CN101126810A - 一种合成孔径雷达图像自适应斑点噪声抑制方法 - Google Patents

Abstract

本发明提出了一种合成孔径雷达图像自适应斑点噪声抑制方法，提出了用一种全局统计量异质性熵H_e，作为判断区域同质异质性的标准由于异质性熵H_e利用图像全局的概率统计分布，可以很好的测量出边沿细节和纹理信息的变化，从而更准确地对图像局部同质异质性进行判断，并自适应地采取不同的降噪处理措施这种方法可以在不牺牲空间分辨率的前提下抑制合成孔径雷达图像中的斑点噪声，并保留目标边沿纹理细节信息的作用。

Description

一种合成孔径雷达图像自适应斑点噪声抑制方法

技术领域

本发明属于图像处理领域，涉及一种斑点噪声抑制方法，特别涉及一种合成孔径雷达图像的自适应斑点噪声抑制方法

背景技术

合成孔径雷达(SAR)不受天气地理和时间等因素的限制，能够对地面进行高分辨率成像，并且具有一定的穿透力，因而被广泛应用于军事侦察资源探测火灾海洋观测环境监测等方面

由于SAR基于相干成像机理进行工作，导致SAR图像中存在严重的斑点噪声，对雷达图像的解译判读和信息提取带来非常大的影响早期的SAR图像斑点噪声抑制是通过多视处理来实现的，这种方法的主要缺点是牺牲了图像的空间分辨率，不适用于当前的高分辨率SAR系统

目前，通常采用空域滤波方法来实现斑点噪声抑制空域的方法一般是利用一个滑动窗口，对窗口内的象素进行加权得到窗口中心点的象素值的滤波方法传统的方法，如Lee滤波，Kuan滤波，Frost滤波以及Gamma MAP滤波，但是上述方法得到的图像存在边沿和纹理细节模糊等问题近期的方法，如改进型Lee滤波利用局域统计量即滑动窗口下的均值和标准差的比值C_v作为权重因子，在均匀区域和比较突变的边沿区域，输出不同的滤波值从而进行斑点噪声抑制这种改进型Lee算法在某种程度上能保持突变的边沿，但是一般SAR图像中的斑点噪声不仅包含乘性噪声，还包含有加性噪声，而C_v仅适用于乘性噪声模型，对加性噪声非常敏感，并且仅是局部统计量，因此边沿细节和纹理信息仍旧不能得到很好的保持

Bruno Aiazzi基于信息论提出的一种定性分析异质性的方法的原理为：

假定SAR图像的回波信号中包含着乘性噪声，因此回波乘性噪声模型为：

g(m，n)＝f(m，n)·u(m，n)

其中，g(m，n)为点(m，n)处观察到的图像强度；f(m，n)为点(m，n)处目标的雷达散射截面积(RCS)，或者后向散射系数；u(m，n)为点(m，n)处目标的噪声

而在非同质区域，则有：σ_g(m，n)＝μ_g(m，n)·σ_u。表明：在同质区域里，图像的局域标准差同均值呈正比，满足线性关系而在异质场景中则不满足这个关系，此时标准差的数值受散射回波方差的影响，是随机的变化的，并与均值无关也就是说，在同质区域内，条件概率P(σ_i|μ_j)的值很大相对的，在异质区域，P(σ_i|μ_j)的数值很低，因此，可以利用表示μ_j和σ_i之间依存关系的条件概率P(σ_i|μ_j)来衡量SAR图像中的异质性同样的，在同质区域中，当μ_j和σ_i具有很强的依存关系时，也可以通过其联合概率分布状况来描述该区域的同质性

由于Bruno Aiazzi的方法没有给出一个确定的定量化指标来衡量异质性强弱，只是通过对条件概率密度分布中散点的离散程度进行目测，根据目视效果对目标区域的异质性进行主观评判

发明内容

本发明的目的是提出了一种合成孔径雷达图像自适应斑点噪声抑制方法，方法中提出了一种新的表征SAR图像局域异质性的定量化指标——异质性熵，并详细说明了局域异质性熵的计算方法和处理流程，由于异质性熵利用图像全局的概率统计分布，可以很好的测量出边沿细节和纹理信息的变化，因此可以更准确地对图像局部的同质性与异质性进行准确判断并自适应地采取不同的降噪处理措施，能够实现对SAR图像中的斑点噪声进行有效抑制，并保持了图像中的纹理细节信息，使图像在不牺牲空间分辨力的前提下有效地将目标从背景中区分出来，达到既保持边沿细节和纹理信息又有效抑制斑点噪声的效果

一种合成孔径雷达图像自适应斑点噪声抑制方法，包括以下实现步骤：

步骤1：在雷达图像上设定滑动窗口和子滑动窗口，采用嵌套窗口技术扫描滑动窗口，设定并估计出子窗口中心点的局部统计特性量：均值μ_j和标准差σ_i，并对均值μ_j和标准差σ_i分别进行256阶的量化；对量化后的均值μ_j和标准差σ_i计算其在滑动窗口内的概率分布

步骤2：利用二维联合直方图产生256×256阶的均值μ_j和标准差σ_i联合分布矩阵，并在矩阵中用3×3窗口进行判断，将窗口周围8个邻域像素值均为0的散点作为孤立散点

步骤3：计算联合分布矩阵的各孤立散点的概率密度，得到各孤立散点的联合概率分布矩阵P(σ_i，μ_j)。

步骤4：根据公式 $p\left(i\right|j)=\frac{p(i,j)}{p\left(j\right)}=\frac{p(i,j)}{\underset{i}{\mathrm{\Σ}}p(i,j)},$ 计算得到各孤立散点的条件概率分布矩阵P(σ_i|μ_j)。

步骤5：计算该滑动窗口的异质性熵 $H_e=-\underset{\mathrm{ij}}{\mathrm{\Σ}}{T}_{\mathrm{ij}}P({\mathrm{\σ}}_i,{\mathrm{\μ}}_j)l{\mathrm{og}}_{2}P\left({\mathrm{\σ}}_i\right|{\mathrm{\μ}}_j);$ 其中，T_ij表示为滑动窗口特殊散点的个数

步骤6：采用嵌套窗口技术，按步骤1～步骤5扫描全幅图像；求出全幅图像的异质性熵矩阵

步骤7：根据异质性熵H_e矩阵的矩阵直方图特性选取2个异质性熵值陡降的区域，并设定为门限值H_emin与H_emax。

步骤8：设目标滑动窗口((2p+1)×(2p+1))中心点像素值为I，滤波后中心点像素输出值为

，该区域的异质性熵值为H_ex。

如果H_ex≤H_emin，应采取平滑滤波，用滑动窗口的中心点均值取代原中心像素值I，即 $\hat{R}=\stackrel{\‾}{I}$ ，此处

表示滑动窗口的中心点像素均值；

如果H_eminn≤H_ex≤H_emax，应采取自适应滤波，即滤波后中心点像素输出值

$\hat{R}=I\·\left(\frac{1-{{\mathrm{\σ}}_u}^2{\stackrel{\‾}{I}}^2/{{\mathrm{\σ}}_i}^2}{1+{{\mathrm{\σ}}_u}^2}\right)+\stackrel{\‾}{I}(1-\frac{1-{{\mathrm{\σ}}_u}^2{\stackrel{\‾}{I}}^2/{{\mathrm{\σ}}_i}^2}{1+{{\mathrm{\σ}}_u}^2});$

其中已知SAR图像的处理视数为L， ${\mathrm{\σ}}_u=\frac{1}{\sqrt{L}};$

如果H_emax≤H_ex，则原中心像素应保持不变，不做处理，即 $\hat{R}=I.$

所述步骤5中异质性熵的计算公式为： $H_e=-\underset{\mathrm{ij}}{\mathrm{\Σ}}{T}_{\mathrm{ij}}P({\mathrm{\σ}}_i,{\mathrm{\μ}}_j){\log }_{2}P\left({\mathrm{\σ}}_i\right|{\mathrm{\μ}}_j),$ 表示为某局部区域给定均值μ_j时，得到标准差为σ_i的平均不确定性；T_ij表示为滑动窗口特殊散点的个数；P(σ_i|μ_j)为各孤立散点均值μ_j时，得到标准差为σ_i的条件概率；P(σ_i，μ_j)为各孤立散点均值μ_j、标准差为σ_i的联合概率

所属步骤5中异质性熵的计算公式的T_ij表示为滑动窗口中每块(2q+1)×(2q+1)的子滑动窗口区域满足均值为μ_j，标准差为σ_i的孤立散点个数

所述步骤1中采用嵌套窗口技术用一个(2p+1)×(2p+1)的滑动窗口在图像上滑动，并在窗口中设定一个(2q+1)×(2q+1)的子滑动窗口，其中p＞q，且p、q均为整数；子滑动窗口在滑动窗口内逐行滑动并将估计出的均值μ_j和标准差σ_i分别进行256阶的量化，直至滑动窗口内能被子滑动窗口扫描的点全部被扫描完毕。

所述步骤6中采用嵌套窗口技术滑动窗口在图像上逐行滑动，子滑动窗口再在滑动窗口内滑动，进行步骤1～步骤5的操作，如此循环，直至全幅图像被扫描完毕。

本发明一种合成孔径雷达图像自适应斑点噪声抑制方法的优点在于：

(1)基于对图像中局域异质性熵的测量，能够对图像局域中是否存在边沿细节或纹理信息进行自适应判断，从而有效地将目标从背景中区分出来。

(2)通过对局域异质性熵进行阈值判断，可以针对滑动窗内局域图像的不同类型采用相应的降噪处理方法，达到既保持边沿细节和纹理信息又有效抑制斑点噪声的效果，在目视效果主观评价和边沿保持系数(FOM)客观评价指标上都具有明显的优势。

附图说明

图1是本发明一种合成孔径雷达图像自适应斑点噪声抑制方法的流程图；

图2是本发明一种合成孔径雷达图像自适应斑点噪声抑制方法的弱异质性SAR图像不同噪声抑制方法边沿保持系数(FOM)效果图；

图3是本发明一种合成孔径雷达图像自适应斑点噪声抑制方法的强异质性SAR图像不同噪声抑制方法边沿保持系数(FOM)效果图

具体实施方式

下面将结合附图对本发明作进一步的详细说明

本发明提出了一种合成孔径雷达图像自适应斑点噪声抑制方法，方法中提出了一种新的表征SAR图像局域异质性的定量化指标——异质性熵，通过实现局域异质性熵的计算方法和处理流程，利用异质性熵测量的方法，从而判别局域图像中是否存在纹理信息或边沿细节，因此可以更准确地对图像局部同质异质性进行准确判断并自适应地采取不同的降噪处理措施，有效地平滑斑点噪声，并且具有良好的保持边沿细节和纹理信息的效果

本发明提出了新的表征SAR图像局域异质性的定量化指标——异质性熵的计算方法，以Bruno Aiazzi基于信息论提出的定性分析异质性的方法为基础提出。

本发明为了更加直观的描述SAR图像中局部区域的异质性，提出了异质性熵这一定量化指标，能够实现对条件概率密度分布中散点的离散程度进行客观评价，进而提出了一种异质性熵矩阵的计算方法，并在此基础上提出了一种基于异质性熵的一种自适应的SAR图像斑点噪声抑制方法。

如图1所示，本发明是一种合成孔径雷达图像自适应斑点噪声抑制方法，步骤如下：

(1)用一个(2p+1)×(2p+1)的滑动窗口在图像上滑动，并在滑动窗口中设定一个(2q+1)×(2q+1)的子滑动窗口，其中p＞q，且p、q均为整数；子滑动窗口在滑动窗口内逐行滑动的同时，设定并估计出子窗口中心点的局部统计特性量：均值μ_j和标准差σ_i，并对均值μ_j和标准差σ_i分别进行256阶的量化，直至滑动窗口内能被子滑动窗口扫描的点全部被扫描完毕；对量化后的均值μ_j和标准差σ_i计算其在滑动窗口内的概率分布。

取p＝5，q＝1，即利用3×3的计算窗口在11×11的滤波窗口中进行滑动，并计算每个3×3计算窗口中心点的局部统计特性量均值μ_j和标准差σ_i，每个3×3滑动子窗口在11×11的滑动窗口嵌套滑动共得到9×9＝81个均值μ_j和标准差σ_i，i，j＝1，2，…，81。这些μ_j和σ_i经过256阶量化形成2维联合分布矩阵，即：

其中，纵坐标表示均值σ_i，横坐标表示标准差μ_j，点(μ_k，σ_k)表示第k对满足标准差为μ_k＝3，均值为σ_k＝254的个数，这样的点最多有81个。

(2)利用二维联合直方图产生256×256阶的均值μ_j和标准差σ_i联合分布矩阵，并取矩阵中8邻域像素值均为0的散点作为孤立散点；

均值μ_j和标准差σ_i联合分布矩阵是具有256×256个元素，其中大部分元素取值为零，若某个点周围8个邻域像素的值均为零，如 $\left[\begin{array}{ccc}0& 0& 0\\ 0& ({\mathrm{\μ}}_x,{\mathrm{\σ}}_x)& 0\\ 0& 0& 0\end{array}\right],$ 则该点(μ_x，σ_x）为孤立散射点

(3)计算联合分布矩阵的各散点的概率密度，得到各散点的联合概率分布矩阵P(σ_i，μ_j)；

在本例中生成81个均值μ_j和标准差σ_i，i，j＝1，2，…，81＝1，2，…，81，如(1)中矩阵所示，(μ_k，σ_k)＝(3，254)，且判断(μ_k，σ_k)的8邻域均为0，即该点为散点，若81组均值μ_j和标准差σ_i值中，还有(μ_m，σ_m)＝(3，254)(μ_n，σ_n)＝(3，254)，则满足均值μ_j为3，标准差σ_i为254的数据对一共有3对，则联合矩阵(3，254)这点上的概率应为3/81＝0.037，即P(σ_k，μ_k)＝P(σ_m，μ_m)＝P(σ_n，μ_n)＝0.037。

(4)根据公式 $p\left(i\right|j)=\frac{p(i,j)}{p\left(j\right)}=\frac{p(i,j)}{\underset{i}{\mathrm{\Σ}}p(i,j)},$ 计算得到各散点的条件概率分布矩阵P(σ_i|μ_j)；

本实施例中，81个均值μ_j中，和μ_k均值相同的共有7个，所以 $P\left({\mathrm{\μ}}_K\right)=\frac{7}{81},$ 继而该点的条件概率 $P\left({\mathrm{\σ}}_k\right|{\mathrm{\μ}}_k)=\frac{p({\mathrm{\σ}}_k,{\mathrm{\μ}}_k)}{p\left({\mathrm{\μ}}_k\right)}=\frac{3/81}{7/81}=\frac{3}{7},$ 其他的(μ_j，σ_i)点按此方法求出条件概率，从而得到条件概率分布矩阵

(5)计算滑动窗口的异质性熵：

$H_e=-\underset{\mathrm{ij}}{\mathrm{\Σ}}{T}_{\mathrm{ij}}P({\mathrm{\σ}}_i,{\mathrm{\μ}}_j)l{\mathrm{og}}_{2}P\left({\mathrm{\σ}}_i\right|{\mathrm{\μ}}_j);$ ，表示为某局部区域给定均值μ_j时，得到标准差为σ_i的平均不确定性，当区域处于同质时，由于均值和标准差的线性关系，可知不确定性很小，而异质区域不确定性则大；T_ij表示为滑动窗区域中每块(2q+1)×(2q+1)的子滑动窗满足均值为μ_j，标准差为σ_i的个数，可作为加权统计出滑动窗区域的不确定性关系，因此可衡量出滑动窗区域的异质性当异质性大时，H_e值大，当异质性小时，H_e值小。当图像全部匀质时， $-\underset{\mathrm{ij}}{\mathrm{\Σ}}P({\mathrm{\σ}}_i,{\mathrm{\μ}}_j)l{\mathrm{og}}_{2}P\left({\mathrm{\σ}}_i\right|{\mathrm{\μ}}_j);$ 趋近于0，因此H_e≈0。

本实施例中，该11×11滑动窗满足均值为μ_j＝3，标准差为σ_i＝254的散点个数有3个，因此T_ij＝3，P(σ_i，μ_j)＝0.037，P(σ_i|μ_j)＝3/7，由于本实施例中只有这一组数据，则最终H_e＝3×0.037×(3/7)＝0.0476。如果滑动窗口中还有类似数据，将其按照公式加权计算，相加得到最终结果H_e。

每个滑动窗计算出的异质性熵H_e形成描述整幅图像异质性的异质性熵矩阵

(6)采用嵌套窗口技术，滑动窗口在图像上逐行滑动，子滑动窗口再在滑动窗口内滑动，进行步骤1～步骤5的操作，如此循环，直至全幅图像被扫描完毕；求出全幅图像的异质性熵矩阵

(7)根据异质性熵H_e矩阵的矩阵直方图特性选取2个异质性熵值陡降的区域，并设定为门限值H_emin与H_emax。

本实施例中有256个11×11的滑动窗口，会得到256个异质性熵值从而形成一个16×16异质性熵矩阵这个矩阵的直方图可以将这256个异质性熵值按照数据段的不同分段，从直方图的数据分布可得：256个异质性熵值在0.000～0.009之间的有32个，0.009～0.2777之间的有80个，0.2777～1之间的有144个。因此，可以得出两个陡降点分别在0.01附近和0.2777附近，得设H_emin＝0.009，H_emax＝0.2777。

(8)设目标滑动窗口((2p+1)×(2p+1))中心点像素值为I，滤波后中心点像素输出值为

，该区域的异质性熵值为H_ex。

如果H_ex≤H_emin，说明该区域为匀质区域，应采取平滑滤波，用滑动窗口的中心点均值

取代原中心像素值I，即中心点像素输出值 $\hat{R}=\stackrel{\‾}{I},$ 此处表示滑动窗口的中心点均值；

如果H_emin≤H_ex≤H_emax说明该区域存在弱纹理或边沿等异质性信息，应采取自适应滤波，即滤波后中心点像素输出值

$\hat{R}=I\·\left(\frac{1-{{\mathrm{\σ}}_u}^2{\stackrel{\‾}{I}}^2/{{\mathrm{\σ}}_i}^2}{1+{{\mathrm{\σ}}_u}^2}\right)+\stackrel{\‾}{I}(1-\frac{1-{{\mathrm{\σ}}_u}^2{\stackrel{\‾}{I}}^2/{{\mathrm{\σ}}_i}^2}{1+{{\mathrm{\σ}}_u}^2});$

其中，已知SAR图像视数L， ${\mathrm{\σ}}_u=\frac{1}{\sqrt{L}};$

如果H_emax≤H_ex说明该区域为强异质性区域，原中心像素应保持不变，不做处理，即滤波后中心点像素输出值 $\hat{R}=I.$

采用Pratt提出的边沿保持系数FOM指标来客观评估算法对图像边沿的保持程度边沿保持系数FOM计算公式如下：

$\mathrm{FOM}=\frac{1}{\max (\hat{N},N_{\mathrm{ideal}})}\underset{i=1}{\overset{\hat{N}}{\mathrm{\Σ}}}\frac{1}{1+d_i^2\mathrm{\α}}$

其中，

和N_ideal分别是滤波后图像和原图像的边沿像素值，d_i是第i个实际边沿点与最近的原图像边沿点的欧几里德距离，α一般取常数

则得到的边沿保持系数FOM值介于0和1之间边沿保持效果越好，边沿保持系数FOM值越接近于1。

在本实施例中，已得到图像某一特定局域的异质性熵H_ex＝0.15，则该异质性熵值H_ex处于门限值H_emin，H_emax之间，因此该区域存在弱纹理或边沿等异质性信息，应采取自适应滤波，在目标滑动窗口滑动过程中，取原中心点像素为I＝56，11×11滑动窗口的中心点均值为 $\stackrel{\‾}{I}=87,$ 标准差为σ_i＝55，SAR图像视数为L＝4，则 ${\mathrm{\σ}}_u=\frac{1}{\sqrt{L}}=\frac{1}{2},$ 代入公式，求得滤波后中心点像素输出值

$\hat{R}=I\·\left(\frac{1-{{\mathrm{\σ}}_u}^2{\stackrel{\‾}{I}}^2/{{\mathrm{\σ}}_i}^2}{1+{{\mathrm{\σ}}_u}^2}\right)+\stackrel{\‾}{I}(1-\frac{1-{{\mathrm{\σ}}_u}^2{\stackrel{\‾}{I}}^2/{{\mathrm{\σ}}_i}^2}{1+{{\mathrm{\σ}}_u}^2})=56\×\left[\frac{1-{(1/2)}^2\·{87}^2/{55}^2}{1+{(1/2)}^2}\right]+87\×[1-\frac{1-{(1/2)}^2\·{87}^2/{55}^2}{1+{(1/2)}^2}]$

$=56\×\left(0.4417\right)+87\×(1-0.4417)=73.3073,$ 即得到滤波后中心点像素输出值

为73.3073，代替原中心点像素值I。

本算法与目前常用的4种典型斑点噪声抑制方法进行了性能比较，如图2所示，针对一个弱异质性SAR图像，利用上述5种斑点噪声抑制方法进行处理，并对经过噪声抑制处理后的图像进行边沿保持系数的效果评估。本发明提出的斑点噪声抑制方法同经典方法相比，在边沿保持系数(FOM)客观评价指标上具有明显的优势，能够有效地将目标从背景噪声中区分出来。

如图3所示，针对一个强异质性SAR图像，利用上述5种斑点噪声抑制方法进行处理，并对经过噪声抑制处理后的图像进行边沿保持系数的效果评估。本发明提出的斑点噪声抑制方法同经典方法相比，在边沿保持系数(FOM)客观评价指标上具有明显的优势，能够有效地将目标从背景噪声中区分出来。

Claims (5)

1.一种合成孔径雷达图像自适应斑点噪声抑制方法，其特征在于，包括以下实现步骤：

步骤一：在雷达图像上设定滑动窗口和子滑动窗口，采用嵌套窗口技术扫描滑动窗口，设定并估计出子窗口中心点的局部统计特性量：均值μ_j和标准差σ_i，并对均值μ_j和标准差σ_j分别进行256阶的量化；对量化后的均值μ_j和标准差σ_i计算其在滑动窗口内的概率分布；

步骤二：利用二维联合直方图产生256×256阶的均值μ_j和标准差σ_i联合分布矩阵，并在矩阵中用3×3窗口进行判断，将窗口周围8个邻域像素值均为O的散点作为孤立散点；

步骤三：计算联合分布矩阵的各孤立散点的概率密度，得到各孤立散点的联合概率分布矩阵P(σ_i，μ_j)；

步骤四：根据公式 $p\left(i\right|j)=\frac{p(i,j)}{p\left(j\right)}=\frac{p(i.j)}{\underset{i}{\mathrm{\Σ}}p(i,j)},$ 计算得到各孤立散点的条件概率分布矩阵P(σ_i|μ_j)；

步骤五：计算该滑动窗口的异质性熵 $H_e=-\underset{\mathrm{ij}}{\mathrm{\Σ}}{T}_{\mathrm{ij}}P({\mathrm{\σ}}_i,{\mathrm{\μ}}_j){\log }_{2}P\left({\mathrm{\σ}}_i\right|{\mathrm{\μ}}_j);$ 其中，T_ij表示为滑动窗口特殊散点的个数；

步骤六：采用嵌套窗口技术，按步骤一至步骤五扫描全幅图像；求出全幅图像的异质性熵矩阵；

步骤七：根据异质性熵H_e矩阵的矩阵直方图特性选取2个异质性熵值陡降的区域，并设定为门限值H_emin与H_emax；

步骤八：设目标滑动窗口((2p+1)×(2p+1))中心点像素值为I，滤波后中心点像素输出值为

，该区域的异质性熵值为H_ex；

如果H_ex≤H_emin，应采取平滑滤波，用滑动窗口的中心点均值取代原中心像素值I，即 $\hat{R}=\stackrel{\‾}{I}$ ，此处

表示滑动窗口的中心点像素均值；

如果H_emin≤H_ex≤H_emax，应采取自适应滤波，即滤波后中心点像素输出值

$\hat{R}=I\·\left(\frac{1-{{\mathrm{\σ}}_u}^2{\stackrel{\‾}{I}}^2/{{\mathrm{\σ}}_i}^2}{1+{{\mathrm{\σ}}_u}^2}\right)+\stackrel{\‾}{I}(1-\frac{1-{{\mathrm{\σ}}_u}^2{\stackrel{\‾}{I}}^2/{{\mathrm{\σ}}_i}^2}{1+{{\mathrm{\σ}}_u}^2});$

其中已知SAR图像的处理视数为L， ${\mathrm{\σ}}_u=\frac{1}{\sqrt{L}};$

如果H_emax≤H_ex，则原中心像素应保持不变，不做处理，即 $\hat{R}=I.$

2.根据权利要求1所述的一种合成孔径雷达图像自适应斑点噪声抑制方法，其特征在于：所述步骤五中异质性熵的计算公式为： $H_e=-\underset{\mathrm{ij}}{\mathrm{\Σ}}{T}_{\mathrm{ij}}P({\mathrm{\σ}}_i,{\mathrm{\μ}}_j)\mathrm{lo}{g}_{2}P\left({\mathrm{\σ}}_i\right|{\mathrm{\μ}}_j),$ 表示为某局部区域给定均值μ_j时，得到标准差为σ_i的平均不确定性；

其中，T_ij表示为滑动窗口特殊散点的个数；P(σ_i|μ_j)为各孤立散点均值μ_j时，得到标准差为σ_i的条件概率；P(σ_i，μ_j)为各孤立散点均值μ_j标准差为σ_i的联合概率。

3.根据权利要求1和2所述的一种合成孔径雷达图像自适应斑点噪声抑制方法，其特征在于：所述步骤五中异质性熵的计算公式的T_ij表示为滑动窗口中每块(2q+1)×(2q+1)的子滑动窗口区域满足均值为μ_j，标准差为σ_i的孤立散点个数。

4.根据权利要求1所述的一种合成孔径雷达图像自适应斑点噪声抑制方法，其特征在于：所述步骤一中采用嵌套窗口技术用一个(2p+1)×(2p+1)的滑动窗口在图像上滑动，并在窗口中设定一个(2q+1)×(2q+1)的子滑动窗口，其中p＞q，且p、q均为整数；子滑动窗口在滑动窗口内逐行滑动并将估计出的均值μ_j和标准差σ_i分别进行256阶的量化，直至滑动窗口内能被子滑动窗口扫描的点全部被扫描完毕。

5.根据权利要求1所述的一种合成孔径雷达图像自适应斑点噪声抑制方法，其特征在于：所述步骤六中采用嵌套窗口技术使滑动窗口在图像上逐行滑动，子滑动窗口再在滑动窗口内滑动，进行步骤一至步骤五的操作，如此循环，直至全幅图像被扫描完毕。

Images