基于ResUnet架构并结合变分自编码器技术的卫星图像去噪方法，用于提升图像质量并降低噪声

《Signal Processing: Image Communication》：Satellite Image Denoising Leveraging ResUnet Architecture Integrated with Variational Autoencoder Techniques for Enhanced Image Quality and Noise Reduction

　　C·塞尔万|库普萨米·潘迪安·森蒂尔库马尔|克里希纳斯米·巴拉苏布拉马尼安|劳·库马尔·辛格
印度卡纳塔克邦班加罗尔REVA大学计算机科学与工程系教授

**摘要**
卫星图像去噪对于提升受传感器噪声、大气干扰和时间变化影响的遥感应用的可靠性至关重要。本文提出了一种名为“基于ResUnet架构并结合变分自编码器技术的卫星图像去噪方法，以提升图像质量并降低噪声（SID-ResUnet-VAEIN）”。该模型已使用卫星采集的实际图像以及Harmonized Landsat Sentinel-2（HLS）数据集提供的时间序列数据进行测试。所设计的方法将ResUnet++模型与变分自编码器（VAE）相结合，充分利用残差特征学习的优势，并借助概率潜空间高效去除噪声。此外，还加入了单源域扩展网络（SSDEN）模块，以提高模型对不同区域噪声强度差异的适应能力。实验结果表明，SID-ResUnet-VAEIN方法的准确率分别高出21.15%、24.07%和19.21%，F1分数则分别高出18.21%、21.54%、19.48%和21.23%，性能优于其他现有最先进模型。这些结果充分证明，SID-ResUnet-VAEIN模型能够提升图像的清晰度、结构完整性和时间一致性。

**术语与定义**
符号 定义
TL 真实标签损失
F^ 傅里叶变换
β(τ) 自相关函数
TP 正确识别的像素数
akC￣Zε 控制缩放和平移的参数
g 采样矩阵
FN 噪声像素
α^λ 加权系数
κη 矩阵核
FP 识别错误的像素
Φ 低通帧集分量
?(τ) 扩散过程
λ和γ 控制权重的参数
Ψˉ Ψ
z 高通帧集分量
τα 扩散控制参数
Diceloss 预测图像的损失
1y 复数
τ 时间参数

**文献综述**
在众多关于卫星图像去噪以提高图像质量和降低噪声的研究中，本文综述了部分近期研究成果。Rajalakshmi等人[21]提出了基于自适应成吉思汗鲨鱼算法的卷积去噪自编码器，用于提升卫星图像质量。该文则采用深度学习技术解决相关问题，通过自适应成吉思汗鲨鱼算法和卷积去噪自编码器来改善图像质量。

**提出的方法**
在本节中，融入模型中的SID-ResUnet-VAEIN模块提升了卫星图像去噪的稳健性和安全性。ResUnet模块可确保提取的特征不受噪声影响而保持稳定。变分自编码器则作为模型的正则化机制，增强其在噪声环境下的稳定性。在SID-ResUnet-VAEIN模型中，小波展开技术用于消除图像中的高频噪声。

**结果与讨论**
本节描述了SID-ResUnet-VAEIN的仿真性能。该模型是用Python实现的，仿真在基于Linux的Ubuntu 22.04操作系统上运行，配置包括Intel Core i7-12700 K处理器（缓存25MB，频率最高5.00GHz）、64GB DDR5内存（频率5200MHz）、NVIDIA RTX 3090显卡（10,496个CUDA核心、328个张量核心、24GB GDDR6X内存）。为重建图像，该模型结合了ResUnet++、变分自编码器和拉格朗日收缩更新技术。

**结论**
本研究提出了一种卫星图像去噪模型SID-ResUnet-VAEIN。该模型通过整合ResUnet-VAE与SSDEN，提升了模型的抗噪声能力和图像质量。通过对真实卫星图像和高分辨率航空图像的实验验证，该模型在图像去噪和分割精度方面均优于传统的UNet模型。实验结果显示，该方法的准确率分别高出16.17%、17.43%和19.23%，精确度分别高出16.45%、18.42%和20.11%，召回率则分别高出17.54%、18.72%。

**利益冲突声明**
作者声明不存在任何利益冲突。

**伦理审批声明**
本文未涉及任何由作者实施的人类参与者相关研究。

**数据可用性声明**
由于本研究未创建或分析新的数据，因此无需进行数据共享。

**资金支持声明**
本研究未获得公共部门、商业机构或非营利组织提供的任何资助。

**作者贡献**
C·塞尔万博士（通讯作者）——概念设计、方法制定、初稿撰写
库普萨米·潘迪安·森蒂尔库马尔博士——指导工作
克里希纳斯米·巴拉苏布拉马尼安先生——指导工作
劳·库马尔·辛格博士——指导工作

**CRediT作者贡献说明**
C·塞尔万：写作——初稿撰写；库普萨米·潘迪安·森蒂尔库马尔：指导；克里希纳斯米·巴拉苏布拉马尼安：指导；劳·库马尔·辛格：指导。

**利益冲突声明**
作者声明不存在可能影响本文研究结果的已知财务利益或个人关系。

**致谢**
无。