[논문 리뷰] Oblique Stripe Removal in Remote Sensing Images via Oriented Variation

Xinxin Liu, Xiliang Lu외 3명|arXiv (Cornell University)|2018. 09. 06.

Image and Signal Denoising Methods참고 문헌 32인용 수 7

한 줄 요약

이 논문은 원격 감지 영상에서 임의의 스트라이프 방향을 자동으로 추정하고 적응하는 방향성 기반 변형 제거 모델을 제안한다. 방향성 인식 총변형과 L1-노름 정규화를 통합함으로써, 기울어진 스트라이프를 효과적으로 제거하면서도 영상 세부 정보를 유지하며, 다양한 스트라이프 방향에서 기존 방법들보다 정성적 및 정량적으로 뛰어난 성능을 발휘한다.

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.

연구 동기 및 목표

• 기존 방법들이 효과적으로 다루지 못하는 원격 감지 영상에서 기울어진 스트라이프 노이즈 제거의 과제를 해결하기 위해.
• 사전 지식 없이도 임의의 스트라이프 방향에 자동으로 적응하는 자기 조정식 제거 프레임워크를 개발하기 위해.
• 일괄 최적화를 통해 스트라이프 아티팩트를 제거하면서도 영상 세부 정보와 전반적인 구조를 유지하기 위해.
• 기울어진 스트라이프가 흔한 고수준 원격 감지 제품에서 제거의 안정성과 내구성을 향상시키기 위해.

제안 방법

• 스트라이프 방향을 자동으로 추정하고, 이를 정규화 항에 통합하여 스트라이프 방향에 따라 부드러움을 강제하는 방향성 기반 변형 모델을 설계하였다.
• 전체 스트라이프 성분의 분포를 위해 L1-노름 정규화를, 청소된 영상의 국소 부드러움을 위해 총변형(TV)을 조합한 일괄 최적화 프레임워크를 적용하였다.
• 방향 추정 기능이 제약 조건에 통합되어, 다양한 스트라이프 각도에 동적으로 적응할 수 있도록 모델을 구성하였다.
• 수렴성과 계산 가능성을 확보하기 위해 최적화 문제를 효율적으로 해결하기 위해 스플릿 브레그만 알고리즘을 사용하였다.
• 프레임워크는 스트라이프 성분과 청소된 영상 성분을 분리하는 제약 최소화 문제로 수식화되었다.
• L1-노름과 TV 정규화 간의 균형 덕분에 노이즈에 강건하고 세밀한 무늬 세부 정보를 유지할 수 있었다.

실험 결과

연구 질문

• RQ1 원격 감지 영상에서 임의의 스트라이프 방향을 자동으로 추정하고 적응할 수 있는 제거 모델은 가능한가?
• RQ2 방향성 인식 변형을 통합함으로써 고정된 방향 기반 방법에 비해 스트라이프 제거 성능이 어떻게 향상되는가?
• RQ3 L1-노름과 TV 정규화를 함께 사용할 경우, 기울어진 스트라이프를 제거하면서도 영상 세부 정보를 얼마나 잘 유지할 수 있는가?
• RQ4 다양한 원격 감지 영상에서 스트라이프 각도와 강도가 다양할 경우, 제안된 방법은 얼마나 안정적이고 효과적인가?

주요 결과

• 제안된 방법은 여러 원격 감지 데이터셋에서 기울어진 스트라이프 제거 성능이 뛰어나, 최신 기술 대비 정성적 및 정량적 지표에서 모두 슈퍼리어한 성능을 발휘하였다.
• 다양한 스트라이프 방향에 대해 강건성을 보이며, 수동 입력이나 사전 정의된 각도 가정이 필요 없었다.
• 정량적 결과에서는 특히 도전적인 기울어진 스트라이프 시나리오에서 기준 방법 대비 PSNR 및 SSIM 값에서 뚜렷한 향상이 나타났다.
• 방향 추정 구성 요소는 스트라이프 방향을 정확히 식별하여, 스트라이프 축을 따라 부드러움 제약 조건을 효과적으로 정렬할 수 있었다.
• 일괄 L1-TV 정규화는 스트라이프 아티팩트를 효과적으로 억제하면서도 청소된 영상의 미세 무늬와 에지 세부 정보를 유지하였다.
• 다양한 테스트 케이스에서 안정성과 수렴성을 유지하여, 실세계 원격 감지 응용 분야에 있어서 신뢰성 있는 성능을 입증하였다.