CN101982834B - 基于贝叶斯非局部均值的极化sar数据的相干斑抑制方法 - Google Patents

Abstract

本发明公开了一种基于贝叶斯非局部均值的极化SAR数据相干斑噪声抑制的方法，主要解决现有极化SAR滤波技术不能很好的滤除同质区域的相干斑噪声和不能有效保持边缘细节信息的缺点。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进行亮目标保持；(3)对相干矩阵T的逐个元素进行贝叶斯非局部均值滤波，滤波中使用的滤波权值由SPAN滤波操作中所得；(4)通过Pauli向量方法将滤波后的相干矩阵T生成伪彩图，以观察滤波的效果。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

基于贝叶斯非局部均值的极化SAR数据的相干斑抑制方法

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，但是在边缘和纹理的处理上，由于相干斑噪声的影响，这种滤波还是不能最好的区分相干斑噪声和边缘纹理信息，使有用的边缘纹理信息不能被完整的保留。

发明内容

本发明的目的在于克服上述已有技术的缺点，提出一种基于贝叶斯非局部均值的极化SAR数据的相干斑抑制方法，以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和保留；

(2)对相干矩阵T各元素的非亮目标像素进行如下贝叶斯非局部均值滤波：

2a)取T矩阵元素一个非亮目标像素x，以x为中心扩展出7x7的局部区域z(x)和2lx21的搜索窗Ω，在搜索窗Ω内取一个像素y，以y为中心扩展出7x7的局部区域z(y)；

2b)计算z(x)与z(y)之间的相似度d(x，y)：

$d(x,y)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}(\frac{z_m^{\′}\left(x\right)}{z_m^{\′}\left(y\right)}+\ln z_m^{\′}\left(y\right))$

z′_m(x)和z′_m(y)分别为z′(x)和z′(y)的第m个像素，M为区域的大小，值为7x7，z′(x)和z′(y)分别为区域z(x)和z(y)的坐标位置在span数据对应的区域；

2c)利用相似度d(x，y)计算z(x)与z(y)之间的权值w(x，y)：

$w(x,y)=e^{(-\frac{d(x,y)}{h^2})}$

h取0.3倍的噪声标准差；

2d)用搜索窗Ω内每个像素对应的7x7区域对z(x)进行加权滤波，滤波式为：

$\hat{z}=\frac{1}{C\left(x\right)}\underset{y\∈\mathrm{\Ω}}{\mathrm{\Σ}}w(x,y)z\left(y\right)$

为z(x)的滤波结果，C(x)为归一化函数表示为C(x)＝∑_y∈Ωw(x，y)；

2e)对T矩阵的每个元素的逐个像素进行上述步骤2a)-2d)的处理，得到滤波后的T矩阵元素；

(3)用Pauli向量法对滤波后的T矩阵合成伪彩图，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，由于结合了非局部均值滤波的思想，因而比现有的精制极化Lee滤波和改进的sigma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，由于使用针对乘性噪声的相似度测量函数，比起精制极化Lee滤波和改进的sigma滤波，能够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是本发明使用的两组原始极化SAR数据的图像；

图3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4是用本发明与精致极化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：

$\left[T\right]=\left[\begin{array}{ccc}{\mathrm{AA}}^{*}& {\mathrm{AB}}^{*}& {\mathrm{AC}}^{*}\\ {\mathrm{BA}}^{*}& {\mathrm{BB}}^{*}& {\mathrm{BC}}^{*}\\ {\mathrm{CA}}^{*}& {\mathrm{CB}}^{*}& {\mathrm{CC}}^{*}\end{array}\right]$

其中[A B C]＝[x_hh+S_vv s_hh-s_vv 2S_hv]，这里S_hh表示h向发射和h向接收的回波数据，S_vv表示v向发射和v向接收的回波数据，S_hv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^*＝|S_hh+S_vv|²，T22＝BB^*＝|S_hh-S_vv|²可知，通常它们有着较强的回波值，而T33为|S_hv|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；

1b)将T11的所有像素从小到大排列，取出第t个像素，得到该像素值k1，

n为T11像素总数；

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，并保留这些亮目标不被滤除。

步骤2，对相干矩阵T元素进行滤波。

这里仅介绍对相干矩阵T的T11元素进行滤波的过程，T矩阵其余元素的滤波过程与T11一致，不做赘述：

2a)取T11一个非亮目标像素x，以x为中心扩展出7x7的局部区域z(x)和21x21的搜索窗Ω；

2b)在T11搜索窗内取一个以像素y为中心的7x7区域z(y)，z(y)和z(x)之间的相似度权值w(x，y)用span数据进行计算，由于span＝|S_hh|²+2|S_hv|²+|S_vv|²，可以看出span数据含有所有极化SAR数据的极化特性，因此我们选取span数据来计算滤波权值。

2c)在span数据中找到两个区域z′(x)和z′(y)，T11的局部区域z(x)的坐标位置在span数据对应为区域z′(x)，T11搜索窗内的区域z(y)的坐标位置在span数据中对应为区域z′(y)；

2d)计算z(x)与z(y)之间的相似度d(x，y)：

$d(x,y)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}(\frac{z_m^{\′}\left(x\right)}{z_m^{\′}\left(y\right)}+\ln z_m^{\′}\left(y\right))$

M为区域的大小，值为7x7，z′_m(x)为span数据中z′(x)区域的第m个像素，而z′_m(y)为span数据中z′(y)区域的第m个像素；

2e)利用相似度d(x，y)计算z(x)与z(y)之间的权值w(x，y)：

$w(x,y)=e^{(-\frac{d(x,y)}{h^2})}$

h为可调节参数，当h取0.3倍的噪声标准差时滤波效果最好；

2f)用搜索窗Ω内每个像素对应的7x7区域对z(x)进行加权滤波，得到其滤波结果，滤波式为：

$\hat{z}=\frac{1}{C\left(x\right)}\underset{y\∈\mathrm{\Ω}}{\mathrm{\Σ}}w(x,y)z\left(y\right)$

为z(x)的滤波结果，C(x)为归一化函数表示为C(x)＝∑_v∈Ωw(x，y)；

2g)对T11的逐个像素进行上述步骤2a)-2f)的处理，得到滤波后的T11数据；

2h)对T矩阵的其余元素T12-T33进行与上述T11滤波步骤2a)-2g)同样的处理，得到整个滤波后的相干矩阵T。

步骤3，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，具体步骤如下：

3a)对滤波后的相干矩阵T的元素T22进行开平方处理：将|S_hh-S_vv|作为待合成伪彩图的红色分量R；

3b)对滤波后的相干矩阵T的元素T33进行开平方处理：

将|S_hv|作为待合成伪彩图的绿色分量G；

3c)对滤波后的相干矩阵T的元素T11进行开平方处理：

将|S_hh+S_vv|作为待合成伪彩图的蓝色分量B；

3d)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：本发明分别使用两组极化SAR数据做测试实验。第一组数据是加拿大Ottawa的区域，四视，来源于CONVAIR。第二组极化SAR数据是荷兰Flevoland省的区域，四视，来源于AIRSAR。

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

两组极化SAR数据如图2所示，其中图2(a)所示的第一组极化数据为加拿大Ottawa区域，图2(b)所示的第二组极化SAR数据为荷兰Flevoland省的一个局部区域。

(1)图3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3(a)为精致极化Lee滤波结果，图3(b)是改进的sigma滤波结果，图3(c)为本发明滤波结果。从图3(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3(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3(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。

(2)图4是用本发明与现有精致极化Lee滤波和改进的sigma滤波对第二组极化SAR数据的滤波结果，其中图4(a)是精致极化Lee滤波结果，图4(b)是改进sigma滤波结果，图4(c)是本发明滤波结果。从图4(c)可见，在区域1中，比起图4(a)中的精致极化Lee滤波结果和图4(b)中改进的sigma滤波结果，本发明的滤波结果在每条边缘处都很清晰，并且边缘之间没有粘连；在区域2中，有一条不明显的一个横边缘，在图4(a)和图4(b)中的滤波结果中几乎看不到这条边缘，而在图4(c)中可以明显的看到这条边缘；并且图4(c)在其余边缘处也比前面两幅更加平滑和清晰。

(3)计算图2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1所示：

表1：各滤波结果的等效视数ENL值

从表1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，本发明提出的对极化SAR数据的相干斑噪声的抑制方法，通过使用贝叶斯非局部均值思想和span数据计算滤波权值，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 (2)

1.一种基于贝叶斯非局部均值的极化SAR数据的相干斑抑制方法，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和保留：

1a)将相干矩阵T表示为：

$\left[T\right]=\left[\begin{array}{ccc}{\mathrm{AA}}^{*}& {\mathrm{AB}}^{*}& {\mathrm{AC}}^{*}\\ {\mathrm{BA}}^{*}& {\mathrm{BB}}^{*}& {\mathrm{BC}}^{*}\\ {\mathrm{CA}}^{*}& {\mathrm{CB}}^{*}& {\mathrm{CC}}^{*}\end{array}\right]$

其中[A B C]＝2[S_hh+S_vv S_hh-S_vv 2S_hv]，这里S_hh表示h向发射和h向接收的回波数据，S_vv表示v向发射和v向接收的回波数据，S_hv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^*＝|S_hh+S_vv|²，T22＝BB^*＝|S_hh-S_vv|²；

1b)将T11的所有像素从小到大排列，取出第t个像素，得到该像素值k1，n为T11像素总数；

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1b)-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，并保留这些亮目标不被滤除；

(2)对相干矩阵T各元素的非亮目标像素进行如下贝叶斯非局部均值滤波：

2a)取T矩阵元素一个非亮目标像素x，以像素x为中心扩展出7x7的局部区域z(x)和21x21的搜索窗Ω，在搜索窗Ω内取一个像素y，以像素y为中心扩展出7x7的局部区域z(y)；

2b)计算z(x)与z(y)之间的相似度d(x，y)：

$d(x,y)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}(\frac{z_m^{\′}\left(x\right)}{z_m^{\′}\left(y\right)}+\ln z_m^{\′}\left(y\right))$

z′_m(x)和z′_m(y)分别为z′(x)和z′(y)的第m个像素，M为区域的大小，值为7x7，z′(x)和z′(y)分别为区域z(x)和z(y)的坐标位置在span数据对应的区域，其中span＝|S_hh|²+2|S_hv|²+|S_vv|²；

2c)利用相似度d(x，y)计算z(x)与z(y)之间的权值w(x，y)：

$w(x,y)=e^{(-\frac{d(x,y)}{h^2})}$

h取0.3倍的噪声标准差；

2d)用搜索窗Ω内每个像素对应的7x7区域对z(x)进行加权滤波，滤波式为：

$\hat{z}\left(x\right)=\frac{1}{C\left(x\right)}\underset{y\∈\mathrm{\Ω}}{\mathrm{\Σ}}w(x,y)z\left(y\right)$

为z(x)的滤波结果，C(x)为归一化函数表示为C(x)＝∑_y∈Ωw(x，y)；

2e)对T矩阵的每个元素的逐个像素进行上述步骤2a)-2d)的处理，得到滤波后的T矩阵元素；

(3)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。

2.根据权利要求书1所述的相干斑抑制方法，其中步骤(3)所述的用Pauli向量法对滤波后的相干矩阵T合成伪彩图，按如下步骤进行：

3a)对滤波后的相干矩阵T的元素T22进行开平方处理：

将|S_hh-S_vv|作为待合成伪彩图的红色分量R；

3b)对滤波后的相干矩阵T的元素T33进行开平方处理：

将|S_hv|作为待合成伪彩图的绿色分量G；

3c)对滤波后的相干矩阵T的元素T11进行开平方处理：

将|S_hh+S_vv|作为待合成伪彩图的蓝色分量B；

3d)用R、G、B三个分量合成伪彩图。

Images