CN102073992B - 一种高分辨率sar卫星图像相干斑去噪方法 - Google Patents

Abstract

一种高分辨率SAR卫星图像相干斑去噪方法，通过分析相干斑噪声统计特性，基于小波模极大值及李氏指数理论，利用空间相关处理技术识别SAR图像中的有用信号和相干斑噪声，从而在不损失边缘信息的同时，较大程度衰减相干斑噪声，同时对小波多分辨率分析造成的“漂移”现象进行了校正，增强了去噪能力，提高了处理速度，利用本发明能够识别SAR图像中的有用信号和相干斑噪声作用，在不损失边缘信息的同时，较大程度衰减相干斑噪声，同时对小波多分辨率分析造成的“漂移”现象进行了校正，增强了去噪能力，提高了处理速度。

Description

一种高分辨率SAR卫星图像相干斑去噪方法

技术领域

本发明涉及一种高分辨率SAR卫星图像相干斑去噪方法，高分辨率SAR卫星遥感影像处理技术领域。

背景技术

对SAR图像质量影响最大的相干斑噪声与成像系统噪声形成的物理过程有着本质的不同，其性质有显著的差别。SAR图像中主要反映地面目标的后向散射特性。一般来说，SAR系统的分辨单元比信号的波长要大很多，场景目标的一个雷达分辨单元则可看作是由大量的散射点组成的。在理想情况下，这些散射点的回波为球面波。在球面上，其幅度处处相等。由于这些散射单元出自于同一分辨单元之内，合成孔径雷达无法将它们区分开来。合成孔径雷达的接收信号是这些散射点回波的相干叠加，每个散射单元回波的相位和它们与雷达的距离及散射物质的特性相关，因此导致接收信号的强度并不完全由地物目标的散射系数决定，而是围绕着散射系数的值有很大的随机起伏。这使得对于具有均匀散射系数的区域，它的SAR图像中并不具有均匀的强度，仍然呈现出很强的噪声表现，即相干斑噪声，也叫做斑点噪声。

SAR图像固有的相干斑噪声严重影响了对图像的解析、判读及后期应用，在噪声强度较大时，甚至会导致目标特性淹没在噪声中无法提取。因而对SAR图像进行后续处理前，必须进行相干斑去噪，以提高图像质量。

目前已有的相干斑噪声抑制算法可分为三类：一是早期经典的多视处理方法；二是空域去噪算法；三是变换域去噪算法。多视处理方法在一定程度上降低了图像质量，随着SAR应用领域的不断扩展，多视处理方法几乎不能满足其对空间分辨能力的要求。空域算法在均匀区域能够取得较好的去噪效果，但非均匀区域因边界效应会被模糊和过平滑，从而损失图像细节。变换域相干斑去噪方法就是利用真实图像与相干斑、噪声在变换域的不同表现进行甄别和区分处理，达到去除噪声目的的算法。其代表性的算法有：傅立叶变换去噪、独立分量分析(ICA：Independent Component-Analysis)去噪和小波分析去噪。中国发明专利《一种SAR图像自适应去噪和特征增强方法》(申请号：201010210108.5申请日：2010-06-24)公开的其步骤为：对原SAR图像先进行对数运算再进行ME-curvelet变换再采用改进的PSO算法参照提出的评价准则对改进的增益函数中的参数进行自适应选择和优化，最后采用改进的增益函数对ME-curvelet系数进行非线性变换，并进行ME-curvelet逆变换和指数变换，得到最终的去噪和特征增强后的SAR图像，采用该方法能够在增强特征的同时去除噪声，并降低处理的复杂度，取得较好的SAR图像去噪和特征增强效果；发明专利《基于隐马尔科夫树模型的SAR图像去噪方法》(申请号：200910023171.5申请日：2009-07-02)较好地保持了SAR图像的细节和纹理信息，减少SAR图像同质区域内斑点噪声；还有发明专利《基于自适应多尺度BANDELET包的SAR图像去噪压缩方法》(申请号：200810232708.4申请日：2008-12-19)、《基于NSCT域边缘检测和Bishrink模型的SAR图像去噪方法》(申请号：201010225442.8申请日：2010-07-12)、《基于轮廓波域块隐马尔可夫模型SAR图像去噪方法》(申请号：200910023788.7申请日：2009-09-04)、《一种基于二维混合变换的SAR回波信号去噪预处理方法》(申请号：200910083345.7申请日：2009-05-04)、《基于非下采样轮廓波的合成孔径雷达图像去噪方法》(申请号：200910020952.9申请日：2009-01-16)、《基于多尺度积和主成分分析的SAR图像变化检测方法》(申请号：200910023637.1申请日：2009-08-19)、《基于方向波域混合高斯模型的SAR图像噪声抑制方法》(申请号：200910023789.1申请日：2009-09-04)、《基于独立成分分析基图像的合成孔径雷达图像消噪方法》(申请号：200710046928.3申请日：2007-10-11)等，都是采用变换域去噪算法。

小波变换具有良好的时频分析特性，在图像去噪领域有着广泛应用前景。利用小波模极大值进行去噪，有着传统算法和一般小波变换去噪方法难以实现的优势，由于小波模极大值可分析突变点的奇异特性，因此能将噪声与图像轮廓等高频有用信息区分开，从而达到去噪且不丢失高频有用信息的目的。

发明内容

本发明的目的是针对背景技术提出的问题，提供一种高分辨率SAR卫星图像相干斑去噪方法，通过分析相干斑噪声统计特性，基于小波模极大值及李氏指数理论，利用空间相关处理技术识别SAR图像中的有用信号和相干斑噪声，从而在不损失边缘信息的同时，较大程度衰减相干斑噪声，同时对小波多分辨率分析造成的“漂移”现象进行了校正，增强了去噪能力，提高了处理速度，利用本发明能够识别SAR图像中的有用信号和相干斑噪声作用，在不损失边缘信息的同时，较大程度衰减相干斑噪声，同时对小波多分辨率分析造成的“漂移”现象进行了校正，增强了去噪能力，提高了处理速度。

本发明的技术方案是：一种高分辨率SAR卫星图像相干斑去噪方法，它是通过以下技术方案实现的，包括如下步骤：

(1)对SAR图像数据进行二进小波变换；

(2)对小波系数进行模极大值搜索；

(3)利用模极大值进行平滑处理以去除噪声，产生空间相关滤波的参考信号；

(4)进行空域相关处理；

(5)对处理后的小波系数进行重构，得到去噪后的信号；

如上所述的一种高分辨率SAR卫星图像相干斑去噪方法，其特征在于：所述步骤(1)中，对SAR图像进行不同尺度因子的小波分解，实现对图像信号的多分辨率分析，同时，为减少运算量，不直接由小波运算式求取行、列维的小波系数，而是采用正方块二维正交小波基的分解式，由Mallat快速算法计算出二维图像的概貌信息、行方向小波系数、列方向小波系数和对角小波系数；

如上所述的一种高分辨率SAR卫星图像相干斑去噪方法，其特征在于：所述步骤(2)中，对图像小波系数进行模极大值搜索，得到的行、列维度的小波系数的模极大值指示了图像被平滑后的拐点位置；

如上所述的一种高分辨率SAR卫星图像相干斑去噪方法，其特征在于：所述步骤(3)中，利用模极大值对图像进行平滑处理以去除噪声，首先进行相邻尺度的小波模极大值匹配，然后对搜索到的模极大值进行识别，对有用信号产生的模极大值在尺度间进行“漂移”校正，产生空间相关滤波的参考信号；

如上所述的一种高分辨率SAR卫星图像相干斑去噪方法，其特征在于：所述步骤(4)中，进行空域相关处理，将小波系数与相关因子比较，区分噪声与有用信号成分，保留有用信号，去除噪声；所述相关因子为其中，m、n为像素坐标，j为尺度，k＝2，3，4。

本发明的有益效果是：

(1)采用模极大值处理理论，对小波系数中的噪声和有用信号成分进行了识别和区分处理，使去噪算法在去除高频噪声的同时，不损失高频信号成分。

(2)对有用信号成分产生的模极大值，在尺度间进行了“漂移”校正，使得空域相关系数更为准确地反映噪声和有用信号的分布。从而避免为达到需求精度而进行的迭代计算和相应的噪声强度估计，大大减少了计算量，提高算法的稳健性。

(3)将小波系数与相关因子比较，区分噪声与有用信号成分。与在各尺度使用固定阈值处理小波系数的做法相比，本发明的方法更好的保留了小波系数的结构，减少了信号失真。

附图说明

图1是本发明实施例数据处理流程图；

图2是本发明实施例使用的原始SAR图像

图3是图2中局部A部分放大图；

图4是本发明实施例去噪处理结果图；

图5是图4中局部B放大图；

图6是采用Lee去噪方法的处理结果图；

图7是采用Frost去噪方法的处理结果图；

图8是小波阀值去噪方法处理结果图；

图9是采用本发明去噪方法处理结果图。

具体实施方式

以下结合附图对本发明实施例进一步说明：

如附图1所示，为本发明对高分辨率SAR卫星图像进行相干斑去噪的数据处理流程图，利用本方法，进行SAR图像相干斑去噪的处理流程如下：

1)对SAR图像数据f(x，y)进行最大尺度为J的二进小波变换

由下述公式(1)～(4)，得到各尺度的小波系数

其中j＝1，2，…，J为二进尺度因子，m，n为二维图像的时移因子，k＝1，2，3，4，分别对应f(x，y)的概貌信息(尺度系数)、行方向小波系数、列方向小波系数和对角方向的小波系数。

${\mathrm{\α}}_{i,l}^j=\underset{k,m}{\mathrm{\Σ}}{h}_1(k-2i)h_0(m-2l)p_{k,m}^{j-1}---\left(1\right)$

${\mathrm{\β}}_{i,l}^j=\underset{k,m}{\mathrm{\Σ}}{h}_0(k-2i)h_1(m-2l)p_{k,m}^{j-1}---\left(2\right)$

${\mathrm{\γ}}_{i,l}^j=\underset{k,m}{\mathrm{\Σ}}{h}_1(k-2i)h_1(m-2l)p_{k,m}^{j-1}---\left(3\right)$

$p_{i,l}^j=\underset{k,m}{\mathrm{\Σ}}{h}_0(k-2i)h_0(m-2l)p_{k,m}^{j-1}---\left(4\right)$

2)对小波系数进行模极大值搜索

二维图像的行、列二个维度的小波系数对应于图像数据被核函数θ(x，y)平滑后取梯度的结果。因此行、列维度的小波系数的模极大值指示了图像被平滑后的拐点位置。利用这一性质，在各尺度上利用

依据式(5)、(6)求解小波变换模M_j(m，n)和幅角A_j(m，n)，并李氏指数进行模极大值搜索；

求小波变换模和二维平面的幅角：

$M_j(m,n)=\sqrt{{\left|W_j^{\left(2\right)}(m,n)\right|}^2+{\left|W_j^{\left(3\right)}(m,n)\right|}^2}---\left(5\right)$

$A_j(m,n)=\left\{\begin{array}{cc}{\mathrm{\&alpha;}}_j(m,n)& W_j^{\left(2\right)}(m,n)\&GreaterEqual;0\\ \mathrm{\&pi;}-{\mathrm{\&alpha;}}_j(m,n)& W_j^{\left(2\right)}(m,n)<0\end{array}\right.---\left(6\right)$

其中 ${\mathrm{\&alpha;}}_j(m,n)={\tan }^{-1}\left(\frac{W_j^{\left(3\right)}(m,n)}{W_j^{\left(2\right)}(m,n)}\right).$

小波变换系数的模值变化和信号的李氏指数是相互关联的。可以证明，f(x，y)在

的一个有界区域内是一致Lipschitzα的，当且仅当存在K＞0使得对该区域内的一切点(u_x，u_y)及任意尺度2^j，满足：

|Mf(u_x，u_y，2^j)|≤K2^j(α+1)    (7)

一般来说，函数在某一点的李氏指数α表征了该点的奇异性大小，α越大，该点的平滑度越高；α越小，该点的奇异性越大。举例来说，对于阶跃函数，α＝0；对于脉冲函数，α＝-1；对于光滑程度在阶跃信号和可导信号之间的点，0≤α≤1；而对于白噪声，-1＜α＜0。

3)令j＝1，通过计算，生成该尺度小波系数的参考信号Wref_j(m，n)；

a)相邻尺度的小波模极大值匹配

依据j+1尺度的模极大值位置，在j尺度小波系数上确定搜索范围，搜索与j+1尺度模极大值对应的极大值。

由小波变换的性质知，小波的时频窗口大小随尺度成比例变化，即小波分析的分辨率由尺度变化而变化。这导致信号边缘在尺度间产生了“漂移”现象，“漂移”程度随2^j变化。因此对于时域具有紧支集的小波基，在j尺度上的搜索窗口宽度可定为2×2^j，即搜索区间为以为中心的、长宽为2×2^j大小的正方形区域。

因此，在j尺度的搜索区间内找出对应j+1尺度的模极大值。

b)对搜索到的模极大值进行识别

一般认为SAR图像中有用信号产生的模极大值的李氏指数满足0≤α≤1，即2≤2^α+1≤4。由式(7)可推导，|M_j+1(m_i，n_i)|/|M_j(m′_i，n′_i)|≈2^α+1，其中(m_i，n_i)为j+1尺度第i个极大值的像素坐标，(m′_i，n′_i)为j尺度中与之对应的模极大值的像素坐标。因此两者的幅度比在区间[2，4]内且符号相同，则认为j尺度中搜索到的极大值和j+1尺度的极大值同对应于SAR图像有用信息。如果前面j尺度中搜索到的模极大值中有多个符合条件，则选择与j+1尺度的极大值同符号且模值最大的一个。否则认为是噪声产生的模极大值。

c)消除“漂移”现象，平滑噪声，产生空间相关滤波的参考信号Wref_j(m，n)。

如果j+1尺度的模极大值在j尺度中找到对应值，且两者都是由有用信息产生，则将j+1尺度的模极大值周围2×2^j大小的区域移位，使其与j尺度的模极大值在像素坐标上对齐，消除“漂移”。移位数据存入Wref_j(m，n)。

如果j+1尺度的小波极大值在j尺度中没有对应值，或者对应值是由相干斑噪声产生，则对j+1尺度的模极大值周围2×2^j大小的区域移位进行平滑，以移除这个“伪”极大值。平滑后数据存入Wref_j(m，n)。

在j+1尺度的小波系数上对所有极大值进行处理后，在非极大值邻域区间的系数原样复制到Wref_j(m，n)。

处理后的Wref_j(m，n)在信号主导的区域内，与

相关性强，在噪声主导的区域内，相关性弱。

4)空域相关处理

计算空域相关因子

${\mathrm{Corr}}_j^{\left(k\right)}(m,n)=W_j^{\left(k\right)}(m,n)\&CenterDot;{\mathrm{Wref}}_i(m,n)---\left(8\right)$

其中，(m，n)为像素坐标，j为尺度，k＝2，3，4，对应行方向小波系数、列方向小波系数和对角方向的小波系数。k＝1对应的概貌信息主要为低频信号，相干斑成分较少，因此不对它进行上述处理，以免增大图像的模糊程度。

将相关因子能量归一化，得到：

${\mathrm{Corr}}_j^{\left(k\right)\&prime;}(m,n)={\mathrm{Corr}}_j^{\left(k\right)}(m,n)\sqrt{{\mathrm{PW}}_j^{\left(k\right)}/{\mathrm{PCorr}}_j^{\left(k\right)}}---\left(9\right)$

其中 ${\mathrm{PW}}_j^{\left(k\right)}=\underset{m,n}{\mathrm{\&Sigma;}}{W}_j^{\left(k\right)}{(m,n)}^2,$ ${\mathrm{PCorr}}_j^{\left(k\right)}=\underset{m,n}{\mathrm{\&Sigma;}}{\mathrm{Corr}}_j^{\left(k\right)}{(m,n)}^2$

逐点比较

和如果 ${\mathrm{Corr}}_j^{\left(k\right)\&prime;}(m_0,n_0)>W_j^{\left(k\right)}(m_0,n_0),$ 则认为两者在(m₀，n₀)点相关性强，为信号有用成分主导，将其保留；否则，则认为是相干斑噪声主导，将其清零。处理后的信号存为

5)令j＝j+1，重复运行步骤3)～5)，直到所有尺度处理完毕；

6)对处理后的小波系数

进行重构，即得去噪后的信号。

图4、图5是本发明方法去噪处理结果图，作为比较，图6至图8列出了空域算法中的Lee、Frost和小波阈值去噪算法处理结果。从去噪效果上看，Lee、Frost算法去噪效果不显著，大量相干斑噪声没有去除，而本发明方法见图9可知，在非目标区域将相干斑噪声很大程度地模糊、弱化，提高了信噪比；从保留信号边缘结构上看，图9中本发明方法保留的铁塔轮廓较为清晰，甚至输电导线的阴影也能够精细显示，未出现明显展宽模糊。而小波阈值去噪算法(图8)中，图像出现了明显的模糊，铁塔影像难以和周围背景清晰分离。

为了更客观的评价算法的性能，使用两个指标对各去噪算法的相干斑抑制程度、细节模糊失真程度进行定量分析。

采用等效视数ENL衡量去噪算法的相干斑抑制程度。等效视数是用来测量SAR图像中相干斑噪声的相对强度：

$\mathrm{ENL}=\frac{{\mathrm{\&mu;}}^2}{{\mathrm{\&sigma;}}^2}---\left(10\right)$

其中，μ为图像均值，σ为图像的标准差。等效视数越大说明图像去相干斑效果越好。

采用边缘保持指数EKI衡量去噪算法的边缘保持能力。边缘保持指数用来描述滤波算法使图像边缘信息发生失真的程度：

$\mathrm{EKI}=\frac{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{G}_i^{\&prime;}}{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{G}_i}---\left(11\right)$

其中，G_i和G′_i分别为滤波前后在窗口i的边缘的灰度值梯度的最大值。m为取样窗口的数目。

算法指标对比如表1所示。

表1  相干斑去噪算法性能比较

由表可见，无论在相干斑抑制能力或有用信号保持能力上，本发明方法都强于其它算法。这主要归功于小波变换的多分辨能力，以及消除“漂移”效应的小波模极大值算法充分利用尺度间小波系数相关性区分有用信息和相干斑噪声的优点。

Claims (1)

1.一种高分辨率SAR卫星图像相干斑去噪方法，它是通过以下技术方案实现的，包括如下步骤：

（1）对SAR图像数据进行二进小波变换；

（2）对小波系数进行模极大值搜索；

（3）利用模极大值进行平滑处理以去除噪声，产生空间相关滤波的参考信号；

（4）进行空域相关处理；

（5）对处理后的小波系数进行重构，得到去噪后的信号；

所述步骤(1)是对SAR图像进行不同尺度因子的小波分解，实现对图像信号的多分辨率分析，同时，为减少运算量，不直接由小波运算式求取行、列维的小波系数，而是采用正方块二维正交小波基的分解式，由Mallat快速算法计算出二维图像的概貌信息、行方向小波系数、列方向小波系数和对角小波系数；

所述步骤（2）是对图像小波系数进行模极大值搜索，得到的行、列维度的小波系数的模极大值指示了图像被平滑后的拐点位置；

所述步骤（3）是利用模极大值对图像进行平滑处理以去除噪声，首先进行相邻尺度的小波模极大值匹配，然后对搜索到的模极大值进行识别，对有用信号产生的模极大值在尺度间进行“漂移”校正，产生空间相关滤波的参考信号；

所述步骤（4）是进行空域相关处理，将小波系数与相关因子比较，区分噪声与有用信号成分，保留有用信号，去除噪声；所述相关因子为                                                

，其中，m、n为像素坐标，j为尺度，k=2,3,4。

Images