專利名稱：基于Beta算法的多尺度SAR圖像降噪方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理領(lǐng)域，特別是一種涉及SAR圖像降噪的方法，可應(yīng)用于目標(biāo)識別。
背景技術(shù)：
合成孔徑雷達(dá)SAR是一種高分辨率雷達(dá)體制，可應(yīng)用于軍事，農(nóng)業(yè)，導(dǎo)航，地理監(jiān)視等諸多領(lǐng)域。它與其它遙感成像系統(tǒng)，光學(xué)成像系統(tǒng)相比有很多差異。在軍事目標(biāo)識別方面，SAR圖像被廣泛的應(yīng)用在目標(biāo)檢測領(lǐng)域，而SAR圖像降噪則是從圖像處理到圖像分析的重要步驟，是目標(biāo)分類和識別的基礎(chǔ)。本質(zhì)上SAR圖像反映的是目標(biāo)的電磁散射特性和結(jié)構(gòu)特性，但由于SAR發(fā)射的是相干電磁波，當(dāng)它向地面發(fā)射電磁波時(shí)，其后向散射回來的總回波并不完全由地物目標(biāo)的散射系數(shù)決定，而是隨著這些散射系數(shù)有很大的隨機(jī)起伏，這種起伏的存在使SAR圖像中出現(xiàn)許多斑點(diǎn)，這些斑點(diǎn)與較小的地物目標(biāo)摻雜在一起嚴(yán)重影響圖像的質(zhì)量，這些斑點(diǎn)稱為相干斑噪聲。SAR成像的特殊性使得針對該類圖像的降噪方法有別于普通光學(xué)圖像非光學(xué)成像方式導(dǎo)致SAR圖像灰度級變化緩慢，因此光學(xué)圖像常用的基于高斯白噪聲假設(shè)的降噪方法對此類圖像收效甚微。針對SAR圖像的以上特點(diǎn)，經(jīng)典降噪方法有基于多視處理技術(shù)的降噪方法。它在SAR圖像成像階段對同一個(gè)場景獲得L個(gè)獨(dú)立的測量，并將這些測量進(jìn)行平均，該技術(shù)雖然簡單，但卻是以犧牲圖像分辨率為代價(jià)。因此，出現(xiàn)了各種對成像后的SAR圖像進(jìn)行濾波的降噪算法?；诳沼虻慕翟敕椒āＶ饕↙ee濾波、Frost濾波和Gamma-MAP濾波等,它們都假設(shè)真實(shí)場景是平穩(wěn)的并使用乘性的相干斑模型，Lee濾波直接應(yīng)用線性最小均方誤差MMSE準(zhǔn)則，得到一個(gè)一般的降噪表達(dá)式，通過計(jì)算這個(gè)表達(dá)式得到降噪結(jié)果；FroSt濾波也使用了麗SE準(zhǔn)則，但其發(fā)現(xiàn)場景的自相關(guān)函數(shù)與像素之間的空間距離呈負(fù)指數(shù)關(guān)系，基于此構(gòu)建了一個(gè)自相關(guān)函數(shù)，將圖像與該自相關(guān)函數(shù)進(jìn)行卷積獲得最終濾波結(jié)果。由于這兩種濾波器并未涉及相干斑或場景的具體統(tǒng)計(jì)特性，因此Lopes A.等人假設(shè)真實(shí)場景的統(tǒng)計(jì)特性符合Gamma分布，相干斑的統(tǒng)計(jì)特性符合高斯分布，結(jié)合最大后驗(yàn)概率MAP準(zhǔn)則求得抑斑結(jié)果，這就是 Gamma-MAP 濾波器，參見 Lopes A, Nezry E, Touzi R, Laur H. Maximum aposteriori speckle filtering and first order texture models in SAR images[C].Geoscience and Remote Sensing Symposium, 1990 IGARSS ' 90 ' Remote SensingScience for the Nineties' , IOth Annual International. 1990. 2409-12.。上述的三種濾波方法雖然抑斑效果較好，但是它們都難以保持圖像的細(xì)節(jié)特征，使圖像邊緣和線性目標(biāo)模糊。原因在于它們都假設(shè)真實(shí)的SAR圖像場景是平穩(wěn)的，而這個(gè)假設(shè)在邊緣和細(xì)節(jié)區(qū)域不成立。因此為了更好地滿足“平穩(wěn)”這個(gè)假設(shè)，科學(xué)家們做了以下改進(jìn)一種是將SAR圖像的真實(shí)場景分為均勻和非均勻的，分別采用不同抑斑方法。例如Lopes A.等人提出的增強(qiáng)系列濾波器。另一種是通過統(tǒng)計(jì)對圖像像素進(jìn)行分類。例如Lee J.S.的增強(qiáng)Lee濾波器，它通過對圖像的像素值進(jìn)行統(tǒng)計(jì)并劃定一個(gè)概率區(qū)間，將區(qū)間之外的像素作為噪聲，經(jīng)過濾波處理得到干凈的圖像，參見Lee JS, Wen JH, Ainsworth TL, Chen KS, ChenAJ.1mproved sigma filter for speckle filtering of SAR imagery[J].Geoscience andRemote Sensing, IEEE Transactions on.2009，Vol.47 (I).202-13.?；谧儞Q域的降噪方法。主要有小波變換、Bandelet變換、Curvelet變換和非下采樣Contourlet變換等。這些變換域?yàn)V波方法相比于經(jīng)典的空域?yàn)V波方法來說，圖像的線性目標(biāo)能得到較好的保持，但是由于噪聲和圖像邊緣都是高頻信號，因此抑斑后的圖像在均勻區(qū)域和邊緣附近常會(huì)出現(xiàn)偽吉布斯效應(yīng)。隨著“稀疏表示”熱潮的席卷，變換域方法可以看成是將圖像投影在一種或者幾種基上，實(shí)現(xiàn)在用較少的系數(shù)表示圖像的同時(shí)達(dá)到降噪的目的。但是由于這些基都有特定的方向，而一幅真實(shí)圖像存在各種方向，因此變換域的稀疏表示方法不能很好地保持圖像中的邊緣信息。
發(fā)明內(nèi)容
本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出一種基于Beta算法的SAR圖像多尺度降噪方法，在有效去除圖像中的斑點(diǎn)噪聲的同時(shí)保留圖像的紋理和邊緣信息，且在圖像的均勻區(qū)域和邊緣附近避免出現(xiàn)偽吉布斯效應(yīng)。實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是:使用像素分類將一幅SAR圖像分為三幅圖像，分另IJ為邊緣圖像，紋理圖像和同質(zhì)圖像。對這三幅圖像分別使用Beta算法得到它們各自的稀疏表示系數(shù)和字典，將它們各自的稀疏表示系數(shù)和字典相乘得三幅降噪后圖像，將這三幅降噪后圖像相加即為原SAR圖像的降噪結(jié)果圖。其具體實(shí)現(xiàn)步驟如下:(I)對待降噪SAR圖像I進(jìn)行像素分類，得到邊緣圖像A、紋理圖像B和同質(zhì)圖像C ；(2)對邊緣圖像A進(jìn)行重疊塊提取`和中心化操作，得到訓(xùn)練樣本集# = 0,丨二，其中
λ是長度為I^b1Xb1的列向量，Id1為重疊塊提取窗的邊長，M=(N-b1+l)2, N為邊緣圖像A的行數(shù)；(3)將字典D初始化為離散正弦變換DCT字典，字典D大小為ηXK，K=RXn, R為冗余度；(4)用字典D對訓(xùn)練樣本集f進(jìn)行稀疏編碼得到大小為KXM的稀疏表示系數(shù)矩陣 %(5)用稀疏表示系數(shù)矩陣 更新字典D的第k列dt ；(6)重復(fù)步驟⑷和步驟(5)共K次，得到最終字A D和最終稀疏表示系數(shù)矩陣
將最終字典D和最終稀疏表示系數(shù)矩陣P相乘，得降噪后邊緣圖像A'；(7)對紋理圖像B使用大小為b2Xb2的重疊塊提取窗，I^b1，重復(fù)步驟⑵至步驟
(6)得到降噪后紋理圖像B'；(8)對同質(zhì)圖像C使用大小為b3Xb3的重疊塊提取窗，I^b2Sb1，重復(fù)步驟⑵至步驟(6)得到降噪后同質(zhì)圖像C'；(9)將降噪后邊緣圖像A'、降噪后紋理圖像B'和降噪后同質(zhì)圖像C'相加，得到降噪后的SAR圖像Γ。
本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn):1、本發(fā)明由于使用像素分類和多尺度方法，能夠很好保留SAR圖像邊緣和紋理區(qū)域的細(xì)節(jié)信息，保證了圖像信息的完整性；2、本發(fā)明使用Beta字典學(xué)習(xí)方法，很好地去除SAR圖像中的噪聲；3、本發(fā)明是在空域上對SAR圖像進(jìn)行處理，避免了在圖像的均勻區(qū)域和邊緣附近出現(xiàn)偽吉布斯效應(yīng)；仿真結(jié)果表明，本發(fā)明方法較增強(qiáng)Lee濾波和Gamma-MAP濾波能更有效的進(jìn)行SAR圖像降噪。
圖1是本發(fā)明的流程圖；圖2是本發(fā)明在一幅4視強(qiáng)度SAR圖像上的仿真結(jié)果圖；圖3是本發(fā)明在一幅6視強(qiáng)度SAR圖像上的仿真結(jié)果圖；圖4是本發(fā)明在一幅2視幅度SAR圖像上的仿真結(jié)果圖。
具體實(shí)施例方式參照圖1，本發(fā)明的具體實(shí)現(xiàn)步驟如下:步驟一、對待降噪SAR圖像I進(jìn)行像素分類，得到邊緣圖像A、紋理圖像B和同質(zhì)圖像C。(Ia)輸入待降噪SAR圖像I，根據(jù)公式I)計(jì)算該待降噪SAR圖像I的局部方差圖variance,并繪制局部方差圖variance直方圖，
權(quán)利要求
1.一種基于Beta算法的多尺度SAR圖像降噪方法，包括如下步驟: 1)對待降噪SAR圖像I進(jìn)行像素分類，得到邊緣圖像A、紋理圖像B和同質(zhì)圖像C； 2)對邊緣圖像A進(jìn)行重疊塊提取和中心化操作，得到訓(xùn)練樣本集#=丨兌丨二，其中免是長度為Ii=ID1Xb1的列向量,Id1為重疊塊提取窗的邊長,M= (N-1d^I)2A為邊緣圖像A的行數(shù)； 3)將字典D初始化為離散正弦變換DCT字典，字典D大小為ηXK，K=RXn,R為冗余度； 4)用字典D對訓(xùn)練樣本集y進(jìn)行稀疏編碼，得到大小為KXM的稀疏表示系數(shù)矩陣J.5)用稀疏表示系數(shù)矩陣 更新字典D的第k列dk； 6)重復(fù)步驟4)和步驟5)共K次，得到最終字典力和最終稀疏表示系數(shù)矩陣將最終字典6和最終稀疏表示系數(shù)矩陣&相乘，得降噪后邊緣圖像A'； 7)對紋理圖像B使用大小為b2Xb2的重疊塊提取窗，b2>bi，重復(fù)步驟2)至步驟6)得到降噪后紋理圖像B'； 8)對同質(zhì)圖像C使用大小為b3Xb3的重疊塊提取窗，I3Pb2A1，重復(fù)步驟2)至步驟6)得到降噪后同質(zhì)圖像C'； 9)將降噪后邊緣圖像A'、降噪后紋理圖像B'和降噪后同質(zhì)圖像C'相加，得到降噪后的SAR圖像Γ。
2.根據(jù)權(quán)利要求1所述的基于Beta算法的多尺度SAR圖像降噪方法，其中步驟I)按如下步驟進(jìn)行:Ia)根據(jù)公式(I)計(jì)算待降噪SAR圖像I的局部方差圖variance，并繪制局部方差圖variance
3.根據(jù)權(quán)利要求1所述的基于Beta算法的多尺度SAR圖像降噪方法，其中步驟2)所述的對邊緣圖像A進(jìn)行重疊塊提取和中心化操作，按如下步驟進(jìn)行: 取滑動(dòng)因子s=l，用大小為I3lXb1的窗口對邊緣圖像A進(jìn)行重疊塊提取，得到重疊塊向量集F = > ，其中yi是長度為^b1Xb1的列向量，M=(N-Vl)2, N為邊緣圖像A的行數(shù)，將Y減去其本身的均值得到訓(xùn)練樣本集f = IiU二 v是長度為I^b1Xb1的列向量。
4.根據(jù)權(quán)利要求1所述的基于Beta算法的多尺度SAR圖像降噪方法，其中步驟4)所述的用字典D對訓(xùn)練樣本集f進(jìn)行稀疏編碼，按如下步驟進(jìn)行: 4a)初始化稀疏促進(jìn)矩陣Z為大小等于KXK的全I(xiàn)矩陣； 4b)初始化稀疏促進(jìn)矩陣Z的第i列向量Zi的每個(gè)元素等于I的概率π為KX I大小的全0.5矩陣，根據(jù)公式(6)更新概率π的第k個(gè)成分Jik,得到新的概率奇的第k個(gè)成分
全文摘要
本發(fā)明公開了一種基于Beta算法的多尺度SAR圖像降噪方法，主要解決傳統(tǒng)字典學(xué)習(xí)方法不適用SAR圖像降噪的問題。其降噪過程為:對待降噪SAR圖像進(jìn)行像素分類，得到邊緣圖像A、紋理圖像B和同質(zhì)圖像C；對這些圖像分別進(jìn)行重疊塊提取和中心化操作，得到它們各自的訓(xùn)練樣本集；初始化字典為DCT字典；用字典進(jìn)行稀疏編碼得稀疏系數(shù)矩陣；用稀疏系數(shù)矩陣更新字典的第k列；重復(fù)稀疏編碼步驟和字典更新步驟共K次，得最終字典和最終稀疏系數(shù)矩陣，并將其相乘得降噪后的邊緣圖像A’、紋理圖像B’和同質(zhì)圖像C’，進(jìn)而得降噪后的SAR圖像為I’=A’+B’+C’。本發(fā)明具有在有效去除SAR圖像中噪聲的同時(shí)能保留圖像的紋理和邊緣信息的優(yōu)點(diǎn)，可用于SAR圖像目標(biāo)識別。
文檔編號G06T5/00GK103077507SQ20131003062
公開日2013年5月1日 申請日期2013年1月25日 優(yōu)先權(quán)日2013年1月25日
發(fā)明者侯彪, 馬晶晶, 陳芊芊, 焦李成, 張向榮, 馬文萍 申請人:西安電子科技大學(xué)