CN101727662A

CN101727662A - Sar图像非局部均值去斑方法

Info

Publication number: CN101727662A
Application number: CN200910219211A
Authority: CN
Inventors: 钟桦; 焦李成; 徐晶晶; 王灿; 王爽; 侯彪; 王桂婷; 马文萍; 尚荣华
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2009-11-27
Filing date: 2009-11-27
Publication date: 2010-06-09
Anticipated expiration: 2029-11-27
Also published as: CN101727662B

Abstract

本发明公开了一种SAR图像非局部均值去斑方法，它属于图像处理技术领域，主要克服现有SAR图像非局部均值去斑相似块的距离计算不准确的问题。其实现过程是：(1)对输入SAR图像的一个像素点，首先判断其是否是点目标，如果是，则保持该点目标的灰度值，否则执行下一步。(2)根据新的距离度量计算像素点与搜寻域内所有像素点的距离。(3)根据计算出的搜寻区域内所有像素点的距离，计算搜寻域内所有像素点的权值；(4)根据计算出的搜寻区域内所有像素点的权值，对搜寻区域内所有像素点进行加权平均，得到像素点修正后灰度值；(5)用修正后的灰度值取代原SAR图像中所有点的灰度值，得到去斑后的SAR图像。本发明相对于现有的一些经典的去斑方法，能够更好平滑斑点噪声同时保持SAR图像的边缘和纹理细节。

Description

SAR图像非局部均值去斑方法

技术领域

本发明属于图像处理技术领域，具体地说是一种去斑方法，可用于对SAR图像的去斑处理。

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，所以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去斑方法和频域滤波去斑方法。

空域滤波去斑方法，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，典型方法如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。虽然空域滤波去斑方法对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。因此空域滤波去斑方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。

频域滤波去斑方法，一般先通过对数运算将斑点噪声的乘性模型转变为加性模型，然后利用自然图像去噪方法直接对SAR图像进行去斑。例如基于小波、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。但是频域去斑方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上述已有技术的不足，提出了SAR图像非局部均值去斑方法，对图像块的相似性度量的准确性进行改进，以实现对SAR图像去斑中边缘和平滑区域的兼顾，提高图像去斑效果。

为实现上述目的，本发明包括如下步骤：

(1)对输入SAR图像的一个像素点，进行点目标检测，如果是点目标，则保持该目标点灰度，否则执行下一步。

(2)利用如下公式计算该像素点与搜寻区域内其它像素点的距离：

d (u_{x}, u_{y}) = \frac{E ({| | v_{x} - v_{y} | |}_{2}^{2}) - 2 σ_{s} Σ_{i = 1}^{n \times n} E (v_{x} (i)) E (v_{y} (i))}{σ_{s} + 1}

其中，σ_s表示SAR图像中斑点噪声的方差系数，n×n表示像素点邻域的大小，v_x，v_y是SAR图像中分别以x，y为中心的n×n大小的灰度值向量，u_x，u_y是分别以x，y为中心的n×n大小的真实灰度值向量，v_x(i)，v_u(i)表示向量v_x，v_y第i个分量，

{| | v_{x} - v_{y} | |}_{2}^{2} = Σ_{i = 1}^{n \times n} {(v_{x} (i) - v_{y} (i))}^{2};

(3)根据计算出的搜寻区域内所有像素点的距离，计算搜寻域内所有像素点的权值；

(4)根据计算出的搜寻区域内所有像素点的权值，对搜寻区域内所有像素点进行加权平均，得到像素点修正后灰度值；

(5)用修正后的灰度值取代原SAR图像中所有点的灰度值，得到去斑后的SAR图像。

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，且可以并行实现；

2.本发明由于利用非局部均值和SAR图像斑点模型推导得到的一种新的距离度量公式，能够准确地计算SAR图像中以待估计像素点x为中心的块和以搜寻区域内像素点y为中心的块之间的相似性，进而能准确的计算出待估计像素点x的灰度值；

3.本发明由于使用了新提出的距离公式，能够准确计算待估计像素点x的灰度值，因此，能够较好平滑斑点噪声，同时保持和恢复SAR图像的边缘和纹理细节。

附图说明

图1是本发明的流程图；

图2是本发明实验所用到的点检测模板和加入伽马噪声的图像；

图3是本发明实验输入的两幅真实的SAR图像；

图4是用增强Lee滤波法对输入的两幅SAR图像去斑的结果图；

图5是用增强Gamma MAP滤波法对输入的两幅SAR图像去斑的结果图；

图6是用现有小波软阈值滤波法对输入的两幅SAR图像去斑的结果图；

图7是用非局部均值滤波法对输入的两幅SAR图像去斑的结果图；

图8是用本发明对输入的两幅SAR图像去斑的结果图；

具体实施方式

参照附图1，本发明给出SAR图像滤波器的实现方法，包括如下步骤：

步骤1，对输入的SAR图像的一个像素点，进行点目标检测。

1.1)采用经典的恒虚警点目标检测方法，对满足以下条件的像素点认为是点目标：

a：以该像素点为中心取固定大小的窗口，该像素点的灰度值大于或等于窗口内其余像素点灰度值；

b：在图像中取一窗口，如图2(a)所示，窗口内中心像素点的4-邻域窗口灰度值均值记为u₁，窗口其余像素点4-邻域窗口灰度值均值记为u₂，

应小于设定的门限值T，实验中T取0.6；

1.2)如果是点目标，保持该点目标灰度，否则执行下一步。

步骤2，计算像素点与搜寻区域内其它像素点的距离。

2.1)当图像系统的分辨单元比目标的空间细节小，图像中像素的退化彼此独立时，SAR图像斑点噪声可以被建模为乘性噪声，SAR图像噪声模型为v＝un，利用此模型，构建像素点与搜寻区域内其它像素点的距离均值公式：

E ({| | v_{x} - v_{y} | |}_{2}^{2}) = E (Σ_{i = 1}^{n \times n} {(v_{x} (i) - v_{y} (i))}^{2})

= E (Σ_{i = 1}^{n \times n} ({(u_{x} (i) \cdot n_{x} (i))}^{2} - 2 \cdot u_{x} (i) \cdot n_{x} (i) \cdot u_{y} (i) \cdot n_{y} (i) + {(u_{y} (i) \cdot n_{y} (i))}^{2}))

= Σ_{i = 1}^{n \times n} [E (u_{x} {(i)}^{2}) \cdot (σ_{s} + 1) - 2 E (u_{x} (i) u_{y} (i)) + E (u_{y} {(i)}^{2}) \cdot (σ_{s} + 1)]

= {| | u_{x} - u_{y} | |}_{2}^{2} \cdot (σ_{s} + 1) + 2 σ_{s} Σ_{i = 1}^{n \times n} E (v_{x} (i)) E (v_{y} (i)) - - - (6)

其中，v为SAR图像强度的观测值，u是SAR图像强度的真实值，n表示斑点噪声，一般假设n是完全发展的相干斑，和信号u不相关，斑点噪声均值E(n)＝1，噪声方差系数σ_s与图像视数有关，强度SAR图像中σ_s＝1/L，幅度SAR图像中σ_s＝(4/π-1)/L；

2.2)由上述像素点的距离均值公式，通过移项得到u_x和u_y之间的欧式距离公式：

d (u_{x}, u_{y}) = \frac{E ({| | v_{x} - v_{y} | |}_{2}^{2}) - 2 σ_{s} Σ_{i = 1}^{n \times n} E (v_{x} (i)) E (v_{y} (i))}{σ_{s} + 1} - - - (7)

式中符号与上述解释相同；

2.3)利用距离公式d(u_x，u_y)计算像素点与搜寻区域内其它像素点的距离。

步骤3，根据计算出的搜寻区域内所有像素点的距离，使用权值计算公式，计算搜寻域内所有像素点的权值。

搜寻区域内的像素点x的权值计算公式如下：

w (x, y) = \frac{1}{Z (x)} \exp (- \frac{d (u_{x}, u_{y})}{h^{2}}) - - - (8)

其中，Z(x)是归一化系数，

Z (x) = Σ_{i = 1}^{N \times N} \exp (- \frac{d (u_{x}, u_{y})}{h^{2}}),

N×N表示以像素点x为中心的搜寻区域的大小，h为平滑参数，h＝4.5σ_n，σ_n＝u_xσ_s，u_x是像素点x的灰度均值，实验中取21×21邻域计算像素点x的灰度均值。

步骤4，根据计算出的搜寻区域内所有像素点的权值，对搜寻区域内所有像素点进行加权平均，得到像素点修正后灰度值：

NLv (x) = \underset{y &Element; J}{Σ} v (y) w (x, y) - - - (9)

其中，J为搜索窗口像素点集合，v(y)为原图中y处的灰度值，权值w(x，y)满足：0≤w(x，y)≤1，

\underset{y}{Σ} w (x, y) = 1 .

步骤5，用修正后的灰度值NLv(x)取代原SAR图像中所有点的灰度值，得到去斑后的SAR图像，如图8(a)所示。

本发明效果可以通过以下实验进一步证实：

一.实验条件和内容

实验条件：实验所使用的输入图像如图2(b)和图3所示，其中，图2(b)是加入两视伽马噪声的图像；图3(a)是两视幅度SAR图像，图3(b)是四视强度SAR图像。图3中，标号1、2、3、4和5的5个同质区域用于计算对去斑效果的评价指标。实验中，各种滤波方法都是使用matlab语言编程实现。

实验内容：在上述实验条件下，首先通过仿真验证了本发明的距离度量的效果；然后分别使用窗口大小为5×5的增强Lee滤波，窗口大小为7×7的增强GammaMAP滤波，非局部均值滤波方法和本发明进行去斑实验，。其中，小波软阈值方法使用的是DB8小波基，非局部均值滤波方法使用的是欧氏距离，其他过程和参数都与本发明相同。

二.实验结果

为了说明本发明提出的距离度量的优越性，实验中首先利用不同类型的图像块进行测试。用于测试的图像块如图2(b)中的小块为例，大小为7×7，包括较暗区域、较亮区域、纹理区域和边缘区域，噪声为两视的伽马噪声，分别使用本发明方法与非局部均值方法计算块之间的距离，重复该实验一千次，并统计所得到的距离的均值mean和标准差std，对比结果如表1所示。

表1不同距离度量的准确性比较

由表1中不难发现，随着两个块之间真实距离的增加，经过本发明方法处理后的两个块在均值和方差上大体保持相同的趋势；对于任意两个区域，本发明方法得到的距离在均值上都要更接近于真实距离，同时标准差始终较小，这说明本发明提出的距离度量在统计上更加准确和稳健，实际上，对不同类型以及不同大小的大量的图像块进行实验，都可以得到类似的结论。

使用窗口大小为5×5的增强Lee滤波方法的去斑结果如图4所示，其中图4(a)是两视幅度SAR图像去斑结果，图4(b)是四视强度SAR去斑结果，从图4可以看出，该滤波方法使边缘模糊且不能保持边缘的连续性，同时同质区域不够平滑；

使用窗口大小为7×7的增强Gamma MAP滤波方法去斑结果如图5所示，其中图5(a)是两视幅度SAR图像去斑结果，图5(b)是四视强度SAR去斑结果，从去斑结果图可以看出，该滤波方法在同质区域比增强Lee滤波更平滑，但是，它在点目标保护和边缘连续性保持上仍和增强Lee滤波一样都存在缺陷；

使用小波软阈值滤波方法去斑结果如图6所示，其中图6(a)是两视幅度SAR图像去斑结果，图6(b)是四视强度SAR去斑结果，从结果图可以看出，该滤波方法在同质区域具有较好的平滑性能，但是，它却不能保持边缘的连续性，因为在边缘处总是出现吉布斯现象；

使用欧式距离度量公式对图像进行非局部均值滤波，其去斑结果如图7所示，其中图7(a)是两视幅度SAR图像去斑结果，图7(b)是四视强度SAR去斑结果，从图7的去斑结果图可以看出，该滤波方法对同质区域具有一定的平滑能力，且能一定程度上保护图像中的纹理，但是在边缘保持上效果不明显，存在边缘模糊现象。

使用本发明的去斑结果如图8所示，其中图8(a)是两视幅度SAR图像去斑结果，图8(b)是四视强度SAR去斑结果，从图8的去斑结果图可以看出，对比上述的各种滤波方法，本发明在平滑同质区域的同时还能保护同质区域的纹理信息，同时，还能保持边缘的连续。

表2给出了不同方法的客观评价指标对比，包括均值，方差，和等效视数ENL，这些指标取自图2(a)中标记为1、2、3和图2(b)中标记为4、5的五个同质区域。

表2各种去斑结果对比

从表2中可以发现，增强Lee和增强Gamma MAP两种滤波方法具有较好的均值保持能力，但是，它们的标准差和ENL两项评价指标远落后于其它几种滤波方法；小波软阈值滤波方法的对比前两种方法有较低的标准差，但是其均值保持能力较差；原始非局部均值滤波方法和小波软阈值方法在各种评价指标上各有优劣；本发明相对前面所述的各种方法，其标准差和ENL两项评价指标都占有绝对的优势；在均值保持上本发明优于小波软阈值和原始非局部均值方法，仅仅略逊于增强Lee和增强Gamma MAP方法。

以上实验结果表明，本发明在总体性能上优于其它的经典去斑方法，能够更好地平滑斑点噪声的同时保持SAR图像的边缘和纹理等细节。

Claims

1.一种SAR图像非局部均值去斑方法，包括如下步骤：

d (u_{x}, u_{y}) = \frac{E ({| | v_{x} - v_{y} | |}_{2}^{2}) - 2 σ_{s} Σ_{i = 1}^{n \times n} E (v_{x} (i)) E (v_{y} (i))}{σ_{s} + 1}

其中，σ_s表示SAR图像中斑点噪声的方差系数，n×n表示像素点邻域的大小，v_x，v_y是SAR图像中分别以x，y为中心的n×n大小的灰度值向量，u_x，u_y是分别以x，y为中心的n×n大小的真实灰度值向量，v_x(i)，v_y(i)表示向量v_x，v_y第i个分量，

{| | v_{x} - v_{y} | |}_{2}^{2} = Σ_{i = 1}^{n \times n} {(v_{x} (i) - v_{y} (i))}^{2};

2.根据权利要求1所述的SAR图像非局部均值去斑方法，其特征在于步骤(2)中所述的计算像素点与搜寻区域内其它像素点的距离公式，按如下步骤构建：

2a)利用SAR图像斑点噪声模型v＝un，构建像素点与搜寻区域内其它像素点的距离均值公式：

E ({| | v_{x} - v_{y} | |}_{2}^{2}) = E (Σ_{i = 1}^{n \times n} {(v_{x} (i) - v_{y} (i))}^{2})

= E (Σ_{i = 1}^{n \times n} {((u_{x} (i) \cdot n_{x} (i))}^{2} - 2 \cdot u_{x} (i) \cdot n_{x} (i) \cdot u_{y} (i) \cdot n_{y} (i) + {(u_{y} (i) \cdot n_{y} (i))}^{2}))

= Σ_{i = 1}^{n \times n} [E (u_{x} {(i)}^{2}) \cdot (σ_{s} + 1) - 2 E (u_{x} (i) u_{y} (i)) + E (u_{y} {(i)}^{2}) \cdot (σ_{s} + 1)]

= {| | u_{x} - u_{y} | |}_{2}^{2} \cdot (σ_{s} + 1) + 2 σ_{s} Σ_{i = 1}^{n \times n} E (v_{x} (i)) E (v_{y} (i))

其中v是SAR图像观测值，u是SAR图像真实值，n是斑点噪声，假设n是完全发展相干斑，和u不相关，斑点噪声均值E(n)＝1，σ_s表示SAR图像中斑点噪声的方差系数，与图像强度有关，强度SAR图像中σ_s＝1/L，幅度SAR图像中σ_s＝(4/π-1)/L；

2b)由上述像素点的距离均值公式，通过移项得到u_x和u_y之间的欧式距离公式：

d (u_{x}, u_{y}) = {| | u_{x} - u_{y} | |}_{2}^{2} = \frac{E ({| | v_{x} - v_{y} | |}_{2}^{2}) - 2 σ_{s} Σ_{i = 1}^{n \times n} E (v_{x} (i)) E (v_{y} (i))}{σ_{s} + 1},

式中符号与上述解释相同。