CN101976433A - 一种对极化sar数据相干斑噪声的抑制方法 - Google Patents
一种对极化sar数据相干斑噪声的抑制方法 Download PDFInfo
- Publication number
- CN101976433A CN101976433A CN 201010278044 CN201010278044A CN101976433A CN 101976433 A CN101976433 A CN 101976433A CN 201010278044 CN201010278044 CN 201010278044 CN 201010278044 A CN201010278044 A CN 201010278044A CN 101976433 A CN101976433 A CN 101976433A
- Authority
- CN
- China
- Prior art keywords
- pixel
- filtering
- sigma
- result
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种对极化SAR数据相干斑噪声的抑制方法,主要解决现有极化SAR数据相干斑抑制方法不能很好的抑制相干斑噪声和丢失部分边缘和细节信息的缺点。该方法是基于改进sigma滤波和非局部均值的思想相结合的极化SAR相干斑抑制方法,其实现过程为:(1)输入极化SAR数据的相干矩阵T;(2)对相干矩阵T进行亮目标检测;(3)对像素使用方向窗判定方向并做改进的sigma滤波和非局部均值滤波;(4)滤波结果进行结合并保留亮目标;(5)完成T矩阵的滤波并合成伪彩图。本发明与现有技术相比显著提高了极化SAR数据的相干斑噪声抑制的能力,能够有效的平滑同质区域和保持边缘细节信息,可用于极化SAR数据的预处理过程。
Description
技术领域
本发明属于图像数据处理技术领域,具体地说是一种相干斑抑制方法,该方法可用于对SAR图像和极化SAR数据的去噪。
背景技术
随着雷达技术的发展,极化SAR已成为SAR的发展趋势,极化SAR能够得到更丰富的目标信息,有利于提高目标检测,辨别和分类能力等等的特性体现了极化SAR系统的优势,但是和SAR一样,它受着相干斑噪声的严重干扰。因此,相干斑的抑制称为一个经久不衰的研究课题。对于极化SAR数据,抑斑的目的在于能够在抑制相干斑的同时且保持住数据的极化特性,边缘细节以及纹理信息。现有对极化SAR数据相干斑抑制的方法很多,其中:
1)极化白化滤波PWF是最早的一个滤波方法,该方法通过对极化SAR数据散射矩阵元素的优化组合来完成对span数据的相干斑抑制,但是该方法的缺点在于它只对极化SAR数据中的span数据进行相干斑抑制,而其余极化SAR数据的各元素并没有进行相干斑的抑制。
2)最为经典的方法是精致极化Lee滤波,它通过使用边缘窗口进行滤波,滤波后的数据在边缘的特性保持方面效果显著,但是,在纹理细节信息的保持上,滤波效果并非特别理想,因此在相干斑的抑制中,数据原始的一些特性无法很好的保留。
3)最近新提出的改进的sigma滤波,它解决了原始sigma滤波的暗像素不被滤波和滤波数据存在误差等缺点,并有效的保持了亮目标像素,该方法无论在边缘的保持上还是同质区域的平滑上都优于精致极化Lee滤波方法,但是在边缘上,受到相干斑的影响,滤波后的数据会出现一些“毛刺”,同时同质区域的平滑程度还没有达到最好。
发明内容
本发明的目的在于克服上述已有技术的缺点,提出一种基于改进的sigma滤波与非局部均值相结合的对极化SAR数据相干斑噪声的抑制方法,以实现在抑制相干斑的同时保持亮目标和边缘纹理细节信息,提高极化SAR数据的相干斑抑制效果。
为实现上述目的,本发明包括如下步骤:
(1)将一组极化SAR数据表示为含有9个元素的3x3相干矩阵T,并使用T矩阵中的元素T11和T22对T矩阵进行亮目标检测,得到T矩阵的亮目标位置;
(2)判定相干矩阵T元素的像素方向:
2a)定义八个方向窗w1~wg:
2b)取相干矩阵T元素的一个像素x,以像素x为中心确定3x3区域A,将区域A分别与八个方向窗w1~w8相乘,得到八个乘积结果;
2c)在八个乘积结果中找出均值最大的乘积,将此乘积所对应方向窗的方向确定为像素x的方向d;
(3)以像素x为中心确定搜索窗Ω,在搜索窗内取一个像素y,判断y像素在方向d上是否有贡献:
3a)以像素y为中心确定3x3区域B,将区域B与方向d所对应的3x3方向窗相乘,得到一个乘积结果;
3b)对步骤3a)得到的乘积结果取均值,若该均值大于0,则认为像素y在方向d上有贡献,否则像素y在方向d上无贡献;
(4)若像素y在方向d上无贡献,则在搜索窗Ω内取下一个像素重新判定,若像素y在方向d上有贡献,则将像素y保留,并使用像素y对像素x进行的非局部均值滤波,然后在搜索窗Ω内取下一个像素重新判定,最终记录搜索窗Ω内所有在方向d上有贡献的像素个数m,并得到像素x的非局部均值滤波结果xNLmeans;
(5)对像素x进行改进的sigma滤波,得到改进的sigma滤波结果xsigma;
(6)将步骤(4)和(5)得到像素x的滤波结果xNLmeans和xsigrna按比例相加,得到结合的滤波结果
其中a为比例值,表示为a=[1-m/(n×n)]2,(n×n)为搜索窗Ω的大小;
(7)对亮目标像素进行还原处理:
(8)对相干矩阵T各元素的逐个像素进行上述步骤(2)~(7)的滤波过程,最终完成对相干矩阵T的滤波,得到滤波后的相干矩阵T;
(9)用Pauli向量法将滤波后的相干矩阵T合成伪彩图,以观察滤波的效果。本发明具有如下优点:
a)本发明在极化SAR相干矩阵T的滤波过程中,由于采用非局部均值的滤波思想,因而比改进的sigma滤波和精制极化Lee滤波,在同质区域的滤波结果上更为平滑,这一点可以通过等效视数ENL来说明;
b)本发明在极化SAR相干矩阵T的滤波过程中,由于使用方向窗将改进的sigma滤波和非局部均值结合,因而在边缘纹理等方向信息的处理上具有两种滤波的优势,比起精制极化Lee滤波和改进的sigma滤波,更好的保持数据的边缘纹理等细节信息;
c)本发明在极化SAR相干矩阵T的滤波过程中,由于使用span数据来计算T矩阵元素的滤波权值,因而很好的保持了数据的极化相关性,保证滤波后T矩阵合成的伪彩图没有失真。
附图说明
图1是本发明的流程图;
图2是用本发明对两幅SAR图像的滤波结果;
图3是现有的两组极化SAR原始数据图;
图4是用本发明与现有精致极化Lee滤波和改进的sigma滤波对第一组极化SAR数据的滤波结果图;
图5是用本发明与现有精致极化Lee滤波和改进的sigma滤波对第二组极化SAR数据的滤波结果图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1,对极化SAR数据相干矩阵T的亮目标进行检测并保留。
1a)将相干矩阵T表示为:
其中[A B C]=[Shh+Svv Shh-Svv 2Shv],这里Shh表示h向发射和h向接收的回波数据,Svv表示v向发射和v向接收的回波数据,Shv表示h向发射v向接收的回波数据,AA*到CC*分别代表T11到T33九个元素,即AA*代表T11,AB*代表T12,AC*代表T13,BA*代表T21,BB*代表T22,BC*代表T23,CA*代表T31,CB*代表T32,CC*代表T33,
由T11=AA*=|Shh+Svv|2,T22=BB*=|Shh-Svv|2可知,通常它们有着较强的回波值,而T33为|Shv|2,它的回波值通常很小,因此本实施例只用T11和T22来检测亮目标;
1c)使用3x3滑窗对T11的逐个像素进行扫描,当滑窗中9个像素中大于k1的个数超过TK时,将此3x3区域视为亮目标区域,TK通常取5或6;
1d)对T22做与上述步骤1a)-1c)相同的处理,得到T22的亮目标区域;
1e)将T11和T22得到的亮目标区域的位置一起作为整个极化SAR数据T矩阵的亮目标。
步骤2,判定相干矩阵T元素的像素x的方向d。
2a)定义八个方向窗w1~w8:
2b)取相干矩阵T元素的一个像素x,以像素x为中心确定3x3区域A,区域A分别与八个方向窗w1~w8相乘,得到八个3x3大小的乘积结果;
2c)在八个乘积结果中找出均值最大的乘积,此乘积所对应方向窗的方向就是像素x的方向d。
步骤3,以像素x为中心确定搜索窗Ω,在搜索窗内取一个像素y,判断像素y在方向d上是否有贡献,即像素y的区域更接近方向d对应的方向窗的分布,由此确定像素y对像素x的滤波是否有意义。
3a)以像素y为中心确定3x3区域B,将区域B与方向d所对应的3x3方向窗相乘,得到一个乘积结果;
3b)对步骤3a)得到的乘积结果取均值,若该均值大于0,则像素y在方向d上有贡献,否则,像素y在方向d上无贡献。
步骤4,对像素x进行非局部均值滤波。
4a)若像素y在方向d上无贡献,则对像素y不做处理,在搜索窗Ω内取下一个像素进行步骤3的判定,若像素y在方向d上有贡献,则将像素y保留;
4b)分别以像素x和y为中心扩展出7x7的局部区域z(x)和z(y);
4c)分别找出区域z(x)和z(y)的坐标位置在span数据所对应的区域z′(x)和z′(y),用span数据中z′(x)和z′(y)来计算z(x)和z(y)之间的相似度d(x,y):
其中z′i(x)和z′i(y)分别区域z′(y)和z′(y)的第i个像素,n为7,σ为噪声方差;
4d)使用d(x,y)计算像素y对像素x的滤波结果:
xNLmeans为x的滤波结果,归一化函数h=4.5·u·σ,u为z′(x)的均值,σ为噪声方差;
4e)在搜索窗Ω内取下一个像素进行上述步骤3的判定,直到将搜索窗Ω内所有像素按上述步骤3和步骤4a)-4d)进行处理,最终记录搜索窗Ω内所有在方向d上有贡献的像素总数m,并得到像素x的非局部均值滤波结果xNLmeans。
步骤5,对像素x进行改进的sigma滤波,得到像素x的滤波结果xsigma。
5a)确定改进的sigma滤波中sigma的值,通过sigma值和极化SAR数据的视数N,得到sigma范围参数A1,B1和修正的噪声标准差本发明所用到的极化SAR数据均为4视,对应的具体参数如表1所示:
表1.改进的sigma滤波参数
本发明取sigma值为0.9;
5d)在span数据中,确定像素x坐标所对应的像素x′,并找到5c)中像素x1~xk的坐标所对应的span数据中的像素x′1~x′k,并求出span数据中像素x′1~x′k的均值和方差Var(x′);
xsigma为像素x的滤波结果,权值
其中a为比例值,表示为a=[1-m/(n×n)]2,(n×n)为搜索窗Ω的大小。
步骤7,对亮目标像素进行还原处理:
步骤8,对相干矩阵T各元素的逐个像素进行上述步骤2~步骤7的滤波过程,完成对相干矩阵T的滤波,得到滤波后的相干矩阵T。
步骤9,使用Pauli向量法对滤波后的整个相干矩阵T合成伪彩图,以观察滤波的效果,Pauli向量法主要是使用相干矩阵T中的T11,T22和T33三个元素来合成伪彩图。
9c)对滤波后的相干矩阵T的元素T11进行开平方处理:将|Shh+Svv|作为待合成伪彩图的蓝色分量B;
9d)用R、G、B三个分量合成伪彩图。
本发明的效果可以通过以下实验仿真进一步说明。
1.实验条件和内容
实验仿真环境为:MATLAB 7.0.4,VC++6.0,Intel(R)Pentium(R)1CPU 2.4GHz,Window XP Professional。
实验内容包括:本发明分别对两幅SAR图像和两组极化SAR数据做了测试实验。两幅SAR图像均为256x256大小,分别为田野和赛马场区域。两组极化SAR数据分别为来源于CONVAIR的四视加拿大Ottawa区域和来源于AIRSAR的四视荷兰Flevoland区域。
极化SAR数据的对比方法分别为精致极化Lee滤波与改进sigma滤波,这两种方法都是极化SAR数据空域滤波中效果最显著的两种方法。
评价结果分别用其细节纹理边缘信息的保持以及同质区域的等效视数ENL的大小来衡量滤波结果的好坏。
2.实验结果
(1)图2是本发明方法对SAR图像的滤波结果,如图所示,图2(a)是田野的原始图像,图2(b)是本发明的滤波结果,图2(c)是赛马场的原始图像,图2(d)是本发明的滤波结果,可以看出本发明在边缘的保持上和同质区域的平滑上效果都十分显著。此处仅仅是展示一下本发明对SAR图像的滤波效果,重点是对极化SAR数据的滤波结果。
(2)两组极化SAR数据如图3所示,其中图3(a)所示的第一组极化数据为加拿大Ottawa区域,图3(b)所示的第二组极化SAR数据为荷兰Flevoland省的一个局部区域。
2a)图4是用本发明与现有精致极化Lee滤波和改进的sigma滤波对第一组极化SAR数据的滤波结果,其中图4(a)为精致极化Lee滤波结果,图4(b)是改进的sigma滤波结果,图4(c)为本发明滤波结果。从图4(a)可见,精致极化Lee滤波在边缘的滤波效果上不理想,边缘十分模糊,同质区域平滑效果也不好,从图4(b)可见,改进的sigma滤波在同质区域和边缘处的滤波效果都要明显优于精致极化Lee滤波,可是边缘处仍然不流畅,有些边缘仍是断断续续的并不连贯,从图4(c)可见,本发明在同质区域滤波效果明显优于前两种滤波方法,并且在边缘纹理细节信息的保持也非常显著。
2b)图5是用本发明与现有精致极化Lee滤波和改进的sigma滤波对第二组极化SAR数据的滤波结果,其中图5(a)是精致极化Lee滤波结果,图5(b)是改进sigma滤波结果,图5(c)是本发明滤波结果。观察图5中黑色条纹区域,本发明得到的滤波结果明显比前两种滤波方法更加清晰,基本上每个条纹都没有粘连,黑色条纹下方的同质区域也更为平滑,并且本发明在其余边缘处的滤波结果也比前面两种滤波结果更加平滑和清晰。
(3)计算图3中A和B两处同质区域的等效视数ENL,等效视数ENL的计算公式为:ENL=(mean/std)2,其中mean和std分别代表区域的均值和标准差。如表2所示:
表2:各滤波结果的等效视数ENL值
从表2可见,本发明滤波后同质区域的等效视数比精致极化Lee滤波和改进的sigma滤波的结果要好。从而说明,本发明有效的滤除了同质区域的相干斑噪声。
综上所述,本发明提出的极化SAR数据的相干斑噪声的抑制方法,能够很好的保持极化SAR数据的相关性,并且在同质区域的平滑效果上和边缘纹理细节信息的保持效果上都很理想,因此本发明对极化SAR数据相干斑噪声的抑制效果显著。
Claims (5)
1.一种对极化SAR数据相干斑噪声的抑制方法,包括如下步骤:
(1)将一组极化SAR数据表示为含有9个元素的3x3相干矩阵T,并使用T矩阵中的元素T11和T22对T矩阵进行亮目标检测,得到T矩阵的亮目标位置;
(2)对相干矩阵T元素的像素判定方向:
2a)定义八个方向窗w1~w8:
2b)取相干矩阵T元素的一个像素x,以像素x为中心确定3x3区域A,将区域A分别与八个方向窗w1~w8相乘,得到八个乘积结果;
2c)在八个乘积结果中找出均值最大的乘积,此乘积所对应方向窗的方向就是像素x的方向d;
(3)以像素x为中心确定搜索窗Ω,在搜索窗内取一个像素y,判断y像素在方向d上是否有贡献,即像素y的区域更接近方向d对应的方向窗的分布:
3a)以像素y为中心确定3x3区域B,将区域B与方向d所对应的3x3方向窗相乘,得到一个乘积结果;
3b)对步骤3a)得到的乘积结果取均值,若该均值大于0,则像素y在方向d上有贡献,否则,像素y在方向d上无贡献;
(4)若像素y在方向d上无贡献,则在搜索窗Ω内取下一个像素重新判定,若像素y在方向d上有贡献,则将像素y保留,并使用像素y对像素x进行的非局部均值滤波,然后在搜索窗Ω内取下一个像素重新判定,最终记录搜索窗Ω内所有在方向d上有贡献的像素个数m,并得到像素x的非局部均值滤波结果xNLmeans;
(5)对像素x进行改进的sigma滤波,得到改进的sigma滤波结果xsigma;
(6)将步骤(4)和(5)得到像素x的滤波结果xNLmeans和xsigma按比例相加,得到结合的滤波结果
其中a为比例值,表示为a=[1-m/(n×n)]2,(n×n)为搜索窗Ω的大小;
(7)对亮目标像素进行还原处理:
7b)如果像素x的位置不为步骤(1)判定的亮目标位置,则像素x的最终滤波结果
(8)对相干矩阵T各元素的逐个像素进行上述步骤(2)~(7)的滤波过程,完成对相干矩阵T的滤波,得到滤波后的相干矩阵T;
(9)用Pauli向量法将滤波后的相干矩阵T合成伪彩图。
2.根据权利要求书1所述的相干斑抑制方法,其中步骤(1)所述的用T矩阵中的元素T11和T22对T矩阵进行亮目标检测和保留,按如下步骤进行:
2a)将相干矩阵T表示为:
其中[A B C]=2[Shh+Svv Shh-Svv 2Shv],这里Shh表示h向发射和h向接收的回波数据,Svv表示v向发射和v向接收的回波数据,Shv表示h向发射v向接收的回波数据,AA*到CC*分别代表T11到T33九个元素,T11=AA*=|Shh+Svv|2T22=BB*=|Shh-Svv|2;
2c)使用3x3滑窗对T11的逐个像素进行扫描,当滑窗中9个像素中大于k1的个数超过TK时将此3x3区域视为亮目标区域,TK通常取5或6;
2d)对T22做与上述步骤2b)-2c)相同的处理,得到T22的亮目标区域;
2e)将T11和T22得到的亮目标区域的位置一起作为整个极化SAR数据T矩阵的亮目标位置。
3.根据权利要求书1所述的相干斑抑制方法,其中步骤(4)所述的使用像素y对像素x进行的非局部均值滤波,按如下步骤进行:
3a)分别以像素x和y为中心扩展出7x7的局部区域z(x)和z(y);
3b)分别找到区域z(x)和z(y)的坐标位置在span数据中所对应的区域z′(x)和z′(y),用该z′(x)和z′(y)计算z(x)和z(y)之间的相似度d(x,y):
其中z′i(x)和z′i(y)分别为区域z′(x)和z′(y)的第i个像素,n为7,σ为噪声方差;
3c)使用d(x,y)计算像素y对像素x的滤波结果:
4.根据权利要求书1所述的相干斑抑制方法,其中步骤(5)所述的对像素x进行改进的sigma滤波,按如下步骤进行:
4c)以像素x为中心确定7x7的区域,保留该区域内所有进入sigma范围的像素x1~xk,k为这些像素的总数,并求出这些像素的均值
4d)在span数据中,确定像素x坐标所对应的像素x′,并找到4c)中像素x1~xk的坐标所对应的span数据中的像素x′1~x′k,并求出span数据中像素x′1~x′k的均值和方差Var(x′);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102780442A CN101976433B (zh) | 2010-09-09 | 2010-09-09 | 一种对极化sar数据相干斑噪声的抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102780442A CN101976433B (zh) | 2010-09-09 | 2010-09-09 | 一种对极化sar数据相干斑噪声的抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101976433A true CN101976433A (zh) | 2011-02-16 |
CN101976433B CN101976433B (zh) | 2012-07-04 |
Family
ID=43576315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102780442A Active CN101976433B (zh) | 2010-09-09 | 2010-09-09 | 一种对极化sar数据相干斑噪声的抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101976433B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020919A (zh) * | 2013-01-09 | 2013-04-03 | 西安电子科技大学 | 基于非局部Lee的极化SAR相干斑噪声抑制方法 |
CN104103046A (zh) * | 2014-07-11 | 2014-10-15 | 中国人民解放军信息工程大学 | 一种极化sar图像的快速滤波处理方法 |
CN104240200A (zh) * | 2014-09-02 | 2014-12-24 | 西安电子科技大学 | 基于散射模型和非局部均值相结合的极化sar相干斑抑制方法 |
CN104463805A (zh) * | 2014-12-16 | 2015-03-25 | 西安电子科技大学 | 一种基于同质性显著度和方向选择的极化sar相干斑噪声抑制方法 |
CN104680180A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 基于k均值和稀疏自编码的极化sar图像分类方法 |
CN106483523A (zh) * | 2016-09-21 | 2017-03-08 | 中国科学院国家空间科学中心 | 一种全极化合成孔径雷达图像斑点噪声滤波方法 |
CN110646792A (zh) * | 2019-11-04 | 2020-01-03 | 中国人民解放军空军工程大学 | 一种基于观察哨数字望远镜的雷达搜索窗口设置方法 |
CN112200735A (zh) * | 2020-09-18 | 2021-01-08 | 安徽理工大学 | 一种基于火焰图像的温度识别方法以及低浓度瓦斯燃烧系统的控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1786735A (zh) * | 2004-12-09 | 2006-06-14 | 电子科技大学 | 一种雷达图像相干斑抑制技术 |
CN101126810A (zh) * | 2007-09-21 | 2008-02-20 | 北京航空航天大学 | 一种合成孔径雷达图像自适应斑点噪声抑制方法 |
CN101661611A (zh) * | 2009-09-25 | 2010-03-03 | 西安电子科技大学 | 基于贝叶斯非局部均值滤波器的实现方法 |
CN101727662A (zh) * | 2009-11-27 | 2010-06-09 | 西安电子科技大学 | Sar图像非局部均值去斑方法 |
-
2010
- 2010-09-09 CN CN2010102780442A patent/CN101976433B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1786735A (zh) * | 2004-12-09 | 2006-06-14 | 电子科技大学 | 一种雷达图像相干斑抑制技术 |
CN101126810A (zh) * | 2007-09-21 | 2008-02-20 | 北京航空航天大学 | 一种合成孔径雷达图像自适应斑点噪声抑制方法 |
CN101661611A (zh) * | 2009-09-25 | 2010-03-03 | 西安电子科技大学 | 基于贝叶斯非局部均值滤波器的实现方法 |
CN101727662A (zh) * | 2009-11-27 | 2010-06-09 | 西安电子科技大学 | Sar图像非局部均值去斑方法 |
Non-Patent Citations (2)
Title |
---|
《2009 IEEE》 20091231 Hua Zhong et al Bayesian Nonlocal Means Filter for SAR Image Despeckling 1096-1099 1-5 , 2 * |
《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 20090131 Jong-Sen Lee et al Improved Sigma Filter for Speckle Filtering of SAR Imagery 202-213 1-5 第47卷, 第1期 2 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020919B (zh) * | 2013-01-09 | 2015-06-03 | 西安电子科技大学 | 基于非局部Lee的极化SAR相干斑噪声抑制方法 |
CN103020919A (zh) * | 2013-01-09 | 2013-04-03 | 西安电子科技大学 | 基于非局部Lee的极化SAR相干斑噪声抑制方法 |
CN104103046A (zh) * | 2014-07-11 | 2014-10-15 | 中国人民解放军信息工程大学 | 一种极化sar图像的快速滤波处理方法 |
CN104103046B (zh) * | 2014-07-11 | 2017-01-04 | 中国人民解放军信息工程大学 | 一种极化sar图像的快速滤波处理方法 |
CN104240200B (zh) * | 2014-09-02 | 2017-06-06 | 西安电子科技大学 | 基于散射模型和非局部均值相结合的极化sar相干斑抑制方法 |
CN104240200A (zh) * | 2014-09-02 | 2014-12-24 | 西安电子科技大学 | 基于散射模型和非局部均值相结合的极化sar相干斑抑制方法 |
CN104463805A (zh) * | 2014-12-16 | 2015-03-25 | 西安电子科技大学 | 一种基于同质性显著度和方向选择的极化sar相干斑噪声抑制方法 |
CN104463805B (zh) * | 2014-12-16 | 2017-03-15 | 西安电子科技大学 | 一种基于同质性显著度和方向选择的极化sar相干斑噪声抑制方法 |
CN104680180A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 基于k均值和稀疏自编码的极化sar图像分类方法 |
CN104680180B (zh) * | 2015-03-09 | 2018-06-26 | 西安电子科技大学 | 基于k均值和稀疏自编码的极化sar图像分类方法 |
CN106483523A (zh) * | 2016-09-21 | 2017-03-08 | 中国科学院国家空间科学中心 | 一种全极化合成孔径雷达图像斑点噪声滤波方法 |
CN106483523B (zh) * | 2016-09-21 | 2018-12-04 | 中国科学院国家空间科学中心 | 一种全极化合成孔径雷达图像斑点噪声滤波方法 |
CN110646792A (zh) * | 2019-11-04 | 2020-01-03 | 中国人民解放军空军工程大学 | 一种基于观察哨数字望远镜的雷达搜索窗口设置方法 |
CN110646792B (zh) * | 2019-11-04 | 2022-04-12 | 中国人民解放军空军工程大学 | 一种基于观察哨数字望远镜的雷达搜索窗口设置方法 |
CN112200735A (zh) * | 2020-09-18 | 2021-01-08 | 安徽理工大学 | 一种基于火焰图像的温度识别方法以及低浓度瓦斯燃烧系统的控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101976433B (zh) | 2012-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101976433B (zh) | 一种对极化sar数据相干斑噪声的抑制方法 | |
CN102073989B (zh) | 融入pca的非局部均值的极化sar数据相干斑抑制方法 | |
CN103020919B (zh) | 基于非局部Lee的极化SAR相干斑噪声抑制方法 | |
CN101833753B (zh) | 基于改进贝叶斯非局部均值滤波器的sar图像去斑方法 | |
CN101982834B (zh) | 基于贝叶斯非局部均值的极化sar数据的相干斑抑制方法 | |
CN105759268A (zh) | 基于多线程的sar图像cfar自适应快速检测方法 | |
CN109741356A (zh) | 一种亚像素边缘检测方法及系统 | |
CN108765332A (zh) | 一种椭圆搜索窗口和参数自适应的非局部均值去噪方法 | |
CN105374017B (zh) | 一种结合极化分解向量统计分布的极化sar图像滤波方法 | |
CN104182945A (zh) | 基于非局部双边滤波的极化sar相干斑噪声抑制方法 | |
CN107194896A (zh) | 一种基于邻域结构的背景抑制方法和系统 | |
CN102323989B (zh) | 基于奇异值分解非局部均值的极化sar数据相干斑抑制方法 | |
CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
CN104240200B (zh) | 基于散射模型和非局部均值相结合的极化sar相干斑抑制方法 | |
CN102081799B (zh) | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 | |
CN115909256A (zh) | 基于道路视觉图像的道路病害检测方法 | |
CN101620728A (zh) | 一种基于自适应背景预测的红外背景抑制新方法 | |
CN103247025A (zh) | 基于圆形自适应模板的图像加权均值滤波方法 | |
CN109509201A (zh) | 一种sar图像质量评价方法和装置 | |
CN102903080A (zh) | 合成孔径雷达图像相干斑噪声抑制性能的非监督评估方法 | |
CN102446350A (zh) | 基于各向异性非局部均值的极化sar数据相干斑抑制方法 | |
CN104463805A (zh) | 一种基于同质性显著度和方向选择的极化sar相干斑噪声抑制方法 | |
CN103325090A (zh) | 一种相干斑抑制方法和装置 | |
CN102306379B (zh) | 基于形状自适应非局部均值的极化sar数据相干斑抑制方法 | |
CN110363105B (zh) | 一种全极化sar图像相干斑抑制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |