Improving ADOM Algorithm with Heuristics for Stripe Noise Removal in Remote Sensing Images

Year 2024, Volume: 6 Issue: 3

İrem Nur Eroğlu , Hasan Ali Akyürek

Abstract

Remote sensing systems are critically important for monitoring and analyzing changes on the Earth's surface. However, the images obtained from these systems can contain various types of noise, which can adversely affect the accuracy of measurements. This study aims to optimize the performance of the ADOM (Alternating Direction Method of Multipliers) algorithm to remove stripe noise in remote sensing images. To this end, the performance of the ADOM algorithm has been enhanced using two heuristic optimization algorithms: Tree-Seed Algorithm (TSA) and Particle Swarm Optimization (PSO). The ADOM algorithm is an optimization model developed to remove stripe noise, and the parameters have been optimized using TSA and PSO algorithms. Both algorithms aim to improve the stripe noise removal process by optimizing the parameters of the ADOM algorithm. After optimizing the performance of the ADOM algorithm with TSA and PSO algorithms, their abilities to remove stripe noise were compared. The results showed that TSA and PSO algorithm were successful in optimizing the ADOM algorithm. It has been observed that, at similar computational costs, ADOM-TSA and ADOM-PSO algorithms produce statistically better results than the plain ADOM algorithm in removing stripe noise and improving image quality. ADOM-TSA showed a higher performance in strip noise removal compared to ADOM-PSO. Future work should focus on testing different heuristic algorithms and achieving higher performance while reducing the processing cost.

Keywords

ADOM, Tree-Seed Algorithm, Particle-Swarm Optimization, ADOM-PSO, ADOM-TSA, Noise Removal

Uzaktan Algılama Görüntülerinde Şerit Gürültüsü Giderimi için ADOM Algoritmasının Sezgiseller ile Geliştirilmesi

Abstract

Uzaktan algılama sistemleri, Dünya yüzeyindeki değişikliklerin izlenmesi ve analizi açısından kritik öneme sahiptir. Ancak, bu sistemlerden elde edilen görüntülerde çeşitli gürültüler oluşabilir ve bu durum ölçümlerin doğruluğunu olumsuz etkileyebilir. Bu çalışmada, uzaktan algılama görüntülerindeki şerit gürültüsünü gidermek amacıyla ADOM (Alternating Direction Method of Multipliers) algoritmasının performansı optimize edilmiştir. Bu amaçla, iki sezgisel optimizasyon algoritması olan Ağaç-Tohum (TSA) ve Parçacık-Sürü Optimizasyonu (PSO) kullanılarak ADOM algoritmasının performansı artırılmıştır. ADOM algoritması, şerit gürültüsünü gidermek için geliştirilmiş bir optimizasyon modelidir ve bu modelin parametreleri TSA ve PSO algoritmaları ile optimize edilmiştir. Her iki algoritma da ADOM algoritmasının parametrelerini optimize ederek, şerit gürültüsünün giderilmesi sürecini iyileştirmeyi amaçlamaktadır. ADOM algoritmasının performansı, TSA ve PSO algoritmaları ile optimize edildikten sonra, şerit gürültüsünü giderme yetenekleri karşılaştırılmıştır. Sonuçlar, TSA ve PSO algoritmasının ADOM algoritmasını optimize etmede başarılı olduğunu göstermiştir. Benzer hesaplama maliyetinde ADOM-TSA ve ADOM-PSO algoritmalarının yalın ADOM algoritması ve şerit gürültüsünü giderme ve görüntü kalitesini artırma konusunda istatistiksel olarak daha iyi sonuçlar ürettiğini gözlenmiştir. ADOM-TSA, ADOM-PSO’ya kıyasla şerit gürültüsünü gidermede daha yüksek bir performans sergilemiştir. Gelecekteki çalışmalar, farklı sezgisel algoritmaların denenmesi ve işlem maliyeti azaltılırken daha yüksek başarımın elde edilmesi üzerine odaklanmalıdır.

Keywords

ADOM, Ağaç-Tohum Algoritması, Parçacık-Sürü Optimizasyonu, ADOM-PSO, ADOM-TSA, Gürültü Giderimi

References

• C. Ma, W. Xia, F. Chen, J. Liu, Q. Dai, L. Jiang, J. Duan, W. Liu, A content-based remote sensing image change information retrieval model, ISPRS International Journal of Geo-Information. 6 (10) (2017). doi: 10.3390/ijgi6100310
• J. Le Moigne, Introduction to Remote Sensing Image Registration, içinde: IEEE International Symposium on Geoscience and Remote Sensing IGARSS, IEEE, Fort Worth, TX, USA, 2017: 2565-2568. doi: 10.1109/IGARSS.2017.8127519
• K. Ş. Kavak, Uzaktan algılamanın temel kavramları ve jeolojideki uygulama alanları, Jeoloji Mühendisliği Dergisi. 21 (1) (1998), 63-74.
• N. Kim, S.-S. Han, C.-S. Jeong, ADOM: ADMM-Based Optimization Model for Stripe Noise Removal in Remote Sensing Image, IEEE Access. 11 (2023), 106587-106606. doi: 10.1109/ACCESS.2023.3319268
• Q. Song, Y. Wang, X. Yan, H. Gu, Remote sensing images stripe noise removal by double sparse regulation and region separation, Remote Sensing. 10 (7) (2018), 998. doi: 10.3390/rs10070998
• X. Zhang, Y. Li, X. Feng, J. Hua, D. Yue, J. Wang, Application of multiple-optimization filtering algorithm in remote sensing image denoising, Sensors (Basel). 23 (18) (2023), 7813. doi: 10.3390/s23187813
• L. Han, Y. Zhao, H. Lv, Y. Zhang, H. Liu, G. Bi, Remote sensing image denoising based on deep and shallow feature fusion and attention mechanism, Remote Sensing. 14 (5) (2022), 1243. doi: 10.3390/rs14051243
• Y. Zhou, C. Ren, S. Zhang, X. Xue, Y. Liu, J. Lu, C. Ding, A second-order method for removing mixed noise from remote sensing images, Sensors (Basel). 23 (17) (2023), 7543. doi: 10.3390/s23177543
• F. Yan, S. Wu, Q. Zhang, Y. Liu, H. Sun, Destriping of remote sensing images by an optimized variational model, Sensors. 23 (17) (2023). doi: 10.3390/s23177529
• Z. Wang, G. Wang, Z. Pan, J. Zhang, G. Zhai, Fast stripe noise removal from hyperspectral image via multi-scale dilated unidirectional convolution, Multimedia Tools and Applications. 79 (31) (2020), 23007-23022. doi: 10.1007/s11042-020-09065-4
• B. Li, Y. Zhou, D. Xie, L. Zheng, Y. Wu, J. Yue, S. Jiang, Stripe noise detection of high-resolution remote sensing images using deep learning method, Remote Sensing. 14 (4) (2022). doi: 10.3390/rs14040873
• M. S. Kiran, TSA: Tree-seed algorithm for continuous optimization, Expert Systems with Applications. 42 (19) (2015), 6686-6698. doi: 10.1016/j.eswa.2015.04.055
• G. Pereira, Particle Swarm Optimization, (2011).
• H. A. Akyürek, Ö. K. Baykan, B. Koçer, Improving gravitational search algorithm performance with artificial bee colony algorithm for constrained numerical optimization, The Journal of MacroTrends in Applied Science. 4 (1) (2016), 55-68.
• J. Kennedy, R. Eberhart, Particle swarm optimization, içinde: IEEE, 1995: 1942-1948.
• A. Pektaş, O. İnan, Application of tree seed algorithm on clustering problems, Necmettin Erbakan University Journal of Science and Engineering. 4 (1) (2022), 1-10. doi: 10.47112/neufmbd.2022.8
• G. Orucova Büyüköz, H. Haklı, Implementation of grey wolf optimization algorithm to p-median problems, Necmettin Erbakan University Journal of Science and Engineering. 6 (1) (2024), 166-177. doi: 10.47112/neufmbd.2024.40
• İ. İlhan, A. Ünlü, A novel hybrid gray wolf optimization algorithm with harmony search to solve multi-level image thresholding problem, Necmettin Erbakan University Journal of Science and Engineering. 5 (2) (2023), 230-245. doi: 10.47112/neufmbd.2023.21
• H. A. Akyürek, E. Ülker, B. Koçer, Automatic Knot adjustment using dolphin echolocation algorithm for b-spline curve approximation, The Journal of MacroTrends in Technology and Innovation. 4 (1) (2016), 100-109.
• Q. B. Phan, T. T. Nguyen, A Novel Approach for PV Cell Fault Detection Using YOLOv8 and Particle Swarm Optimization, içinde: 2023 IEEE 66th International Midwest Symposium on Circuits and Systems (MWSCAS), 2023: 634-638. doi: 10.1109/MWSCAS57524.2023.10406139
• C. Sudheer, S. Mathur, Particle swarm optimization trained neural network for aquifer parameter estimation, Ksce Journal of Civil Engineering. 16 (3) (2012), 298-307. doi: 10.1007/s12205-012-1452-5
• G. d. I. C. (GIC), Hyperspectral Remote Sensing Scenes. https://www.ehu.eus/ccwintco/index.php/Hyperspectral_Remote_Sensing_Scenes (erişim 2024.
• S. H. Chan, X. Wang, O. A. Elgendy, Plug-and-play ADMM for image restoration: fixed-point convergence and applications, IEEE Transactions on Computational Imaging. 3 (1) (2017), 84-98. doi: 10.1109/TCI.2016.2629286
• F. Chen, Z. Ye, C. Wang, L. Yan, R. Wang, A Feature Selection Approach for Network Intrusion Detection Based on Tree-Seed Algorithm and K-Nearest Neighbor, içinde: IEEE, 2018: 68-72. doi: 10.1109/IDAACS-SWS.2018.8525522
• J. Jiang, X. Meng, L. Qian, H. Wang, Enhance tree-seed algorithm using hierarchy mechanism for constrained optimization problems, Expert Systems with Applications. 209 (2022), 118311. doi: 10.1016/j.eswa.2022.118311
• A. P. Piotrowski, J. J. Napiorkowski, A. E. Piotrowska, Population size in particle swarm optimization, Swarm and Evolutionary Computation. 58 (2020), 100718. doi: 10.1016/j.swevo.2020.100718
• A. Rashnoa, S. Fadaeib, Image restoration by projection onto convex sets with particle swarm parameter optimization, International Journal of Engineering. 36 (2) (2023), 398-407. doi: 10.5829/ije.2023.36.02b.18
• A. P. Engelbrecht, "Particle Swarm Optimization," in Computational Intelligence, 2007, pp. 289-358.
• H. A. Akyürek, B. Koçer, Semi-supervised fuzzy neighborhood preserving analysis for feature extraction in hyperspectral remote sensing images, Neural Computing and Applications. 31 (8) (2019), 3385-3415. doi: 10.1007/s00521-017-3279-y