CN106651792A - 一种卫星影像条带噪声去除方法及装置 - Google Patents

Abstract

本申请提供一种卫星影像条带噪声去除方法及装置，其中，所述方法包括：统计所述卫星影像的灰度直方图，并对所述灰度直方图进行预处理，以消除由于传感器异常带来的干扰；利用高斯混合模型对预处理后的灰度直方图进行拟合；基于拟合得到的高斯混合模型，将所述卫星影像分割为至少一个子影像；确定各个所述子影像中每一列像素的灰度均值参考值和灰度标准差参考值，并根据所述灰度均值参考值和所述灰度标准差参考值对各个所述子影像进行修复；将修复后的各个所述子影像通过灰度叠加的方式进行合成，得到去除条带噪声的卫星影像。本申请提供的卫星影像条带噪声去除方法及装置，较好地避免了影像的模糊及细节丢失，且无需人工干预，计算速度快，能够有效地去除条带噪声。

Description

一种卫星影像条带噪声去除方法及装置

技术领域

本申请涉及光学遥感图像处理技术领域，特别涉及一种卫星影像条带噪声去除方法及装置。

背景技术

当前，由于传感器对辐射的敏感程度不同，高分辨率陆地观测卫星影像经常伴有条带噪声，严重影响了影像的视觉效果和定量分析。

当前较为常用的条带噪声去除方法有滤波法、变分模型法、空间域匹配法等。滤波类方法主要使用傅里叶变换、小波变化、主成分变换等技术，设计特定的滤波器，抑制影像信息中的噪声成分，但是噪声成分往往难以明确区分，与条带噪声具有相同频率的影像结构信息也会被滤除，造成影像模糊。变分模型方法引入正则化技术对影像整体求解，但是需要影像噪声的先验知识及多通道信息，并且要建立复杂的数学模型，运算量大。空间域匹配法主要包括矩匹配和直方图匹配等方法，其中，矩匹配的方法可以通过对卫星影像采用标准矩匹配进行处理，从而抑制标准矩匹配处理过程中造成的灰度畸变。然而，这些方法通常假设每个传感器的成像视场在统计上是相似的，通过一定的规则调整噪声影像的灰度值，实现条带噪声的去除，此类方法运算简单，但处理小范围且包含多种地物影像时，其理论假设不能成立，因此需要进一步研究。

应该注意，上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本申请的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

发明内容

本申请实施方式的目的在于提供一种卫星影像条带噪声去除方法及装置，较好地避免了影像的模糊及细节丢失，且无需人工干预，计算速度快，能够有效地去除条带噪声。

为实现上述目的，本申请一方面提供一种卫星影像条带噪声去除方法，所述方法包括：统计所述卫星影像的灰度直方图，并对所述灰度直方图进行预处理，以消除由于传感器异常带来的干扰；利用高斯混合模型对预处理后的灰度直方图进行拟合；基于拟合得到的高斯混合模型，将所述卫星影像分割为至少一个子影像；确定各个所述子影像中每一列像素的灰度均值参考值和灰度标准差参考值，并根据所述灰度均值参考值和所述灰度标准差参考值对各个所述子影像进行修复；将修复后的各个所述子影像通过灰度叠加的方式进行合成，得到去除条带噪声的卫星影像。

为实现上述目的，本申请另一方面提供一种卫星影像条带噪声去除装置，所述装置包括：预处理单元，用于统计所述卫星影像的灰度直方图，并对所述灰度直方图进行预处理，以消除由于传感器异常带来的干扰；拟合单元，用于利用高斯混合模型对预处理后的灰度直方图进行拟合；子影像分割单元，用于基于拟合得到的高斯混合模型，将所述卫星影像分割为至少一个子影像；修复单元，用于确定各个所述子影像中每一列像素的灰度均值参考值和灰度标准差参考值，并根据所述灰度均值参考值和所述灰度标准差参考值对各个所述子影像进行修复；合成单元，用于将修复后的各个所述子影像通过灰度叠加的方式进行合成，得到去除条带噪声的卫星影像。

本申请实施方式提供的卫星影像条带噪声去除方法及装置，通过高斯混合模型对卫星影像的灰度直方图进行准确地拟合，然后可以根据拟合得到的高斯混合模型，将卫星影像分割为多个子影像进行修复处理，能够很好的抑制条带噪声，并较好地避免了高分辨率影像的模糊及细节丢失。进一步地，本申请实施方式通过自适应移动窗口的方法来对子影像进行修复，计算速度块，能够处理海量的卫星影像，从而提高条带噪声去除的效率。

参照后文的说明和附图，详细公开了本申请的特定实施方式，指明了本申请的原理可以被采用的方式。应该理解，本申请的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本申请的实施方式包括许多改变、修改和等同。

针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，也可以与其它实施方式中的特征相组合或替代其它实施方式中的特征。

应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多其它特征、整件、步骤或组件的存在或附加。

附图说明

所包括的附图用来提供对本申请实施方式的进一步的理解，其构成了说明书的一部分，用于例示本申请的实施方式，并与文字描述一起来阐释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本申请实施方式提供的一种卫星影像条带噪声去除方法的流程图；

图2为本申请中基于高斯混合模型的影像分类过程示意图；

图3为本申请中基于自适应移动窗口的影像修复过程示意图；

图4为本申请实施方式提供的一种卫星影像条带噪声去除装置的功能模块图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施方式，都应当属于本申请保护的范围。

本申请实施方式提供一种卫星影像条带噪声去除方法。请参阅图1，所述方法包括以下步骤。

S1：统计所述卫星影像的灰度直方图，并对所述灰度直方图进行预处理，以消除由于传感器异常带来的干扰。

在本实施方式中，可以读取卫星影像，并统计所述卫星影像的灰度直方图。在对所述灰度直方图进行预处理时，可以从所述灰度直方图的左右两端分别去除预设数量的边缘像素，以得到所述灰度直方图的主体区间。然后可以采用具备预设尺寸的窗口对所述灰度直方图的主体区间进行曲线平滑处理，得到平滑处理后的灰度直方图。

具体地，可以舍弃位于灰度直方图左右两端各占总数a％的像素，得到灰度直方图主体区间，将主体区间的灰阶范围记为[X_min,X_max]，X_min和X_max分别为像素灰度值的极低值和极高值，a在0.1～0.5范围取值。

在本实施方式中，可以采用大小为5×5的窗口对灰度直方图的主体区间进行曲线平滑，记平滑后的直方图为h(x)，x∈[X_min,X_max]。

S2：利用高斯混合模型对预处理后的灰度直方图进行拟合。

在本实施方式中，可以使用一个高斯混合模型对预处理后的灰度直方图进行拟合。公式为：

其中x代表像素灰度值，p(x|μ_m,σ_m)代表第m个高斯分量，M为高斯分量的总个数，μ_m，σ_m和τ_m分别代表第m个高斯分量的均值系数、标准差系数和权重系数。由此可见，所述高斯混合模型中包括至少一个高斯分量，各个所述高斯分量由均值系数、标准差系数以及权重系数确定。

在本实施方式中，可以设置尺寸为5的局部窗口，使用局部最大值法在所述预处理后的灰度直方图中确定至少一个极值点，并记录各个所述极值点的横坐标。具体地，可以假设极值点的数量为高斯分量的数目M。若所获取极值点数大于4，可以仅保留灰度值最大的4个极值点，此时M＝4。记极值点横坐标为P_i，i＝1,2,...M。

在本实施方式中，可以使用最大类间方差算法在相邻的所述极值点之间确定所述灰度直方图中的谷值点，并记录各个所述谷值点的横坐标。同时，预处理后的灰度直方图的最左和最右两端点也可以被标记为谷值点。记谷值点横坐标为V_j，j＝1,2,...M+1。谷值点V_k、V_k+1分别为位于极值点P_k两侧，k＝1,2,...M。

在本实施方式中，根据所述预处理后的灰度直方图、各个极值点的横坐标以及各个谷值点的横坐标，可以分别确定所述均值系数、标准差系数以及权重系数的初始值。具体地，可以按照下述公式确定所述均值系数、标准差系数以及权重系数的初始值：

其中，τ_m ⁽⁰⁾表示第m个高斯分量中权重系数的初始值，h(x)表示所述预处理后的灰度直方图，x表示所述预处理后的灰度直方图中的像素灰度值，V_m表示第m个谷值点的横坐标，μ_m ⁽⁰⁾表示第m个高斯分量中均值系数的初始值，P_m表示第m个极值点的横坐标，表示第m个高斯分量中标准差系数的初始值。

在本实施方式中，为了使得拟合得到的高斯混合模型更加准确，可以构建与各个所述高斯分量相关的最大似然模型方程组，并基于所述均值系数、标准差系数以及权重系数的初始值进行迭代计算，直至迭代结果中的均值系数、标准差系数以及权重系数均满足预设收敛条件为止。具体地，可以按照下述公式构建与各个所述高斯分量相关的最大似然模型方程组以及进行迭代计算：

其中，R_m ^(t)表示第m个高斯分量在第i次迭代计算时对应的最大似然函数，τ_m ^(t)表示第i次迭代计算时第m个高斯分量中的权重系数值，p(x|μ_m ^(t),σ_m ^(t))表示第i次迭代下的第m个高斯分量，M为高斯分量的总个数，μ_m ^(t)表示第i次迭代计算时第m个高斯分量中的均值系数值，σ_m ^(t)表示第i次迭代计算时第m个高斯分量中的标准差系数值，X_min表示所述预处理后的灰度直方图中像素灰度值的极低值，X_max表示所述预处理后的灰度直方图中像素灰度值的极高值。

当满足下述收敛条件，可以停止迭代：

这样，在均值系数、标准差系数以及权重系数均趋于收敛后，高斯混合模型趋于稳定。

S3：基于拟合得到的高斯混合模型，将所述卫星影像分割为至少一个子影像。

在本实施方式中，可以根据各个高斯分量中的均值系数和标准差系数，确定各个高斯分量的主体区间。例如，可以将[μ_m-1.3σ_m,μ_m+1.3σ_m]看作第m个高斯分量的主体区间。

接着，可以判断相邻两个高斯分量的主体区间是否有交集；若有，将两个高斯分量相交的交点横坐标确定为一个分割阈值。具体地，如果相邻两个高斯分量的主体区间存在交集，则说明这两个高斯分量代表不同类别地物，从而可以将两个高斯分量相交的交点横坐标确定为一个分割阈值。

在本实施方式中，可以通过确定的所述分割阈值，将所述卫星影像分割为至少一个子影像。具体地，根据n个分割阈值对影像做分割，可以将影像分割为n+1个子影像。由步骤S2可知，高斯分量的数目最多为4，因此n＝0,1,2,3，子影像的数目为1～4个。

S4：确定各个所述子影像中每一列像素的灰度均值参考值和灰度标准差参考值，并根据所述灰度均值参考值和所述灰度标准差参考值对各个所述子影像进行修复。

在本实施方式中，可以采用自适应移动窗口的方法对各个子影像进行修复。具体地，首先可以对灰度分割得到的每个子影像，分别统计各个子影像中每一列像素的实际灰度均值与实际灰度标准差。然后可以采用自适应移动窗口的方式，逐行计算影像每一列像素的灰度均值参考值与灰度标准差参考值。

具体地，可以根据子影像中像素的总列数，确定最小窗口、最大窗口以及初始窗口中各个窗口的宽度。例如，所述最小窗口W_min、最大窗口W_max以及初始窗口W中各个窗口的宽度可以如下所示：

其中，C为子影像中像素的总列数，表示向下取整符号。

在本实施方式中，可以分别利用所述最小窗口和最大窗口从左至右滑过子影像，记录每一时刻各个窗口内所有列像素的灰度均值的标准差，并基于记录的每一时刻对应的灰度均值的标准差，确定标准差上限和标准差下限。具体地，可以分别使用W_max和W_min从左至右滑过子影像，记录每一时刻窗口内所有列影像像素灰度均值的标准差，分别保存在变量SD(W_min)和SD(W_max)中，进而得到标准差的上限SD_max与下限SD_min，公式为：

在本实施方式中，可以计算所述初始窗口内所有列像素的灰度均值的标准差，并将计算的标准差与所述标准差上限以及所述标准差下限分别进行比对，并根据对比结果对所述初始窗口的宽度进行调整，得到调整后的当前窗口。具体地，初始窗口内所有列像素的灰度均值的标准差可以记为SD(W)。若SD(W)＞SD_max，则使窗口宽度减小2列；若SD(W)＜SD_min，则使窗口宽度增加2列，直至SD(W)的值大于或者等于SD_min并且小于或者等于SD_max。

在本实施方式中，可以按照下述公式确定各个所述子影像中每一列像素的灰度均值参考值和灰度标准差参考值：

其中，μ_fj表示第j列像素的灰度均值参考值，μ_j第j列像素的实际灰度均值，σ_fj表示第j列像素的灰度标准差参考值，σ_j表示第j列像素的实际灰度标准差，c_r表示当前窗口最右侧像素的列号，c_l表示当前窗口最左侧像素的列号，c_m表示当前窗口中心列像素的列号。

在本实施方式中，可以将当前窗口向右移动一个像素，继续重复上述计算灰度均值参考值和灰度标准差参考值的过程，直至计算得到所有像素列的灰度均值参考值和灰度标准差参考值为止。

在本实施方式中，可以按照下述公式对各个所述子影像进行修复：

其中，G_ij表示子影像中第i行第j列像素修复后的灰度值，g_ij表示子影像中第i行第j列像素修复前的灰度值。

S5：将修复后的各个所述子影像通过灰度叠加的方式进行合成，得到去除条带噪声的卫星影像。

在本实施方式中，对于每个子影像均可以执行步骤S4的过程，直至完成对每个子影像进行修复的过程。这样，可以将修复后的各个所述子影像通过灰度叠加的方式进行合成，从而得到去除条带噪声的卫星影像。

请参阅图2和图3，其中，图2为本申请中基于高斯混合模型的影像分类过程示意图，选取三个代表性影像，其中第一横行的(a-1)至(e-1)为实践9号卫星全色影像，第二横行的(a-2)至(e-2)以及第三横行的(a-3)至(e-3)为资源1号02C卫星全色影像。图2中，编号a为原始影像；编号b是预处理后的影像灰度直方图，数字代表灰度值极小值和极大值，圆圈代表检测到的波峰；编号c为经过计算的高斯混合模型曲线，深色曲线代表拟合的高斯混合模型，浅色曲线代表各高斯分量；编号d是经过计算得到的分割阈值，深色曲线标出了每个高斯分量的主要区间，数字代表分割阈值；编号e是分割后的子影像。

图3为本申请中基于自适应移动窗口的影像修复过程，编号a是原始影像，三条竖线从左至右分别代表最小窗口大小、初始窗口大小和最大窗口大小；编号b是修复过程中使用的窗口大小，三条横虚线从上到下分别代表最大窗口，初始窗口、最小窗口，黑色实线代表自适应修复过程中所用的适应窗口；编号c表示列均值曲线的修复效果，其中浅色是修复前的列均值曲线，深色是修复后的列均值曲线；编号d是修复后的影像。

本申请还提供一种卫星影像条带噪声去除装置，请参阅图4，所述装置包括：

预处理单100，用于统计所述卫星影像的灰度直方图，并对所述灰度直方图进行预处理，以消除由于传感器异常带来的干扰；

拟合单元200，用于利用高斯混合模型对预处理后的灰度直方图进行拟合；

子影像分割单元300，用于基于拟合得到的高斯混合模型，将所述卫星影像分割为至少一个子影像；

修复单元400，用于确定各个所述子影像中每一列像素的灰度均值参考值和灰度标准差参考值，并根据所述灰度均值参考值和所述灰度标准差参考值对各个所述子影像进行修复；

合成单元500，用于将修复后的各个所述子影像通过灰度叠加的方式进行合成，得到去除条带噪声的卫星影像。

其中，所述高斯混合模型中包括至少一个高斯分量，各个所述高斯分量由均值系数、标准差系数以及权重系数确定；相应地，所述拟合单元200具体包括：

极值点横坐标记录模块，用于在所述预处理后的灰度直方图中确定至少一个极值点，并记录各个所述极值点的横坐标；

谷值点横坐标记录模块，用于在相邻的所述极值点之间确定所述灰度直方图中的谷值点，并记录各个所述谷值点的横坐标；

初始值确定模块，用于根据所述预处理后的灰度直方图、各个极值点的横坐标以及各个谷值点的横坐标，分别确定所述均值系数、标准差系数以及权重系数的初始值；

迭代模块，用于构建与各个所述高斯分量相关的最大似然模型方程组，并基于所述均值系数、标准差系数以及权重系数的初始值进行迭代计算，直至迭代结果中的均值系数、标准差系数以及权重系数均满足预设收敛条件为止。

需要说明的是，上述各个功能模块的具体实现方式以及计算公式与步骤S1至S5中的描述一致，这里便不再赘述。

由上可见，本申请实施方式提供的卫星影像条带噪声去除方法及装置，通过高斯混合模型对卫星影像的灰度直方图进行准确地拟合，然后可以根据拟合得到的高斯混合模型，将卫星影像分割为多个子影像进行修复处理，能够很好的抑制条带噪声，并较好地避免了高分辨率影像的模糊及细节丢失。进一步地，本申请实施方式通过自适应移动窗口的方法来对子影像进行修复，计算速度块，能够处理海量的卫星影像，从而提高条带噪声去除的效率。

上面对本申请的各种实施方式的描述以描述的目的提供给本领域技术人员。其并非是穷举的实施方式，也并非在将本发明限制于单个技术方案的实施方式。如上所述，本申请的各种替代和变化对于上述技术所属领域技术人员而言将是显而易见的。因此，虽然已经具体讨论了一些另选的实施方式，但是其它实施方式将是显而易见的，或者本领域技术人员相对容易得出。本申请旨在包括在此已经讨论过的本发明的所有替代、修改、和变化，以及落在上述申请的精神和范围内的其它实施方式。

本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。尤其，对于装置实施方式而言，由于其基本相似于方法实施方式，所以描述的比较简单，相关之处参见方法实施方式的部分说明即可。

虽然通过实施方式描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。

Claims (10)

1.一种卫星影像条带噪声去除方法，其特征在于，所述方法包括：

统计所述卫星影像的灰度直方图，并对所述灰度直方图进行预处理，以消除由于传感器异常带来的干扰；

利用高斯混合模型对预处理后的灰度直方图进行拟合；

基于拟合得到的高斯混合模型，将所述卫星影像分割为至少一个子影像；

确定各个所述子影像中每一列像素的灰度均值参考值和灰度标准差参考值，并根据所述灰度均值参考值和所述灰度标准差参考值对各个所述子影像进行修复；

将修复后的各个所述子影像通过灰度叠加的方式进行合成，得到去除条带噪声的卫星影像。

2.根据权利要求1所述的方法，其特征在于，对所述灰度直方图进行预处理具体包括：

从所述灰度直方图的左右两端分别去除预设数量的边缘像素，得到所述灰度直方图的主体区间；

采用具备预设尺寸的窗口对所述灰度直方图的主体区间进行曲线平滑处理，得到平滑处理后的灰度直方图。

3.根据权利要求1所述的方法，其特征在于，所述高斯混合模型中包括至少一个高斯分量，各个所述高斯分量由均值系数、标准差系数以及权重系数确定；其中，各个所述高斯分量中的均值系数、标准差系数以及权重系数通过下述方式确定：

在所述预处理后的灰度直方图中确定至少一个极值点，并记录各个所述极值点的横坐标；

在相邻的所述极值点之间确定所述灰度直方图中的谷值点，并记录各个所述谷值点的横坐标；

根据所述预处理后的灰度直方图、各个极值点的横坐标以及各个谷值点的横坐标，分别确定所述均值系数、标准差系数以及权重系数的初始值；

构建与各个所述高斯分量相关的最大似然模型方程组，并基于所述均值系数、标准差系数以及权重系数的初始值进行迭代计算，直至迭代结果中的均值系数、标准差系数以及权重系数均满足预设收敛条件为止。

4.根据权利要求3所述的方法，其特征在于，按照下述公式确定所述均值系数、标准差系数以及权重系数的初始值：

$\left\{\begin{array}{c}{{\mathrm{\τ}}_m}^{\left(0\right)}=\underset{x=V_m}{\overset{V_{m+1}}{\mathrm{\Σ}}}h\left(x\right)\\ {{\mathrm{\μ}}_m}^{\left(0\right)}=P_m\\ {\mathrm{\σ}}_m^{2\left(0\right)}=\underset{x=V_m}{\overset{V_{m+1}}{\mathrm{\Σ}}}\left\{{\[x-{{\mathrm{\μ}}_m}^{\left(0\right)}\]}^{2}h\left(x\right)\right\}/{{\mathrm{\τ}}_m}^{\left(0\right)}\end{array}\right.$

其中，τ_m ⁽⁰⁾表示第m个高斯分量中权重系数的初始值，h(x)表示所述预处理后的灰度直方图，x表示所述预处理后的灰度直方图中的像素灰度值，V_m表示第m个谷值点的横坐标，μ_m ⁽⁰⁾表示第m个高斯分量中均值系数的初始值，P_m表示第m个极值点的横坐标，表示第m个高斯分量中标准差系数的初始值。

5.根据权利要求4所述的方法，其特征在于，按照下述公式构建与各个所述高斯分量相关的最大似然模型方程组以及进行迭代计算：

$\left\{\begin{array}{c}{R_m}^{\left(t\right)}=\frac{{{\mathrm{\τ}}_m}^{\left(t\right)}p\left(x\right|{{\mathrm{\μ}}_m}^{\left(t\right)},{{\mathrm{\σ}}_m}^{\left(t\right)})}{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\[{{\mathrm{\τ}}_m}^{\left(t\right)}p\left(x\right|{{\mathrm{\μ}}_m}^{\left(t\right)},{{\mathrm{\σ}}_m}^{\left(t\right)})\]}\\ {{\mathrm{\τ}}_m}^{(t+1)}=\underset{x=X_{\min }}{\overset{X_{\max }}{\mathrm{\Σ}}}\[h\left(x\right){R_m}^{\left(t\right)}\]\\ {{\mathrm{\μ}}_m}^{(t+1)}=\underset{x=X_{\min }}{\overset{X_{\max }}{\mathrm{\Σ}}}\[xh\left(x\right){R_m}^{\left(t\right)}\]/\underset{x=X_{\min }}{\overset{X_{\max }}{\mathrm{\Σ}}}\[h\left(x\right){R_m}^{\left(t\right)}\]\\ {\mathrm{\σ}}_m^{2(t+1)}=\underset{x=X_{\min }}{\overset{X_{\max }}{\mathrm{\Σ}}}\left\{{\[x-{{\mathrm{\μ}}_m}^{\left(t\right)}\]}^{2}h\left(x\right){R_m}^{\left(t\right)}\right\}/\underset{x=X_{\min }}{\overset{X_{\max }}{\mathrm{\Σ}}}\[h\left(x\right){R_m}^{\left(t\right)}\]\end{array}\right.$

其中，R_m ^(t)表示第m个高斯分量在第i次迭代计算时对应的最大似然函数，τ_m ^(t)表示第i次迭代计算时第m个高斯分量中的权重系数值，p(x|μ_m ^(t),σ_m ^(t))表示第i次迭代下的第m个高斯分量，M为高斯分量的总个数，μ_m ^(t)表示第i次迭代计算时第m个高斯分量中的均值系数值，σ_m ^(t)表示第i次迭代计算时第m个高斯分量中的标准差系数值，X_min表示所述预处理后的灰度直方图中像素灰度值的极低值，X_max表示所述预处理后的灰度直方图中像素灰度值的极高值。

6.根据权利要求3所述的方法，其特征在于，基于拟合得到的高斯混合模型，将所述卫星影像分割为至少一个子影像具体包括：

根据各个高斯分量中的均值系数和标准差系数，确定各个高斯分量的主体区间；

判断相邻两个高斯分量的主体区间是否有交集；若有，将两个高斯分量相交的交点横坐标确定为一个分割阈值；

通过确定的所述分割阈值，将所述卫星影像分割为至少一个子影像。

7.根据权利要求1所述的方法，其特征在于，确定各个所述子影像中每一列像素的灰度均值参考值和灰度标准差参考值具体包括：

根据子影像中像素的总列数，确定最小窗口、最大窗口以及初始窗口中各个窗口的宽度；

分别利用所述最小窗口和最大窗口从左至右滑过子影像，记录每一时刻各个窗口内所有列像素的灰度均值的标准差，并基于记录的每一时刻对应的灰度均值的标准差，确定标准差上限和标准差下限；

计算所述初始窗口内所有列像素的灰度均值的标准差，并将计算的标准差与所述标准差上限以及所述标准差下限分别进行比对，并根据对比结果对所述初始窗口的宽度进行调整，得到调整后的当前窗口；

按照下述公式确定各个所述子影像中每一列像素的灰度均值参考值和灰度标准差参考值：

$\left\{\begin{array}{c}{\mathrm{\μ}}_{fj}=\underset{j=c_l}{\overset{c_r}{\mathrm{\Σ}}}{\mathrm{\ω}}_j{\mathrm{\μ}}_j/\underset{j=c_l}{\overset{c_r}{\mathrm{\Σ}}}{\mathrm{\ω}}_j\\ {\mathrm{\σ}}_{fj}=\underset{j=c_l}{\overset{c_r}{\mathrm{\Σ}}}{\mathrm{\ω}}_j{\mathrm{\σ}}_j/\underset{j=c_l}{\overset{c_r}{\mathrm{\Σ}}}{\mathrm{\ω}}_j\\ {\mathrm{\ω}}_j=\exp \[-\frac{2{(j-c_m)}^2}{{(c_r-c_l)}^2}\]\end{array}\right.$

其中，μ_fj表示第j列像素的灰度均值参考值，μ_j第j列像素的实际灰度均值，σ_fj表示第j列像素的灰度标准差参考值，σ_j表示第j列像素的实际灰度标准差，c_r表示当前窗口最右侧像素的列号，c_l表示当前窗口最左侧像素的列号，c_m表示当前窗口中心列像素的列号。

8.根据权利要求7所述的方法，其特征在于，按照下述公式对各个所述子影像进行修复：

$G_{ij}=\frac{{\mathrm{\σ}}_{fj}}{{\mathrm{\σ}}_j}{g}_{ij}+{\mathrm{\μ}}_{fj}-{\mathrm{\μ}}_j\frac{{\mathrm{\σ}}_{fj}}{{\mathrm{\σ}}_j}$

其中，G_ij表示子影像中第i行第j列像素修复后的灰度值，g_ij表示子影像中第i行第j列像素修复前的灰度值。

9.一种卫星影像条带噪声去除装置，其特征在于，所述装置包括：

预处理单元，用于统计所述卫星影像的灰度直方图，并对所述灰度直方图进行预处理，以消除由于传感器异常带来的干扰；

拟合单元，用于利用高斯混合模型对预处理后的灰度直方图进行拟合；

子影像分割单元，用于基于拟合得到的高斯混合模型，将所述卫星影像分割为至少一个子影像；

修复单元，用于确定各个所述子影像中每一列像素的灰度均值参考值和灰度标准差参考值，并根据所述灰度均值参考值和所述灰度标准差参考值对各个所述子影像进行修复；

合成单元，用于将修复后的各个所述子影像通过灰度叠加的方式进行合成，得到去除条带噪声的卫星影像。

10.根据权利要求9所述的装置，其特征在于，所述高斯混合模型中包括至少一个高斯分量，各个所述高斯分量由均值系数、标准差系数以及权重系数确定；相应地，所述拟合单元具体包括：

极值点横坐标记录模块，用于在所述预处理后的灰度直方图中确定至少一个极值点，并记录各个所述极值点的横坐标；

谷值点横坐标记录模块，用于在相邻的所述极值点之间确定所述灰度直方图中的谷值点，并记录各个所述谷值点的横坐标；

初始值确定模块，用于根据所述预处理后的灰度直方图、各个极值点的横坐标以及各个谷值点的横坐标，分别确定所述均值系数、标准差系数以及权重系数的初始值；

迭代模块，用于构建与各个所述高斯分量相关的最大似然模型方程组，并基于所述均值系数、标准差系数以及权重系数的初始值进行迭代计算，直至迭代结果中的均值系数、标准差系数以及权重系数均满足预设收敛条件为止。