高光谱成像中如何准确估计噪声特性？

在上一篇中，我们介绍了最小噪声分数变换 MNF，它在 PCA 基础上引入噪声建模的一种改进降维方法，但我们也提到了:MNF 依赖噪声估计，其效果很大程度依赖噪声协方差矩阵的估计，如果噪声估计不准确，降维效果可能明显下降。 换句话说，噪声估计的质量，直接决定了 MNF 的最终效果。 因此，如果希望在高光谱图像处理中更好地应用 MNF，一个关键问题就是： 如何更准确地估计图像中的噪声？ 这也是本篇文章的主要内容。 我们从上一篇中提到的空间差分方法出发，进行对噪声估计方法的简单综述，简要讲解现存的几类噪声估计方法的基本原理与适用场景。 1. 差分类方法（Difference-based Methods） 差分类方法的核心思想是：利用邻域像素之间的差值来削弱真实信号，从而突出噪声成分。 展开来说，在自然图像或高光谱图像中，真实信号通常具有一定的空间连续性，相邻像素之间变化较为平滑。而噪声往往是随机波动的，因此，对相邻像素进行差分运算时，信号部分往往会相互抵消，而噪声则会被保留下来。 在诸多方法中，这类方法的优点是实现简单、计算效率高。 但与此同时，差分法依赖一个重要假设：相邻像素之间的真实信号变化较小。当图像中存在明显的边缘或纹理结构时，差分结果会混入真实信号变化，从而导致噪声被高估。 而且，差分法只利用局部空间信息，而没有利用高光谱数据中波段之间的相关性，也让其在复杂任务中稍显逊色。 因此，这类方法更适用于图像变化较平滑的场景，作为一种快速、基础的噪声估计手段。 差分类方法中最简单的就是我们在上一篇中使用的单向空间差分（Spatial Difference）： \[\hat{N} = X(i,j) - X(i+1,j) \] 其利用相邻像素之间的简单差值来估计噪声。 而在此基础上一种简单的改进方法是使用双向差分（Bidirectional Difference）。 在刚刚的空间差分中，我们只在一个方向上进行差分，但实际上，图像结构可能在某个方向上变化较大，如果只使用单一方向的差分，可能会把真实信号变化误当成噪声。 因此，可以同时在水平和垂直方向进行差分： \[\hat{N}_h = X(i,j) - X(i+1,j) \] \[\hat{N}_v = X(i,j) - X(i,j+1) \] 然后再将两个方向的差分结果进行统计，例如计算整体方差，从而得到更加稳定的噪声估计。 还没完，在此基础上，还可以进一步扩展为多方向差分（Directional Difference）: 这种方法不仅考虑水平和垂直方向，还会加入对角线方向的差分，例如： \[\hat{N}_d = X(i,j) - X(i+1,j+1) \] \[\hat{N}_{d2} = X(i,j) - X(i+1,j-1) \] 这样就可以在多个方向上估计噪声，然后将这些差分结果综合起来进行统计分析。 多方向差分可以进一步降低图像中边缘、纹理等局部结构变化对噪声估计造成的干扰，从而获得更加可靠的估计结果。 我们用一个简单的实例来进行演示： 接下来我们利用这些像素，通过不同的差分方式构造噪声样本。 假设有 四个相邻像素：\(P_1、P_2、P_3、P_4\)，它们在空间中的位置如下： \[\begin{matrix} P_1 & P_2 \\ P_3 & P_4 \end{matrix} \] 其中，每个像素都是一个 3 维光谱向量（3 个波段）: \[P_1 = [100,50,30] \quad\quad P_2 = [102,52,31] \] \[P_3 = [101,49,29] \quad\quad P_4 = [103,51,30] \] 现在，在这个 \(2\times2\) 的邻域中，竖直方向可以得到两组相邻像素： 第一列：\(P_1\) 与 \(P_3\) 第二列：\(P_2\) 与 \(P_4\) 因此计算它们的差分： \[n_1 = P_1 - P_3=[100,50,30] - [101,49,29]=[-1,1,1] \] \[n_2 = P_2 - P_4 = [102,52,31] - [103,51,30]=[-1,1,1] \] 可以看到，每一次像素差分都会得到一个 3 维噪声向量。