一种基于行列噪声标准差的遥感图像信噪比评估方法

摘要

本发明公开了一种基于行列噪声标准差的遥感图像信噪比评估方法，属于遥感图像处理领域。随着对遥感图像信噪比研究的深入，往往需要先分析遥感图像的行、列噪声再计算整幅遥感图像信噪比(或者噪声)。简单地将行、列方向平均噪声的平方平均数作为整体噪声在不同的情况下会出现较大的误差。本发明基于列、行噪声标准差进行特定方式的整合，从而估计遥感图像噪声标准差，提高了数据利用率，降低了重复计算整幅图像信噪比的时间，控制了计算成本。通过实验验证，该方法所得结果误差小，能够较真实的反映整幅遥感图像信噪比情况。

说明书

技术领域

本发明涉及一种基于行列噪声标准差的遥感图像信噪比评估方法，属于遥 感图像处理领域。

背景技术

遥感图像数据的信噪比是评价遥感传感器获取数据质量的一项重要指标， 图像数据的信噪比能够直接反映遥感图像中平均信号与噪声水平的相对大小以 及景物的层次和清晰度，并直接关系到相机的分辨力；同时在很大程度上间接 反映了遥感仪器的信噪比性能。而评估遥感图像信噪比的关键在于估算遥感图 像的噪声。在光学遥感中，图像噪声主要由周期性噪声(系统噪声)和随机噪 声构成，其中周期性噪声可以由频域变换滤波有效地消除，而随机噪声的影响 一直存在，这种随机噪声一般认为是加性噪声，即高斯白噪声。对于推扫式成 像的传感器，0级数据主要是飞行方向(列方向)受到高斯噪声的影响，而行方 向受到CCD探元响应不均匀的影响；对于摆扫式成像的传感器，0级数据受到 噪声的影响与推扫式相反；对于面阵传感器，主要受到二维随机噪声的影响。 通过分析遥感图像的列噪声、行噪声可以反映传感器CCD探元的信噪比性能以 及探元之间响应差异，从而更准确了解传感器性能和图像信噪比，为下一步的 图像处理做准备。

随着研究工作深入，需要先分析遥感图像列、行信噪比(或者噪声)情况， 然后再计算整幅遥感图像信噪比(或者噪声)。大部分传统的信噪比评估方法的 算法原理较复杂，对整幅遥感图像的信噪比进行评估分析所需时间较长。而列、 行信噪比是基于图像数据计算所得，那么与整幅图像的信噪比有一定的计算关 系，即通过列、行信噪比整合出图像信噪比。这种方法会减少重复计算量、提 高效率并降低计算时间，通过一次计算既能获得列、行信噪比性能，又能计算 出整幅图像信噪比，从而控制了计算成本。

目前计算图像信噪比是通过评估遥感图像中较大的均匀区域的信噪比而作 为图像信噪比。如何获取图像中均匀区域以及选择何种信噪比评估方法不是本 技术的研究重点。本技术主要是解决如何通过评估所得的列、行信噪比(或噪 声标准差)整合出图像信噪比。然而许多学者将列、行方向平均信噪比(或噪 声标准差)的平方平均数作为图像信噪比(或图像噪声标准差)，这种方法虽然 简单但是不够严谨，不同的情况下会出现较大的误差。

对于整幅图像来说，噪声标准差只表现为一个值，那么信噪比即为：

$\mathrm{SNR}=\bar{S}/\sigma ---\left(1\right)$

或者

$\mathrm{SNR}=20·{\log }_{10}(\bar{S}/\sigma )$(或$\mathrm{SNR}=10·{\log }_{10}(\bar{S}/\sigma )$)        (2)

其中为图像均值，σ为图像噪声标准差，SNR(Signal-to-Noise ratio)为 图像信噪比。

发明内容

本发明的目的是针对上述背景技术中的不足，提出了一种基于行列噪声标 准差的遥感图像信噪比评估方法。

本发明方法包含如下四个步骤：

步骤一、利用已有信噪比评估方法计算待处理图像的列、行噪声标准差；

步骤二、利用步骤一中得到的列、行噪声标准差计算列、行等效噪声标准 差；

步骤三、选择列、行等效噪声标准差中的值较大的一个作为优选的图像噪 声标准差；

步骤四、利用步骤三中得到的优选的噪声标准差计算图像信噪比。

对比现有技术，本发明的特点在于：本发明方法基于列、行噪声标准差进 行特定方式的整合，从而估计遥感图像噪声标准差。与背景技术中提到的针对 整幅图像进行评估的信噪比算法相比，本方法主要有以下两点优势：

1.本方法利用列、行噪声标准差的结果来整合出图像噪声标准差，提高了 数据利用率，降低了重复计算整幅图像信噪比的时间，控制了计算成本。

2.本方法可以分析遥感图像中，列、行噪声对整幅图像噪声评估的影响比 重，为进一步对传感器信噪比以及图像信噪比分析研究提供支持，也为 下一步的图像处理做准备。

附图说明

图1基于行列噪声标准差的遥感图像信噪比评估方法流程图；

图2高光谱第50波段0级数据；

图3(a)情况1下采用本方法计算整幅模拟图像所得信噪比相对误差图；

图3(b)情况1下分别采用本方法、方式1、方式2计算整幅图像所得信噪 比相对误差图(“*”为新方法，“○”为方式2，“△”为方式1)；

图4(a)情况2下采用本方法计算整幅模拟图像所得信噪比相对误差图；

图4(b)情况2下分别采用本方法、方式1、方式2计算整幅图像所得信噪 比相对误差图(位于下方的散点为新方法，位于上方的散点为重合的方式2与 方式1)；

图5(a)情况3下采用本方法计算整幅模拟图像所得信噪比相对误差图；

图5(b)情况3下分别采用本方法、方式1、方式2计算整幅图像所得信噪 比相对误差图(“*”为新方法，“○”为方式2，“△”为方式1)；

图6(a)情况4下采用本方法计算整幅模拟图像所得信噪比相对误差图；

图6(b)情况4下分别采用本方法、方式1、方式2计算整幅图像所得信噪 比相对误差图(“*”为新方法，“○”为方式2，“△”为方式1)；

图7(a)采用本方法计算实测整幅图像所得信噪比结果图(两者曲线重合)；

图7(b)分别采用本方法、方式1、方式2计算实测整幅图像所得信噪比结 果图(图中位于下方曲线为新方法与整幅图像计算方式重合曲线，位于上方曲 线为方式1与方式2重合曲线)；

图7(c)分别采用本方法、方式1、方式2计算整幅图像所得信噪比相对误差 图(图中位于下方曲线为新方法曲线，位于上方曲线为方式1与方式2的重合 曲线)；

图8(a)采用本方法计算面阵传感器模拟图像数据所得信噪比相对误差图；

图8(b)分别采用本方法、方式1、方式2计算面阵传感器模拟图像数据所 得信噪比相对误差图(“*”为新方法，“○”为方式2，“△”为方式1)；

图9实验所用300幅面阵图像之第100幅图像；

图10(a)采用本方法计算整幅面阵传感器实测图像数据所得信噪比相对误 差图；

图10(b)分别采用本方法、方式1、方式2计算整幅面阵传感器实测图像数 据所得信噪比相对误差图(图中位于下方散点为新方法，位于上方散点为方式2 与方式1的重合效果)。

具体实施方式

下面结合附图1和实施例对本发明进行解释。

一般认为遥感图像是由信号与随机噪声(该噪声与信号不相关)构成，可 表达为：Z＝S+N。其中，Z为遥感图像数据DN值，S为信号所表现的DN值， N为噪声所表现的DN值。则遥感图像数据DN值的噪声标准差可表示如式(3)：

$\sigma \left(Z\right)=\sigma (S+N)=\sqrt{\sigma {\left(S\right)}^2+\sigma {\left(N\right)}^2+2·\mathrm{cov}(S,N)}---\left(3\right)$

由于S与N是不相关的，所以cov(S，N)＝0，并且σ(S)＝0，所以式(3)可 简化为：

$\sigma \left(Z\right)=\sigma (S+N)=\sqrt{{\sigma \left(N\right)}^2}---\left(4\right)$

由式(4)可知，遥感图像的噪声标准差取决于随机噪声的标准差。对于N 来说，是由列、行两个方向噪声构成，所以σ(N)可表达为：

σ(N)＝σ(N_col，N_row)            (5)

本发明方法包含如下四个步骤：

步骤一、利用已有的信噪比评估方法计算待处理图像的列、行噪声标准差；

为了保证计算结果的真实、可信，这里的信噪比评估方法要根据图像以及 算法适用性、准确性等因素甄选。

假设图像尺寸为n列，m行，即n×m。利用信噪比评估方法计算出列、行 噪声标准差，得到式(6)和式(7)列方向和行方向噪声标准差矩阵。

列方向噪声(N_col)的标准差矩阵：

$\sigma \left(N_{\mathrm{col}}\right)={\sigma }_{\mathrm{col}}={[\sigma }_1^c...{\sigma }_n^c]---\left(6\right)$

行方向噪声(N_row)的标准差矩阵：

$\sigma \left(N_{\mathrm{row}}\right)={\sigma }_{\mathrm{row}}=[{\sigma }_1^r...{\sigma }_m^r]---\left(7\right)$

其中，σ_col代表列方向标准差的集合，代表列方向第n列噪声标准差；σ_row代表行方向标准差的集合，代表行方向第m行噪声标准差。

步骤二、利用步骤一中得到的列、行噪声标准差分别按式(8)和式(9) 计算列、行等效噪声标准差。

在实验过程中发现，列方向噪声会对行方向计算噪声产生影响，同理，行 方向噪声也会对列方向计算噪声产生影响，即和是两者相互影响后的结 果，而图像所表现出的噪声效果实际上是一个平均水平的表现，所以分别按式 (8)和式(9)计算列、行等效噪声标准差。

列方向等效噪声标准差：

$\overline{{\sigma }_{\mathrm{col}}}=\sqrt{\underset{i=1}{\overset{n}{\Sigma }}{\left({\sigma }_i^c\right)}^2/n}---\left(8\right)$

行方向等效噪声标准差：

$\overline{{\sigma }_{\mathrm{row}}}=\sqrt{\underset{j=1}{\overset{m}{\Sigma }}{\left({\sigma }_j^r\right)}^2/m}---\left(9\right)$

其中，为列方向等效噪声标准差；为行方向等效噪声标准差。

步骤三、选择列、行等效噪声标准差中的一个作为图像优选的噪声标准差；

在实验过程中也发现图像噪声效果与列、行等效噪声标准差中的较大值接 近。于是，本方法选取与中较大的值作为图像的噪声标准差值。即如果 $\overline{{\sigma }_{\mathrm{col}}}\ge \overline{{\sigma }_{\mathrm{row}}},$则$\sigma \left(Z\right)=\overline{{\sigma }_{\mathrm{col}}},$反之，则$\sigma \left(Z\right)=\overline{{\sigma }_{\mathrm{row}}}.$

步骤四、利用步骤三中得到的优选的噪声标准差σ(Z)，按式(10)计算图 像信噪比。

$\mathrm{SNR}=\overline{S_Z}/\sigma \left(Z\right)---\left(10\right)$

实施例

下面结合一个实例对本发明作进一步说明。

根据传感器工作方式，可以将主流的光学遥感传感器分为两类：线阵推扫 式/摆扫式传感器和面阵摄影式传感器。本实验中将它们分别简称为线阵传感器 和面阵传感器，其中线阵传感器以推扫式为例。

●对于线阵传感器，实验中提出以下几种情况进行信噪比评估分析。

1.行方向不加入噪声，列方向增加不同的一维随机噪声

2.行方向不加入噪声，列方向增加相同的一维随机噪声

3.两个方向(行/列)均增加不同的一维随机噪声

4.列方向增加不同的一维随机噪声，行方向增加相同的一维随机噪声

●对于面阵传感器，实验中模拟图像加入的噪声为二维随机噪声

首先对线阵传感器进行模拟实验数据信噪比分析，然后再对面阵传感器进 行信噪比评估分析，方式与线阵一致。模拟图像是尺寸为100×100，信号也为 100的均匀场景图像。噪声则为均值为零的随机噪声。计算信噪比真值采用的方 法是方差法(使用与均匀场景的图像)。实测数据选取的是无人机线阵光学载荷 所获取的灰白靶标高光谱数据，具体信息和图像如表1和图2所示。

表1所选无人机高光谱图像数据信息

获取时间 图像尺寸 存储比特 量化比特 波段数 均匀区域类型 产品等级 2011.9 1024×1024 16 12 128 灰白靶标 0

●线阵传感器

分析过程中引入了两种噪声标准差整合方式用于与本技术方案所提出的新 方法进行比较分析。为表述方便，这两种方式分别记作：方式1和方式2，公式 如下所示。

方式1：

${\bar{\sigma }}_{\mathrm{col}}=\underset{i=1}{\overset{n}{\Sigma }}{\sigma }_i^c/n$

${\bar{\sigma }}_{\mathrm{row}}=\underset{i=1}{\overset{m}{\Sigma }}{\sigma }_i^r/m$

${\sigma }_{\mathrm{best}}=\sqrt{({{\bar{\sigma }}_{\mathrm{col}}}^2+{{\bar{\sigma }}_{\mathrm{row}}}^2)/2}$

其中，为列方向标准差均值，为行方向标准差均值。

方式2：

${\sigma }_{\mathrm{best}}=\sqrt{(({\sigma }_{\mathrm{col}}·{\sigma }_{\mathrm{col}}^T)/n+({\sigma }_{\mathrm{row}}·{\sigma }_{\mathrm{row}}^T)/m)/2}$

下面分列几种情况进行描述。

情况1.行方向不加入噪声，列方向增加不同的一维随机噪声

该情况模拟的是线阵CCD探元行方向响应一致，在列方向(推扫方向)存 在噪声。实验制作了1000幅模拟数据，添加的噪声均值为0，标准差为1。

由图3(a)可以看出采用本发明方法计算的相对误差均值介于-0.05％与0％之 间。由图3(b)(“*”为新方法，“○”为方式2，“△”为方式1)可以看出，采 用方式1计算的相对误差均值介于0.2％与0.3％之间，而且误差要明显大于其它 方法。而采用本发明方法和方式2计算的相对误差均值比较接近。

情况2.行方向不加入噪声，列方向增加相同的一维随机噪声

这是一种极端情况，模拟的是线阵CCD各个探元性能彼此完全一致，而且 在列方向引入噪声也相同。

由图4(a)可以看出，采用本发明方法计算的相对误差值几乎恒定地等于 -0.4963％。由图4(b)(位于下方的散点为新方法，位于上方的散点为重合的方 式2与方式1)可以看出，采用方式1与方式2计算的相对误差值曲线重合，数 值几乎恒定地等于41％，而采用本发明方法计算的相对误差值较小接近于0％。 从该图也可以看出该种情况下采用方式1和方式2计算的误差是采用新方法的 100倍左右。

情况3.两个方向(行/列)均增加不同的一维随机噪声

这种情况是一种假设情况，假设线阵CCD探元之间在工作时会在行方向引 入随机噪声。该种情况是对其它合理情况的一种对比分析。

从图5(a)和图5(b)(“*”为新方法，“○”为方式2，“△”为方式1)可以 看出，情况3的结果与情况1的结果很近似。

情况4.列方向增加不同的一维随机噪声，行方向增加相同的一维随机噪声

这种情况模拟的是线阵CCD探元彼此响应不一致但差异不大。不同CCD 在列方向引入不同随机噪声，而行方向主要是响应不一致引起的噪声。

由图6(a)可以看出，采用本发明方法计算的相对误差均值介于-0.25％与 -0.2％之间。由图6(b)(“*”为新方法，“○”为方式2，“△”为方式1)可以 看出，采用方式1和方式2计算的相对误差结果几乎相同，其值约为15％。采 用方法1和方法2计算的误差是采用新方法的60倍左右。

从上面提出的四种可能的噪声分布情况以及相应的模拟数据评估结果可以 得出，采用方式1整合的噪声标准差的误差是最大的。对于情况1和3，采用方 式2与采用本发明方法处理的结果比较接近。但是对于情况2和4，采用方式2 与采用本发明方法处理的差别很大。从实验结果看采用新方计算法的相对误差 是很小的，而且从信噪比评估精度来说，新方法的误差几乎可以忽略。

下面将这三种信噪比整合方式应用于实测图像信噪比评估。

选用的实测高光谱图像为无人机获取的灰白靶标图像，具体信息如表1所 示。

由图7(a)可以看出采用本发明方法与整幅图像计算信噪比结果曲线重合，所 得信噪比数值相同，这与模拟图像所得结论一致。图7(b)(图中位于下方曲线 为新方法与整幅图像计算方式重合曲线，位于上方曲线为方式1与方式2重合 曲线)与图7(c)(图中位于下方曲线为新方法曲线，位于上方曲线为方式1与 方式2的重合曲线)中，方式1、方式2与本发明方法的差别也与模拟图像结论 一致。

由上所述，对于线阵传感器，本发明方法中关于列、行噪声标准差整合为 优选出的图像噪声标准差，从而计算图像信噪比的方法是正确可行的。而且方 式1与方式2的的评估结果明显要差于本发明方法。

●面阵传感器

模拟图像加入的噪声为二维随机噪声。这是模拟面阵传感器工作时引入噪 声的情况。

由图8(a)可以看出，对于面阵传感器，采用本发明方法计算的相对误差均值 介于-0.05％与0％之间。由图8(b)(“*”为新方法，“○”为方式2，“△”为方 式1)可以看出，采用方式1计算的相对误差结果比其它两种方法大，其均值介 于0.2％与0.3％之间。而采用本发明方法和方法2的误差结果较接近。

对于实测图像，实验选择了300幅面阵成像的单波段图像用于信噪比评估 分析，具体信息和图像如表2和图9所示。

表2所选面阵图像数据信息

获取时间 图像尺寸 存储比特 量化比特 图像个数 均匀区域类型 产品等级 2012.11 180×180 8 8 300 灰白靶标 0

将三种信噪比整合方式应用于面阵实测图像信噪比评估，结果如图10所示。 由图10可以看出采用本发明方法计算所得信噪比的相对误差最小，而且要比采 用方式1和方式2计算的信噪比误差结果小很多。总体来看，实测图像结果满 足模拟图像所得结论。方式2对实测图像评估结果与模拟图像有一定差别，而 是本发明方法对模拟图像和实测图像的分析结果完全一致。

综上所述，本技术方案中提出的新方法所得结果误差最小，能够较真实的 反映整幅遥感图像信噪比情况。