法律状态公告日
法律状态信息
法律状态
2023-06-09
未缴年费专利权终止 IPC(主分类):G06T 5/00 专利号:ZL2014102293492 申请日:20140528 授权公告日:20170118
专利权的终止
2017-01-18
授权
授权
2014-09-03
实质审查的生效 IPC(主分类):G06T5/00 申请日:20140528
实质审查的生效
2014-08-06
公开
公开
技术领域
本发明属于图像处理技术领域,具体地说是一种合成孔径雷达SAR图像抑斑方法, 可用于目标识别与特征提取。
背景技术
合成孔径雷达是一种主动式微波遥感器件,具有全天时,全天候成像能力,在军事和 民用方面得到了广泛的应用。但是SAR的相干成像机制导致成像结果含有很强的相干斑 噪声,使得目标的识别和特征提取变得相当困难,因此有必要展开SAR图像的相干斑抑 制工作。
SAR图像抑斑主要有两个目标,其一是有效地抑制图像同质区域的相干斑噪声,其 二是尽可能的保留图像中场景的边缘,纹理,点目标等细节信息。
最初的SAR图像抑斑采用空域的处理方法,在上世纪80年代得到了极大的发展, 涌现了很多优秀滤波算法,例如,Lee滤波器,Kuan滤波器,Frost滤波器及其增强版 本等。这些降班方法都是利用图像的局部图像块信息进行去噪,其优点是图像的辐射特 性保持很好,但是大小固定的滤波窗口容易对图像的细节和纹理产生过平滑现象。
CA Deledalle等人在2009年提出的“基于图像块最大似然概率迭代加权的SAR去噪” 简记为PPB方法,是迄今为止最优秀的去噪方法之一。该方法能够在抑制相干斑的同时 较好地保持图像的纹理和细节,但是具有非常明显的辐射特性损失。
发明内容
本发明的目的在于针对上述现有的技术问题,提出一种基于稀疏域噪声分布约束的 SAR图像抑斑方法,以在保持图像纹理和细节的同时,减小辐射特性损失。
为实现上述目的,本发明的技术方案包括如下步骤:
(1)将原始SAR图像进行对数变换,得到变换后的图像m,并将m划分为大小相 同的重叠的子图像块M={m1,m2,…,mi,…,mL},i=1,2,...,L,其中L为划分的子图像块总 数;
(2)用K均值聚类方法将子图像块M聚为K类{S1,S2,…,Sq,…,SK},q=1,2,…,K;
(3)用主成分分析的方法计算得到每一个聚类的子字典Dq,并将子字典顺序拼接 得到稀疏表示字典D;
(4)计算第i个含噪子图mi的稀疏表示系数αi,αi=DTmi,并用稀疏域非局部均 值的方法计算mi对应的无噪子图稀疏表示系数的估计值得到稀疏域噪声
(5)利用变换后的图像m,并根据稀疏域噪声εi的稀疏特性,构建如下目标函数:
其中Ri是抽取图像m中第i个图像块的矩阵,κi是稀疏约束项的正则参数,||·||2表示向量 的2范数,||·||1表示向量的1范数,表示降噪稀疏表示系数;
(6)求解目标函数,得到去噪后的SAR图像:
(6a)初始化目标函数的正则参数κi>0,
(6b)通过迭代收缩算法求解目标函数,得到每一个子图像块最终的降噪稀疏表示 系数
(6c)对最终的降噪稀疏表示系数进行反稀疏变换,得到降噪后的子图像块
(6d)拼接降噪后的子图像块得到完整的图像,并对该图像进行反对数变换,得到 去噪后的SAR图像。
本发明与现有技术相比具有如下优点:
第一,抑斑能力强:以等效视数ENL为评价指标,本发明的SAR图像同质区域抑 斑能力明显好于传统的经典Frost滤波器。
第二,辐射特性保持度好:以比值图像的均值为评价指标,本发明的SAR图像的 辐射特性保持能力优于传统的Frost滤波方法和最近提出的经典迭代版PPB滤波方法。
第三,图像的纹理和细节保持较好:以比值图像的视觉效果展示,用本发明的方法 抑斑后,SAR图像的纹理和细节的保持能力明显好于传统的Frost滤波方法,并且优于 迭代版PPB滤波方法。
附图说明
图1是本发明的总流程图;
图2是原始的SAR图像;
图3是采用现有Frost方法对图2抑斑后的图像;
图4是采用现有Frost方法对图2抑斑后的图像的比值图;
图5是采用现有迭代版PPB方法对图2抑斑后的图像;
图6是采用现有迭代版PPB方法对图2抑斑后的图像的比值图;
图7是采用本发明方法对图2抑斑后的图像;
图8是采用本发明方法对图2抑斑后的图像的比值图。
具体实施方式
下面结合附图对本发明做进一步的详细描述。
参照图1,本发明的具体实施步骤如下:
步骤1,对原始的SAR图像进行对数变换并划分为重叠的子图像块。
将原始SAR图像先进行对数变换,得到变换后的图像m;再将变换后的图像m划分 为L个大小相同的重叠的子图像块M={m1,m2,…,mi,…,mL},mi表示i个子图像块, i=1,2,...,L,各子图像块的大小均为5×5,子图像块的像素总数为T=25。
步骤2,对子图像块M进行K均值聚类。
(2a)先对子图像块M进行高通滤波处理,得到滤波后的子图像块为 其中是第i个子图mi滤波后的子图像块,i=1,2,...,L;
(2b)随机选取滤波后的子图像块Mh中的K个子图作为初始聚类的几何中心,其 中K为聚类总数,大小为K=70;
(2c)计算滤波后的子图像块Mh中的每一个子图到所有几何中心的欧氏距离,并 将该子图归入欧氏距离最小的聚类中;
(2d)计算每一个聚类里面所有图像块的均值,得到新的几何中心;
(2e)重复(2c)-(2d),经过12次迭代,将滤波后的子图像块Mh聚为K类 {C1,C2,…,Cq,…,CK},q=1,2,…,K;
(2f)根据子图像块M滤波前后的一一对应关系,将相应的子图像块M直接划分为 K类{S1,S2,…,Sq,…,SK},其中Sq表示第q个聚类,q=1,2,…,K。
步骤3,用主成分分析的方法构造稀疏表示字典D。
(3a)计算子图像块M的第q个聚类Sq的协方差矩阵Ψq=Sq*(Sq)T,q=1,2,…,K,
其中T表示矩阵转置,K表示聚类总数;
(3b)对协方差矩阵Ψq进行奇异值分解,将其分解为正交矩阵Dq,特征值矩阵Λq及正交矩阵Vq,即Ψq=DqΛqVqH,其中H表示共轭转置,取正交矩阵Dq为聚类Sq的子 字典;
(3c)将子字典Dq顺序拼接,得到稀疏表示字典D,q=1,2,…,K。
步骤4,计算各子图mi对应的无噪子图稀疏表示系数的估计值。
(4a)先计算子图mi与其周围大小为28×28的正方形邻域内所有子图的欧氏距离, 并保留欧氏距离最小的P个子图,P=13,记为mij是 子图mi的第j个相似子图,j=1,2,…,P,其中是包含于符号,i=1,2,...,L,L为子图 像块总数;
(4b)计算子图mi的第j个相似子图mij在字典D下的稀疏表示系数,αij=DTmij;
(4c)计算子图mi对应的无噪子图稀疏表示系数的估计值其中ωij表示加权系数,
步骤5,构造目标函数。
利用对数变换后的图像m,稀疏表示字典D,并根据稀疏域噪声i=1,2,...,L的稀疏特性,构建如下目标函数:
其中Ri是抽取图像m中第i个图像块的矩阵,κi是稀疏约束项的正则参数,||·||2表示向量 的2范数,||·||1表示向量的1范数,表示降噪稀疏表示系数。
步骤6,求解目标函数,得到各子图像块mi的最终降噪稀疏表示系数。
(6a)初始化目标函数的正则参数κi>0,设总迭代次数为N=15,迭代次数初始 值为n=1;
(6b)用K均值聚类方法更新子图像块M的聚类,记更新后的聚类为 其中表示第n次迭代中的第q个聚类,q=1,2,…,K,K表 示聚类总数;
(6c)用主成分分析方法更新字典D,记第n次更新后的字典为D(n);
(6d)用稀疏表示系数估计方法更新第i个子图mi对应的无噪子图稀疏表示系数的 估计值记第n次更新后的估计值为i=1,2,...,L,L表示子图像块的总数;
(6e)用软阈值收缩算子计算并更新降噪稀疏表示系数得到第n次更新后的第i 个降噪稀疏表示系数为其中‘soft’表示表示经典的软阈值收缩算 子,表示第i个子图mi在字典D(n)下的稀疏表示系数,κi是目标函数稀疏 约束项的正则参数;
(6f)用反稀疏变换更新降噪后的子图像块记第n次更新后的第i个降噪子图 像块为其中D(n)为第n次更新后的字典;
(6g)用第n次更新后的第i个降噪子图像块替换子图像块M中第i个子图像 块mi;
(6h)判断是否满足总迭代次数N,若不满足,将迭代次数n加1,重复(6b)- (6f)继续迭代;若满足总迭代次数,则用最后一次迭代得到的降噪稀疏表示系数作 为最终的降噪稀疏表示系数
步骤7,获得抑斑后的SAR图像。
(7a)对最终的降噪稀疏表示系数进行反稀疏变换,得到降噪后的子图像块 i=1,2,...,L;
(7b)将降噪后的各个子图像块进行拼接,得到完整的图像,并对该图像进行反对 数变换,得到去噪后的SAR图像。
本发明的仿真效果可以通过下述仿真实验加以说明
1.仿真条件
运行平台配置:
CPU:Inter(R)Core(TM)i5650@3.20GHz;
内存:8GB(三星DDR31600MHz);
操作系统:Windows7旗舰版64位SP1;
仿真软件:MATLAB R(2011b)。
2.仿真内容与结果
仿真1,用现有Frost抑斑方法对图2进行抑斑,并获取抑斑前后的比值图,结果 如图3和图4。其中:
图3(a)为对图2(a)所示的梯田图像抑斑后的结果,
图3(b)为对图2(b)所示的港口图像抑斑后结果,
图4(a)为图2(a)与图3(a)各像素点的比值图,
图4(b)为图2(b)与图3(b)各像素点的比值图。
仿真2,用现有PPB抑斑方法对图2进行抑斑,并获取抑斑前后的比值图,结果如 图5和图6。其中:
图5(a)为对图2(a)所示的梯田图像抑斑后的结果,
图5(b)为对图2(b)所示的港口图像抑斑后结果,
图6(a)为图2(a)与图5(a)各像素点的比值图,
图6(b)为图2(b)与图5(b)各像素点的比值图。
仿真3,用本发明的抑斑方法对图2进行抑斑,并获取抑斑前后的比值图,结果如 图7和图8。其中:
图7(a)为对图2(a)所示的梯田图像抑斑后的结果,
图7(b)为对图2(b)所示的港口图像抑斑后结果,
图8(a)为图2(a)与图7(a)各像素点的比值图,
图8(b)为图2(b)与图7(b)各像素点的比值图。
3.仿真结果分析
(3.1)计算仿真1,仿真2和仿真3三种不同抑斑方法得到的各个抑斑后的图像的 同质区域的等效视数,结果如表1所示。表中等效视数值越大说明抑斑能力越强。
表1三种不同方法得到抑斑后的图像的同质区域的等效视数
从表1中数据可以看出,本发明的方法在抑斑能力上明显优于现有的Frost方法, 而且对于具有丰富细节特性的港口图像,本发明的抑斑能力优于现有的迭代版PPB方法。
(3.2)计算仿真1,仿真2和仿真3三种不同抑斑方法得到的各个抑斑后的图像的 比值图的均值,结果如表2所示。表中均值越接近1说明抑斑前后图像辐射特性保持越 好。
表2三种不同方法得到抑斑后的图像的比值图的均值
从表2中数据可以看出,本发明的SAR图像抑斑方法相比其他两种抑斑方法,比 值图像的均值更接近于1,说明在抑斑的过程中原始SAR图像没有明显增加或损失辐射 特性,因此本发明的抑斑方法,辐射特性保持能力要优于Frost和PPB抑斑方法。
(3.3)观察不同抑斑方法得到的图像的比值图的视觉效果,发现现有的Frost抑斑 方法得到的比值图像含有很强的纹理结构残留,说明在抑斑过程中,原始SAR图像的 细节纹理信息被过平滑掉,有信息的损失;此外现有的迭代版PPB抑斑方法得到的比值 图像也含有一定程度的纹理结构残留,同样有信息损失;而本发明方法几乎不存在纹理 结构残留,因此在边缘和纹理信息保持方面要优于传统的经典Frost方法和最近提出的 PPB方法。
机译: 基于稀疏约束和知识稀疏的稀疏和压缩神经网络学习
机译: 基于噪声图像分布约束的贝叶斯图像去噪方法
机译: 基于噪声图像分布约束的贝叶斯图像去噪方法