[論文レビュー] Oblique Stripe Removal in Remote Sensing Images via Oriented Variation

Xinxin Liu, Xiliang Lu+3 more|arXiv (Cornell University)|Sep 6, 2018

Image and Signal Denoising Methods参考文献 32被引用数 7

ひとこと要約

本稿では、リモートセンシング画像における任意のストライプ向きに自動的に推定・適応する方向性を考慮したバリエーションベースのデストリップィングモデルを提案する。方向性に敏感な全 variation（TV）と L1-ノルム正則化を統合することで、画像の詳細を保持しながら斜めストライプを効果的に除去でき、多様なストライプ向きにおいて、定性的および定量的評価の両面で既存手法を上回る性能を発揮する。

ABSTRACT

Destriping is a classical problem in remote sensing image processing. Although considerable effort has been made to remove stripes, few of the existing methods can eliminate stripe noise with arbitrary orientations. This situation makes the removal of oblique stripes in the higher-level remote sensing products become an unfinished and urgent issue. To overcome the challenging problem, we propose a novel destriping model which is self-adjusted to different orientations of stripe noise. First of all, the oriented variation model is designed to accomplish the stripe orientation approximation. In this model, the stripe direction is automatically estimated and then imbedded into the constraint term to depict the along-stripe smoothness of the stripe component. Mainly based on the oriented variation model, a whole destriping framework is proposed by jointly employing an L1-norm constraint and a TV regularization to separately capture the global distribution property of stripe component and the piecewise smoothness of the clean image. The qualitative and quantitative experimental results of both orientation and destriping aspects confirm the effectiveness and stability of the proposed method.

研究の動機と目的

• 既存手法が効果的に処理できない斜めストライプノイズの除去に向けた課題に対処すること。
• 事前の知識が不要な、自己調整型のデストリップィングフレームワークを構築し、任意のストライプ向きに適応できること。
• 共同最適化により、画像の詳細とグローバル構造を保持しながらストライプアーティファクトを除去すること。
• 斜めストライプが一般的な高レベルのリモートセンシング製品において、デストリップィングのロバスト性と安定性を向上させること。

提案手法

• ストライプ方向を自動的に推定し、正則化項に組み込むことでストライプに沿った滑らかさを強制する、方向性を考慮したバリエーションモデルを設計する。
• グローバルなストライプ成分の分布に L1-ノルム正則化を適用し、継続的で滑らかな画像の局所的滑らかさに全 variation（TV）を組み合わせる共同最適化フレームワークを採用する。
• 方向推定を制約項に統合することで、モデルが変動するストライプ角度に動的に適応可能になる。
• 収束性と計算可能性を保証するため、最適化問題を効率的に解くためにスプリットブリグマン法を用いる。
• ストライプ成分とクリーン画像成分を分離する制約付き最小化問題としてフレームワークを定式化する。
• L1-ノルムとTV正則化のバランスのおかげで、ノイズに強く、テクスチャの詳細を保持する。

実験結果

リサーチクエスチョン

• RQ1 デストリップィングモデルは、リモートセンシング画像における任意のストライプ向きを自動的に推定・適応可能か？
• RQ2 方向性に敏感なバリエーションの統合は、固定方向手法と比較してストライプ除去性能をどのように向上させるか？
• RQ3 L1-ノルムとTV正則化を共同で使用することで、斜めストライプを除去しながら画像の詳細をどの程度保持できるか？
• RQ4 本手法は、ストライプ角度や強度が異なる多様なリモートセンシング画像において、どの程度安定的かつ効果的か？

主な発見

• 提案手法は、複数のリモートセンシングデータセットにおいて斜めストライプの除去で優れた性能を発揮し、視覚的品質と定量的指標の両面で最先端手法を上回る。
• ストライプ向きの変動に対してロバストであり、手動入力や事前の角度仮定が不要である。
• 定量的評価では、特に挑戦的な斜めストライプの状況において、ベースライン手法と比較してPSNRおよびSSIM値に顕著な向上が見られた。
• 方向推定部は正確にストライプ方向を特定し、滑らかさ制約をストライプ軸に沿って効果的に整列可能である。
• L1-TV正則化の共同使用により、クリーン画像の微細なテクスチャとエッジを保持しながら、ストライプアーティファクトを効果的に抑制できる。
• 多様なテストケースにおいて安定性と収束性を維持しており、実世界のリモートセンシング応用に信頼性があることが確認された。