基于低秩建模和多项式拟合的遥感图像渐晕校正方法

《Journal of Imaging》：A Vignetting Correction Method for Remote Sensing Images Based on Low-Rank Modeling and Polynomial Fitting

　　

渐晕（Vignetting）将空间辐射非均匀性引入遥感图像，并降低后续的辐射分析、图像解译和与定标相关的应用质量。为解决此问题，研究人员提出了一种基于低秩建模（Low-Rank Modeling）和多项式拟合（Polynomial Fitting）的渐晕校正方法。该方法在对数域构造多帧数据矩阵，通过秩1（rank-1）低秩建模提取共享渐晕分量，并进一步通过多项式拟合恢复光滑渐晕场。实验采用真实遥感图像、模拟渐晕图像和星图进行。在三种消融变体中，提出的完整方法表现最佳，其平均绝对误差（MAE）、最大绝对偏差（MAD）、中心区域平均绝对误差（Center-MAE）和边缘区域平均绝对误差（Edge-MAE）分别为0.48%、3.65%、0.14%和0.52%。与仅低秩方法相比，这些指标分别降低了23.8%、32.8%、71.4%和20.0%。额外进行的28个数据集设置上的全帧比较显示，提出的秩1模型实现了与基于核范数的标准鲁棒主成分分析（RPCA）相当的平均精度，同时在MAE、MAD和Edge-MAE上展现出更低的跨数据集变异性。对于星图，该方法将像面非均匀性从1.39–1.92%降低到0.59–0.80%，同时保持了背景扣除后的恒星数字数值（DN值）。这些结果表明，所提方法提供了物理可解释且稳定的渐晕校正，同时保持了辐射一致性。

**论文解读：基于低秩建模与多项式拟合的遥感图像渐晕校正方法**

**研究背景与动机**

在遥感成像系统中，渐晕（Vignetting）是一种常见的辐射非均匀性，表现为图像亮度从中心向边缘逐渐衰减。这种空间辐射非均匀性不仅降低视觉质量，还会影响辐射定标、地表参数反演、目标检测及多场景图像拼接的一致性。尤其在大幅宽成像、多探测器拼接和热红外遥感中，渐晕常与条带噪声（striping）和响应漂移耦合，使非均匀性更加显著。然而，在缺乏无渐晕参考图像或专用定标数据的情况下，渐晕校正通常需在无参考条件下进行，现有方法依赖于单幅图像统计先验或多帧共享约束，易受场景内容、纹理结构、条带和响应漂移干扰，影响渐晕恢复的稳定性和校正精度。因此，开发一种稳定、泛化且面向遥感图像的渐晕校正方法具有明确的研究价值。

现有方法主要分为三类：基于物理定标或辐射定标的方法，依赖额外定标数据且部署成本高；基于单幅图像统计先验的方法，易受复杂场景内容干扰；基于多视角或多帧场景的辐射一致性恢复方法，多侧重相对校正而非显式提取渐晕场。此外，多项式拟合虽能描述光滑低频衰减，但缺乏共享约束时稳定性差。低秩分解（Low-Rank Decomposition）能提取多帧共享结构，但恢复结果不保证满足渐晕的光滑低频场物理特性。综合上述问题，本研究提出一种结合低秩建模（Low-Rank Modeling, LRM）与多项式拟合（Polynomial Fitting, PF）的渐晕校正方法。

**研究内容与结论**

研究人员提出一种基于多帧图像共享渐晕成分的校正框架。该方法首先在对数域将乘性渐晕模型转化为加性形式；然后将多帧图像向量化构建数据矩阵；通过秩1低秩-稀疏分解提取共享渐晕分量；最后采用二维高阶多项式拟合恢复光滑渐晕场，并转换为校正增益应用于原始强度域图像。实验采用真实遥感图像（来自SDGSAT-1、Landsat 8/9和ASTER）、模拟渐晕图像和星图进行定量与定性评估。在消融实验中，完整方法（full method）在平均绝对误差（MAE）、最大绝对偏差（MAD）、中心区域平均绝对误差（Center-MAE）和边缘区域平均绝对误差（Edge-MAE）上分别达到0.48%、3.65%、0.14%和0.52%，显著优于仅低秩方法和仅多项式方法。与基于核范数的标准鲁棒主成分分析（RPCA）相比，秩1模型在平均精度相当的前提下，MAE、MAD和Edge-MAE的跨数据集标准差分别降低约29.2%、14.1%和40.0%，表现出更稳定的跨数据集性能。对星图，校正后像面非均匀性从1.39–1.92%降至0.59–0.80%，背景扣除后的恒星数字数值（DN值）基本保持稳定。该论文发表在《Journal of Imaging》。

**关键技术方法概述（不超过250字）**

研究人员采用的主要关键技术方法包括：（1）对数域变换：将乘性渐晕模型转化为加性形式，便于后续分解；（2）低秩-稀疏分解：利用增广拉格朗日方法（Augmented Lagrangian Method, ALM）对多帧数据矩阵进行秩1低秩-稀疏分解，提取共享渐晕分量 \( \mathbf{L} = \mathbf{b}\mathbf{1}^\top \) ；（3）二维高阶多项式拟合：对分解后的初始渐晕场进行多项式拟合（阶数 \( p=6 \)），恢复光滑低频渐晕场；（4）校正增益构造：在原始强度域通过增益图像实现像素级校正。实验数据的来源包括SDGSAT-1、Landsat 8/9和ASTER的真实遥感图像，以及由独立探测器辐射图像生成的模拟渐晕图像和实验设置的星图序列。所有图像尺寸为2048×2048像素（遥感图像）或1024×1024像素（星图）。

**研究结果**

**3.1 定量评价**
采用四项指标评估：平均绝对误差（MAE）、最大绝对偏差（MAD）、中心区域平均绝对误差（Center-MAE）和边缘区域平均绝对误差（Edge-MAE）。对于星图，使用像面非均匀性（Nonuniformity）和背景扣除后净恒星数字数值（Net Stellar DN）进行评价。

**3.2 消融结果分析**
在四个基础数据集上，完整方法在MAE、MAD、Center-MAE和Edge-MAE上均优于仅低秩方法和仅多项式方法。与仅低秩方法相比，指标分别降低23.8%、32.8%、71.4%和20.0%；与仅多项式方法相比，分别降低89.9%、85.3%、94.5%和89.8%。与外部基线方法（部分梯度法和径向多项式法）相比，完整方法在所有指标上误差更低。与标准鲁棒主成分分析（RPCA）比较显示，秩1模型在平均精度相近的同时，MAE、MAD和Edge-MAE的跨数据集标准差更低。

**3.3 星图定性评估**
校正后像面非均匀性显著降低，四个星样本从1.39–1.92%降至0.59–0.80%；净恒星数字数值（DN值）几乎不变（如从2935变为2932），表明校正主要改善响应一致性而未引入明显辐射偏差。

**3.4 收敛性、计算成本与参数敏感性**
基于增广拉格朗日方法（ALM）的低秩分解在所有28个测试序列中于49–50次迭代内收敛（最大迭代200次）。计算复杂度为 \( O(N I P + K^2) \)，其中 \( N \) 为像素数，\( I \) 为帧数，\( P \) 为迭代次数，\( K \) 为多项式基项数。帧数敏感性分析表明，约100帧为稳定恢复的经验最小值。多项式阶数 \( p=6 \) 在校正精度与稳定性之间取得良好平衡。稀疏正则化参数 \( \lambda \) 在0.25–4倍缩放范围内不敏感。秩敏感性实验显示，秩1设置下MAE、MAD、Center-MAE和Edge-MAE最低（0.20%、1.14%、0.07%、0.15%），高于秩5时误差显著增大。

**讨论与结论**

**讨论**
消融结果证实低秩建模与多项式拟合互补：低秩建模提取多帧共享渐晕结构，多项式拟合提升光滑性与校正精度。与标准鲁棒主成分分析（RPCA）相比，秩1模型在平均精度略逊但跨数据集稳定性更好，且具有直接的物理解释。仅低秩方法残留局部波动和不理想结构，而仅多项式方法缺乏共享约束，易受场景变化影响。当渐晕场不满足共享假设时（如不同成像条件间阶跃变化），联合估计降质，需先进行稳定窗口分割。星图结果证明校正有效抑制空间非均匀性且保持净恒星信号稳定性，有利于星载辐射定标。

**结论**
本文提出一种基于低秩建模和多项式拟合的遥感图像渐晕校正方法。通过利用多帧图像间的共享渐晕场，在对数域构造数据矩阵，经低秩分解提取公共渐晕分量，再经多项式拟合恢复光滑渐晕场，最后在原始强度域完成校正。该方法兼顾了公共渐晕场提取与光滑场建模，提供了一种实用解决方案。未来工作将聚焦于自适应秩选择或变秩建模，以增强模型在更复杂成像条件下的表达能力和泛化性。