基于Swin-Transformer卷积U-Net与滤波的遥感图像椒盐噪声去噪方法FSCU-Net研究报告

作者及机构
该研究由浙江大学海洋学院的R.T. Cai、G.X. Chen、J. Li等团队完成，发表于2025年的期刊《Earth and Space Science》（DOI:10.1029/2025EA004225）。

学术背景

研究领域与动机
遥感影像在农业监测、城市规划、灾害响应等领域具有不可替代的作用，但其采集与传输过程中易受椒盐噪声（Salt and Pepper Noise）干扰。传统滤波方法（如中值滤波）虽能去除噪声，但会丢失细节；而基于深度学习的去噪方法（如U-Net）在高密度噪声下会出现色彩失真。为此，研究团队提出FSCU-Net——一种结合传统循环切换均值滤波（Cyclic Switching Mean Filtering）与改进型深度学习网络SCU-Net（Swin-Transformer Convolution U-Net）的混合方法，旨在解决高密度椒盐噪声导致的图像质量下降问题。

技术背景
1. 椒盐噪声特性：由传感器故障、空间高能粒子干扰或数据传输错误引发，表现为随机黑白像素点。
2. 现有方法局限：
- 传统方法（如BM3D）对高斯噪声有效，但对椒盐噪声效果有限；
- 纯深度学习方法（如U-Net）依赖大量训练数据，且在高噪声密度下性能下降。
3. 创新基础：Swin-Transformer通过局部注意力机制降低计算复杂度，而卷积层擅长局部特征提取，二者结合可提升去噪效率。

研究流程与方法

1. SCU-Net架构设计

网络结构
- 编码器-解码器框架：基于U-Net的对称结构，引入跳跃连接（Skip Connections）保留多尺度特征。
- 核心模块SC（Swin-Transformer Convolution）：
- 卷积运算（式2）提取局部特征；
- Swin-Transformer（式3）通过窗口滑动注意力机制捕捉全局相关性；
- 特征拼接（式1：⊕操作）融合两类输出，避免池化层的信息丢失。

训练流程
- 输入：8,000张遥感图像（来自AID、INRIA等10个数据集），添加模拟椒盐噪声（噪声密度σ=30%~90%）。
- 损失函数：均方误差（MSE，式7）衡量去噪结果与干净图像的差异。
- 参数：20个训练周期，学习率10^-4，批量大小5，激活函数ReLU。

2. FSCU-Net改进方案

两阶段去噪流程
1. 预处理阶段：
- 采用循环切换均值滤波（算法1），参数设为窗口大小3×3、阈值M=5、循环次数T=10。
- 仅对噪声点（像素值0或255）进行邻域均值替换，保留非噪声点。
2. 深度学习阶段：滤波后图像输入SCU-Net进行精细去噪。

对比实验设计
- 基线方法：U-Net、DnCNN、BM3D、单独滤波。
- 评估指标：峰值信噪比（PSNR）、结构相似性（SSIM）、MSE。

主要结果

1. SCU-Net性能

• 低噪声（σ=30%）：PSNR达32.55（比U-Net高37.6%），SSIM为0.974，显著优于其他方法（图6）。
  
• 高噪声（σ=90%）：出现色彩失真，但PSNR（19.52）仍高于U-Net（15.12），残余噪声最少（图9）。
  
• 局限性：噪声密度>70%时，SSIM下降48.1%，表明细节保留能力减弱（表3）。
  

2. FSCU-Net优势

• 高噪声处理：σ=90%时，PSNR提升13.2%（23.99 vs. 19.52），SSIM提升56.6%（0.829 vs. 0.411）（表5-6）。
  
• 主观质量：联合方法有效消除色彩失真，且边缘细节优于单独滤波或SCU-Net（图16-18）。
  
• 泛化性：在SAR真实噪声数据测试中，FSCU-Net保留更多细节，但对条带噪声（Banding Noise）处理不足（图20）。
  

结论与价值

科学价值
1. 方法创新：首次将循环切换均值滤波与Swin-Transformer卷积U-Net结合，形成端到端混合去噪框架。
2. 理论贡献：验证了传统滤波作为深度学习预处理的可行性，提出“滤波-特征提取”分阶段优化策略。

应用价值
- 适用于高噪声遥感影像（如卫星故障或极端环境采集数据），提升后续分类、分割任务的准确性。
- 代码与数据公开，可扩展至医学影像、地震信号去噪等领域。

研究亮点

1. 混合架构：FSCU-Net突破了纯数据驱动方法的局限性，通过滤波预处理减少深度学习对高噪声的敏感度。
   
2. 效率平衡：Swin-Transformer的局部注意力机制将计算复杂度降低至传统Transformer的1/4，适合大尺寸遥感图像。
   
3. 可调参数：循环切换滤波的阈值M与循环次数T可根据噪声密度动态调整（表1），增强方法灵活性。
   

不足与展望

1. 条带噪声处理：当前方法对非随机噪声（如传感器条带）效果有限，未来可引入频域滤波改进。
   
2. 真实噪声泛化：训练数据依赖模拟噪声，需结合生成对抗网络（GANs）生成更逼真的噪声样本。
   
3. 多模态扩展：计划将框架迁移至SAR、红外等多源遥感数据去噪任务。
   

（全文共计约2000字）