CN102129672A - 基于swt域改进粒子滤波的sar图像降斑方法 - Google Patents

Abstract

本发明公开了一种基于SWT域改进粒子滤波的SAR图像降斑方法，主要解决现有DWT域基本粒子滤波方法存在的统计建模精度低以及降班后图像边缘和纹理模糊等问题。其实现过程是：(1)将待降斑的空域图像变换到平稳小波域，并提取不同变换尺度和水平、垂直及对角方向下的SWT域图像组；(2)对SWT域的图像组，应用改进粒子滤波降斑方法进行降斑处理；(3)使用平稳小波逆变换将所得的降斑后的平稳小波域图像组变换到空域，该空域图像为最终降斑结果。本发明与现有的DWT域基本粒子滤波方法相比，结果稳定，降斑效果明显、图像纹理信息、单点目标以及边界保持效果显著，可用于目标检测和目标识别。

Description

基于SWT域改进粒子滤波的SAR图像降斑方法

技术领域

本发明属于图像处理技术领域，涉及图像降噪，可用于对SAR图像进行目标检测和目标识别。

背景技术

为了从SAR图像中获取成像区域的有关信息，必须对其进行有效的解译，而乘性斑点噪声的存在降低了目标的检测概率，阻碍了对SAR图像的进一步研究。因此抑制SAR图像相干斑的研究一直是SAR成像处理与图像分析中的一个重要课题，其关键是在去除斑点噪声的同时较好的保持图像的边缘及纹理信息。早期抑制SAR图像斑点噪声采用的方法为多视处理，但此方法同时会带来图像分辨率的降低。进一步的滤波方法则是空间滤波方法，如Lee、Kuan、Frost、Refined Lee等空域滤波器。90年代以后，小波变换以及多分辨分析方法被引入到SAR图像滤波处理领域之中。研究证明在小波域处理图像能够很好的保持图像的细节信息，因此基于小波的滤波方法受到了极大关注并广泛应用于图像处理领域。对于SAR图像，小波系数不可避免地受到噪声干扰，因此很难直接根据系数的大小来区别边缘与噪声，需要借助小波系数的统计特性来识别边缘，这也正是小波域阈值方法的局限性所在。

小波系数的统计模型选择及其参数估计对于基于贝叶斯理论的滤波方法来说至关重要。研究表明在各种模型中，广义高斯分布GGD能够更好的描述小波系数的统计特性，但贝叶斯估计处理中，当小波系数用广义高斯分布建模时，真实信号的小波系数很难得到闭环解从而限制了其应用。为解决这一问题，Dusan和Mihai提出了离散小波变换DWT域基本粒子滤波降斑方法DWT-PF，将基本粒子滤波引入SAR图像降斑处理，从而确定小波域中广义高斯分布参数并在此参数下依据最大后验概率准则选取最优粒子。粒子滤波多应用于雷达目标跟踪，其优势在于解决非线性、非高斯问题，对于非平稳、非高斯的SAR图像降斑，粒子滤波理论的引入为其问题的解决开辟了一条新的、有效的途径。Dusan和Mihai将粒子滤波应用于SAR降斑取得了较好的效果，验证了粒子滤波应用于SAR图像降斑处理领域的有效性。但经过对其方法的深入研究，可发现此方法采用的离散小波变换由于下采样操作具有移变性，相比于平稳小波变换SWT，并不利于图像的统计建模，而且粒子权值的计算与迭代过程存在偏差，无法实现最优粒子的选取，主要表现为降斑后图像边缘及纹理模糊。

发明内容

本发明的目的在于克服上述已有问题的缺点，提出了一种基于SWT域改进粒子滤波的SAR图像降斑方法，以解决基本粒子滤波降斑方法中存在的统计建模精度低以及降班后图像边缘及纹理模糊等问题。

为实现上述目的，本发明的实现步骤包括如下：

(1)使用平稳小波变换SWT将待降斑的空域图像变换到平稳小波变换SWT域，以提取不同变换尺度和水平、垂直及对角方向下的SWT域图像组；

(2)对所得的SWT域的待降斑图像组进行降斑处理：

2a)从所得的SWT域的待降斑图像组中按照SWT的变换尺度及方向信息依次选取变换尺度及方向信息相对应的SWT域待降斑图像；

2b)对所得的SWT域待降斑图像选取大小为7×7的滑动窗口；

2c)设定广义高斯分布形状参数v的取值范围为[0.5-2.5]，步进为0.1；

2d)利用广义高斯分布计算SWT域所取滑动窗口内图像的先验概率p(x)：

$p\left(x\right)=\frac{\mathrm{vc}({\mathrm{\σ}}_x,v)}{2\mathrm{\Γ}(1/v)}\exp (-{\left[c({\mathrm{\σ}}_x,v)\right|x-{\mathrm{\μ}}_x\left|\right]}^v)$

其中，v为广义高斯分布形状参数，c(σ_x，v)为广义高斯分布锐度参数；σ_x为SWT域所取滑动窗口内无斑点噪声图像的标准差；x为SWT域无噪平稳小波系数，μ_x为SWT域所取滑动窗口内无斑点噪声图像的均值，Γ(·)为伽玛函数；

2e)利用高斯分布计算SWT域所取滑动窗口内图像的似然概率p(y|x)：

$p\left(y\right|x)=\frac{1}{\sqrt{{2\mathrm{\π\σ}}^2}}\exp (-\frac{{(y-x)}^2}{2{\mathrm{\σ}}^2})$

其中，y为SWT域观测平稳小波系数，x为SWT域无噪平稳小波系数，σ²为SWT域所取滑动窗口内图像乘性斑点噪声的方差；

2f)对SWT域所取滑动窗口内图像的先验概率进行采样，以获取每组大小为7×7的M组粒子

式中，

为采样得到的一组粒子，m为采样得到的一组粒子的编号；

2g)在马尔可夫随机场MRF模型参数k的指导下，计算采样得到的各组粒子的权值w；

2h)记录采样得到的权值最大的一组粒子及其权值，并用所得的权值最大的一组粒子更新SWT域所取滑动窗口内的图像数据；

2i)更新迭代次数t：t＝t+1，并判断t是否超过设定的最大迭代次数T，如果超过T，则将T次迭代中权值最大的一组粒子及其权值存入粒子矩阵H；如果没超过T，返回步骤2d)；

2j)更新广义高斯分布参数v：v＝v+0.1，并判断v是否超过设定的取值范围，如果超过设定的取值范围，则从粒子矩阵H中提取权值最大的一组粒子，此组粒子即为SWT域所取滑动窗口内降斑后的图像；如果没超过设定的取值范围，将SWT域所取滑动窗口内的图像数据置为初始值，返回步骤2d)；

2k)判断滑动窗口是否遍历SWT域的待降斑图像，若遍历SWT域的待降斑图像，执行步骤2l)；若未遍历SWT域的待降斑图像，返回步骤2b)；

2l)判断SWT域待降斑图像组是否全部完成降斑处理，若已全部完成降斑处理，执行步骤3)；若未全部完成降斑处理，返回步骤2a)；

(3)使用平稳小波逆变换将所得的SWT域降斑后的图像组变换到空域，该空域图像为最终降斑结果。

本发明具有如下优点：

1)本发明由于利用GGD对SWT域待降斑图像的先验概率分布进行统计建模，以更好地描述待降斑图像的先验小波系数的重拖尾特性，从而提高统计建模的精度，解决基本PF降斑方法在DWT域中的统计建模精度低这一问题。

2)本发明由于在马尔可夫随机场MRF模型参数的指导下重新定义各组粒子的权值，以选取最接近真实分布的粒子，解决了基本PF降斑方法中粒子权值偏差所引起的降斑后图像边缘及纹理模糊这一问题，得到稳定的、更优的图像降斑结果。

仿真结果表明，本发明与现有的空域降斑方法R-Lee与基本粒子滤波降斑方法相比，在降斑效果、结构特征和边界保持、纹理信息保持和单点目标保持和等方面均体现出其优越的性能。

附图说明

图1是本发明基于SWT域改进粒子滤波的SAR图像降斑流程图；

图2是用广义高斯分布在DWT域和SWT域对图像先验概率分布的统计建

模精度比较图；

图3是本发明应用于模拟SAR图像的降斑结果图；

图4是本发明应用于Real SAR1图像的降斑结果图；

图5是本发明应用于Real SAR1图像的比值图；

图6是本发明应用于Real SAR2图像的降斑结果图；

图7是本发明应用于Real SAR3图像的降斑结果图。

具体实施方式

参照图1，本发明的具体实施过程如下：

步骤1.选取sym4为小波基，使用平稳小波变换对待降斑的空域图像进行变换尺度为2的小波变换，将所待降斑的空域图像变换到平稳小波域，提取不同变换尺度和水平、垂直及对角方向下的SWT域图像组；

步骤2.对所得的SWT域的待降斑图像组进行降斑处理

2a)从所得的SWT域的待降斑图像组中按照SWT的变换尺度及方向信息依次选取变换尺度及方向信息相对应的SWT域待降斑图像；

2b)对所得的SWT域待降斑图像选取大小为7×7的滑动窗口；

2c)设定广义高斯分布形状参数v的取值范围为[0.5-2.5]，步进为0.1；

2d)利用广义高斯分布计算SWT域所取滑动窗口内图像的先验概率p(x)：

$p\left(x\right)=\frac{\mathrm{vc}({\mathrm{\σ}}_x,v)}{2\mathrm{\Γ}(1/v)}\exp (-{\left[c({\mathrm{\σ}}_x,v)\right|x-{\mathrm{\μ}}_x\left|\right]}^v)$

其中，x为SWT域无噪平稳小波系数，μ_x为SWT域所取滑动窗口内无斑点噪声图像的均值，Γ(·)为伽玛函数，v为广义高斯分布形状参数，c(σ_x，v)为广义高斯分布锐度参数：

σ_x为SWT域所取滑动窗口内无斑点噪声图像的标准差，按下式计算：

${\mathrm{\σ}}_x={\mathrm{\μ}}_x\·\sqrt{(C_y^2-C_F^2{\·\mathrm{\ψ}}_l)/\left({\mathrm{\ψ}}_l(1+C_F^2)\right)}\·\sqrt{{\mathrm{\ψ}}_l},$

式中，μ_x为SWT域所取滑动窗口内无斑点噪声图像的均值，因斑点噪声已归一化，μ_x＝μ_y，μ_y为SWT域所取滑动窗口内观测图像的均值；

C_y为SWT域所取滑动窗口内观测图像的归一化标准差：C_y＝σ_y/m_y，

σ_y为SWT域所取滑动窗口内观测图像的标准差，m_y为空域对应窗口内观测图像的均值；

C_F为乘性斑点噪声F的归一化标准差，对于强度图像

对于幅度图像

L为等效视数；

Ψ_l为SWT滤波器的系数参数，

其中，g_k为SWT高通滤波器系数，h_k为SWT低通滤波器系数，l为SWT变换尺度。

2e)利用高斯分布计算SWT域所取滑动窗口内图像的似然概率p(y|x)：

$p\left(y\right|x)=\frac{1}{\sqrt{2{\mathrm{\π\σ}}^2}}\exp (-\frac{{(y-x)}^2}{2{\mathrm{\σ}}^2})$

其中，y为SWT域观测平稳小波系数，x为SWT域无噪平稳小波系数，σ²为SWT域所取滑动窗口内图像乘性斑点噪声的方差：

${\mathrm{\σ}}^2={\mathrm{\ψ}}_l{\mathrm{\μ}}_x^2{C}_F^2(1+(C_y^2-{\mathrm{\ψ}}_l{C}_F^2)/\left({\mathrm{\ψ}}_l(1+C_F^2)\right));$

2f)对SWT域所取滑动窗口内图像的先验概率进行采样，以获取每组大小为7×7的M组粒子

式中，

为采样得到的一组粒子，m为采样得到的一组粒子的编号；

2g)将SWT域所取滑动窗口内图像定义为马尔可夫随机场MRF邻域系统R：R＝{s+i，s+j}，式中，(s，s)表示MRF邻域系统R的中心像素点位置，i表示MRF邻域系统R中的像素点位置相对中心像素点位置的水平偏移，-3≤i≤3；j表示MRF邻域系统R中的像素点位置相对中心像素点为位置的垂直偏移，-3≤j≤3；

2h)计算MRF邻域系统的MRF模型参数k：

k＝[Q·Q^T]^-1[Q·(y(s，s)-μ_y)]

其中，Q＝col[(y(s+i，s+j)-μ_y)|(s+i，s+j)∈R]，col表示元素按列存放，μ_y为SWT域所取滑动窗口内观测图像的均值；

2i)将所得的MRF模型参数k作为采样得到的每组粒子中各个对应粒子的权值比重，计算采样得到的各组粒子的权值w：

$w_t^m=w_{t-1}^m\underset{j=-3}{\overset{3}{\mathrm{\Σ}}}\underset{i=-3}{\overset{3}{\mathrm{\Σ}}}(k(s+i,s+j)\frac{1}{\sqrt{{2\mathrm{\π\σ}}^2}}\exp (-\frac{{(y(s+i,s+j)-{\hat{x}}_t^m(s+i,s+j))}^2}{2{\mathrm{\σ}}^2})$

$\×\frac{\mathrm{vc}(v,{\mathrm{\σ}}_x)}{2\mathrm{\Γ}(1/v)}\exp (-[c(v,{\mathrm{\σ}}_x)|{\hat{x}}_t^m(s+i,s+j)-{\mathrm{\μ}}_x|{]}^v))$

其中，k(s+i，s+j)为MRF邻域系统R的MRF模型参数，即每组粒子中各个粒子的权值比重，t为迭代次数；

2j)记录采样得到的权值最大的一组粒子及其权值，并用所得的权值最大的一组粒子更新SWT域所取滑动窗口内的图像数据；

2k)更新迭代次数t：t＝t+1，并判断t是否超过设定的最大迭代次数T，如果超过T，则将T次迭代中权值最大的一组粒子及其权值存入粒子矩阵H；如果没超过T，返回步骤2d)；

2l)更新广义高斯分布参数v：v＝v+0.1，并判断v是否超过设定的取值范围，如果超过设定的取值范围，则从粒子矩阵H中提取权值最大的一组粒子，此组粒子即为SWT域所取滑动窗口内降斑后的图像；如果没超过设定的取值范围，将SWT域所取滑动窗口内的图像数据置为初始值，返回步骤2d)；

2m)判断滑动窗口是否遍历SWT域的待降斑图像，若遍历SWT域的待降斑图像，执行步骤2n)；若未遍历SWT域的待降斑图像，返回步骤2b)；

2n)判断SWT域待降斑图像组是否全部完成降斑处理，若已全部完成降斑处理，执行步骤3)；若未全部完成降斑处理，返回步骤2a)；

步骤3.使用平稳小波逆变换将所得的SWT域降斑后的图像组变换到空域，该空域图像为最终降斑结果。

本发明效果可以通过以下实验进一步证实：

1.实验条件和内容

实验仿真环境为：MATLAB R2009b，Intel(R)Pentium(R)2 CPU 2.5 GHz，Window XP Professional。

实验内容包括：

1)分别利用GGD对DWT域待降斑图像的先验概率分布和SWT域待降斑图像的先验概率分布进行统计建模，以验证在SWT域中对待降斑图像的先验概率分布所建统计模型能够更好地描述待降斑图像的先验小波系数的重拖尾特性。该实验结果如图2，其中图2(a)是降斑后SAR图像，图2(b)是SAR-TEST经SWT后在对角方向上2尺度图像的直方图及其统计模型分布曲线，图2(c)是SAR-TEST经DWT后在对角方向上2尺度图像的直方图及其统计模型分布曲线。

2)分别应用空域降斑方法R-Lee、DWT域基本粒子滤波降斑方法和本发明对模拟SAR图像和真实SAR图像进行降斑。该实验结果如图3、图4、图5和图6所示，其中图3(a)是含乘性斑点噪声的模拟SAR图像，图3(b)是R-Lee方法的降斑结果，图3(c)是DWT域基本粒子滤波降斑方法的降斑结果，图3(d)是本发明的降斑结果；图4(a)是含乘性斑点噪声的真实SAR图像，图4(b)是R-Lee方法的降斑结果，图4(c)是DWT域基本粒子滤波降斑方法的降斑结果，图4(d)是本发明的降斑结果；图5(a)是含乘性斑点噪声的真实SAR图像，图5(b)是R-Lee方法的降斑结果，图5(c)是DWT域基本粒子滤波降斑方法的降斑结果，图5(d)是本发明的降斑结果；图6(a)是含乘性斑点噪声的真实SAR图像，图6(b)是R-Lee方法的降斑结果，图6(c)是DWT域基本粒子滤波降斑方法的降斑结果，图6(d)是本发明的降斑结果。

3)为验证降斑图像质量，本发明选取比值图、等效视数ENL、边缘保持指数EKI、点目标保持指数PPI和均值MEAN作为性能指标参数，评价降斑效果和图像的边缘、点目标和后向反射系数保持情况。该实验结果如图7、表1和表2所示，其中图7(a)是R-Lee方法的降斑结果的比值图，图7(b)是DWT域基本粒子滤波降斑方法的降斑结果的比值图，图7(c)是本发明的降斑结果的比值图；表1是是用现有空域经典降斑方法R-Lee、现有基本粒子滤波降斑方法和本发明对模拟SAR图像的降斑结果的降斑效果与平均后向散射系数保持情况比较；表2是是用现有空域经典降斑方法R-Lee、现有基本粒子滤波降斑方法和本发明对真实SAR图像的降斑结果的降斑效果与平均后向散射系数保持情况比较；表3是是用现有空域经典降斑方法R-Lee、现有基本粒子滤波降斑方法和本发明对真实SAR图像的降斑结果的边缘和点目标保持性能比较。

表1三种方法对模拟SAR图像降斑效果与后向散射系数保持情况比较

表2三种方法对真实SAR图像降斑效果与后向散射系数保持情况比较

表3三种方法对真实SAR图像降斑后边缘和点目标保持性能比较

2.实验结果分析

2.1)由图2可以看出相对于DWT域中的统计建模，在SWT域利用GGD对图像的先验小波系数进行统计建模时，其模型分布曲线与直方图吻合度更好，即统计模型精度更高；

2.2)从图3、图4、图5和图6可以看到，本发明在降斑效果、边缘和纹理保持情况上均优于现有R-Lee方法和DWT域基本粒子滤波降斑方法。在本发明的降斑结果中，同质区域更加平滑，体现了本发明降斑效果的优越性；而且点目标所在场景锐化比较高，边缘锐化度较强，图像的强弱细节信息和结构特征能够得到更好的保持。这是由于本发明在SWT域对图像的先验分布进行统计建模更为精确且避免了吉布斯效应，而且在确定粒子权重的环节中，本发明在马尔可夫随机场MRF模型参数k的指导下，重新定义各组粒子的权值w，解决了基本粒子滤波降斑方法中存在的权值定义偏差这一问题，从而能够选取最为接近真实分布的粒子。

2.3)从图7可以看出，本发明的降斑结果的比值图更为接近一幅含纯斑点噪声的图像，未体现待降斑的空域图像的边缘信息，由此可以表明本发明的降斑结果在边缘保持上的效果更为优越；由表1和表2可以看出本发明在降斑效果和后向反射系数保持情况上均优于现有R-Lee方法和DWT域基本粒子滤波降斑方法。由表3可以看出本发明在点目标保持和边缘保持上效果均优于现有R-Lee方法和DWT域基本粒子滤波降斑方法。这是由于本发明在SWT域对图像的先验分布进行统计建模更为精确且避免了吉布斯效应，而且在确定粒子权重的环节中，本发明在马尔可夫随机场MRF模型参数k的指导下，重新定义各组粒子的权值w，解决了基本粒子滤波降斑方法中存在的权值定义偏差这一问题，从而能够选取最为接近真实分布的粒子。

Claims (4)

1.一种基于SWT域改进粒子滤波的SAR图像降斑方法，包括如下步骤：

(1)使用平稳小波变换SWT将待降斑的空域图像变换到平稳小波变换SWT域，以提取不同变换尺度和水平、垂直及对角方向下的SWT域图像组；

(2)对所得的SWT域的待降斑图像组进行降斑处理：

2a)从所得的SWT域的待降斑图像组中按照SWT的变换尺度及方向信息依次选取变换尺度及方向信息相对应的SWT域待降斑图像；

2b)对所得的SWT域待降斑图像选取大小为7×7的滑动窗口；

2c)设定广义高斯分布形状参数v的取值范围为[0.5-2.5]，步进为0.1；

2d)利用广义高斯分布计算SWT域所取滑动窗口内图像的先验概率p(x)：

$p\left(x\right)=\frac{\mathrm{vc}({\mathrm{\σ}}_x,v)}{2\mathrm{\Γ}(1/v)}\exp (-{\left[c({\mathrm{\σ}}_x,v)\right|x-{\mathrm{\μ}}_x\left|\right]}^v)$

其中，v为广义高斯分布形状参数，c(σ_x，v)为广义高斯分布锐度参数；σ_x为SWT域所取滑动窗口内无斑点噪声图像的标准差；x为SWT域无噪平稳小波系数，μ_x为SWT域所取滑动窗口内无斑点噪声图像的均值，Γ(·)为伽玛函数；

2e)利用高斯分布计算SWT域所取滑动窗口内图像的似然概率p(y|x)：

$p\left(y\right|x)=\frac{1}{\sqrt{{2\mathrm{\π\σ}}^2}}\exp (-\frac{{(y-x)}^2}{2{\mathrm{\σ}}^2})$

其中，y为SWT域观测平稳小波系数，x为SWT域无噪平稳小波系数，σ²为SWT域所取滑动窗口内图像乘性斑点噪声的方差；

2f)对SWT域所取滑动窗口内图像的先验概率进行采样，以获取每组大小为7×7的M组粒子

式中，

为采样得到的一组粒子，m为采样得到的一组粒子的编号；

2g)在马尔可夫随机场MRF模型参数k的指导下，计算采样得到的各组粒子的权值w；

2h)记录采样得到的权值最大的一组粒子及其权值，并用所得的权值最大的一组粒子更新SWT域所取滑动窗口内的图像数据；

2i)更新迭代次数t：t＝t+1，并判断t是否超过设定的最大迭代次数T，如果超过T，则将T次迭代中权值最大的一组粒子及其权值存入粒子矩阵H；如果没超过T，返回步骤2d)；

2j)更新广义高斯分布参数v：v＝v+0.1，并判断v是否超过设定的取值范围，如果超过设定的取值范围，则从粒子矩阵H中提取权值最大的一组粒子，此组粒子即为SWT域所取滑动窗口内降斑后的图像；如果没超过设定的取值范围，将SWT域所取滑动窗口内的图像数据置为初始值，返回步骤2d)；

2k)判断滑动窗口是否遍历SWT域的待降斑图像，若遍历SWT域的待降斑图像，执行步骤2l)；若未遍历SWT域的待降斑图像，返回步骤2b)；

2l)判断SWT域待降斑图像组是否全部完成降斑处理，若已全部完成降斑处理，执行步骤3)；若未全部完成降斑处理，返回步骤2a)；

(3)使用平稳小波逆变换将所得的SWT域降斑后的图像组变换到空域，该空域图像为最终降斑结果。

2.根据权利要求1所述方法，其中步骤2d)所述的利用广义高斯分布计算SWT域所取滑动窗口内图像的先验概率p(x)，是在给定广义高斯分布形状参数v的情况下，依据SWT域所取滑动窗口内图像的局部统计特性求取广义高斯分布锐度参数c(σ_x，v)，按下式计算：

$c({\mathrm{\σ}}_x,v)={\mathrm{\σ}}_x^{-1}\sqrt{\mathrm{\Γ}(3/v)/\mathrm{\Γ}(1/v)}$

其中，σ_x为SWT域所取滑动窗口内无斑点噪声图像的标准差：

${\mathrm{\σ}}_x={\mathrm{\μ}}_x\·\sqrt{(C_y^2-C_F^2{\·\mathrm{\ψ}}_l)/\left({\mathrm{\ψ}}_l(1+C_F^2)\right)}\·\sqrt{{\mathrm{\ψ}}_l},$

式中，μ_x为SWT域所取滑动窗口内无斑点噪声图像的均值，因斑点噪声已归一化，μ_x＝μ_y，μ_y为SWT域所取滑动窗口内观测图像的均值；

C_y为SWT域所取滑动窗口内观测图像的归一化标准差：C_y＝σ_y/m_y，σ_y为SWT域所取滑动窗口内观测图像的标准差，m_y为空域对应窗口内观测图像的均值；

C_F为乘性斑点噪声F的归一化标准差，对于强度图像

对于幅度图像

L为等效视数；

Ψ_l为SWT滤波器的系数参数，

其中，g_k为SWT高通滤波器系数，h_k为SWT低通滤波器系数，l为SWT变换尺度。

3.根据权利要求1所述方法，其中步骤2e)所述的利用高斯分布计算SWT域所取滑动窗口内图像的似然概率p(y|x)，是依据SWT域所取滑动窗口内图像的局部统计特性求取此似然概率的分布参数：SWT域所取滑动窗口内图像的乘性斑点噪声的方差σ²，按下式计算：

${\mathrm{\σ}}^2={\mathrm{\ψ}}_l{\mathrm{\μ}}_x^2{C}_F^2(1+(C_y^2-{\mathrm{\ψ}}_l{C}_F^2)/\left({\mathrm{\ψ}}_l(1+C_F^2)\right)).$

4.根据权利要求1所述方法，其中步骤2g)所述的在马尔可夫随机场MRF模型参数k的指导下，计算采样得到的各组粒子的权值w，是按如下步骤：

4a)将SWT域所取滑动窗口内图像定义为马尔可夫随机场MRF邻域系统R：R＝{s+i，s+j}，式中，(s，s)表示MRF邻域系统R的中心像素点位置，i表示MRF邻域系统R中的像素点位置相对中心像素点位置的水平偏移，-3≤i≤3；j表示MRF邻域系统R中的像素点位置相对中心像素点为位置的垂直偏移，-3≤j≤3；

4b)计算MRF邻域系统的MRF模型参数k：

k＝[Q·Q^T]^-1[Q·(y(s，s)-μ_y)]

其中，Q＝col[(y(s+i，s+j)-μ_y)|(s+i，s+j)∈R]，col表示元素按列存放，μ_y为SWT域所取滑动窗口内观测图像的均值；

4c)将所得的MRF模型参数k作为采样得到的每组粒子中各个对应粒子的权值比重，计算采样得到的各组粒子的权值w：

$w_t^m=w_{t-1}^m\underset{j=-3}{\overset{3}{\mathrm{\Σ}}}\underset{i=-3}{\overset{3}{\mathrm{\Σ}}}(k(s+i,s+j)\frac{1}{\sqrt{{2\mathrm{\π\σ}}^2}}\exp (-\frac{{(y(s+i,s+j)-{\hat{x}}_t^m(s+i,s+j))}^2}{2{\mathrm{\σ}}^2})$

$\×\frac{\mathrm{vc}(v,{\mathrm{\σ}}_x)}{2\mathrm{\Γ}(1/v)}\exp (-[c(v,{\mathrm{\σ}}_x)|{\hat{x}}_t^m(s+i,s+j)-{\mathrm{\μ}}_x|{]}^v))$

其中，k(s+i，s+j)为MRF邻域系统R的MRF模型参数，即每组粒子中各个粒子的权值比重，t为迭代次数。

Images