HTML
-
本文中采用模拟数据集和真实数据集测试和评估SSDTS算法对高光谱图像的去噪能力。在此基础上,选取4种广泛使用的算法作为对比算法,包括低秩矩阵恢复(low-rank matrix recovery,LRMR)[17]、全变分正则化的低秩矩阵分解(the TV-regularized low-rank matrix factorization,LRTV)[18]、利用子空间和深度图像先验的高光谱图像混合噪声去除方法(hyperspectral image mixed noise removal method using subspace representation and deep CNN image prior,HySuDeep)[19]和2维深度图像先验(deep image prior 2D,DIP2D)[20]。与此同时,为了准确可靠地评价图像重建性能,采用4个定量评价指标,分别为平均峰值信噪比(mean peak signal-to-noise ratio,MPSNR)、平均结构相似度(mean structural similarity index measure,MSSIM)、光谱角制图(spectral angle mapper,SAM)和相对无量纲全局误差(erreur relative globale adimensionnelle de synthèse,ERGAS)。另外,作为实验的预处理,将高光谱图像的灰度值归一化到[0, 1]区间。上述所有深度学习的实验结果均在GeForce GTX 2080 Ti处理器上使用Python环境的pytorch库产生。
-
对于模拟实验,本文作者设计了两个高光谱图像数据集作为参考。一个是Washington DC Mall的子图像,尺寸为120×256×256个像素; 另一个是Salinas数据集,包含192×192个空间像素和130个光谱波段。
-
方案Ⅰ(高斯噪声与椒盐噪声):采用分布比例为0.1的高斯噪声与椒盐噪声污染高光谱图像的所有波段。
方案Ⅱ(高斯噪声与条带噪声):对于受到与方案Ⅰ相同的高斯噪声污染的高光谱图像,随机选择波段添加条带噪声,其波段数量占所有波段数目的0.5,每个波段中条带的数量从5~15间随机变化。
方案Ⅲ(高斯噪声与截止噪声):包含与方案Ⅰ相同的高斯噪声和随机选择的波段上的截止噪声,其波段数量占所有波段数目的0.5。与此同时,截止噪声的宽度从1~3随机变化,每个波段存在的截止噪声总数在[6, 10]之间。
方案Ⅳ(高斯噪声与混合稀疏噪声):在每个高光谱图像波段中,添加与方案Ⅰ、方案Ⅱ和方案Ⅲ相同的高斯噪声、椒盐噪声、条带噪声和截止噪声。
-
如图 2所示,Washington DC Mall图像遭受到严重的高斯噪声与椒盐噪声的污染,LRTV和DIP2D算法生成的去噪图像仍残存着明显的噪声,LRMR和HySuDeep算法去除噪声效果较好,但存在着图像细节信息的丢失,本文中提出的SSDTS算法可以最大程度地消除噪声,并准确地描述图像的细节。对比图 3可以发现,本文中所提出的SSDTS算法还具有较为理想的去噪结果,LRMR、LRTV和DIP2D算法对于高斯噪声与多种稀疏噪声的混合具有较差的抑制性,HySuDeep算法对应的重构图像面临着过度平滑的现象。综上所述,SSDTS算法在各种复杂、严重的噪声干扰下均表现出较好的视觉恢复性能。
-
表 1和表 2中对比了SSDTS算法与4种算法在Washington DC Mall和Salinas数据集上产生的评价指标值。相对于其它算法,SSDTS算法产生的平均峰值信噪比值提高了1 dB以上,对应的ERGAS值至少降低了10%。这说明本文中提出的方法在严重的高斯噪声或稀疏噪声的污染下,依然能获得更为理想的重构图像。从整体结果来看,SSDTS算法在几乎所有评价指标上都取得了令人满意的性能。
case index LRMR LRTV HySuDeep DIP2D proposed Ⅰ MPSNR/dB 32.63 27.63 29.43 26.97 33.31 MSSIM 0.926 0.859 0.907 0.849 0.938 SAM 0.0837 0.127 0.153 0.121 0.069 ERGAS 75.86 152.31 127.10 145.63 70.14 Ⅱ MPSNR/dB 32.93 32.12 29.72 27.59 33.81 MSSIM 0.934 0.928 0.913 0.844 0.948 SAM 0.082 0.094 0.150 0.129 0.065 ERGAS 73.46 90.12 125.68 140.33 66.39 Ⅲ MPSNR/dB 31.43 31.96 29.54 32.31 34.15 MSSIM 0.925 0.934 0.913 0.934 0.949 SAM 0.101 0.083 0.151 0.071 0.065 ERGAS 92.39 89.38 126.43 78.87 63.85 Ⅳ MPSNR/dB 30.24 26.42 28.92 25.04 32.73 MSSIM 0.906 0.829 0.901 0.789 0.931 SAM 0.114 0.166 0.156 0.154 0.075 ERGAS 103.71 181.25 136.37 187.67 74.83 Table 1. Performance comparison of denoising images on Washington DC Mall
scase index LRMR LRTV HySuDeep DIP2D proposed Ⅰ MPSNR/dB 34.69 29.26 31.98 29.62 36.03 MSSIM 0.848 0.778 0.907 0.763 0.895 SAM 0.040 0.089 0.069 0.068 0.034 ERGAS 89.86 628.62 107.14 338.15 66.70 Ⅱ MPSNR/dB 34.35 33.95 32.22 32.01 35.86 MSSIM 0.857 0.880 0.917 0.823 0.894 SAM 0.043 0.068 0.069 0.053 0.035 ERGAS 186.45 583.89 112.05 271.69 65.24 Ⅲ MPSNR/dB 30.68 31.42 32.16 35.39 36.69 MSSIM 0.815 0.855 0.926 0.884 0.905 SAM 0.083 0.088 0.071 0.035 0.033 ERGAS 127.43 109.72 86.83 78.07 55.54 Ⅳ MPSNR/dB 29.19 26.40 31.04 27.92 35.20 MSSIM 0.767 0.715 0.884 0.728 0.881 SAM 0.090 0.127 0.074 0.093 0.036 ERGAS 197.29 961.37 154.44 583.71 91.20 Table 2. Performance comparison of denoising images on Salinas
-
图 4和图 5中绘制了SSDTS算法与所有对比算法在受到不同噪声方案污染的Washington DC Mall和Salinas数据集上产生的峰值信噪比(peak signal-to-noise ratio,PSNR)和ERGAS曲线。值得注意的是,本文中提出的SSDTS算法产生的PSNR曲线优于由对比算法生成的其它曲线;而SSDTS算法对应的ERGAS曲线在绝大多数波段得到最低值。上述性能曲线变化情况表明,SSDTS去噪算法在大部分波段获得了最理想的结果。同时,也从侧面证明,不同于仅采用深度图像先验的DIP2D算法,本文中所提出的空谱深度图像先验结合紧框架域平滑正则在图像去噪领域中可以产生更加满意的结果。
-
为了验证本文作者所提出的算法对于真实噪声的去除仍具有有效性,选取由传感器直接采集的WHU HongHu数据集,包含150个光谱波段和192×192个空间像素。图 6展示出经过所有去噪方法的优化处理后的WHU HongHu数据集在第2个波段的重构结果。可以明显观察到,HySuDeep与DIP2D算法对真实噪声的抑制效果有限。其它两个对比算法可以实现较好地去噪,但会造成图像局部特征信息的模糊。相比之下,由于深度图像先验模型与传统的变换域平滑先验的结合,本文作者提出的算法能够在最大限度地消除噪声的同时, 精确地保留图像细节信息。
由于缺乏干净图像作为参考,采用水平均值剖面图作为图像质量评价指标,通过遥感影像平均像元亮度值(digital number,DN)记录地物的灰度值。仔细对比图 7中各个剖面图的变化趋势可知,由LRMR、LRTV、HySuDeep与DIP2D这4种对比算法产生的剖面图在局部位置仍存在明显的波动,这说明对应的去噪图像中存在着噪声残留。而本文作者提出的SSDTS算法对应的水平均值剖面图平滑效果最好。
-
图 8反映了方案Ⅱ下的模拟数据集的MPSNR与λA、λX、λS和端元数目r的关系。由图可知,当λA的值设为0.1、λX的值设为0.2、λS值设为0.1、r选择为5时,在Washington DC Mall与Salinas数据集上产生的MPSNR值均达到了最优性能的近似值。
-
从图 9中可以明显观察到,随着迭代次数的增加,MPSNR对应的曲线均逐渐趋向于平稳的理想结果,这表明本文作者提出的SSDTS算法具有理想的收敛性,同时也从侧面证明SSDTS算法中采用的噪声稀疏与变换域平滑正则项可以有效改善深度图像网络存在的半拟合问题,在充分学习图像特征达到最佳评价指标结果后, 没有产生继续学习噪声特征导致性能下降的现象。
-
为了验证本文作者提出的将深度学习与传统先验结合的有效性,设计了空谱深度图像先验(spatial spectral depth image prior,SSDIP)算法、空谱深度图像先验结合稀疏噪声正则(spatial spectral depth sparse noise,SSDSN) 算法、空谱深度图像先验结合紧框架平滑先验正则(spatial spectral depth frame smoothing,SSDFS)算法和提出的SSDTS算法的对比实验。从表 3可知,在受到不同程度混合噪声干扰下,相对于其它3种算法,本文作者提出的SSDTS算法均呈现出更加理想的去噪表现,这证明了本文中将空谱深度图像先验与紧框架平滑以及噪声稀疏先验相结合的合理性。
data case method MPSNR/dB MSSIM SAM ERGAS Washington DC Mall Ⅱ SSDIP 31.69 0.931 0.087 86.25 SSDSN 32.41 0.935 0.071 78.03 SSDFS 31.90 0.926 0.096 89.81 proposed 33.81 0.948 0.065 66.39 Ⅳ SSDIP 26.53 0.849 0.124 157.01 SSDSN 31.89 0.925 0.075 82.64 SSDFS 27.21 0.850 0.124 155.91 proposed 33.11 0.939 0.070 71.68 Salinas Ⅱ SSDIP 33.87 0.863 0.054 537.44 SSDSN 35.37 0.894 0.036 67.93 SSDFS 34.38 0.869 0.048 196.51 proposed 36.18 0.901 0.035 67.72 Ⅳ SSDIP 28.78 0.777 0.083 499.51 SSDSN 34.63 0.870 0.042 95.88 SSDFS 29.22 0.787 0.082 511.01 proposed 35.20 0.881 0.036 91.20 Table 3. Performance comparison of different tensor nuclear norm method
-
从表 4中的图像去噪运行时间来看,LRMR算法恢复图像最耗时,HySuDeen和本文作者所提出的算法运行时间很接近,两者相差非常小,这证明了本文作者提出的算法不止在客观评价指标和视觉恢复效果上有良好的表现,在运行时间上也具有一定的优势。
data LRMR LRTV HySuDeep DIP2D proposed Washington DC Mall 74.56 55.69 29.12 59.91 28.82 Salinas 65.39 47.72 26.47 52.65 27.53 Table 4. Comparison of average running times of different methods under four cases/s