Stripe Noise Elimination with a Novel Trend Repair Method for Push-Broom Thermal Images
Notice bibliographique
Résumé
Stripe noise is a general phenomenon in original remote sensing images that both degrades image quality and severely limits its quantitative application. While the classical statistical method is effective in correcting common stripes caused by inaccurately calibrating relative gains and offsets between detectors, it falls short in correcting other nonlinear stripe noises originating from subtle nonlinear changes or random contamination within the same detector. Therefore, this paper proposes a novel trend repair method based on two normal columns directly adjacent to a defective column to rectify the trend by considering the geospatial structure of contaminated pixels, eliminating residual stripe noise evident in level 0 (L0) remote sensing images after histogram matching. GF5-02 VIMI (Gaofen5-02, visual and infrared multispectral imager) images and simulated Landsat 8 thermal infrared sensor (TIRS) images deliberately infused with stripe noise are selected to test the new method and two other existing methods, the piece-wise method and the iterated weighted least squares (WLS) method. The effectiveness of these three methods is reflected by streaking metrics (Streaking), structural similarity (SSIM), peak signal-to-noise ratio (PSNR), and improvement factor (IF) on the uniformity, structure, and information content of the corrected GF5-02 VIMI images and by the accuracy of the corrected simulated Landsat 8 TIRS images. The experimental results indicate that the trend repair method proposed in this paper removes nonlinear stripe noise effectively, making the results of IF > 20. The remaining indicators also show satisfactory results; in particular, the mean accuracy derived from the simulated image remains below a digital number (DN) of 15, which is far superior to the other two methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».