στον φασματικό τομέα επωφελούμενη την ανομοιογένεια του σήματος στις χωρικές και φασματικές διαστάσεις όπου το επίπεδο θορύβου είναι αυξημένο (8). Το σημαντικό μειονέκτημα που παρουσιάζει η μέθοδος αυτή έγκειται στην χρήση του μήκους κύματος το οποίο είναι πολύ ευαίσθητο και δεν μπορεί να εξετάσει τις διαφορές στα γεωμετρικά χαρακτηριστικά όπως για παράδειγμα τον μικτό θόρυβο.

Μοντελοποιημένες Μέθοδοι

Οι μέθοδοι που βασίζονται στην μοντελοποίηση, λαμβάνουν υπόψη τους πρότερα δεδομένα από την δορυφορική εικόνα (9). Η μέθοδο αυτή μπορεί να χαρτογραφήσει τον θόρυβο και ταυτόχρονα να διατηρήσει τα χωρικά και φασματικά χαρακτηριστικά. Συνεχίζοντας, εφαρμόζοντας τα πρότερα δεδομένα, οι Zhao και Yang, διερευνήσαν την αραιή κωδικοποίηση για να περιγράψουν τον πλεονασμό και την συσχέτιση σε τοπικό και φασματικό επίπεδο. Εν ολίγοις, αν και οι υπάρχουσες μέθοδοι μπορούν να φέρουν αποτελέσματα, η δυσκολία προσαρμοστικότητας όσο αφορά την υβριδική απομάκρυνση θορύβου περιορίζει την εφαρμογή τους (10). Μεθοδολογία

Για να αφαιρεθεί ο θόρυβος από μια δορυφορική εικόνα λαμβάνονται υπόψη τα χαρακτηριστικά του θορύβου, οι χωρικές ιδιαιτερότητες κάθε καναλιού και η φασματική υπόσταση. Μέσω του SSGN, το οποίο χρησιμοποιεί ταυτόχρονα το προσομοιωμένο kth κανάλι, την οριζόντια / κατακόρυφη χωρική κλίση και τη φασματική κλίση σαν δεδομένα εισόδου, εξάγεται ο υπολειπόμενος θόρυβος.

Στη συνέχεια, διασχίζοντας όλα τα κανάλια μπορούμε να λάβουμε τα αποτελέσματα απομάκρυνσης θορύβου. Στην εικόνα 1 φαίνεται το διάγραμμα ροής της διαδικασίας. Ενώ η εικόνα 2 μας δείχνει την αρχιτεκτονική του SSGN. Το χωρικό κανάλι αναπαριστά τον θόρυβο στο δεξί πάνω μέρος, η χωρική κλίση αναπαρίσταται στην μεσαία γραμμή ενώ αντίστοιχα η φασματική κλίση στην κάτω αριστερά γωνία. Αρχικά γίνεται χρήση των Κοινών χωρικών και φασματικών πληροφοριών βαθμίδας. Μέχρι ενός σημείου, οι πληροφορίες βαθμίδας μπορούν να επισημάνουν αποτελεσματικά τον αραιό θόρυβο λόγο την κατευθυντήριας δομής του.

Ο μικτός θόρυβος συμπεριλαμβανομένου του πυκνού και του ελεύθερου θορύβου είναι σε θέση να αφαιρεθεί από αμφότερους τους χωρικούς και φασματικούς τομείς χρησιμοποιώντας χωρικές και φασματικές πληροφορίες. Στη συνέχεια προχωράει σε μπλοκ πολλαπλών επιπέδων με την έκφραση των χαρακτηριστικών να βασίζεται σε ποιοτικές πληροφορίες δεδομένου ότι τα αντικείμενα εδάφους συνήθως έχουν διαφορετικά μεγέθη σε διαφορετικές μη τοπικές περιοχές. Τέλος, παρουσιάζεται η συνάρτηση χωρικής – φασματικής απώλειας.

Η λειτουργία αυτή είναι απαραίτητη για την επιβλεπόμενη διαδικασία μάθησης. Συνεπώς, για να βελτιστοποιήσει τις παραμέτρους του μοντέλου, η χωρική – φασματική συνάρτηση, χρησιμοποιεί μια δοκιμαστική διαδικασία βάση αλγόριθμου οπίσθιας διάδοσης. Επομένως, για να διατηρηθούν ταυτόχρονα οι πληροφορίες χωρικής δομής και να περιοριστεί η φασματική παραμόρφωση προτείνεται η μέθοδος αυτή.

Επίλογος

Στην εργασία αυτή γίνεται η παρουσίαση του SSGN για την απομάκρυνση θορύβου σε δορυφορικές εικόνες λαμβάνοντας υπόψη συγκεκριμένους τύπους θορύβου, τον Gaussian, του ρεύματος, τον παλμικό, τον θόρυβο γραμμής καθώς και τα σύνθετα τους. Επιπλέον, στοχεύει στην ανάπτυξη στρατηγικής για την ομαλοποίηση ομαδικών ζωνών ώστε να επιτευχθεί καλύτερη αξιοποίηση πλεονασμού και συσχέτισης φασματικής πληροφορίας κατά την απομάκρυνση θορύβου δορυφορικής εικόνας.

Βιβλιογραφία

[1] X. Lu, W. Zhang, and X. Li, “A hybrid sparsity and distance-based discrimination detector for hyperspectral images,” IEEE Trans. Geosci. Remote Sens., vol. 56, no. 3, pp. 1703–1717, Mar. 2018.

[2] Y. Xu, L. Zhang, B. Du, and F. Zhang, “Spectral–spatial unified networks for hyperspectral image classification,” IEEE Trans. Geosci. Remote Sens., vol. 56, no. 10, pp. 5809–5893, Oct. 2018.

[3] X. Lu, H. Wu, and Y. Yuan, “Double constrained NMF for hyperspectral unmixing,” IEEE Trans. Geosci. Remote Sens., vol. 52, no. 5, pp. 2746–2758, May 2014.

[4] X. Lu, H. Wu, Y. Yuan, P. Yan, and X. Li, “Manifold regularized sparse NMF for hyperspectral unmixing,” IEEE Trans. Geosci. Remote Sens., vol. 51, no. 5, pp. 2815–2826, May 2013.

[5] B. Rasti, P. Scheunders, P. Ghamisi, G. Licciardi, and J. Chanussot, “Noise reduction in hyperspectral imagery: Overview and application,” Remote Sens., vol. 10, no. 3, p. 482, 2018.

[6] X. Lu, Y. Wang, and Y. Yuan, “Graph-regularized low-rank representation for destriping of hyperspectral images,” IEEE Trans. Geosci. Remote Sens., vol. 51, no. 7, pp. 4009–4018, Jul. 2013.

[7] L. Yan, R. Zhu, Y. Liu, and N. Mo, “Scene capture and selected codebook-based refined fuzzy classification of large high-resolution images,” IEEE Trans. Geosci. Remote Sens., vol. 56, no. 7, pp. 4178–4192, Jul. 2018.

[8] H. Othman and S.-E. Qian, “Noise reduction of hyperspectral imagery using hybrid spatial-spectral derivative-domain wavelet shrinkage,” IEEE Trans. Geosci. Remote Sens., vol. 44, no. 2, pp. 397–408, Feb. 2006.

[9] Q. Yuan, L. Zhang, and H. Shen, “Hyperspectral image denoising employing a spectral–spatial adaptive total variation model,” IEEE Trans. Geosci. Remote Sens., vol. 50, no. 10, pp. 3660–3677, Oct. 2012.

[10] L. Zhang, L. Zhang, and B. Du, “Deep learning for remote sensing data: A technical tutorial on the state of the Art,” IEEE Geosci. Remote Sens. Mag., vol. 4, no. 2, pp. 22–40, Jun. 2016

Στην εργασία αυτή γίνεται η παρουσίαση του SSGN για την απομάκρυνση θορύβου σε δορυφορικές εικόνες λαμβάνοντας υπόψη συγκεκριμένους τύπους θορύβου, τον Gaussian, του ρεύματος, τον παλμικό, τον θόρυβο γραμμής καθώς και τα σύνθετα τους. Επιπλέον, στοχεύει στην ανάπτυξη στρατηγικής για την ομαλοποίηση ομαδικών ζωνών ώστε να επιτευχθεί καλύτερη αξιοποίηση πλεονασμού και συσχέτισης φασματικής πληροφορίας κατά την απομάκρυνση θορύβου δορυφορικής εικόνας.