基于同质区域分割的SAR图像去噪方法

摘要

本发明公开了一种基于同质区域分割的SAR图像去噪方法，其实现步骤为：(1)输入图像；(2)得到对数变换图像；(3)确定中心像素点的同质区域；(4)得到所有中心像素点的同质区域；(5)PPB去噪；(6)计算每个同质区域标准差；(7)计算面积；(8)对每个同质区域进行KSVD稀疏去噪；(9)合成图像；(10)输出结果。本发明具有有效的抑制同质区域噪声，对强弱目标点能很好的保持，边缘保持清晰，消除边缘划痕以及块效应的优点，可应用于对SAR图像进行去噪处理。

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及SAR图像去噪领域的一种基 于同质区域分割的SAR图像去噪方法，本发明可用于SAR图像降班处理。

背景技术

合成孔径雷达SAR作为主动雷达，具有不受光照、天气条件影响的特点， 可以全天候、全天时对地观测，还可以透过地表和植被获取信息，在农业、林业、 地质与军事领域等得到广泛的应用。SAR图像中由于成像散射体散射回波的相 干作用造成的斑点噪声的存在不利于图像中场景的自动分析和SAR图像的理 解，使得图像解译工作变得困难，尤其是对SAR图像中强弱目标点和边缘的影 响非常明显。因此斑点噪声的抑制对SAR图像的后续处理如目标识别等是非常 重要的。

SAR图像相干斑抑制主要有空域滤波和频域滤波两种，常见的空域抑斑方 法如非局部均值滤波、基于稀疏表示的图像滤波去噪、迭代权重最大似然PPB （Probabilistic Patch-based Weight）算法等。非局部均值滤波算法是基于加性高 斯噪声的上推导出来的，在对SAR图像进行处理前需对数化处理，使乘性相干 斑噪声转化为加性噪声，以近似服从高斯分布且与目标信号相互独立，但处理效 果仍不理想，边缘和细节部分易出现模糊。基于稀疏表示的图像去噪方法，是最 近提出的一种空域图像去噪新方法，它采用图像在冗余字典上的稀疏近似来实现 去噪，KSVD字典学习中的误差控制易造成图像的部分纹理信息丢失，增加后期 变化检测的误检率。

频域滤波主要是利用多分辨分析的方法，常见的有基于小波变换的方法。小 波变换用于SAR图像去噪，主要是对变换后的系数取阈值或者计算无噪信号系 数后验概率，进而计算理想信号系数，然后逆变换得到去噪图像。它们能对SAR 图像斑点噪声有效滤除且纹理信息也得到一定的保留，但同质区域会出现划痕效 应，边缘和强反射点目标模糊。

凤宏晓等在文献“基于自适应窗和形状自适应小波变换的SAR图像相干斑 抑制.红外与毫米波学报28卷第3期2009”中提出的SAR图像抑制方法，该文 献是用通过局部多项式近似-置信区间交叉的方法构造每个像素点相对应的同质 区域，对每个同质区域利用快速形状自适应小波变换进行硬阈值收缩抑斑。该文 献虽然能去除图像重构中的“振铃”效应，但是对图像中的弱目标点还是无法保 持，边缘不能保持清晰。

西安电子科技大学拥有的专利技术“基于同质点计算的SAR图像去斑方法” （专利申请号：2009100209548，授权公告号：CN101482969B）中提出了一种基 于同质点计算的SAR图像去斑方法。该专利技术采用对SAR图像中点、线、边 缘和面目标的同质点之间进行去噪的方法。该方法虽然能最大限度的平滑斑点噪 声的同时保持SAR图像的边缘和纹理细节，但是仍然存在的不足是，同质点之 间加权平均不能对图像有很好的稀疏表示，同质区域没有得到较好的去噪效果， 弱目标点也很难保持。

发明内容

本发明的目的在于克服上述算法的不足，提出了基于同质区域分割的SAR 图像稀疏去噪方法，能有效地去除噪声，同时对强弱目标点以及边缘等细节信 息也能很好地保留。

实现本发明的技术思路是：首先，将SAR图像分割成大小不一的同质区域 块；其次，计算每个同质区域块的局部标准差；然后，根据同质区域块的大小选 择不同原子大小的字典；最后，对每块同质区域用各自的字典稀疏去噪，得到整 幅图像的去噪结果。

实现本发明目的的具体步骤如下：

（1）输入图像：

输入任选的一幅单极化幅度图的合成孔径雷达SAR图像。

（2）得到对数变换图像：

对读入的合成孔径雷达SAR图像中每个像素点的灰度值作对数变换，用每 个像素点灰度值对数变换后的值替代该像素点的灰度值，得到一幅对数变换图 像。

（3）确定中心像素点的同质区域：

3a）从对数变换图像的第一行起，逐行并按照每一行从左到右的顺序，找出 第一个像素点灰度值为非零的像素点，将该非零像素点作为中心像素点，保存该 中心像素点空间位置；

3b）以中心像素点为起点，将水平向右的方向的像素点组成一列，得到中心 像素点0度方向像素点的集合；

以中心像素点为起点，将水平向右和垂直向上的像素中与水平方向和垂直方 向间距相等的像素点组成一列，得到中心像素点45度方向像素点的集合；

以中心像素点为起点，将垂直向上的方向的像素点组成一列，得到中心像素 点90度方向像素点的集合；

以中心像素点为起点，将水平向左和垂直向上的像素中与水平方向和垂直方 向间距相等的像素点组成一列，得到中心像素点135度方向像素点的集合；

以中心像素点为起点，将水平向左的方向的像素点组成一列，得到中心像素 点180度方向像素点的集合；

以中心像素点为起点，将水平向左和垂直向下的像素中与水平方向和垂直方 向间距相等的像素点组成一列，得到中心像素点225度方向像素点的集合；

以中心像素点为起点，将垂直向下的方向的像素点组成一列，得到中心像素 点270度方向像素点的集合；

以中心像素点为起点，将水平向右和垂直向下的像素中与水平方向和垂直方 向间距相等的像素点组成一列，得到中心像素点315度方向像素点的集合；

3c）按照下式，得到中心像素点与该像素点的c方向像素点集合中的像素点 的权值：

$w_l^c=\exp (-\frac{{\left(d(X-Y_l^c)\right)}^2}{h})$

其中，表示中心像素点的c方向上的像素点集合中第l个像素点与中心像 素点之间的权值，l表示中心像素点的c方向像素点集合中远离中心像素点的顺 序位置，l初始值设为1，c表示中心像素点的方向，c依次取0，45，90，135， 180，225，270，315度方向，exp(·)表示取指数运算的操作，h表示中心像素点 的c方向像素点集合中第l个像素点与中心像素点之间的欧式距离的平滑参数， X表示以中心像素点为中心的3×3大小的邻域矩阵，表示以中心像素点的c 方向像素点集合中第l个像素点为中心的3×3大小的方向邻域矩阵，表 示邻域矩阵X与方向邻域矩阵相减后所得差值矩阵中所有元素的和；

3d）判断两像素点之间的权值和设定的阈值T的大小关系，若权值小于 阈值T，则比较中心像素点和中心像素点的c方向像素点的集合中远离中心像素 点方向的下一个像素点的权值，将l的值加上1，返回步骤3c）；若权值大于 等于阈值T，则将l的值赋给中心像素点的c方向的长度a_c，并取下一个中心像 素点的方向c，返回步骤3c），直到得到中心像素点的8个方向长度 {a_c|c＝0,45,90,135,180,225,270,315}；

3e）在输入的图像中，与中心像素点距离为长度a_c的像素点作为中心像素点 的c方向的顶点，直线连接相邻的方向顶点，围绕成的区域即为该中心像素点的 同质区域；

3f）将对数变换图像中与同质区域位置相同像素点的灰度值更新为0。

（4）判断像素点灰度值是否都为0：

判断对数变换图像中的像素点灰度值是否都为0，若否，则执行步骤（3）； 否则，得到所有K个同质区域和每个同质区域对应的8个方向长度，K表示对 数图像的同质区域的总个数，则执行步骤（5）。

（5）迭代权重最大似然PPB去噪：

对输入的合成孔径雷达SAR图像，用迭代权重最大似然PPB方法去噪，得 到PPB去噪后的图像。

（6）计算每个同质区域的标准差：

6a）找出输入图像和迭代权重最大似然PPB去噪后的图像中与对数图像的 同质区域空间位置相对应的区域，得到输入图像的同质区域和迭代权重最大似然 PPB去噪后图像的同质区域；

6b）对每个输入图像的同质区域，按照下式计算，得到输入图像的同质区域 的标准差：

${\sigma }_k=\sqrt{\frac{1}{Q_k}\underset{j\in I_k}{\Sigma }{(I_{\mathrm{kj}}-J_k)}^2}$

其中，σ_k表示第k个输入图像的同质区域的标准差，Q_k表示第k个输入图 像的同质区域内所包含的像素总个数，I_k表示输入图像的同质区域，j表示每个 同质区域内的像素序号，I_kj表示第k个输入图像的同质区域内的第j个像素的灰 度值，J_k表示迭代权重最大似然PPB去噪后图像的第k个同质区域中像素灰度 值的均值。

（7）计算面积：

7a）按照下式计算每个输入图像的同质区域的面积

$S=\frac{\sqrt{2}}{4}(a_0\times a_1+a_1\times a_2+a_2\times a_3+a_3\times a_4+a_4\times a_5+a_5\times a_6+a_6\times a_7+a_7\times a_0)$

其中，S表示输入图像的同质区域的面积，a₀,a₁,a₂,a₃,a₄,a₅,a₆,a₇分 别表示输入图像的每个同质区域的0,45,90,135,180,225,270,315度方向上的长 度；

7b）将过完备稀疏表示字典每一列作为一个原子，将η设定为过完备稀疏字 典中每个原子的长度；

7c）若每个输入图像同质区域的面积小于9，则将该区域内直接采用迭代权 重最大似然PPB的去噪结果，作为最终去噪结果；若每个输入图像同质区域的 面积大于等于9并且小于81之间，则η值取为9；若每个输入图像同质区域的 面积大于等于81并且小于576之间，则η值取为25；若每个输入图像同质区域 的面积大于等于576并且小于1521之间，则η值取为49；若每个输入图像同质 区域的面积大于等于1521，则η值取为64。

（8）对每个输入图像的同质区域进行稀疏字典KSVD去噪：

8a）由每个输入图像的同质区域得到的η值，对过完备稀疏表示字典初始化， 过完备稀疏表示字典表示为离散余弦变换DCT字典，过完备稀疏表示字典大小 为η×4η，η表示过完备稀疏表示字典中每个原子的长度；

8b）按照下式，得到每个输入图像的同质区域的图像块：

I_ij＝R_ijI

其中，I_ij表示输入图像的同质区域的图像块，i，j表示图像块的行的标号 和列的标号，R_ij表示图像抽取矩阵，I表示输入图像的同质区域；

8c）判断判断输入图像的同质区域的局部标准差是否小于等于5，若是，则 执行步骤8d）5次；否则，执行步骤8d）10次；

8d）采用稀疏表示的字典设计KSVD法，对每个输入图像的同质区域，分 别更新过完备稀疏表示字典和每个输入图像的同质区域块的图像块I_ij的稀疏表 示系数；

8e）采用重构公式，分别估计每个输入图像的同质区域的去噪结果，得到所 有的输入图像的同质区域的去噪结果。

（9）图像合成：

将所有的去噪后的输入图像的同质区域按位置合成去噪后输入图像，得到输 入图像的去噪结果。

（10）输出结果：

输出读入合成孔径雷达SAR图像的去噪结果。

本发明与现有技术相比较，具有以下优点：

第一，本发明将图像分成不同的同质区域块，对每个同质区域块分别去噪， 使得字典能更稀疏表示图像，克服了现有技术字典去噪方法中对整幅图像对数变 换带来的均值漂移的问题，使得本发明具有能有效的抑制同质区域噪声的优点。

第二，本发明根据每个同质区域块的大小，自适应的选择不同大小的字典， 克服了现有技术稀疏字典去噪中，字典固定，对图像中的点目标无法保持的问题， 使得本发明具有对强弱目标点能很好的保持的优点。

第三，本发明将图像分割成不同的区域，每个区域都是用像素点之间的权 值计算确定，边缘区域也当作一种同质区域来去噪，克服了现有技术中边缘出现 划痕以及块效应的问题，使得本发明具有边缘保持清晰，消除边缘划痕以及块效 应的优点。

附图说明

图1是本发明的流程图；

图2是本发明的输入的图像；

图3是现有技术PPB方法对输入图像的去噪结果示意图；

图4是本发明对输入图像去噪的结果示意图。

具体实施方式

下面结合附图对本发明作进一步的描述。

参照附图1，本发明的具体步骤如下：

步骤1：输入图像。

输入任选的一幅单极化幅度图的合成孔径雷达SAR图像。

步骤2：得到对数变换图像。

对读入的一幅合成孔径雷达SAR图像的每个像素点的灰度值作对数变换， 将每个像素点灰度值对数变换后的值替代该像素点的灰度值，得到一幅对数变换 图像。

步骤3：确定中心像素点的同质区域。

3a）从对数变换图像的第一行起，逐行并按照每一行从左到右的顺序，找出 第一个像素点灰度值为非零的像素点，将该非零像素点作为中心像素点，保存该 中心像素点空间位置。

3b）以中心像素点为起点，将水平向右的方向的像素点组成一列，得到中心 像素点0度方向像素点的集合。

以中心像素点为起点，将水平向右和垂直向上方向的中间方向上的像素点组 成一列，得到中心像素点45度方向像素点的集合。

以中心像素点为起点，将垂直向上的方向的像素点组成一列，得到中心像素 点90度方向像素点的集合。

以中心像素点为起点，将水平向左和垂直向上方向的中间方向上的像素点组 成一列，得到中心像素点135度方向像素点的集合。

以中心像素点为起点，将水平向左的方向的像素点组成一列，得到中心像素 点180度方向像素点的集合。

以中心像素点为起点，将水平向左和垂直向下方向的中间方向上的像素点组 成一列，得到中心像素点225度方向像素点的集合。

以中心像素点为起点，将垂直向下的方向的像素点组成一列，得到中心像素 点270度方向像素点的集合。

以中心像素点为起点，将水平向右和垂直向下方向的中间方向上的像素点组 成一列，得到中心像素点315度方向像素点的集合。

3c）按照下式，得到中心像素点与该像素点c度方向像素点集合中的像素点 的权值：

$w_l^c=\exp (-\frac{{\left(d(X-Y_l^c)\right)}^2}{h})$

其中，表示中心像素点的c方向上的像素点集合中第l个像素点与中心像 素点之间的权值，l表示中心像素点的c方向像素点集合中远离中心像素点的顺 序位置，l初始值设为1，c表示中心像素点的方向，c依次取 0,45,90,135,180,225,270,315度方向，exp(·)表示取指数运算的操作，h表 示中心像素点的c方向像素点集合中第l个像素点与中心像素点之间的欧式距离 的平滑参数，X表示以中心像素点为中心的3×3大小的邻域矩阵，表示以中 心像素点的c方向像素点集合中第l个像素点为中心的3×3大小的方向邻域矩 阵，表示邻域矩阵X与方向邻域矩阵相减后所得差值矩阵中所有元 素的和。

3d）判断两像素点之间的权值和设定的阈值T的大小关系，若权值小于 阈值T，则比较中心像素点和中心像素点的c方向像素点的集合中远离中心像素 点方向的下一个像素点的权值，将l的值加上1，返回步骤3c）；若权值大于 等于阈值T，则将l的值赋给中心像素点的c方向的长度a_c，并取下一个中心像 素点的方向c，返回步骤3c），直到得到中心像素点的8个方向长度 {a_c|c＝0,45,90,135,180,225,270,315}，设定的阈值T取值范围为：0.5～0.7， 本发明取值0.55。

3e）在输入的图像中，与中心像素点距离为长度a_c的像素点作为中心像素点 c方向顶点，直线连接相邻的方向顶点，围绕成的区域即为该中心像素点的同质 区域。

3f）将对数变换图像中与同质区域位置相同像素点的灰度值设置为0。

步骤4：得到所有的同质区域。

判断对数变换图像中的像素点灰度值是否都为0，若否，则执行步骤（3）； 否则，得到所有K个同质区域和每个同质区域对应的8个方向长度，K表示对 数图像的同质区域的总个数，则执行步骤（5）。

步骤5：PPB去噪。

对输入的合成孔径雷达SAR图像，用迭代权重最大似然PPB方法去噪，得 到PPB去噪后的图像。

第一步，对输入SAR图像的每个像素点，确定该像素点邻域21×21大小的 窗口。

第二步，按照下式，得到窗口内其他像素点和该像素点的权值：

$w(s,t)=\exp (-\underset{p=1}{\overset{49}{\Sigma }}\frac{1}{h}\log (r_p+\frac{1}{r_p}))$

其中，w(s,t)表示待估计的像素点s和该像素点邻域21×21大小的窗口内像 素点t的权值，exp(·)表示取指数操作，h表示平滑参数，控制指数的衰减程度， p表示像素点s或者像素点t的7×7大小的邻域内的像素点的序号，r_p=A_s,pA_t,p， A_s,p表示待估计的像素点s的7×7大小的邻域内的第p个像素点的灰度值，A_t,p表 示像素点t的7×7大小的邻域内的第p个像素点的灰度值。

第三步，按照下式，得到该像素点的最终估计值；

$F=\frac{\underset{t\in W_s}{\Sigma }w(s,t)A_t^2}{\underset{t\in W_s}{\Sigma }w(s,t)}$

其中，F表示像素点s的估计值，w(s,t)表示待估计的像素点s和该像素点 邻域21×21大小的窗口内其他像素点t的权值，t表示待估计的像素点s的21×21 大小邻域窗口内像素点，W_s表示待估计的像素点s的邻域21×21大小的窗口，A_t表示像素点t的灰度值。

第四步，计算每个像素点的估计值，得到迭代权重最大似然PPB方法对输 入图像的去噪结果。

步骤6：计算每个同质区域的标准差。

找出输入图像和迭代权重最大似然PPB去噪后的图像中与对数图像的同质 区域空间位置相对应的区域，得到输入图像的同质区域和迭代权重最大似然PPB 去噪后图像的同质区域。

对每个输入图像的同质区域，按照下式计算，得到输入图像的同质区域的标 准差：

${\sigma }_k=\sqrt{\frac{1}{Q_k}\underset{j\in I_k}{\Sigma }{(I_{\mathrm{kj}}-J_k)}^2}$

其中，σ_k表示第k个输入图像的同质区域的标准差，Q_k表示第k个输入图 像的同质区域内所包含的像素总个数，I_k表示输入图像的同质区域，j表示每个 同质区域内的像素序号，I_kj表示第k个输入图像的同质区域内的第j个像素的灰 度值，J_k表示迭代权重最大似然PPB去噪后图像的第k个同质区域中像素灰度 值的均值。

步骤7：计算面积。

按照下式计算每个输入图像的同质区域的面积：

$S=\frac{\sqrt{2}}{4}(a_0\times a_1+a_1\times a_2+a_2\times a_3+a_3\times a_4+a_4\times a_5+a_5\times a_6+a_6\times a_7+a_7\times a_0)$

其中，S表示输入图像的同质区域的面积，a₀,a₁,a₂,a₃,a₄,a₅,a₆,a₇分 别表示输入图像的每个同质区域的0,45,90,135,180,225,270,315度方向上的长 度。

将过完备稀疏表示字典每一列作为一个原子，将η设定为过完备稀疏字典中 每个原子的长度。

若每个输入图像同质区域的面积小于9，则将该区域内直接采用迭代权重最 大似然PPB的去噪结果，作为最终去噪结果；若每个输入图像同质区域的面积 大于等于9并且小于81之间，则η值取为9；若每个输入图像同质区域的面积 大于等于81并且小于576之间，则η值取为25；若每个输入图像同质区域的面 积大于等于576并且小于1521之间，则η值取为49；若每个输入图像同质区域 的面积大于等于1521，则η值取为64。

步骤8：对每个同质区域进行稀疏字典KSVD去噪。

8a）由每个输入图像的同质区域得到的η值，对过完备稀疏表示字典初始化， 过完备稀疏表示字典表示为离散余弦变换DCT字典，过完备稀疏表示字典大小 为η×4η，η表示过完备稀疏表示字典中每个原子的长度。

8b）按照下式，得到每个输入图像的同质区域的图像块：

I_ij＝R_ijI

其中，I_ij表示输入图像的同质区域的图像块，i，j表示图像块的行的标号 和列的标号，R_ij表示图像抽取矩阵，I表示输入图像的同质区域。

8c判断判断输入图像的同质区域的局部标准差是否小于等于5，若是，则执 行步骤8d）5次；否则，执行步骤8d）10次。

8d）采用稀疏表示的字典设计KSVD法，对每个输入图像的同质区域，分 别更新过完备稀疏表示字典和每个输入图像的同质区域块的图像块I_ij的稀疏表 示系数。

第一步，按照如下公式，计算合成图像的图像块I_ij的稀疏表示系数：

$a_{\mathrm{ij}}=\arg \underset{a_{\mathrm{ij}}}{\min }{\left|\right|a_{\mathrm{ij}}\left|\right|}_{0}s.t.{\left|\right|{\mathrm{Da}}_{\mathrm{ij}}-I_{\mathrm{ij}}\left|\right|}_2^2\le {\left(1.15\sigma \right)}^2$

其中，a_ij表示合成图像的图像块I_ij的稀疏表示系数，i，j表示两时相图像 合成图像的图像块的行的标号和列的标号，argmin表示使目标函数取最小值的 变量值操作，||·||₀表示取其中非零元素个数的操作，D表示稀疏表示字典，σ表 示两时相图像的不变区域的噪声标准差，s.t.表示公式的约束条件。

第二步，按下式计算合成图像的图像块的残差：

$e_{\mathrm{ij}}^h=I_{\mathrm{ij}}-\underset{t\ne h}{\Sigma }{d}_t{a}_{\mathrm{ij}}\left(t\right)$

其中，表示合成图像的图像块的残差，i，j表示两时相图像合成图像的 图像块的行的标号和列的标号，字典的每一列称为原子，h表示一个原子在字典 所有原子中的位置，h＝1,2,?,ω，ω表示字典D中原子的数目，I_ij表示合成图 像的图像块，d_t为字典D的第t个原子，a_ij(t)为稀疏系数中的第t个元素。

第三步，按照下式，得到合成图像的图像块的残差组成的集合：

$E=\left\{e_{\mathrm{ij}}^h\right|(i,j)\in z\}$

其中，E表示合成图像的图像块的残差组成的集合，表示合成图像的图 像块的残差，h表示一个原子在字典所有原子中的位置，∈表示逻辑表达中的“包 含于”的符号，z表示用到原子d_h的合成图像的图像块的坐标位置的集合，i，j 分别表示属于坐标位置的集合z中的行的标号和列的标号。

第四步，对所述的残差组成的集合E按照如下公式进行奇异值分解：

E＝UΔV^T

其中，U表示左奇异矩阵，Δ表示奇异值矩阵，V^T表示右奇异矩阵的转置。

第五步，用左奇异矩阵U中的第一列替代原子d_h，d_h表示字典D的第h个 原子，用右奇异矩阵的转置V^T的第一行乘以Δ(h,h)以替代a_ij(h)进行更新。

采用重构公式，分别估计同质区域的去噪结果，得到所有的同质区域的去噪 结果：

$J=[\mathrm{\lambda X}+\underset{\mathrm{ij}}{\Sigma }{R}_{\mathrm{ij}}^T{R}_{\mathrm{ij}}{]}^{-1}[\mathrm{\lambda I}+\underset{\mathrm{ij}}{\Sigma }{R}_{\mathrm{ij}}^T{\mathrm{Da}}_{\mathrm{ij}}]$

其中，J表示同质区域块的去噪结果，λ表示拉格朗日乘子，λ＝30/σ，σ 表示同质区域块的噪声标准差，X表示与同质区域块大小相同的单位矩阵，i， j表示图像块的行的标号和列的标号，R_ij表示图像抽取矩阵，表示R_ij的转 置，[·]^-1表示矩阵的逆操作，I表示同质区域块，D表示更新后的过完备稀疏表 示字典，a_ij表示更新后的稀疏表示系数。

步骤9：图像合成。

将所有的去噪后的输入图像的同质区域按位置合成去噪后输入图像，得到输 入图像的去噪结果。

步骤10：输出结果。

输出读入合成孔径雷达SAR图像的去噪结果。

下面结合仿真对本发明效果做进一步的说明：

1、仿真实验条件说明和设置：

本发明的仿真实验所使用的输入图像如图2（a）和图2（b）所示，大小都 为256×256，格式为BMP的单极化幅度图的SAR图像。实验中，本发明和对 比方法都是在MATLAB2009a软件中编程实现。

2、仿真结果分析：

本发明用到一个对比方法：Deledalle等在文献“Iterative weighted maximum  likelihood denoising with probabilistic patch-based weights.IEEE Transactions on  Image Processing,2009,18(12):2661-2672.”中提出的SAR图像去噪方法，简称 PPB。目前SAR图像去噪效果较好的PPB算法，再次验证本发明能对同质区域 有很好的去噪效果的同时，能对强弱目标点，边缘等信息由很好的保持。

图3是用PPB方法对图2进行去噪得到的去噪的结果，图3（a）表示PPB 方法对图2（_a）的去噪结果，图3（b）表示PPB方法对图2（b）的去噪结果， PPB滤波方法在边缘上有划痕，并且边缘不够清晰。

图4是用本发明方法对图2进行去噪得到的去噪的结果，图4（a）表示本 发明方法对图2（a）的去噪结果，图4（b）表示本发明方法对图2（b）的去噪 结果，边缘部分没有划痕，边缘比较清晰，对强目标点和边缘保持也比较好。

从整幅图的等效示数来比较，对图2（a），本发明方法与PPB分别为5.7704 和5.3628。对图2（b）本发明的方法与PPB分别为3.7424和3.7345。本发明的 方法去噪效果要好于PPB的方法。

以上实验表明本发明相对于已有的方法能有效的抑制同质区域噪声，并且对 强弱目标点能很好的保持，去噪后的图像边缘保持清晰，消除了边缘上的划痕。