CN102368332A - 基于nsct域局部高斯模型的sar图像降斑方法 - Google Patents
基于nsct域局部高斯模型的sar图像降斑方法 Download PDFInfo
- Publication number
- CN102368332A CN102368332A CN2011103664759A CN201110366475A CN102368332A CN 102368332 A CN102368332 A CN 102368332A CN 2011103664759 A CN2011103664759 A CN 2011103664759A CN 201110366475 A CN201110366475 A CN 201110366475A CN 102368332 A CN102368332 A CN 102368332A
- Authority
- CN
- China
- Prior art keywords
- image
- spot
- sub
- contourlet
- high frequency
- 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)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于NSCT域局部高斯模型的SAR图像降斑方法,它涉及SAR图像处理技术领域,包括如下步骤:1.输入待降斑SAR图像;2.非下采样Contourlet变换;3.高频系数收缩;4.对低频子带系数和估计的无噪图像Contourlet高频各方向子带系数进行非下采样Contourlet逆变换,得到降斑后SAR图像;5.输出降斑后SAR图像。本发明对SAR图像同质区域抑斑效果优良,同时能够有效保持图像结构和纹理信息以及SAR图像的辐射特性。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及一种基于非下采样Contourlet域(NSCT)局部高斯模型的合成孔径雷达(SAR)图像降斑方法。本发明可用于合成孔径雷达图像的相干斑抑制。
背景技术
SAR图像抑斑的关键在于有效去除均匀场景中的斑点噪声的同时,尽可能保留图像中边缘和纹理特征,以及保持图像的雷达辐射特性。随着多分辨分析理论的发展,频域滤波被广泛应用于SAR图像抑斑,常见的有基于平稳小波(SWT)、非下采样轮廓波(NSCT)的方法。
西安电子科技大学在其专利申请“基于SWT域改进粒子滤波的SAR图像降班方法”(专利申请号:201110060825.9,公开号:CN102129672A)中提出了一种基于SWT域改进粒子滤波的SAR图像降斑方法。该方法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水平、垂直和对角方向下的SWT域图像,对其应用改进粒子滤波降斑方法进行降斑处理,然后将得到的降斑后小波域图像进行逆变换得到最终的降斑图像。该方法虽然能够解决已有方法降斑后图像边缘和纹理模糊等问题,但仍然存在的不足是,小波变换只能描述点奇异性,却不能有效地刻画图像中的二维线奇异性,会损失部分细节信息。
西安电子科技大学在其专利申请“基于NSCT域边缘检测和Bishrink模型的SAR图像去噪方法”(专利申请号:201010225442.8,公开号:CN101901476A)中提出了一种基于NSCT域边缘检测和Bishrink模型的SAR图像去噪方法。该方法对选取的SAR图像进行非下采样Contourlet变换,用Bishrink模型对第3~6层的子带系数进行收缩,然后进行逆变换得到重构图像,检测重构图像的边缘,对边缘检测后的图像进行均值滤波得到滤波后图像,对输入图像和滤波后图像相减获得的差值图像进行非线性各向异性扩散,得到去噪后的图像。该方法存在的不足是,通过指数运算将乘性噪声转换成加性噪声,不能够较好地保持SAR图像的辐射特性,此外,此方法还需假设图像的先验信息,给后续处理带来不便。
发明内容
本发明的目的在于克服上述已有技术的不足,提出了一种基于非下采样Contourlet(NSCT)域局部高斯模型的SAR图像降斑方法。本发明可以去除均匀场景中的斑点噪声,同时能够有效保持结构和纹理信息以及原图像的辐射特性。
本发明实现的具体步骤包括如下:
(1)输入待降斑SAR图像;
(2)非下采样Contourlet变换
2a)按照下式,将SAR图像的乘性噪声转化为加性噪声:
I=RX=X+(R-1)X=X+N
其中,I为所观测到的被噪声污染的图像强度,R为相干斑,其均值为1,X为地物的真实后向散射强度,N为将要滤除的加性噪声;
2b)进行非下采样Contourlet变换,获得Contourlet变换低频子带系数和高频方向子带系数;
(3)高频系数收缩
3a)保持低频子带系数不变;
3b)利用降斑后图像与无噪图像之间的最小均方误差,按下式求解权重系数;
ak=[θk(y)Tθk(y)]-1{θk(y)Ty-σ2div[θk(y)]}
其中,ak为权重系数,[θk(y)Tθk(y)]-1为逆运算符号,θk(y)T为θk(y)的转置,θk(y)为阈值函数,k=1,2……K,K的取值范围为1~100,y为输入的待降斑图像Contourlet变换高频方向子带系数,σ为噪声标准差,div为求导运算;
3c)按照下式对高频方向子带系数进行收缩,得到估计的无噪图像Contourlet高频各方向子带系数:
其中,F(y)为估计的无噪图像Contourlet高频各方向子带系数,∑为求和运算,ak为权重系数,θk(y)为阈值函数,k=1,2……K,K的取值范围为1~100;
(4)对低频子带系数和估计的无噪图像Contourlet高频各方向子带系数进行非下采样Contourlet逆变换,得到降斑后SAR图像;
(5)输出降斑后SAR图像。
本发明与现有的技术相比具有以下优点:
第一,本发明利用NSCT变换方法,与现有技术中的小波变换相比,NSCT变换具有多尺度、多方向和平移不变性,能够更好地稀疏表示具有直线和曲线奇异性的边缘,因此本发明相比现有的小波变换方法可以更有效地保持图像的边缘和细节信息,从而提高了图像的降斑效果。
第二,本发明利用非对数加性模型将SAR图像的乘性噪声转化为加性噪声,相比现有技术中的对数变换方法,本发明能够更有效地保持SAR图像的辐射特性,图像的降斑效果明显增强。
第三,本发明利用最小均方误差,对降斑后图像的Contourlet系数进行估计,相比现有技术,不需要为原始图像假设统计模型,实现过程简单。
附图说明
图1为本发明的流程图;
图2为本发明与现有技术对测试图像Bedfordshire的降斑效果对比图;
图3为本发明与现有技术对测试图像House track的降斑效果对比图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,本发明的具体实施步骤如下:
步骤1,输入待降斑SAR图像。
步骤2,非下采样Contourlet变换。
首先,按照下式,将SAR图像的乘性噪声转化为加性噪声:
I=RX=X+(R-1)X=X+N
其中,I为所观测到的被噪声污染的图像强度,R为相干斑,其均值为1,X为地物的真实后向散射强度,N为将要滤除的加性噪声;
其次,进行非下采样Contourlet变换,获得Contourlet变换低频子带系数和高频方向子带系数;
一般非下采样Contourlet变换分解层数为3-6层,本发明的实施例中,我们把分解层数选为4层,具体的Contourlet变换方法为:
第一步,将待降斑图像输入非下采样的塔形滤波器组,得到待降斑图像的一层Contourlet分解的低频子带系数和带通信号;
第二步,将带通信号输入非下采样的方向滤波器组,得到待降斑图像一层Contourlet分解的高频方向子带系数,高频方向子带数目为2N,其中,N为正整数;
第三步,将低频子带系数作为新的输入源图像,重复上述第一步和第二步,完成所选取的非下采样Contourlet变换分解层数的变换,得到待降斑图像Contourlet分解的低频子带系数和高频方向子带系数。
步骤3,高频系数收缩。
本发明对Contourlet变换后的高频各方向子带系数用SURE-LET方法进行收缩,得到估计的无噪图像Contourlet高频各方向子带系数,具体实现步骤如下:
首先,保持低频子带系数不变。
其次,利用降斑后图像与无噪图像之间的最小均方误差,按下式求解权重系数;
ak=[θk(y)Tθk(y)]-1{θk(y)Ty-σ2div[θk(y)]}
其中,ak为权重系数,[θk(y)Tθk(y)]-1为逆运算符号,θk(y)T为θk(y)的转置,θk(y)为阈值函数,k=1,2……K,K的取值范围为1~100,y为输入的待降斑图像Contourlet变换高频方向子带系数,σ为噪声标准差,div为求导运算;阈值函数按照下式取得:
最后,按照下式对高频方向子带系数进行收缩,得到估计的无噪图像Contourlet高频各方向子带系数:
其中,F(y)为估计的无噪图像Contourlet高频各方向子带系数,∑为求和运算,ak为权重系数,θk(y)为阈值函数,k=1,2……K,K的取值范围为1~100;阈值函数按照下式取得:
步骤4,对低频子带系数和估计的无噪图像Contourlet高频各方向子带系数进行非下采样Contourlet逆变换,得到降斑后SAR图像;
步骤5,输出降斑后SAR图像。
下面结合图2、图3的仿真效果对本发明做进一步的描述。
1.仿真条件
本发明的仿真是在主频2.33GHZ的Intel(R)Core(TM)2Duo、内存2GB的硬件环境和MATLAB R2008a的软件环境下进行的。
2.仿真内容
图2为仿真试验中本发明与现有技术对测试图像Bedfordshire的降斑效果对比图,其中,图2(a)为待降斑的SAR图像,其大小为256×256,是从英国Bedfordshire地区的一幅X波段的3m分辨率的SAR图像中截取出来的。图2(b)为现有技术中采用Lee滤波方法对待降斑的SAR图像进行降斑的结果图,图2(c)为现有技术中采用Gamma-MAP滤波方法对待降斑的SAR图像进行降斑的结果图,图2(d)为现有技术中采用小波软阈值方法对待降斑的SAR图像进行降斑的结果图,图2(e)为本发明方法对待降斑的SAR图像进行降斑的结果图。
图3为仿真实验中本发明与现有技术对测试图像House track的降斑效果对比图,其中,图3(a)为待降斑的SAR图像,其大小为256×256,是从新墨西哥州House track地区的一副Ku波段的1m分辨率的SAR图像中截取出来的。图3(b)为现有技术中采用Lee滤波方法对待降斑的SAR图像进行降斑的结果图,图3(c)为现有技术中采用Gamma-MAP滤波方法对待降斑的SAR图像进行降斑的结果图,图3(d)为现有技术中采用小波软阈值方法对待降斑的SAR图像进行降斑的结果图,图3(e)为本发明方法对待降斑的SAR图像进行降斑的结果图。
3.仿真结果分析
图2和图3为本发明与现有技术对测试图像Bedfordshire和House track的降斑效果对比图。从图2(b)、图3(b)可以看出,现有技术中的Lee滤波方法对图像的斑点噪声虽然进行了较好的平滑,但边界模糊。从图2(c)、图3(c)可以看出,现有技术中的Gamma-MAP滤波方法得到的降斑结果,图像右下方的纹理区出现过平滑现象,从而丢失了部分细节信息。从图2(d)、图3(d)可以看出,现有技术中的小波软阈值方法的降斑结果均匀区域不够平滑。从图2(e)、图3(e)可以看出,本发明方法能较好地保持点目标和边缘等细节信息,相比现有技术,均匀区域的平滑性更好,综上所述,本发明方法可以有效去除斑点噪声,同时还可以有效保持图像的边缘和点目标等细节特征。
下表是图2(a)和图3(a)中标出的5个均匀区域采用不同降斑方法对应的等效视数。
区域1 | 区域2 | 区域3 | 区域4 | 区域5 | |
待降斑SAR图像 | 2.90 | 3.13 | 2.49 | 9.96 | 14.05 |
Lee滤波方法 | 10.74 | 13.98 | 13.84 | 38.35 | 81.40 |
Gamma-MAP滤波方法 | 20.52 | 31.11 | 51.07 | 73.12 | 202.23 |
小波软阈值方法 | 11.24 | 15.34 | 9.81 | 58.65 | 153.21 |
本发明 | 63.11 | 147.62 | 79.85 | 169.94 | 382.23 |
从上表可以看出,本发明得到的等效视数都比现有技术Lee滤波、Gamma-MAP滤波、小波软阈值方法得到的等效视数大,等效视数值越大,说明降斑效果越好,可见本发明在SAR图像降斑上比现有技术表现出更好的效果。
下表是两幅待降斑图像采用不同降斑方法得到的比值图像的均值和方差。
从上表可以看出,本发明所得到的比值图像的均值和方差相比现有技术Lee滤波、Gamma-MAP滤波、小波软阈值方法得到的比值图像的均值和方差更接近于理想值。比值图像的均值反映了抑斑算法对图像辐射特性保持程度,比值图像的均值越接近理想值,说明降斑后图像辐射特性保持越好。比值图像方差反映了降斑方法对原始图像的边缘和纹理的保留程度,比值图像方差越接近理想值说明降斑后图像边缘和纹理保留越好。所以,从上表可以看出,本发明相比现有技术能够更好地保持原图像的辐射特性以及边缘和纹理信息。
Claims (4)
1.一种基于NSCT域局部高斯模型的SAR图像降斑方法,包括如下步骤:
(1)输入待降斑SAR图像;
(2)非下采样Contourlet变换
2a)按照下式,将SAR图像的乘性噪声转化为加性噪声:
I=RX=X+(R-1)X=X+N
其中,I为所观测到的被噪声污染的图像强度,R为相干斑,其均值为1,X为地物的真实后向散射强度,N为将要滤除的加性噪声;
2b)进行非下采样Contourlet变换,获得Contourlet变换低频子带系数和高频方向子带系数;
(3)高频系数收缩
3a)保持低频子带系数不变;
3b)利用降斑后图像与无噪图像之间的最小均方误差,按下式求解权重系数;
ak=[θk(y)Tθk(y)]-1{θk(y)Ty-σ2div[θk(y)]}
其中,ak为权重系数,[θk(y)Tθk(y)]-1为逆运算符号,θk(y)T为θk(y)的转置,θk(y)为阈值函数,k=1,2……K,K的取值范围为1~100,y为输入的待降斑图像Contourlet变换高频方向子带系数,σ为噪声标准差,div为求导运算;
3c)按照下式对高频方向子带系数进行收缩,得到估计的无噪图像Contourlet高频各方向子带系数:
其中,F(y)为估计的无噪图像Contourlet高频各方向子带系数,∑为求和运算,ak为权重系数,θk(y)为阈值函数,k=1,2……K,K的取值范围为1~100;
(4)对低频子带系数和估计的无噪图像Contourlet高频各方向子带系数进行非下采样Contourlet逆变换,得到降斑后SAR图像;
(5)输出降斑后SAR图像。
2.根据权利要求1所述的基于NSCT域局部高斯模型的SAR图像降斑方法,其特征在于:步骤(2)所述的非下采样Contourlet变换分解层数为3-6层。
3.根据权利要求1所述的基于NSCT域局部高斯模型的SAR图像降斑方法,其特征在于:步骤2b)所述的Contourlet变换方法为:
第一步,将待降斑图像输入非下采样的塔形滤波器组,得到待降斑图像的一层Contourlet分解的低频子带系数和带通信号;
第二步,将带通信号输入非下采样的方向滤波器组,得到待降斑图像一层Contourlet分解的高频方向子带系数,高频方向子带数目为2N,其中,N为正整数;
第三步,将低频子带系数作为新的输入源图像,重复上述第一步和第二步,完成所选取的非下采样Contourlet变换分解层数的变换,得到待降斑图像Contourlet分解的低频子带系数和高频方向子带系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110366475 CN102368332B (zh) | 2011-11-17 | 2011-11-17 | 基于nsct域局部高斯模型的sar图像降斑方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110366475 CN102368332B (zh) | 2011-11-17 | 2011-11-17 | 基于nsct域局部高斯模型的sar图像降斑方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102368332A true CN102368332A (zh) | 2012-03-07 |
CN102368332B CN102368332B (zh) | 2013-04-17 |
Family
ID=45760893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110366475 Active CN102368332B (zh) | 2011-11-17 | 2011-11-17 | 基于nsct域局部高斯模型的sar图像降斑方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102368332B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413279A (zh) * | 2013-08-24 | 2013-11-27 | 西安电子科技大学 | 基于ad-nsct算法的sar图像去噪方法 |
CN103473559A (zh) * | 2013-09-08 | 2013-12-25 | 西安电子科技大学 | 基于nsct域合成核的sar图像变化检测方法 |
CN107730463A (zh) * | 2017-09-30 | 2018-02-23 | 西安电子科技大学 | 基于变尺度空陷斩波和背景滤波的sar图像增强方法 |
CN108717698A (zh) * | 2018-05-28 | 2018-10-30 | 深圳市唯特视科技有限公司 | 一种基于深度卷积生成对抗网络的高质量图像生成方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566688A (zh) * | 2009-06-05 | 2009-10-28 | 西安电子科技大学 | 基于邻域方向性信息的sar图像降斑方法 |
CN101950413A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于非下采样Contourlet域MRF模型的SAR图像降斑方法 |
-
2011
- 2011-11-17 CN CN 201110366475 patent/CN102368332B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566688A (zh) * | 2009-06-05 | 2009-10-28 | 西安电子科技大学 | 基于邻域方向性信息的sar图像降斑方法 |
CN101950413A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于非下采样Contourlet域MRF模型的SAR图像降斑方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413279A (zh) * | 2013-08-24 | 2013-11-27 | 西安电子科技大学 | 基于ad-nsct算法的sar图像去噪方法 |
CN103413279B (zh) * | 2013-08-24 | 2016-02-10 | 西安电子科技大学 | 基于ad-nsct算法的sar图像去噪方法 |
CN103473559A (zh) * | 2013-09-08 | 2013-12-25 | 西安电子科技大学 | 基于nsct域合成核的sar图像变化检测方法 |
CN107730463A (zh) * | 2017-09-30 | 2018-02-23 | 西安电子科技大学 | 基于变尺度空陷斩波和背景滤波的sar图像增强方法 |
CN107730463B (zh) * | 2017-09-30 | 2021-02-12 | 西安电子科技大学 | 基于变尺度空陷斩波和背景滤波的sar图像增强方法 |
CN108717698A (zh) * | 2018-05-28 | 2018-10-30 | 深圳市唯特视科技有限公司 | 一种基于深度卷积生成对抗网络的高质量图像生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102368332B (zh) | 2013-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tania et al. | A comparative study of various image filtering techniques for removing various noisy pixels in aerial image | |
Hou et al. | SAR image despeckling based on nonsubsampled shearlet transform | |
CN102496153B (zh) | 基于小波域中字典学习的sar图像相干斑抑制方法 | |
CN101540042B (zh) | 基于第二代曲线波变换的sar图像相干斑抑制方法 | |
CN101901476A (zh) | 基于NSCT域边缘检测和Bishrink模型的SAR图像去噪方法 | |
CN102509263B (zh) | 基于sar图像局部统计特性的k-svd相干斑抑制方法 | |
CN101639537B (zh) | 基于方向波域混合高斯模型的sar图像噪声抑制方法 | |
CN104616255B (zh) | 基于乳腺x线图像的自适应增强方法 | |
Mafi et al. | Denoising of ultrasound images affected by combined speckle and Gaussian noise | |
CN102368332B (zh) | 基于nsct域局部高斯模型的sar图像降斑方法 | |
Zhang et al. | SAR image despeckling using edge detection and feature clustering in bandelet domain | |
Jai Jaganath Babu et al. | Non‐subsampled contourlet transform based image Denoising in ultrasound thyroid images using adaptive binary morphological operations | |
CN103295204A (zh) | 一种基于非下采样轮廓波变换的图像自适应增强方法 | |
CN103454622A (zh) | 基于稀疏约束的宽带雷达目标复回波去噪方法 | |
CN103310414B (zh) | 基于方向波变换和模糊理论的图像增强方法 | |
CN102722879A (zh) | 基于目标提取和三维块匹配去噪的sar图像去斑方法 | |
CN108428221A (zh) | 一种基于shearlet变换的邻域双变量阈值去噪方法 | |
CN104240201A (zh) | 基于群-轮廓小波变换断口图像去噪和增强方法 | |
CN101950413B (zh) | 基于非下采样Contourlet域MRF模型的SAR图像降斑方法 | |
CN110738675B (zh) | 一种探地雷达图像边缘检测中去除伪影干扰的方法 | |
CN102722878A (zh) | 基于目标提取和ppb算法的sar图像去斑方法 | |
Garg et al. | Segmentation‐based MAP despeckling of medical ultrasound images in shearlet domain based on normal inverse Gaussian distribution | |
CN103310429B (zh) | 基于方向波域的隐马尔可夫树模型的图像增强方法 | |
Zhang et al. | Bayesian-based speckle suppression for SAR image using contourlet transform | |
Cheng et al. | Image denoising based on hybrid fourier and neighborhood wavelet coefficients |
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 |