结合残差编解码网络和边缘增强的遥感图像去噪-遥感学报.PDFVIP

结合残差编解码网络和边缘增强的遥感图像去噪 1 1 1 吴从中 , 陈曦 ,詹曙 1.合肥工业大学计算机与信息学院,安徽省合肥市, 230601 摘 要:高分辨率遥感图像去噪对于提高后续图像分析、识别等问题的准确性具有重要意义。目前的去噪算法普遍存在去 噪结果边缘信息模糊、易产生视觉伪影导致遥感信息丢失的缺点，针对以上问题本文提出了一个基于边缘增强的残差编解码 去噪网络用于高分辨率遥感影像去噪。该方法首先将噪声图片通过低通滤波器分解成高频层和低频层，然后将含噪声信息的 高频层输入到带残差模块的编解码网络中，通过采样运算在多尺度空间上学习残差映射生成残差图像，最后使用跳跃连接得 到完整的去噪结果。其损失函数由逐像素和感知损失两部分组成，逐像素损失使用传统的均方根误差学习像素级信息，感知 损失学习语义特征上的差异可以保留更多边缘信息，最终得到更清晰的结果，其中感知损失是由级联在后的语义分割网络提 取的特征图定义的。本文对不同测试数据做去噪实验并与几个经典方法对比证明本文模型的去噪结果优于其他方法，不仅提 高图像的峰值信噪比，得到最高的平均梯度值，还在视觉上取得了最清晰的结果。实验结果表明，本文提出的基于边缘增强 的深层编解码卷积网络在去噪的同时可以改善边缘细节被模糊的问题，保留更多遥感地物信息，提高图像视觉效果。 关键词: 图像去噪，卷积神经网络，边缘增强，感知损失，高分二号 中图分类号: TP319 文献标志码: A 引用格式： 务中表现优异，越来越多的深度学习模型被用来解 1 引 言 决自然图像去噪问题。这些深度学习算法可以分为 两类：卷积神经网络模型(CNN) 和多层感知模型 遥感图像分析已广泛应用于土地利用、城市规 (MLP) 。Jain 等人(2008)首次将 CNN 用于去噪，证 划及环境监测事等各个领域(Ghassemian ，2016) 。其 明卷积神经网络可以通过学习端到端的非线性映射 中高分辨率对地观测系统重大专项(简称高分专项) 实现去噪；基于 MLP 的模型有Vincent 等人(2008) 是我国2010 年启动实施的重大专项之一，高分二号 和Xie 等人(2012)提出的降噪自编码器。后来随着网 卫星实现了亚米级高空间分辨率与高时间分辨率的 络学习能力不断增强，算法性能随着层数的增加而 有机结合，使得卫星影像包含了更丰富的地物纹理 大大提升，Mao 等人(2016)提出了一个比较深的对 信息，在区域经济建设和社会发展中发挥了重要的 称卷积编解码网络用于自然图像复原并取得显著成 信息支撑和服务作用。遥感的根本目标是为了从图 果。目前基于深度学习的去噪方法主要应用于传统 像上提取信息获取知识，但在实际应用中，遥感成 自然图像中并取得理想效果，所以将深度学习应用 像过程中通常会因为光信息转换传输而受到噪声干 于高分遥感图像去噪是十分有前景的。 扰降低图像质量，所以去噪作为遥感图像的预处理 不同于传统自然图像去噪，遥感图像中包含更 一直受到遥感应用领域的关注，它能为图像带来更 多的地物纹理边缘等细节信息，这些细节对于遥感 好的视觉效果，也使其保留更高质量的特征。 任务十分重要，所以遥感图像去噪的难点在于解决 目前应用于遥感图像的去噪方法主要有小波变 去噪结果模糊的问题。虽然传统的逐像素损失函数 换模型(徐冬等，2015) ，全变分(TV)模型(He 等， 使重建结果有较高的信噪比，但是丢失了高频边缘 2015) ，非局部自相似(NSS)模型(Li 等，