侯禹存，宋 輝

(沈陽工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，沈陽 110870)

0 引言

遙感圖像在生成和傳輸?shù)倪^程中，由于受到外部環(huán)境和成像設(shè)備的影響，會(huì)在圖像上產(chǎn)生一定的隨機(jī)噪聲[1]，這極大的影響圖像的質(zhì)量，為后續(xù)的處理也帶來了困難，去噪的效果好壞會(huì)直接影響到后續(xù)特征提取以及識(shí)別分類等工作的效率[2-5]，因此圖像去噪在遙感領(lǐng)域十分重要。傳統(tǒng)的圖像去噪方法主要采取濾波方式，包括空間域?yàn)V波和頻域?yàn)V波，空間域?yàn)V波是直接對(duì)原始圖像的像素點(diǎn)進(jìn)行處理，將圖像與設(shè)定的濾波器進(jìn)行運(yùn)算，經(jīng)典的算法有中值濾波[6]、自適應(yīng)濾波[7]等，在2005年Buades 等人提出了非局部均值[8]方法，通過在圖像中選取相似的圖像塊作為整體求得均值，代替?zhèn)鹘y(tǒng)的濾波方法僅對(duì)一個(gè)像素周圍區(qū)域進(jìn)行均值運(yùn)算，相比于局部平均的算法較好的保護(hù)了圖像邊緣和細(xì)節(jié)紋理特征。文獻(xiàn)[9]又將殘差圖像濾波與非局部均值算法相結(jié)合，能夠充分地挖掘殘差中的圖像結(jié)構(gòu)信息，顯著地提升了非局部均值算法的去噪性能。文獻(xiàn)[10]又將結(jié)構(gòu)相似性指數(shù)引入小塊相似性的度量當(dāng)中更進(jìn)一步的加強(qiáng)了對(duì)邊緣結(jié)構(gòu)信息的保護(hù)，并將其應(yīng)用于遙感圖像的去噪，獲得了較好的去噪效果。頻域?yàn)V波的思想是將含噪聲圖像從空間域轉(zhuǎn)化到頻域，噪聲一般集中在圖像的高頻部分，而圖像的其他信息則集中在低頻部分，因此可在頻域中對(duì)圖像進(jìn)行濾波運(yùn)算，再將濾波后圖像轉(zhuǎn)換回空間域，實(shí)現(xiàn)濾波去噪。典型的方法有小波變換去噪，早在1995年，Donoho等就提出了基于小波閾值的去噪方法[11]，使用一種非常簡潔的方法對(duì)小波系數(shù)進(jìn)行估計(jì)，將原始信號(hào)連續(xù)進(jìn)行幾次小波分解后，選取了一個(gè)特定的閾值，將小于設(shè)定閾值的小波系數(shù)置零，將大于設(shè)定閾值的小波系數(shù)予以保留或進(jìn)行收縮，以此來得到小波系數(shù)的估計(jì)。此后基于小波變換的圖像去噪方法的主要研究方向集中在對(duì)于小波系數(shù)的處理[12-14]，通過設(shè)定更加合適的閾值，對(duì)噪聲進(jìn)行定位和消除。

近些年來，隨著硬件性能的提升，深度學(xué)習(xí)技術(shù)有了很大程度的飛躍，在圖像處理領(lǐng)域有著大量的應(yīng)用。出現(xiàn)了AlexNet、VGGNet、ResNet等多種神經(jīng)網(wǎng)絡(luò)模型，這些模型在包括目標(biāo)檢測、圖像分類、語義分割等數(shù)字圖像處理領(lǐng)域都表現(xiàn)出了強(qiáng)大的優(yōu)勢。由于神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力，能夠自主學(xué)習(xí)噪聲特征，實(shí)現(xiàn)含噪圖片到無噪圖片的映射，無需人工設(shè)定去噪?yún)?shù)，因此基于深度學(xué)習(xí)的去噪方法比傳統(tǒng)方法更具優(yōu)勢。2012年Burger[15]等提出使用多層感知器MLP(multi-layer perceptron)來學(xué)習(xí)噪聲圖像到無噪圖像的映射，成功的將神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像的去噪。2016年，Zhang[16]等提出 DnCNN 模型，引入殘差學(xué)習(xí)的思想，使用網(wǎng)絡(luò)模型去預(yù)測殘差圖像，可實(shí)現(xiàn)對(duì)未知噪聲的盲降噪。

基于深度學(xué)習(xí)的圖像去噪方法往往通過人工來設(shè)計(jì)網(wǎng)絡(luò)模型超參數(shù)(網(wǎng)絡(luò)層數(shù)、卷積核尺寸及數(shù)量等)，而后經(jīng)過網(wǎng)絡(luò)訓(xùn)練來獲取合適的網(wǎng)絡(luò)參數(shù)，實(shí)現(xiàn)網(wǎng)絡(luò)模型的功能，人工設(shè)計(jì)主要通過試錯(cuò)的方式進(jìn)行，嘗試對(duì)不同結(jié)構(gòu)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，根據(jù)經(jīng)驗(yàn)逐步修改超參數(shù)，這大大的增加了工作的復(fù)雜度和工作難度，也無法保證最終得到模型的質(zhì)量。近年來出現(xiàn)了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自動(dòng)搜索的方法(NAS, neural architecture search)，通過這種方法可以用計(jì)算機(jī)來代替人工設(shè)計(jì)網(wǎng)絡(luò)模型，通過程序自動(dòng)搜索出最優(yōu)異的網(wǎng)絡(luò)結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜索的方法主要由搜索空間、搜索策略以及評(píng)估方法三部分構(gòu)成，在定義了一個(gè)搜索空間范圍后，通過一定的搜索策略進(jìn)行搜索，使用合適的評(píng)估方法對(duì)每次搜索出的模型結(jié)構(gòu)進(jìn)行評(píng)估，將評(píng)估結(jié)果反饋到搜索策略來修正下一步的搜索方向，以此來搜索出符合要求的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)。由于DnCNN網(wǎng)絡(luò)模型在對(duì)噪聲的預(yù)測上表現(xiàn)優(yōu)異，本文提出將其與小波變換相結(jié)合應(yīng)用于遙感圖像去噪，首先通過小波變換將圖像分解成不同頻率的4個(gè)子帶部分，而后使用DnCNN模型預(yù)測這4個(gè)部分各自含有的噪聲成分，為了將網(wǎng)絡(luò)模型能夠更加適合于每一個(gè)頻率子帶，采用了基于遺傳算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自動(dòng)搜索方法來得到4個(gè)不同的網(wǎng)絡(luò)模型，以此針對(duì)不同含量的噪聲成分使用不同的模型進(jìn)行預(yù)測，實(shí)現(xiàn)最優(yōu)的去噪效果。

1 結(jié)合小波變換的DnCNN模型

1.1 圖像的小波變換

小波變換具有能量集中的特性[17]，原始信號(hào)經(jīng)過小波變換后，噪聲成分的能量主要集中在高頻部分且比較均勻的分布在多個(gè)幅值較小的小波系數(shù)上，而原始信號(hào)的能量則集中分布在少數(shù)幾個(gè)幅值較大的小波系數(shù)上，因此可以在小波域?qū)崿F(xiàn)信號(hào)與噪聲的有效分離。對(duì)于一幅大小為N×N的二維圖像，將其進(jìn)行尺度為1的小波變換首先需要按行作N個(gè)長度為N的一維數(shù)據(jù)的小波變換，將圖像分解成兩部分：左半部分是大小為N×N/2的低頻子圖像，右半部分是大小為N×N/2的高頻子圖像，然后把每個(gè)子圖像再按列作N/2個(gè)長度為N的一維小波變換，則原始圖像可分解為4個(gè)子圖像：LL1，HL1，LH1，HH1，其中3個(gè)高頻分量均包含了較多的邊緣輪廓以及噪聲信息。在此分解的基礎(chǔ)上，可以將低頻子圖像LL1進(jìn)行第二級(jí)的小波變換，同樣得到4個(gè)子圖像：LL2，HL2，LH2，HH2，即對(duì)原始的二維圖像進(jìn)行了尺度為2的小波分解結(jié)果，如圖1所示。

圖1 小波變換模型

1.2 DnCNN模型

DnCNN模型是基于使用重復(fù)卷積塊的深層神經(jīng)網(wǎng)絡(luò)VGG(visual geometry group )設(shè)計(jì)而成。一般的來說基于深度學(xué)習(xí)的方法實(shí)現(xiàn)的都是從含噪圖像到去噪后圖像的映射，但與其他基于深度學(xué)習(xí)的去噪算法不同，DnCNN模型并不會(huì)直接輸出去噪后的圖像，而輸出的是對(duì)噪聲部分的預(yù)測，之后再由含噪圖像與預(yù)測的噪聲做差來得到去噪后的圖像。模型原理如圖2所示，一幅含有噪聲的圖像由噪聲部分和無噪部分相加構(gòu)成，DnCNN模型經(jīng)過訓(xùn)練學(xué)習(xí)出含噪圖像與無噪圖像之間的差異，也就是原始含噪圖像中的噪聲部分，即可實(shí)現(xiàn)將噪聲成分從含有噪聲的原始圖像當(dāng)中提取出來達(dá)到去噪的目的。在DnCNN模型訓(xùn)練的過程中，網(wǎng)絡(luò)的輸出為預(yù)測的殘差圖像，目標(biāo)輸出為含噪圖像與無噪圖像之差，需要求得兩幅圖像的差異作為損失函數(shù)來進(jìn)行誤差反向傳播修正網(wǎng)絡(luò)參數(shù)，在DnCNN模型中采用的是均方誤差(MSE ,mean square error)

圖2 DnCNN模型原理圖

作為損失函數(shù)，具體表達(dá)式如式(1)所示：

(1)

式中，R(yi,θ)為預(yù)測的殘差輸出，yi和xi分別代表的是含噪圖像和無噪圖像，N為樣本數(shù)目，θ為網(wǎng)絡(luò)中的參數(shù)。

1.3 結(jié)合小波變換的DnCNN模型

DnCNN網(wǎng)絡(luò)主要包括殘差學(xué)習(xí)和批量歸一化兩個(gè)核心內(nèi)容。殘差學(xué)習(xí)是為了解決在卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中會(huì)出現(xiàn)的退化問題而提出的，當(dāng)神經(jīng)網(wǎng)絡(luò)模型的深度加深時(shí)，訓(xùn)練的精度反而會(huì)降低，殘差學(xué)習(xí)通過將輸入與之后的層直接相連，使網(wǎng)絡(luò)學(xué)習(xí)這幾層的殘差映射，利用這種學(xué)習(xí)策略可以很好地訓(xùn)練較深的卷積網(wǎng)絡(luò)，并且可以提高結(jié)果的準(zhǔn)確性。在神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的過程中，網(wǎng)絡(luò)前一層的輸出會(huì)發(fā)生非線性的變化，會(huì)導(dǎo)致數(shù)據(jù)波動(dòng)較大，這種波動(dòng)在前向傳播的過程中會(huì)被逐層放大，使得訓(xùn)練過程難度增加，另一方面，對(duì)于網(wǎng)絡(luò)模型不同的輸入數(shù)據(jù)分布，就需要訓(xùn)練得到不同的網(wǎng)絡(luò)參數(shù)去適應(yīng)，會(huì)導(dǎo)致網(wǎng)絡(luò)的泛化性能大大降低，因此需要在每一層后添加歸一化操作，將所有的輸入都限定到某一敏感的范圍區(qū)間之內(nèi)。

結(jié)合了殘差學(xué)習(xí)和批量歸一化兩個(gè)核心內(nèi)容的DnCNN模型可以實(shí)現(xiàn)快速穩(wěn)定的訓(xùn)練以及更好的去噪效果，在此基礎(chǔ)上本文提出了改進(jìn)DnCNN的去噪方法，結(jié)合了小波變換可以在頻域?qū)D像進(jìn)行處理的優(yōu)勢，先利用小波變換將原始含噪圖像從空間域轉(zhuǎn)化到頻域，以此將高頻分布的噪聲成分與圖像中的其他低頻有用信息進(jìn)行一定程度的分離，隨后使用DnCNN模型對(duì)不同頻率分量中所含的噪聲成分進(jìn)行預(yù)測進(jìn)而剔除。具體流程如圖3所示，將原始含噪圖像進(jìn)行尺度為1的小波分解，得到L、H、V、D共4個(gè)子帶的圖片分量，隨后分別通入DnCNN中，得到對(duì)應(yīng)輸出的4個(gè)分量，再將其進(jìn)行小波逆變換合成為去噪后的圖像。

圖3 算法流程圖

1.4 基于遺傳算法的DnCNN網(wǎng)絡(luò)結(jié)構(gòu)搜索方法

原始的DnCNN網(wǎng)絡(luò)主要由首尾兩個(gè)卷積層和中間15個(gè)連續(xù)相同的卷積塊共17層卷積構(gòu)成，在第一個(gè)卷積層中由64個(gè)大小為3×3的卷積核將通道數(shù)增加至64，以此來提取圖像中的特征信息，后面的每個(gè)卷積塊由一個(gè)卷積層、批量歸一化層和ReLU激活函數(shù)層組成，卷積層一律采用尺寸為3×3的卷積核，通過采用填充的方式保證每次卷積后圖像大小不發(fā)生改變，網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 DnCNN網(wǎng)絡(luò)結(jié)構(gòu)

原始的DnCNN方法對(duì)含噪圖像進(jìn)行直接的噪聲預(yù)測，在本文算法中，提出將原始圖像進(jìn)行小波分解得到不同頻率的4個(gè)分量，在這4個(gè)分量中存在的噪聲成分強(qiáng)度不同，因此對(duì)這4個(gè)不同頻率的子帶圖片應(yīng)使用不同的模型結(jié)構(gòu)來進(jìn)行噪聲提取，本文采用了基于遺傳算法[18]的搜索策略來實(shí)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)自動(dòng)搜索，以此來代替人工設(shè)計(jì)模型，使得網(wǎng)絡(luò)結(jié)構(gòu)能夠更加適用于不同頻率的圖像分量，更進(jìn)一步的提高算法對(duì)于噪聲成分的提取能力。遺傳算法由美國Michigan大學(xué)的Holland教授的團(tuán)隊(duì)與1975年提出，遺傳算法模擬了自然界中的自然選擇和進(jìn)化的機(jī)理，通過構(gòu)建基因序列并在此基礎(chǔ)上進(jìn)行交叉和變異可以搜索出目標(biāo)函數(shù)的最優(yōu)解。本文采用了遺傳算法的思想，通過將原始模型中連續(xù)相同的15個(gè)卷積塊分成卷積核尺寸分別為3×3和5×5的兩種，將兩種卷積塊進(jìn)行不同的排列組合以構(gòu)建不同的基因序列，由交叉和變異兩種方式生成搜索空間，將去噪后圖像的峰值信噪比作為適應(yīng)度。具體算法流程如圖5所示，首先隨機(jī)生成一定數(shù)目的基因序列作為初始種群并計(jì)算適應(yīng)度，而后在適應(yīng)度高的基因序列上產(chǎn)生交叉和變異，以此來構(gòu)成新的種群并繼續(xù)計(jì)算適應(yīng)度，循環(huán)此過程直至適應(yīng)度滿足要求。

圖5 遺傳算法流程圖

2 實(shí)驗(yàn)結(jié)果分析

2.1 實(shí)驗(yàn)條件

實(shí)驗(yàn)采用的CPU為Intel Corei9-10900K，GPU使用的是NVIDIA GeForce3090，其顯存為24GB，軟件運(yùn)行的環(huán)境為Ubuntu18.04系統(tǒng)，CUDA10.1，Python3.7，網(wǎng)絡(luò)框架采用的是Pytorch1.7。訓(xùn)練集采用UC Merced Land-Use遙感圖像數(shù)據(jù)集[19]，是由UC Merced計(jì)算機(jī)視覺實(shí)驗(yàn)室于2010年發(fā)布，其中包括公路、建筑、飛機(jī)、車輛等21類自然場景圖，我們?cè)谄渲刑暨x了13類具有去噪需求的場景圖像，經(jīng)過篩選得到了1 300張大小為256×256的圖像作為訓(xùn)練樣本集，通過對(duì)比發(fā)現(xiàn)含有真實(shí)噪聲的遙感圖像與含有20以下標(biāo)準(zhǔn)差的高斯噪聲圖像接近，因此將原始圖像中加入了標(biāo)準(zhǔn)差為20的高斯噪聲模擬出含噪樣本集。對(duì)于去噪效果的評(píng)價(jià)主要包括視覺主觀定性評(píng)價(jià)和定量分析，定量分析主要包括分析去噪圖像的峰值信噪比(PSNR， peak signal to noise ratio)以及結(jié)構(gòu)相似性(SSIM, structural similarity)，用這兩個(gè)指標(biāo)來衡量模型的去噪效果。PSNR是圖像降噪問題中的重要衡量指標(biāo)，它通過圖像的均方差進(jìn)行定義，數(shù)值越大代表著降噪程度越好，如公式(2)和(3)所示：

(2)

(3)

式(2)中，W×H為圖像的分辨率，I和I0表示去噪后的圖像和初始圖像。SSIM是從亮度、對(duì)比度和結(jié)構(gòu)3個(gè)方面來評(píng)價(jià)兩幅圖像的相似程度，它的取值范圍在0～1之間，數(shù)值越大表示圖像與作比較的原圖越相近，圖像信息完整，去噪效果好，如公式(4)～(7)所示：

SSIM(I,I0)=[l(I,I0)]α[c(I,I0)]β[s(I,I0)]γ

(4)

(5)

(6)

(7)

其中：l(I,I0)是兩幅圖像的亮度比較，c(I,I0)是對(duì)比度比較，s(I,I0)是結(jié)構(gòu)比較，μI和μI0分別代表I和I0的平均值，σI和σI0分別代表I和I0的標(biāo)準(zhǔn)差，σII0代表I和I0的協(xié)方差，c1，c2，c3分別為常數(shù)，一般設(shè)定α=β=γ=1。

2.2 結(jié)構(gòu)搜索

通過采用基于遺傳算法的網(wǎng)絡(luò)結(jié)構(gòu)自動(dòng)搜索方法，得到了適合于每個(gè)頻率分量的網(wǎng)絡(luò)模型，為了排除模型搜索時(shí)的偶然性，對(duì)于每個(gè)頻率模型都進(jìn)行了20次實(shí)驗(yàn)，最終選取出現(xiàn)比例最高模型超參數(shù)作為最終的結(jié)構(gòu)，表1為針對(duì)不同分量搜索出的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)，以及最優(yōu)結(jié)構(gòu)對(duì)應(yīng)的峰值信噪比的值，其中1和0分別代表的是3×3和5×5的兩種尺寸的卷積核。

表1 不同分量網(wǎng)絡(luò)結(jié)構(gòu)

由表1可以看出對(duì)于不同頻率的子帶圖像，都搜索出了各自最適合的網(wǎng)絡(luò)結(jié)構(gòu)，其對(duì)應(yīng)的峰值信噪比的值也都能夠達(dá)到30 dB以上。

2.3 不同小波基函數(shù)的影響

在小波變換過程中，使用不同的小波基函數(shù)會(huì)影響最終的去噪效果。因此我們比較了4種常用的小波基函數(shù)：Haar、Daubechies、Symlet和Coiflet在5張測試圖片上的效果，去噪后圖像的PSNR和SSIM值如表2和表3所示。

表2 不同小波基函數(shù)的PSNR值 dB

表3 不同小波基函數(shù)的SSIM值

從表3中可以看出，經(jīng)由Haar小波基函數(shù)分解的圖像在去噪后有著更高的PSNR與SSIM值。因此我們最終選取Haar小波作為小波基函數(shù)。

2.4 去噪效果

為了驗(yàn)證文本方法的去噪效果，我們?cè)谶b感圖像數(shù)據(jù)集中選取了12幅圖像進(jìn)行測試，在其中添加了與真實(shí)環(huán)境噪聲強(qiáng)度接近的標(biāo)準(zhǔn)差為20的高斯噪聲進(jìn)行去噪實(shí)驗(yàn)。圖6為這12幅含有噪聲的圖像和對(duì)應(yīng)的去噪后圖像。

圖6 去噪結(jié)果圖

遙感圖像的下一步處理主要包括分割和分類，因此經(jīng)過去噪后的圖像應(yīng)該保證其中的主要物體輪廓清晰，與背景較容易區(qū)分并且能夠不被噪聲所干擾。對(duì)于圖像1和圖像7～8來說，去噪后圖像中的飛機(jī)和船舶的整體輪廓保留完整，能夠與其背景明顯的區(qū)分，圖像中的噪聲干擾得到了去除，能夠?qū)D像中的不同物體進(jìn)行良好的分類；對(duì)于圖像3～6,11和12中不同排布和密度的建筑群，房屋輪廓完整，去除了共有的噪聲后，不同建筑群之間的差異明顯，能夠較好的服務(wù)于對(duì)建筑物的分析工作；在圖像9和10中，在去除噪聲的同時(shí)，交通路面以及大部分的車道線信息得到了保護(hù)，能夠適用于交通方面的應(yīng)用?？偨Y(jié)上述結(jié)果可以得出，經(jīng)由本文方法去噪后的遙感圖像仍具備較高的清晰度，在最大程度去除噪聲干擾的同時(shí)保留圖中建筑、車道、車輛和船只等的輪廓信息，能夠服務(wù)于接下來的工作。圖7為去噪過程中含噪聲圖像的H和V分量在經(jīng)過網(wǎng)絡(luò)模型前后的對(duì)比，從圖中可以看出，本文方法能夠更加有針對(duì)性的對(duì)各頻率分量中的噪聲成分進(jìn)行去除，而不影響其中的邊緣輪廓等有用信息。

圖7 各分量的去噪對(duì)比圖

本文選用了雙邊濾波、BM3D[20]和DnCNN方法與本文提出的算法進(jìn)行對(duì)比，PSNR和SSIM的量化對(duì)比結(jié)果如表4和表5所示。從表中數(shù)據(jù)可知，在絕大部分圖像中本文算法的PSNR值都要好于其他方法，本文算法在12幅圖像上PSNR的均值為29.10 dB，相較于雙邊濾波提高了4.1 dB，相較于DnCNN方法提高了1.02 dB。從SSIM數(shù)據(jù)中也可以看出經(jīng)過本文所提出的算法去噪后的圖像在結(jié)構(gòu)相似性上也要好于傳統(tǒng)方法，在這12幅圖中的SSIM平均值可達(dá)0.83，高于雙邊濾波的0.71和BM3D方法的0.69。

表5 不同方法的SSIM值

2.5 真實(shí)噪聲的去噪效果

為了探究本文方法對(duì)于不同強(qiáng)度的真實(shí)環(huán)境噪聲的去除效果，在未經(jīng)處理的原始數(shù)據(jù)集中挑選了環(huán)境噪聲干擾較強(qiáng)的幾幅圖像進(jìn)行測試，將這幾幅遙感圖像使用本文方法進(jìn)行去噪，圖8為數(shù)據(jù)集中含有真實(shí)噪聲的遙感圖像和經(jīng)過本文方法去噪后的對(duì)應(yīng)結(jié)果。從視覺效果上看去噪后的圖像仍具有較高的清晰度，建筑物整體輪廓信息保護(hù)較好，但與圖像背景相近的細(xì)小車道線會(huì)發(fā)生消失。

圖8 真實(shí)噪聲的去噪效果

2.6 不同尺度的影響

因?yàn)閳D像的小波分解具有分解尺度這一特征，將圖像繼續(xù)分解可以得到更高尺度的各個(gè)頻率分量，為了探究加深分解尺度對(duì)于最終去噪效果的影響，本文將含噪圖像繼續(xù)進(jìn)行了尺度為2的分解，得到LL2，HL2，LH2，HH2，HL1，LH1，HH1共7個(gè)分量，將這7個(gè)分量依次重新訓(xùn)練得到了各自的DnCNN網(wǎng)絡(luò)結(jié)構(gòu)后，在測試圖像上進(jìn)行去噪并合成的圖像見圖9，對(duì)應(yīng)的PSNR和SSIM值如表4、5中最后一行所示。

圖9 2尺度小波變換的去噪結(jié)果

將上述圖像與圖6中進(jìn)行尺度為1分解得到的去噪圖像相比后可以看出二者差異并不是很明顯，仔細(xì)觀察可發(fā)現(xiàn)繼續(xù)分解后再去噪的圖像在微小細(xì)節(jié)處稍有模糊，比較表4和5中的數(shù)據(jù)后也可看出其PSNR和SSIM值略低，表明在繼續(xù)分解的低頻圖像中可能會(huì)存在一定程度上的過度的去噪，進(jìn)而有損合成后的圖像質(zhì)量，因此最終采用尺度為1的小波分解來進(jìn)行去噪。

表4 不同方法的PSNR值 dB

3 結(jié)束語

本文提出了一種基于小波變換與DnCNN模型相結(jié)合的方法實(shí)現(xiàn)對(duì)遙感圖像的去噪。首先通過將含有噪聲的遙感圖像進(jìn)行小波分解并得到4個(gè)不同頻率的分量，而后分別將這4個(gè)分量放入4個(gè)結(jié)構(gòu)不同的網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，以此得到4個(gè)改進(jìn)的DnCNN模型實(shí)現(xiàn)在不同頻率的圖像分量上對(duì)各自含有的噪聲成分進(jìn)行剔除，最后再將四部分分量重新合成，通過這種先分解、再合成的方法得到去噪后的原始域圖像。本文通過實(shí)驗(yàn)最終在小波分解的尺度上選擇進(jìn)行尺度為1的分解，小波基函數(shù)選取了Haar小波基。設(shè)計(jì)網(wǎng)絡(luò)模型時(shí)，在借鑒了DnCNN模型的主要框架下，對(duì)卷積塊的排列順序和卷積核的尺寸大小進(jìn)行了調(diào)整，采用了基于遺傳算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自動(dòng)搜素方法代替人工設(shè)計(jì)，以此對(duì)于不同頻率的圖像分量搜索出了不同網(wǎng)絡(luò)結(jié)構(gòu)的DnCNN模型以實(shí)現(xiàn)最優(yōu)的去噪效果。實(shí)驗(yàn)結(jié)果顯示，經(jīng)過本文方法去噪后圖片的PSNR以及SSIM數(shù)值指標(biāo)要高于DnCNN模型和其他濾波方法。在視覺主觀評(píng)價(jià)上，經(jīng)本文算法去噪的圖像中的大部分有用信息得到保留，噪聲等干擾信息得到有效的剔除。實(shí)驗(yàn)中還表明本文的方法對(duì)于實(shí)際場景下含有真實(shí)環(huán)境噪聲的遙感圖像也能夠?qū)崿F(xiàn)較好的去噪，能夠在去除噪聲的同時(shí)，保護(hù)圖像中建筑物、車輛、船只的輪廓信息，能夠滿足遙感圖像進(jìn)一步的輪廓提取、分類等應(yīng)用要求，因此具有一定的應(yīng)用意義。經(jīng)本文算法處理后，圖像中細(xì)小且與背景相似的細(xì)節(jié)存在一定的丟失，因此如何進(jìn)一步的將圖像中的小對(duì)比度信息進(jìn)行保護(hù)是未來的研究方向。