CN101482969B - 基于同质点计算的sar图像去斑方法 - Google Patents

Abstract

本发明公开了一种基于同质点计算的SAR图像去斑方法，它属于图像处理技术领域，主要克服现有SAR图像去斑结果中细节保持与去斑程度的矛盾问题。具体实现过程是：(1)对输入的SAR图像的像素按点、线、边缘和面进行分类，并根据方向模板确定线和边缘处像素点的方向；(2)对每个像素点，根据其类型在搜索窗口内搜索其同质点；(3)计算同质点的权值；(4)对SAR图像中每个像素点的同质点集合进行加权平均，得到去斑图像。本发明由于对SAR图像中点、线、边缘和面目标的去斑仅在同质点之间进行，因此能够在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，提高图像去斑效果。

Description

基于同质点计算的SAR图像去斑方法

技术领域

本发明属于图像处理技术领域，具体地说是一种基于同质点计算的SAR图像去斑方法。该方法可用于SAR图像去斑中。

背景技术

近几十年来，SAR图像在军事和民用方面得到了广泛的应用。但是SAR的成像机制不同于光学成像，它特殊的相干成像机制导致图像有斑点噪声，使得具有均匀散射系数的目标的雷达图像并不具有均匀的灰度而出现许多斑点，图像信噪比下降，为目标识别和特征提取造成困难，因此平滑噪声并抑制噪声预处理是一个不可缺少的过程。SAR相干斑抑制技术的研究一直是SAR图像本身固有的一种确定性的干涉现象，是由成像散射体散射回波的相干作用造成的。

研究相干斑抑制技术的一个重要方向是，在求得需要的辐射分辨率的同时如何保持必要的空间分辨力。因为二者都是SAR图像分析和应用的重要因素，所有着重考虑在滤除斑点噪声的同时，保持图像的细节信息。当前对相干斑的抑制技术大体分为成像前的多视平滑预处理技术和成像后的滤波技术两类。早期的SAR图像处理中，大多采用成像前的多视处理技术，但随着SAR图像应用的不断拓展，对其空间分辨率的要求不断提高，多视处理技术已不能满足要求。成像后的滤波技术又可分为空域滤波技术和频域滤波技术。

空域统计类去斑方法一般先假定噪声的乘性模型，然后基于像素邻域窗口的局部统计特性进行滤波，典型算法如Lee滤波，Kuan滤波，Frost滤波等。但是，这些方法都是通过固定窗口来对图像进行操作，而且没有考虑像元周围的局部结构信息。虽然统计类滤波对SAR图像的局部统计特性具有自适应性，但局部统计的计算都是基于均匀区域这一前提。对于纹理信息丰富或灰度分布有明显跳变的边缘区域而言，局部统计的计算有很大的偏差。因此统计类滤波算法对区域一致性较好的图像有着较好的去斑效果，而对边缘和细节特征的保持则不够理想。图像结构信息如边缘、线性体、点等目标会在一定程度上被模糊或滤除。

频域滤波算法在SAR图像去斑上表现了较好的性能。这些方法首先通过对数运算将斑点噪声的乘性模型转变为加性模型，然后直接利用自然图像去噪算法。基于小波、Contourlet等变换的SAR图像去斑算法由于其多尺度、多分辨等优点获得了广泛的应用。但是变换域去斑算法本质上仍然是基于固定窗口的滤波，图像结构信息如边缘、线等会产生吉布斯现象。

发明内容

本发明的目的在于克服已有技术的不足，即针对SAR图像降斑中边缘和平滑区域无法兼顾的问题，提出了一种基于同质点计算的空域SAR图像去斑方法，提高了图像去斑效果。

为实现上述目的，本发明步骤如下：

(1)对输入的SAR图像的像素按点、线、边缘和面进行分类，并根据线和边缘检测的方向模板确定线和边缘处像素点的方向；

(2)对每个像素点，根据其类型在搜索窗口内搜索其同质点，用集合I表示；

(3)计算同质点的权值；

(4)对SAR图像中每个像素点的同质点集合进行加权平均，得到去斑图像。

步骤(1)所述的“对输入的SAR图像的像素按点进行分类”，按如下步骤进行：

2a)根据点目标的检测模板，计算以像素点x_i，j为中心的11*11的窗口内16个方向模板中每个方向上的像素点的均值μ_i，i＝1，...16和窗口中心3*3邻域的灰度均值μ₀，令 $r={\mathrm{\μ}}_0/\underset{i}{\max {\mathrm{\μ}}_i};$

2b)设门限值T_r，若r＞T_r，且该像素点灰度值大于窗口内其它像素点灰度值，则判断该像素点为点目标，T_r通常取经验值为1.3。

步骤(1)所述的“对输入的SAR图像的像素按线和边缘进行分类”，按如下步骤进行：

3a)对像素x_i，j，根据线和边缘目标检测模板分别计算8个方向的均值m_i，i＝1，...8；m＝[m₁，m₂，m₃，m₄，m₅，m₆，m₇，m₈]；

3b)计算m的均值μ、标准差σ和归一化标准差S(i，j)＝σ/μ；

3c)计算出图像中最大的归一化标准差S_max，设阈值T_s，若像素点处的归一化标准差S(i，j)＞T_s*S_max，T_s经验值范围为0.2～0.5，则判断该像素点为线或边缘处的点.。

步骤(1)所述的“根据线和边缘检测的方向模板确定线和边缘处像素点的方向”按如下步骤进行：

4a)计算9*9窗口内8个方向模板中每个方向上的像素点的方差σ_i，i＝1，...8；设Std＝[σ₁，σ₂，σ₃，σ₄，σ₅，σ₆，σ₇，σ₈]；计算Std的均值μ_std，方差σ_std和归一化标准差S_std＝σ_std/μ_std；

4b)设门限值T_std，当S_std大于所设门限值T_std，则该像素点为边缘上的点，8个方向方差σ_i中最小者的方向即为该像素点的方向；

4c)当S_std小于所设门限值T_std时，该像素点为线目标上的点；计算8个方向中像素点的均值m＝[m₁，m₂，m₃，m₄，m₅，m₆，m₇，m₈]，找出8个方向中均值m的最大值m_max和最小值m_min，设m的中值为median＝(m_max+m_min)/2，则当8个方向的均值m_i，i＝1，...8于中值median的个数大于4时，该像素点的方向为均值最大值所在的方向，否则为均值最小值所在的方向。

步骤(2)所述的“在搜索窗口内搜索其同质点”，按如下步骤进行：

5a)设定搜索窗口的大小为N*N；

5b)搜索点目标的同质点，其同质点为窗口内的点目标；

5c)搜索线和边缘上像素点的同质点，其同质点为窗口内有方向的像素点；

5d)搜索面结构上像素点的同质点，其同质点为窗口内无方向的像素点。

步骤(3)所述的“计算同质点的权值”，按如下步骤进行：

6a)计算像素点与其同质点之间的高斯加权欧式距离：

$d={\left|\right|v\left(N_x\right)-v\left(N_y\right)\left|\right|}_{2,a}^2=G_a*{|u(x+)-u(y+)|}^2$

其中，v(N_x)是以像素点x为中心的7*7邻域，v(N_y)是以像素点y为中心的7*7邻域，G_a是高斯函数，α是高斯核的标准差，u(x+)，u(y+)分别表示像素点x，y的邻域内相同位置坐标的像素点灰度值；

6b)由x，y两个像素点之间的距离计算权值：

$w(x,y)=\frac{1}{Z\left(x\right)}{e}^{-\frac{{\left|\right|v\left(N_x\right)-v\left(N_y\right)\left|\right|}_{2,a}^2}{h^2}},$

其中，W(x，y)为像素点y相对于像素点x的权值，

Z(x)为像素x处的归一化系数，它为所有同质点的权值的总和：

$Z\left(x\right)=\underset{y}{\mathrm{\Σ}}{e}^{-\frac{{\left|\right|v\left(N_x\right)-v\left(N_y\right)\left|\right|}_{2,a}^2}{h^2}},$

其中，h为平滑系数，通过它控制高斯加权欧氏距离函数的衰减速度。

本发明与现有的技术相比具有以下优点：

1.本发明是在空域中进行的，实现过程简单，复杂度低。

2.本发明提出了一种新的计算方向的方法，能准确地计算出SAR图像中线和边缘的方向。

3.本发明不局限于局部窗口，提出了在非局部区域内分别对点、线、边缘和面结构搜索同质点，解决了SAR图像去斑结果中细节保持与去斑程度矛盾的问题。

附图说明

图1是本发明的流程原理框图；

图2是本发明实验输入的SAR图像；

图3是本发明点目标检测的16个方向的模板示意图；

图4是本发明线和边缘检测的8个方向的模板示意图；

图5是本发明对输入的SAR图像实验得到的点目标检测的结果图；

图6是本发明对输入的SAR图像实验得到的线和边缘目标检测的结果图；

图7是用增强Lee滤波算法对输入的SAR图像进行去斑的结果图；

图8是用小波软阈值算法对输入的SAR图像进行去斑的结果图；

图9是本发明对输入的SAR图像迭代一次的去斑结果图；

图10是本发明对输入的SAR图像迭代两次的去斑结果图。

具体实施方式

参照附图1，本发明的实现步骤如下：

步骤1.输入SAR图像如附图2所示，对其像素按点、线、边缘和面进行分类，并根据方向模板确定线和边缘处像素点的方向。

1)点目标的分类：

为了保持SAR图像中的点目标不被平滑掉，需要检测出SAR图像中的点目标；图3给出了点目标检测的16个方向的模板示意图，具体步骤如下：

1.1)根据点目标的检测模板，计算以像素点x_i，j为中心的11*11的窗口内16个方向模板中每个方向上的像素点的均值μ_i，i＝1，...16和窗口中心3*3邻域的灰度均值μ₀。令 $r={\mathrm{\μ}}_0/\underset{i}{\max {\mathrm{\μ}}_i};$

1.2)设门限值T_r，看r＞T_r，且该像素点灰度值大于窗口内其它像素点灰度值，则判断该像素点为点目标，T_r通常取经验值为1.3。

由于在检测点时，默认点的大小为3*3，所以将检测到的点目标的3*3邻域也设为点目标。

按以上步骤检测SAR图像中的点目标，得到点目标的检测结果，如图5所示。

2)线和边缘处像素点方向的确定：

为了防止SAR图像中的线和边缘目标出现模糊现象，需要检测出SAR图像中的线和边缘目标，由于后续需要计算不同方向像素点之间的高斯加权欧式距离，所以需要计算出像素点的方向，图4给出了线和边缘检测的8个方向的模板示意图。

具体实现过程如下：

2.1)窗口大小为9*9；对于像素点x_i，j，根据线和边缘目标检测模板，分别计算8个方向中每个方向上的像素点的均值m_i，i＝1，...8；设m＝[m₁，m₂，m₃，m₄，m₅，m₆，m₇，m₈]；

2.2)计算m的均值μ、标准差σ和归一化标准差S(i，j)＝σ/μ；

2.3)找出图像中最大的归一化标准差S_max，设阈值T_S，若像素点处的归一化标准差S(i，j)＞T_S*S_max，T_S经验值范围为0.2～0.5，则判断该像素点为线或边缘处的点；

2.4)通过线和边缘检测的8个方向的模板确定像素点的方向。

其过程如下：

2.4.1)计算9*9窗口内8个方向模板中每个方向上的像素点的方差σ_i，i＝1，...8；设Std＝[σ₁，σ₂，σ₃，σ₄，σ₅，σ₆，σ₇，σ₈]；计算Std的均值μ_std，方差σ_std和归一化标准差S_std＝σ_std/μ_std；

2.4.2)设门限值T_std，当S_std大于所设门限值T_std，T_std一般取经验值0.1，则该像素点为边缘上的点，8个方向中方差最小者的方向即为该像素点的方向。

2.4.3)当S_std小于所设门限值T_std时，则该像素点为线目标。计算8方向中每个方向中像素点的均值m＝[m₁，m₂，m₃，m₄，m₅，m₆，m₇，m₈]，找出8方向中均值m的最大值m_max和最小值m_min，设m的中值为median＝(m_max+m_min)/2，则当8个方向的均值m_i，i＝1，...8大于中值median的个数大于4时，该像素点的方向为均值最大值所在的方向，否则为均值最小值所在的方向。

按以上步骤检测SAR图像中的线和边缘，得到的线和边缘检测结果，如图6所示。

步骤2.对每个像素点，根据其类型在搜索窗口内搜索其同质点。

将SAR图像中的点、线和边缘检测出来后，分别寻找其同质点。对于点、线、边缘之外的面目标也寻找其同质点。具体步骤如下：

1)设定搜索窗口的大小为N*N；

2)搜索点目标的同质点，其同质点为窗口内的点目标；

3)搜索线和边缘上像素点的同质点，其同质点为窗口内有方向的像素点；

4)搜索面结构上像素点的同质点，其同质点为窗口内无方向的像素点。

步骤3.计算同质点的权值。

搜索到每个像素点的同质点之后，需要计算其与同质点的权值。对于像素点，其同质点权值的计算过程如下：

1)计算像素点与其同质点之间的高斯加权欧式距离

$d={\left|\right|v\left(N_x\right)-v\left(N_y\right)\left|\right|}_{2,a}^2=G_a*{|u(x+)-u(y+)|}^2---\left(1\right)$

其中v(N_x)是以像素点x为中心的7*7邻域灰度矢量，v(N_y)是以像素点y为中心的7*7邻域灰度矢量。G_a是高斯函数，α是高斯核的标准差，u(x+)，u(y+)分别表示像素点x，y的邻域内相同位置像素点的灰度值；

在计算高斯加权欧式距离时，有方向的像素点必须统一方向才能找出像素点的同质点。故在计算高斯加权欧式距离之前，将所有有方向的像素点的p*p邻域统一旋转至同一方向，存储旋转之后像素点的7*7邻域，没有方向的像素点直接存储其7*7邻域。

v(N_x)表示的是统一方向之后的以像素点x为中心的7*7邻域，v(N_y)表示的是统一方向之后的以像素点y为中心的7*7邻域。将有方向的像素点统一旋转至同一方向，并存储每个像素点的7*7邻域，使同质点的权值更加准确，并且有效地缩短了算法运行的时间复杂度。

2)由两点之间的距离计算权值：

$w(x,y)=\frac{1}{Z\left(x\right)}{e}^{-\frac{{\left|\right|v\left(N_x\right)-v\left(N_y\right)\left|\right|}_{2,a}^2}{h^2}}---\left(2\right)$

其中W(x，y)为像素点y相对于像素点x的权值，Z(x)为像素点x处的归一化系数，即像素点x所有同质点的权值的总和：

$Z\left(x\right)=\underset{y}{\mathrm{\Σ}}{e}^{-\frac{{\left|\right|v\left(N_x\right)-v\left(N_y\right)\left|\right|}_{2,a}^2}{h^2}}---\left(3\right)$

其中h为平滑系数，通过它控制高斯加权欧氏距离函数的衰减速度。

设点、线和边缘处像素点平滑系数h为T_h1，面结构上的像素点平滑系数h为T_h2，则要求T_h1＜T_h2。

一般取T_h1＝10*σ_z，T_h2＝2*T_h1；其中σ_z为SAR图像噪声方差；幅度图像中噪声方差σ_z＝(4/π-1)/L，强度图像中噪声方差σ_z＝1/L，L为SAR图像等效视数。

平滑过快会使点、线和边缘处产生模糊，而平滑过慢则使面结构处则无法充分滤除斑点噪声，故点、线、边缘处的平滑系数和面结构处的平滑系数应分别设置，且点、线和边缘的平滑系数T_h1必须小于面结构上的平滑系数T_h2。

步骤4.对每个同质点集合进行加权平均，得到去斑图像

加权平均的计算可采用：

$\mathrm{Img}\left(x\right)=\underset{y\∈I}{\mathrm{\Σ}}w(x,y)g\left(y\right)---\left(4\right)$

其中w(x，y)为像素点y相对于像素点x的权值；g(y)为原图中点y处的灰度值，Img(x)为加权平均后点x处的灰度值；0≤w(x，y)≤1，∑_jw(x，y)＝1。

按上述步骤得到对输入待测SAR图像的去斑结果，一次迭代的结果如图9所示，将一次迭代的结果作为输入，按上述步骤对其进行去斑得到两次迭代的结果如图10所示。

实验结果分析：

图2所示输入的SAR图像中，1、2号标示出了待评价去斑效果的同质区域。比较本发明和增强Lee滤波如图7所示，小波软阈值的去斑效果如图8所示。将去斑后的1、2号区域的均值、标准差、等效视数ENL作为评价指标。其比较结果如表1所示：

表1 各种去斑结果对比

从表1中可以看出，本发明迭代两次的结果图中，待检测的1、2号同质区域去斑效果明显，虽然在均值上有所出入，但相比之下，标准差和等效视数评价指标比其它算法有了很大的提高。本发明迭代一次时，同质区域内像素点的同质点比较少，这就影响了像素点中斑点噪声的去除，所以可以通过迭代运算来增加均匀区域内同质点的数目和提高同质点的权值。从结果图中还可以看出，本发明迭代两次的结果在最大限度地平滑斑点噪声的同时也保持了SAR图像的细节信息。

本发明针对SAR图像中噪声的分布的特点，首先对SAR图像进行点、线、边缘和面的分类，然后对检测到的线和边缘进一步确定其方向。分别对分类后的点、线、边缘和面搜索其同质点。根据像素点类型设置平滑系数，计算出SAR图像中像素点同质点的权值，加权平均得去斑后的图像。

同时，本发明中提出的方向检测的方法充分考虑到了线和边缘的特征，可以更加准确地检测出图像中线和边缘中像素点的方向信息。在本发明中计算同质点高斯加权欧氏距离时，可以在确定了线和边缘的方向之后，将所有有方向的像素点都旋转至同一方向，并存储其7*7邻域。没有方向的像素直接存储其7*7邻域，这使得在计算两点之间的高斯加权欧式距离时，不需要重复旋转像素邻域，有效地缩短了时间。

Claims (5)

1.一种基于同质点计算的SAR图像去斑方法，包括如下步骤：

(1)对输入的SAR图像的像素按点、线、边缘和面进行分类，并根据线和边缘检测的方向模板确定线和边缘处像素点的方向；

(2)对每个像素点，根据其类型在搜索窗口内搜索其同质点，用集合I表示；

(3)计算同质点的权值：

首先，计算像素点与其同质点之间的高斯加权欧式距离d：

$d={\left|\right|v\left(N_x\right)-v\left(N_y\right)\left|\right|}_{2,a}^2=G_a*{|u(x+)-u(y+)|}^2$

其中，v(N_x)是以像素点x为中心的7*7邻域，v(N_y)是以像素点y为中心的7*7邻域，

是高斯函数，a是高斯核的标准差，u(x+)，u(y+)分别表示像

素点x，y的邻域内相同位置坐标的像素点灰度值；

然后，由x，y两个像素点之间的距离计算权值：

$w(x,y)=\frac{1}{Z\left(x\right)}{e}^{-\frac{{\left|\right|v\left(N_x\right)-v\left(N_y\right)\left|\right|}_{2,a}^2}{h^2}},$

其中，w(x，y)为像素点y相对于像素点x的权值，

Z(x)为像素x处的归一化系数，它为所有同质点的权值的总和：

$Z\left(x\right)=\underset{y}{\mathrm{\Σ}}{e}^{-\frac{{\left|\right|v\left(N_x\right)-v\left(N_y\right)\left|\right|}_{2,a}^2}{h^2}},$

其中，h为平滑系数，通过它控制高斯加权欧氏距离函数的衰减速度；

(4)对SAR图像中每个像素点的同质点集合进行加权平均，得到去斑图像。

2.根据权利要求1所述的基于同质点计算的SAR图像去斑方法，其特征在于步骤(1)，所述的“对输入的SAR图像的像素按点进行分类”，按如下步骤进行：

2a)根据点目标的检测模板，计算以像素点x_i，j为中心的11*11的窗口内具有16个方向的一个模板中每个方向上的像素点的均值μ_i，i＝1，...16和窗口中心3*3邻域的灰度均值μ₀，令

2b)设门限值T_r，若r＞T_r，且像素点x_i，j的灰度值大于窗口内其它像素点灰度值，则判断该像素点为点目标，T_r取值为1.3。

3.根据权利要求1所述的基于同质点计算的SAR图像去斑方法，其特征在于步骤(1)所述的“对输入的SAR图像的像素按线和边缘进行分类”，按如下步骤进行：

3a)对像素x_i，j，根据线和边缘目标检测模板分别计算8个方向的均值m_i，i＝1，...8；m＝[m₁，m₂，m₃，m₄，m₅，m₆，m₇，m₈]；

3b)计算m的均值μ、标准差σ和归一化标准差S(i，j)＝σ/μ；

3c)计算出图像中最大的归一化标准差S_max，设阈值T_s，若像素点处的归一化标准差S(i，j)＞T_s*S_max，T_s取值范围为0.2～0.5，则判断该像素点为线或边缘处的点.。

4.根据权利要求1所述的基于同质点计算的SAR图像去斑方法，其特征在于步骤(1)所述的“根据线和边缘检测的方向模板确定线和边缘处像素点的方向”，按如下步骤进行：

4a)计算9*9窗口内具有8个方向的一个模板中每个方向上的像素点的方差σ_i，i＝1，...8；设Std＝[σ₁，σ₂，σ₃，σ₄，σ₅，σ₆，σ₇，σ₈]；计算Std的均值μ_std，方差σ_std和归一化标准差S_std＝σ_std/μ_std；

4b)设门限值T_std，当S_std大于所设门限值T_std，则模板中每个方向上的像素点为边缘上的点，8个方向方差σ_i中最小者的方向即为该像素点的方向；

4c)当S_std小于所设门限值T_std时，模板中每个方向上的像素点为线目标上的点；计算8个方向中像素点的均值m＝[m₁，m₂，m₃，m₄，m₅，m₆，m₇，m₈]，找出8个方向中均值m的最大值m_max和最小值m_min，设m的中值为median＝(m_max+m_min)/2，则当8个方向的均值m_i，i＝1，...8大于中值median的个数大于4时，该像素点的方向为均值最大值所在的方向，否则为均值最小值所在的方向。

5.根据权利要求1所述的基于同质点计算的SAR图像去斑方法，其特征在于步骤(2)所述的“在搜索窗口内搜索其同质点”，按如下步骤进行：

5a)设定搜索窗口的大小为N*N；

5b)搜索点目标的同质点，其同质点为窗口内的点目标；

5c)搜索线和边缘上像素点的同质点，其同质点为窗口内有方向的像素点；

5d)搜索面结构上像素点的同质点，其同质点为窗口内无方向的像素点。

Images