WLRT-DR:基于小波低秩张量完备化与深度正则化的双阶段卫星图像云层去除方法
《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:WLRT-DR: Dual-Stage Wavelet Low-Rank Tensor Completion With Deep Networks for Cloud Removal in Satellite Imagery
【字体:
大
中
小
】
时间:2025年12月25日
来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 5.4
编辑推荐:
本刊编辑推荐:针对厚云污染导致的多时相遥感图像信息缺失问题,研究团队创新性地提出了WLRT-DR双阶段框架。该框架将小波域低秩张量完备化(Wavelet-domain Low-Rank Tensor Completion)与深度正则化(Deep Regularization)相结合,通过频域分解和深度学习约束,显著提升了复杂时空模式下的重建精度和效率。实验验证表明,该方法在保持结构连续性和光谱保真度方面优于现有技术,为遥感图像云层去除提供了新思路。
当我们仰望天空,常常能看到朵朵白云点缀在蓝天之间,但对于光学遥感卫星来说,云层却是一个令人头疼的问题。特别是厚云层的存在,就像给地球表面蒙上了一层不透明的面纱,完全遮挡了地表信息,严重影响了环境监测、城市规划、农作物估产等重要应用。传统方法在面对这一挑战时往往力不从心——空间域的方法在处理大范围连续云层时缺乏足够参考信息;多源数据融合方法又面临不同传感器数据配准和解释一致性的难题;而现有的低秩张量完备化(LRTC)方法虽然有一定效果,但对多时相相关性要求严格,且参数敏感性导致泛化能力不足。
正是在这样的背景下,来自中国科学院空天信息创新研究院的研究团队在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上发表了一项创新性研究,提出了一种名为WLRT-DR的双阶段厚云去除框架。这项研究巧妙地结合了传统小波变换与现代深度学习技术的优势,为破解遥感图像云层去除难题提供了新的解决方案。
研究团队采用的核心技术方法主要包括:基于离散小波变换(DWT)的频域分解技术,将图像分解为LL、LH、HL、HH四个频带子成分;低秩张量完备化算法,针对不同频带特性进行定制化处理;预训练的NAFNet深度网络作为正则化约束;以及交替方向乘子法(ADMM)优化框架,实现双阶段协同优化。实验数据涵盖北京地区多种地物类型的Landsat影像,包括模拟数据和真实场景数据。
研究的关键创新在于发现了小波变换频带与低秩特性之间的内在联系。如图1所示,不同频带子成分表现出截然不同的奇异值衰减特性:LL子带(低频)衰减迅速,体现强低秩特性;而高频子带(LH、HL、HH)衰减缓慢,具有较弱低秩性但更强稀疏性,主要捕获纹理细节信息。基于这一发现,研究团队提出了小波域低秩张量完备化(WLRT)算法,通过对不同频带子成分分别施加定制化约束,实现了比统一空间域处理更好的细节保持能力。
WLRT-DR框架的创新之处在于其双阶段设计:第一阶段通过小波域低秩完备化有效重建缺失区域的整体纹理特征;第二阶段引入深度网络正则化约束,进一步优化光谱保真度。这种分工协作的模式充分发挥了两种技术的互补优势——低秩恢复高效重建基础空间特征,而深度学习则提供非线性约束增强光谱准确性。
图2展示了整体框架流程,清晰体现了两个阶段的协同作用。初始WLRT处理阶段有效重建了缺失区域的整体纹理特征,但在颜色特性方面仍存在不足。通过第二阶段深度正则化约束和WLRT细化的联合作用,最终获得了结构连贯性和色彩保真度都令人满意的重建结果。
深度网络正则化模块采用预训练的NAFNet(非线性激活自由网络)作为核心组件。研究团队首先利用高质量遥感图像构建退化数据集,通过减光-去饱和度-旋转-模糊(DDRB)操作模拟真实退化情况,训练网络实现图像质量增强。在推理阶段,冻结的网络参数作为正则化算子,对低秩完备化输出的每个时间切片进行处理,显著提升了空间一致性和光谱保真度。
在模拟实验部分,研究选取了北京地区四种典型地物场景进行测试,包括内陆水体、山地地形和城市不透水面。定量评估指标涵盖空间保真度(RMSE、PSNR)、结构完整性(SSIM、UIQI)、光谱一致性(SAM)和统计相关性(CC)等多个维度。
实验结果明显显示,WLRT-DR在各项指标上均表现优异。特别是在光谱角制图(SAM)指标上,WLRT-DR在四个场景中均取得最佳或次佳成绩,说明其出色的光谱保真能力。在计算效率方面,单纯的WLRT算法已经展现出显著优势,而WLRT-DR在保持高质量重建的同时,时间开销增加有限。
视觉对比结果更加直观地展示了WLRT-DR的优越性。如图7所示,在山区/水体场景中,传统方法如AWTC和TNN效果不理想,ST-Tensor和STLR-DP虽然能重建纹理但色彩准确性不足,FMTC则引入明显噪声伪影。相比之下,WLRT能准确恢复缺失区域纹理,而WLRT-DR进一步优化了光谱特性。
研究团队对算法关键参数进行了系统分析,包括小波成分权重(λ1-λ4)、深度正则化初始权重(p2)、非收敛阈值(τ)和小波基选择等。实验发现,低频权重λlow=1、高频权重λhigh=5时能达到最佳平衡,此时PSNR峰值达35.947,SAM最低为5.760。深度正则化权重p2=0.05时各项指标最优,过大或过小都会导致性能下降。
真实场景测试进一步验证了算法的实用性。如图11所示,在复杂云层覆盖和多样化地物类型条件下,WLRT-DR依然保持稳定的重建质量,特别是在色彩边界平滑度和纹理细节保持方面表现突出。
这项研究的核心价值在于成功融合了传统小波变换与现代深度学习技术的优势,开创了频域分析与数据驱动学习相结合的新范式。WLRT-DR框架不仅解决了厚云去除的具体技术难题,更重要的是为遥感图像处理领域提供了一种可扩展的混合方法框架。
该方法的多项创新点具有广泛的应用前景:小波域低秩处理策略可推广至其他类型的图像修复任务;双阶段协同优化思路为传统方法与深度学习的结合提供了范例;参数配置研究为类似算法提供了实用指导。特别是在当前遥感数据爆炸式增长的背景下,WLRT-DR展现出的处理效率和质量平衡特性,使其具备重要的实际应用价值。
未来研究方向可能包括扩展至更多频域变换方法、优化深度学习正则化策略、适应更高分辨率遥感数据等。这项研究为破解遥感图像云层去除这一长期难题提供了新的技术路径,也将推动整个遥感图像处理领域向更精准、更高效的方向发展。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号