CN113487547B - 卫星遥感图像条带噪声定位方法及装置 - Google Patents

卫星遥感图像条带噪声定位方法及装置 Download PDF

Info

Publication number
CN113487547B
CN113487547B CN202110707807.9A CN202110707807A CN113487547B CN 113487547 B CN113487547 B CN 113487547B CN 202110707807 A CN202110707807 A CN 202110707807A CN 113487547 B CN113487547 B CN 113487547B
Authority
CN
China
Prior art keywords
stripe
image
noise
remote sensing
stripe noise
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110707807.9A
Other languages
English (en)
Other versions
CN113487547A (zh
Inventor
周颖
赵薇薇
王红钢
王艳
董文军
刘鹏
张帆
赖广陵
沈黎
白龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Remote Sensing Information
Original Assignee
Beijing Institute of Remote Sensing Information
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Remote Sensing Information filed Critical Beijing Institute of Remote Sensing Information
Priority to CN202110707807.9A priority Critical patent/CN113487547B/zh
Publication of CN113487547A publication Critical patent/CN113487547A/zh
Application granted granted Critical
Publication of CN113487547B publication Critical patent/CN113487547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种卫星遥感图像条带噪声定位方法与装置，属于图像处理技术领域。所述方法包括：将条纹检测转换为条纹块与非条纹块的识别。通过条纹图像块利用整体亮度偏移与线性亮度拉伸来进行模拟以获取大量训练数据，根据卫星遥感图像噪声的特点，将条纹块设置为长方条形。本发明所使用的深度神经网络以卷积网络为基础进行构造，检测时以水平密集扫描和垂直稀疏扫描的方式来实现快速精确的检测。本发明解决现有技术中基于深度学习的图像条纹噪声检测方法只能处理尺寸较小的普通图像，而无法处理大尺寸卫星遥感图像的问题。可以用于高分辨率遥感图像条纹噪声自动检测，提高噪声检测的精度，减少图像质检的工作量，降低人力成本。

Description

卫星遥感图像条带噪声定位方法及装置
技术领域
本发明涉及图像处理技术领域，特别是涉及一种卫星遥感图像条带噪声定位方法及装置。
背景技术
在图像采集系统中，由于光线变化及所使用的线阵相机(CCD)本身的影响，在获得的图像中都会有横条纹或者竖条纹的存在，它们统称为条纹噪声。其中，卫星遥感图像存在大量竖条纹噪声，严重制约后续的图像处理与分析。
现有的基于学习的条纹检测方法引入深度卷积神经网络(CNN)进行去条带化，以自适应方式提取条带的空间信息。将条纹图像作为深度网络的输入，没有条纹的图像作为深度网络的输出，基于模拟的样本对网络进行训练，从而实现条纹噪声的自动检测。但是目前基于深度学习的图像条纹噪声检测只能处理尺寸较小的普通图像，无法适用于长宽各为数万个像素的大尺寸的卫星遥感图像，并且由于卫星遥感图像中大量出现的条纹噪声主要为垂直条带，使得卫星遥感图像的处理方式与普通图像的处理方式有很大的不同。
发明内容
有鉴于此，本发明提供的一种卫星遥感图像条带噪声定位方法及装置，能够解决现有技术中基于深度学习的图像条纹噪声检测方法只能处理尺寸较小的普通图像的问题，本发明的方法能够自动识别并快速定位长宽各为数万个像素的大尺寸的卫星遥感图像中的垂直条带位置。
根据本发明一个方面，提供了一种卫星遥感图像条带噪声定位方法，该方法包括步骤：步骤1：构建条带噪声识别深度神经网络模型，包含三个卷积神经网络层结构与两个全连接层；步骤2：从卫星遥感图像中采集和生成大量样本图像，并对样本图像中是否存在条带噪声进行标注，形成训练样本集D；步骤3：采用所述标注结果进行约束，使用所述训练样本集D训练所述条带噪声识别深度神经网络模型，得到训练好的条带噪声识别深度神经网络模型；步骤4：待检测卫星遥感图像预先分割为条状图像块组，以所述条状图像块的中轴列坐标标记所述条状图像块，采用训练好的条带噪声识别深度神经网络模型对所述条状图像块组进行设定间隔的扫描检测，获取分类结果，所述分类结果描述了所述条状图像块组中的每一个图像块是否包含条带噪声；最终获取条纹噪声列坐标集合。
作为本发明的进一步改进，所述三个卷积神经网络层结构中，每个卷积神经网络层结构的组成从上到下依次为卷积神经网络层、批量归一化层、ReLU激活层和池化处理层；所述三个卷积神经网络层结构最后连接一个自适应最大值池化处理层。
作为本发明的进一步改进，所述设定间隔的扫描检测包括步骤：步骤511，水平扫描获取初始条纹噪声列坐标集合；沿着所述待检测卫星遥感图像的竖直方向选取m个起始位置对所述条状图像块组进行水平扫描，获取所述初始条纹噪声列坐标集合；步骤512：将CCD拼接线位置加入所述初始条纹噪声列坐标集合；步骤513，垂直扫描对所述初始条纹噪声列坐标集合进行二次确认；定义一阈值M，沿着所述初始条纹噪声列坐标集合中的每一列对所述条状图像块组进行垂直方向扫描，统计包含条带噪声所述条状图像块数量k，如果k超过M，则将该列坐标加入所述条纹噪声列坐标集合。
作为本发明的进一步改进，所述从卫星遥感图像中生成大量样本图像具体为通过模拟块状区域灰度整体变化的方式来生成条带状样本图像。
作为本发明的进一步改进，所述模拟块状区域灰度整体变化可以为在条纹的两侧分别对像素值进行整体的加减，通过整体加上亮度偏移值来生成条纹效果；公式为：Io＝IC+o；其中o为一个常数，为原始图像块，为整体加上偏移值后的图像块。
作为本发明的进一步改进，所述模拟块状区域灰度整体变化可以为采用线性拉伸在条纹的两侧进行像素值变换生成条纹效果；公式为：I1＝kIC+b；其中k代表缩放值，b为一个常数，代表线性拉伸后的图像块。
根据本发明另一个方面，提供了一种卫星遥感图像条带噪声定位装置，该装置包括：构建网络模型模块：被配置为构建条带噪声识别深度神经网络模型，包含三个卷积神经网络层结构与两个全连接层；构建训练样本模块：被配置为从卫星遥感图像中采集和生成大量样本图像，并对样本图像中是否存在条带噪声进行标注，形成训练样本集D；模型训练模块：被配置为采用所述标注结果进行约束，使用所述训练样本集D训练所述条带噪声识别深度神经网络模型，得到训练好的条带噪声识别深度神经网络模型；检测模块：被配置为将待检测卫星遥感图像预先分割为条状图像块组，以所述条状图像块的中轴列坐标标记所述条状图像块，采用训练好的条带噪声识别深度神经网络模型对所述条状图像块组进行设定间隔的扫描检测，获取分类结果，所述分类结果描述了所述条状图像块组中的每一个图像块是否包含条带噪声；最终获取条纹噪声列坐标集合。
作为本发明的进一步改进，所述三个卷积神经网络层结构中，每个卷积神经网络层结构的组成从上到下依次为卷积神经网络层、批量归一化层、ReLU激活层和池化处理层；所述三个卷积神经网络层结构最后连接一个自适应最大值池化处理层。
作为本发明的进一步改进，所述设定间隔的扫描检测包括：水平扫描子模块：被配置为水平扫描获取初始条纹噪声列坐标集合；沿着所述待检测卫星遥感图像的竖直方向选取m个起始位置对所述条状图像块组进行水平扫描，获取所述初始条纹噪声列坐标集合；添加拼接线子模块：被配置为将CCD拼接线位置加入所述初始条纹噪声列坐标集合；垂直扫描子模块：被配置为使用垂直扫描对所述初始条纹噪声列坐标集合进行二次确认；定义一阈值M，沿着所述初始条纹噪声列坐标集合中的每一列对所述条状图像块组进行垂直方向扫描，统计包含条带噪声所述条状图像块数量k，如果k超过M，则将该列坐标加入所述条纹噪声列坐标集合。
作为本发明的进一步改进，所述从卫星遥感图像中生成大量样本图像具体为通过模拟块状区域灰度整体变化的方式来生成条带状样本图像。
籍由上述技术方案，本发明提供的有益效果如下：
(1)本发明将条纹检测转换为条纹块与非条纹块的识别，结合深度神经网络强大的学习能力，采用图像块来对条带进行识别，输入为卫星遥感图像，输出为所有条带噪声在图像上的位置，能够对超大尺寸的卫星遥感图像自动快速的进行条纹识别。
(2)针对卫星遥感图像尺寸大，条带噪声多为有周期性的垂直条状噪声的特点设计条带块图像训练样本集，能够更多的纳入条纹覆盖的区域，提高目标的识别精度。
(3)设计和训练以CNN(卷积神经网络)为基础的深度学习模型，自动对从卫星遥感图像中拆分出来的条状图像块进行扫描检测，准确率较高。
(4)采用水平扫描与垂直扫描相结合，且设置不同的阈值的方式来完成整幅图像的条带噪声定位，能够在保证识别精度的同时提高识别速度。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种卫星遥感图像条带噪声定位方法的流程图；
图2示出了本发明实施例提供的一种卫星遥感图像条带噪声定位方法的截取图像块示例；
图3示出了本发明实施例提供的一种卫星遥感图像条带噪声定位方法中水平与垂直扫描示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明要解决的核心技术问题为，现有技术中基于深度学习的图像条纹噪声检测方法只能处理尺寸较小的普通图像，而无法处理大尺寸卫星遥感图像的问题。
针对上述技术问题，本发明提出一种卫星遥感图像条带噪声定位方法与装置，将条纹检测转换为条纹块与非条纹块的识别。为了获取大规模的数据，条纹图像块利用整体亮度偏移与线性亮度拉伸来进行模拟，条纹块根据卫星遥感图像噪声的特点，设置为长方条形。本发明所使用的深度神经网络以卷积网络为基础进行构造，检测时以水平密集扫描和垂直稀疏扫描的方式来实现快速精确的检测。
实施例1
图1为本发明实施例提供的一种卫星遥感图像条带噪声定位方法流程示意图，如图1所示，本实施例所述方法输入为卫星遥感图像，输出为所有条带噪声在图像上的位置。本实施例所述方法的技术方案包括以下步骤：
步骤1：构建预训练条带噪声识别深度神经网络模型，包含三个卷积神经网络层结构与两个全连接层。
条带噪声识别深度神经网络模型采用CNN(卷积神经网络)为基础。由于遥感图像较大，如果使用深度神经网络对块状图像进行全图遍历识别，运算量非常大，检测的速度非常慢，因此应该尽量的采用简单的神经网络来构建模型。本实施例采用三个卷积层加上两个全连接层的方式来构建识别的网络，输出层的两个神经元分别代表两个类别的识别概率。卷积层可以用来从图像中提取特征，最后通过全连接层来得到最终分类结果。
具体来说，本实施例采用条带噪声识别深度神经网络模型来作为条带噪声图像与非条带噪声图像的分类器。
上述模型以卷积神经网络为基础，包含3个卷积网络层，每个卷积层的后面包含批量归一化(BatchNorm)、ReLU激活和池化处理。3个卷积层之后是一个自适应最大值池化处理，将图像缩放到固定大小的尺寸。将自适应最大值池化得到的特征图转换为特征矢量。在特征矢量后面增加两个全连接层，第一个全连接的神经元数量为100。此处神经元的数量是通过实验得到的经验值，太小或者太大都有缺点。如果太小会影响识别的精度，太大则会增加运算时间。本发明是通过实验得到一个折衷的数量100，该数量既能保证检测精度，同时运算量也在合理范围内，是一个优选的数量。本领域技术人员可以根据实际需要通过上述方法进行有限次数的实验设置合适的神经元数量，无需创造性劳动。第二个全连接的神经元数量与识别的类别一致，本发明只识别条带块与非条带块，因此第二个全连接的神经元数量为2。最后输出的2个神经元用来判断图像块的类型。
在一个应用场景中，图像可以缩放到尺寸为4x4，若此时通道数量为24，自适应最大值池化得到的特征图尺寸为24x4x4，转换为特征矢量的长度则为24x4x4＝384。
步骤2：从卫星遥感图像中采集和生成大量样本图像，并对样本图像中是否存在条带噪声进行标注，形成训练样本集D；
训练样本的生成主要采用模拟数据的方式，以大量的高分辨率卫星图像为基础，通过模拟块状区域灰度整体变化的方式来生成条带样本。
根据卫星遥感图像观测模式，通常遥感图像的高度对应拍摄前进方向，图像高度对应了行方向，就是卫星在轨道上的前进方向，遥感图像的宽度对应为多片CCD的拼接宽度。条带噪声多为有周期性的垂直条状噪声，因此训练中采用条状块图像，以便更好地定位卫星遥感条带噪声。不失一般性地，条纹块高宽比可设置为3比1，如高度为192，宽度为64，也可以根据需要设置其他的尺寸。相比正方形的图像块，采用条状图像的目的是能够根据卫星遥感图像的特点，在尽量减小每一个图像块数据量的前提下更多的纳入条带覆盖的区域，以提高目标的识别精度，并同时提高识别的速度。
图2示出了本发明实施例提供的一种卫星遥感图像条带噪声定位方法的截取图像块示例；
如图2所示，采用随机采样的方法来生成非条带噪声图像块。根据高分辨率遥感图像的宽度和高度来生成随机的行号r与列号1，以r和1为图像块的中心，从不含条带噪声的高分辨率图像中截取出宽度为w，高度为h的图像块来作为样本。为了让图像块能够均匀的分布在遥感图像中，本发明采用图像分块的方式来对采样进行约束。即首先将原始的高分辨率遥感图像均匀的分为MxN个区域，每个区域的宽度和高度不小于2048，然后分别在每个区域内进行采样。采样的图像块数量设置为每个区域100张。包含条带噪声的图像块沿着条带所在的列来进行采样，在模拟图像中，每个条带的列号已知，可以直接沿着列从上往下每隔64个像元进行采样。对于非模拟的图像，首先需要人工定位出条纹的位置和分布范围，然后沿着条纹所在列在其分布范围内进行采样。在采样时，条带噪声图像块与非条带噪声图像块的数量要基本一致。
根据条带噪声的产生机理，基于同一卫星遥感图像，本实施例采用两种模拟方式来生成条带样本。第一种方式是在条纹的两侧分别对像素值进行整体的加减；第二种方式则采用线性拉伸在条纹的两侧进行像素值变换。然后，将这两种模拟方式获得的条带样本都加入训练样本集。
Io＝IC+o (1)
Il＝kIC+b (2)
公式(1)为整体加上亮度偏移值来生成条纹效果，o为一个常数。公式(2)采用线性拉伸来生成条纹，k代表缩放值，b为一个常数。IC代表原始图像块，Io为整体加上偏移值后的图像块，Il代表线性拉伸后的图像块。为了反映不同条带块的明暗变化，公式中的o，k，b都随机进行取值。
为了达到较好的训练效果，条带噪声样本图像与非条带噪声样本图像的数量都设置为10万张。条带噪声样本与非条带噪声样本要覆盖典型的地表类型，主要包括裸土、植被、城镇、水体、云和雪等目标。同时，为了反映样本的多样性，用来进行训练的图像要有不同亮度与色调的变化。
步骤3：采用所述标注结果进行约束，使用所述训练样本集D训练所述条带噪声识别深度神经网络模型，得到训练好的条带噪声识别深度神经网络模型；
使用经过标注的训练样本集D对条带噪声识别深度神经网络模型进行训练，模型参数的初始值随机设置，采用Adam(Adaptive Moment Estimation自适应矩估计)算法来进行训练，初始的学习率设置为0.001，batch size(批量大小)设置为24，epoch(训练周期)设置为50。
优选的，在训练的过程中，可以随机的对图像进行镜像和整体色调变化处理来实现训练样本的增广，镜像和整体色调变化的操作不会改变条纹，但是可以增加样本的多样性，提高训练得到模型的泛化能力。
步骤4：待检测卫星遥感图像预先分割为条状图像块组，以所述条状图像块的中轴列坐标标记所述条状图像块，采用训练好的条带噪声识别深度神经网络模型对所述条状图像块组进行设定间隔的扫描检测，获取分类结果，所述分类结果描述了所述条状图像块组中的每一个图像块是否包含条带噪声；最终获取条纹噪声列坐标集合。
为了快速的对全图进行条纹检测，本实施例采用水平扫描与垂直扫描结合的方式来完成整幅图像的条带噪声定位。
在条带噪声定位时，采用水平扫描与垂直扫描结合的方式来提高检测的速度。首先在水平方向上进行密集的图像块抽取，目的是尽可能的识别到条带块的分割线，然后沿着水平扫描得到的位置进行垂直方向的扫描，排除掉错误的分割线。
下面通过一个具体的应用场景作为例子，详细描述上述步骤。
步骤511：水平扫描获取初始条纹噪声列坐标集合。
图3示出了本发明实施例提供的一种卫星遥感图像条带噪声定位方法中水平与垂直扫描示意图。
如图3所示，在一个应用场景中，首先进行整图检测，沿着图像的竖直方向选取多个合适间隔的起始位置进行水平扫描，如图中从左往右的密集虚线所示，在密集虚线上进行密集的图像块抽取与识别。扫描起始位置尽量间隔均匀，实际应用时可根据需要选择多个起始位置和设置不同的间隔。由于卫星遥感图像中大量出现的条纹噪声主要为垂直条带，因此这一步在水平方向上进行密集扫描，且在纵坐标上选取多个起始位置，能够在尽可能的发现存在的条带块的同时提高扫描效率。水平扫描发现条带块的位置为初始条带队列。
举例来说，设图像的高度为H，则分别沿着1/4H，1/2H，3/4H三个行号进行搜索。对三行上的每个像元都进行检测，即以像元为中心，截取设定大小的图像块(可设大小为：192x64)。将截取的图像块输入到训练好的条带噪声识别深度神经网络模型，如果识别为条带块，那么该条带块的中央列所对应的坐标就存入初始条带队列中。训练时假设条带块为正样本(标签为1)，那么沿着水平方向进行条纹检测时的阈值可设置为0.5，此处阈值也可以根据实际需要设置。为了尽可能多的发现条带块，水平扫描时采用低阈值的方式，以能够尽可能的将疑似的条带块加入初始条带队列。
步骤512：将CCD拼接线位置加入所述初始条纹噪声列坐标集合。
卫星图像一般由多个CCD拼接而成，基于卫星载荷参数，可以计算出多片CCD拼接的中心线。通常假设卫星遥感图像由N片CCD拼接而成，则有N-1个CCD拼接中心线。相比其他位置，不同CCD拼接的中心线有较大概率出现条纹噪声，将这些位置直接作为条纹可能出现的位置存入初始条带队列中。
步骤513：垂直扫描对所述初始条纹噪声列坐标集合进行二次确认。
下一步在水平扫描发现条带块的位置以及CCD拼接的中心线进行垂直扫描，如图3中从上到下的稀疏虚线所示。在稀疏虚线上进行稀疏的图像块抽取与识别，目的是对水平扫描发现的条纹进行确认，如果在垂直方向抽取的图像块也被识别为条带块，那么就可以确认当前的位置存在条纹。
举例来说，设从初始条带队列中取出列坐标c，然后沿着列的方向进行垂直扫描，扫描间隔设置为64个像素。在每个采样的位置截取图像块(大小为192x64)，将图像块输入识别模型，统计结果为条纹噪声的块的数量。如果c对应的条带块的数量大于设置的阈值(可设置阈值为5)，那么列坐标c就输出为一个条纹噪声。此处阈值也可以根据实际需要设置。垂直扫描时应尽可能采用高阈值方式，以能够准确的排除错误的识别结果。
实施例2
进一步的，作为对上述实施例所示方法的实现，本发明另一实施例还提供了一种卫星遥感图像条带噪声定位装置。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。在该实施例的装置中，具有以下模块：
构建网络模型模块：被配置为构建条带噪声识别深度神经网络模型，包含三个卷积神经网络层结构与两个全连接层；该模块与实施例1中步骤1对应。
构建训练样本模块：被配置为从卫星遥感图像中采集和生成大量样本图像，并对样本图像中是否存在条带噪声进行标注，形成训练样本集D；该模块与实施例1中步骤2对应。
模型训练模块：被配置为采用所述标注结果进行约束，使用所述训练样本集D训练所述条带噪声识别深度神经网络模型，得到训练好的条带噪声识别深度神经网络模型；该模块与实施例1中步骤3对应。
检测模块：被配置为将待检测卫星遥感图像预先分割为条状图像块组，以所述条状图像块的中轴列坐标标记所述条状图像块，采用训练好的条带噪声识别深度神经网络模型对所述条状图像块组进行设定间隔的扫描检测，获取分类结果，所述分类结果描述了所述条状图像块组中的每一个图像块是否包含条带噪声；最终获取条纹噪声列坐标集合。该模块与实施例1中步骤4对应。包括以下子模块：
水平扫描子模块：被配置为水平扫描获取初始条纹噪声列坐标集合；沿着所述待检测卫星遥感图像的竖直方向选取m个起始位置对所述条状图像块组进行水平扫描，获取所述初始条纹噪声列坐标集合；
添加拼接线子模块：被配置为将CCD拼接线位置加入所述初始条纹噪声列坐标集合；
垂直扫描子模块：被配置为使用垂直扫描对所述初始条纹噪声列坐标集合进行二次确认；定义一阈值M，沿着所述初始条纹噪声列坐标集合中的每一列对所述条状图像块组进行垂直方向扫描，统计包含条带噪声所述条状图像块数量k，如果k超过M，则将该列坐标加入所述条纹噪声列坐标集合。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

Claims (8)

1.一种卫星遥感图像条带噪声定位方法，其特征在于，包括以下步骤：
步骤1：构建条带噪声识别深度神经网络模型，包含三个卷积神经网络层结构与两个全连接层；
步骤2：从卫星遥感图像中采集和生成大量样本图像，并对样本图像中是否存在条带噪声进行标注，得到标注结果；所述样本图像和所述标注结果形成训练样本集D；
步骤3：采用所述标注结果进行约束，使用所述训练样本集D训练所述条带噪声识别深度神经网络模型，得到训练好的条带噪声识别深度神经网络模型；
步骤4：待检测卫星遥感图像预先分割为条状图像块组，以所述条状图像块的中轴列坐标标记所述条状图像块，采用训练好的条带噪声识别深度神经网络模型对所述条状图像块组进行设定间隔的扫描检测，获取分类结果，所述分类结果描述了所述条状图像块组中的每一个图像块是否包含条带噪声；最终获取条纹噪声列坐标集合；
所述设定间隔的扫描检测包括步骤：
步骤511，水平扫描获取初始条纹噪声列坐标集合；沿着所述待检测卫星遥感图像的竖直方向选取m个起始位置对所述条状图像块组进行水平扫描，获取所述初始条纹噪声列坐标集合；
步骤512：将CCD拼接线位置加入所述初始条纹噪声列坐标集合；
步骤513，垂直扫描对所述初始条纹噪声列坐标集合进行二次确认；定义一阈值M，沿着所述初始条纹噪声列坐标集合中的每一列对所述条状图像块组进行垂直方向扫描，统计包含条带噪声所述条状图像块数量k，如果k超过M，则将该列坐标加入所述条纹噪声列坐标集合。
2.根据权利要求1所述的卫星遥感图像条带噪声定位方法，其特征在于，所述三个卷积神经网络层结构中，每个卷积神经网络层结构的组成从上到下依次为卷积神经网络层、批量归一化层、ReLU激活层和池化处理层；所述三个卷积神经网络层结构最后连接一个自适应最大值池化处理层。
3.根据权利要求1所述的卫星遥感图像条带噪声定位方法，其特征在于，所述从卫星遥感图像中生成大量样本图像具体为通过模拟块状区域灰度整体变化的方式来生成条带状样本图像。
4.根据权利要求3所述的卫星遥感图像条带噪声定位方法，其特征在于，所述模拟块状区域灰度整体变化为在条纹的两侧分别对像素值进行整体的加减，通过整体加上亮度偏移值来生成条纹效果；公式为：Io＝IC+o；其中o为一个常数，IC为原始图像块，Io为整体加上偏移值后的图像块。
5.根据权利要求3所述的卫星遥感图像条带噪声定位方法，其特征在于，所述模拟块状区域灰度整体变化为采用线性拉伸在条纹的两侧进行像素值变换生成条纹效果；公式为：Il＝kIC+b；其中k代表缩放值，b为一个常数，Il代表线性拉伸后的图像块。
6.一种卫星遥感图像条带噪声定位装置，其特征在于，包括：
构建网络模型模块：被配置为构建条带噪声识别深度神经网络模型，包含三个卷积神经网络层结构与两个全连接层；
构建训练样本模块：被配置为从卫星遥感图像中采集和生成大量样本图像，并对样本图像中是否存在条带噪声进行标注，得到标注结果；所述样本图像和所述标注结果形成训练样本集D；
模型训练模块：被配置为采用所述标注结果进行约束，使用所述训练样本集D训练所述条带噪声识别深度神经网络模型，得到训练好的条带噪声识别深度神经网络模型；
检测模块：被配置为将待检测卫星遥感图像预先分割为条状图像块组，以所述条状图像块的中轴列坐标标记所述条状图像块，采用训练好的条带噪声识别深度神经网络模型对所述条状图像块组进行设定间隔的扫描检测，获取分类结果，所述分类结果描述了所述条状图像块组中的每一个图像块是否包含条带噪声；最终获取条纹噪声列坐标集合；
所述设定间隔的扫描检测包括：
水平扫描子模块：被配置为水平扫描获取初始条纹噪声列坐标集合；沿着所述待检测卫星遥感图像的竖直方向选取m个起始位置对所述条状图像块组进行水平扫描，获取所述初始条纹噪声列坐标集合；
添加拼接线子模块：被配置为将CCD拼接线位置加入所述初始条纹噪声列坐标集合；
垂直扫描子模块：被配置为使用垂直扫描对所述初始条纹噪声列坐标集合进行二次确认；定义一阈值M，沿着所述初始条纹噪声列坐标集合中的每一列对所述条状图像块组进行垂直方向扫描，统计包含条带噪声所述条状图像块数量k，如果k超过M，则将该列坐标加入所述条纹噪声列坐标集合。
7.根据权利要求6所述的卫星遥感图像条带噪声定位装置，其特征在于，所述三个卷积神经网络层结构中，每个卷积神经网络层结构的组成从上到下依次为卷积神经网络层、批量归一化层、ReLU激活层和池化处理层；所述三个卷积神经网络层结构最后连接一个自适应最大值池化处理层。
8.根据权利要求6所述的卫星遥感图像条带噪声定位装置，其特征在于，所述从卫星遥感图像中生成大量样本图像具体为通过模拟块状区域灰度整体变化的方式来生成条带状样本图像。
CN202110707807.9A 2021-06-24 2021-06-24 卫星遥感图像条带噪声定位方法及装置 Active CN113487547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110707807.9A CN113487547B (zh) 2021-06-24 2021-06-24 卫星遥感图像条带噪声定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110707807.9A CN113487547B (zh) 2021-06-24 2021-06-24 卫星遥感图像条带噪声定位方法及装置

Publications (2)

Publication Number Publication Date
CN113487547A CN113487547A (zh) 2021-10-08
CN113487547B true CN113487547B (zh) 2023-08-15

Family

ID=77936216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110707807.9A Active CN113487547B (zh) 2021-06-24 2021-06-24 卫星遥感图像条带噪声定位方法及装置

Country Status (1)

Country Link
CN (1) CN113487547B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427349A (zh) * 2015-11-18 2016-03-23 国家海洋局第一海洋研究所 遥感图像条带噪声定量评价方法
CN107730454A (zh) * 2016-08-10 2018-02-23 苏州中科天启遥感科技有限公司 一种基于线追踪的线阵影像中横条纹噪声去除的改进算法
CN108154479A (zh) * 2016-12-02 2018-06-12 航天星图科技（北京）有限公司 一种对遥感图像进行图像校正的方法
CN108830808A (zh) * 2018-06-01 2018-11-16 北京航空航天大学 基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法
CN109816599A (zh) * 2018-12-07 2019-05-28 西安电子科技大学 一种基于小波分解卷积神经网络的图像条带噪声抑制方法
CN110472637A (zh) * 2019-07-29 2019-11-19 天津大学 深度学习变密度低质量电子散斑条纹方向提取方法
CN111105417A (zh) * 2020-03-17 2020-05-05 珠海欧比特宇航科技股份有限公司 影像噪声定位方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8953882B2 (en) * 2012-05-31 2015-02-10 Apple Inc. Systems and methods for determining noise statistics of image data
KR20210017185A (ko) * 2019-08-07 2021-02-17 한국전자통신연구원 심층 신경망을 기반으로 영상의 압축 포아송 잡음을 제거하는 방법 및 장치

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427349A (zh) * 2015-11-18 2016-03-23 国家海洋局第一海洋研究所 遥感图像条带噪声定量评价方法
CN107730454A (zh) * 2016-08-10 2018-02-23 苏州中科天启遥感科技有限公司 一种基于线追踪的线阵影像中横条纹噪声去除的改进算法
CN108154479A (zh) * 2016-12-02 2018-06-12 航天星图科技（北京）有限公司 一种对遥感图像进行图像校正的方法
CN108830808A (zh) * 2018-06-01 2018-11-16 北京航空航天大学 基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法
CN109816599A (zh) * 2018-12-07 2019-05-28 西安电子科技大学 一种基于小波分解卷积神经网络的图像条带噪声抑制方法
CN110472637A (zh) * 2019-07-29 2019-11-19 天津大学 深度学习变密度低质量电子散斑条纹方向提取方法
CN111105417A (zh) * 2020-03-17 2020-05-05 珠海欧比特宇航科技股份有限公司 影像噪声定位方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的红外图像条纹非均匀性校正;袁海强;《中国优秀硕士学位论文全文数据库信息科技辑》;I135-91 *

Also Published As

Publication number Publication date
CN113487547A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN109800631B (zh) 基于掩膜区域卷积神经网络的荧光编码微球图像检测方法
CN112183788A (zh) 一种域自适应设备运检系统和方法
Weber et al. Hyperspectral imagery for environmental urban planning
CN110136162B (zh) 无人机视角遥感目标跟踪方法及装置
CN112766155A (zh) 一种基于深度学习的海水养殖区提取方法
CN110222784A (zh) 融合短时和长时深度特征的太阳能电池片缺陷检测方法
CN112560619B (zh) 一种基于多聚焦图像融合的多距离鸟类精准识别方法
CN111723464A (zh) 一种基于遥感影像特征的台风椭圆型风场参数化模拟方法
CN113205507B (zh) 一种视觉问答方法、系统及服务器
CN114926738A (zh) 一种基于深度学习的滑坡识别方法及系统
CN115047455A (zh) 一种轻量化的sar图像舰船目标检测方法
CN113487547B (zh) 卫星遥感图像条带噪声定位方法及装置
CN104156977A (zh) 基于多线列时差扫描扩展采样的点目标运动速度探测方法
CN110826691A (zh) 基于yolo和lstm的地震速度谱智能拾取方法
CN116188943A (zh) 太阳射电频谱爆发信息检测方法及装置
CN113963427B (zh) 一种快速活体检测的方法与系统
CN108399650B (zh) 一种叶绿素含量预测方法
CN116563844A (zh) 圣女果成熟度检测方法、装置、设备及存储介质
Guo et al. A cloud boundary detection scheme combined with aslic and cnn using zy-3, gf-1/2 satellite imagery
CN109840544B (zh) 一种高光谱图像多端元光谱混合分析方法及装置
CN111523564A (zh) 一种用于深度学习训练的sar时敏目标样本增广方法
CN112633158A (zh) 一种输电线路走廊车辆识别方法、装置、设备和存储介质
Cao et al. Self-supervised depth completion via adaptive sampling and relative consistency
CN111242053A (zh) 一种输电线路火焰检测方法及系统
CN110674763B (zh) 一种基于对称检验的输电通道杆塔图像识别方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant