CN102446350A - 基于各向异性非局部均值的极化sar数据相干斑抑制方法 - Google Patents

Abstract

本发明公开了一种基于各向异性非局部均值的极化SAR数据相干斑抑制方法，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数据的协方差矩阵C；(2)对span数据进行局部多项式逼近估计，将估计值使用置信区间交叉规则选择获得八边形各向异性邻域；(3)对协方差矩阵C的逐个元素进行各向异性非局部均值滤波；(4)通过Sinclair向量方法将滤波后的协方差矩阵C合成伪彩图，以显示观察滤波的效果。本发明与现有技术相比显著提高了极化SAR数据相干斑抑制的能力，能够有效的平滑同质区域和保持边缘细节信息以及极化相关性，可用于极化SAR数据的预处理过程。

Description

基于各向异性非局部均值的极化SAR数据相干斑抑制方法

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噪声抑制方法，该方法可用于对极化SAR数据的相干斑噪声抑制。

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，相干斑的抑制成为一个经久不衰的研究课题。对于极化SAR数据，相干斑抑制的目的在于能够在抑制相干斑的同时且保持数据的极化特性，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。

4)非局部均值滤波在自然图像的去噪上已经取得了显著的效果，但是原有的非局部均值滤波是在整个搜索窗各向同性的前提下做的，这样并不是很符合图像的特性，尤其在极化SAR数据中由于各种特征信息非常丰富，在一个区域的各个方向上的相似性并不一致，因此在使用各向同性的非局部均值滤波时造成了边缘的模糊以及一些原有信息的丢失，使有用的边缘信息和纹理信息不能很好的保留。

发明内容

本发明的目的在于克服上述已有技术的缺点，提出一种基于各向异性非局部均值的极化SAR数据的相干斑抑制方法，通过使用各向异性的搜索窗，以在极化SAR数据相干斑抑制的过程中提高滤波精度，使得在在滤除相干斑的同时能很好的保持边缘纹理细节信息和极化信息，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3×3的协方差矩阵C，并使用协方差矩阵C中的第一行第一列元素C11和第三行第三列元素C33对协方差矩阵C进行亮目标检测和保留；

(2)获得协方差矩阵C各元素非亮目标像素的各向异性邻域：

2a)取协方差矩阵C的第一行第一列元素C11、第二行第二列元素C22和第三行第三列元素C33获得span数据，span＝C11+C22+C33；

2b)预先定义一个尺度空间H＝[1，2，3，5，7，9，11]和方向空间θ＝{θ_k}，θ_k＝(k-1)π/4，k＝1，2，K，8，采用一维方向的LPA核

使用局部多项式逼近LPA估计出span数据的像素x的估计值

${\hat{x}}_{h_j,{\mathrm{\θ}}_k}={\mathrm{\Σ}}_s\left(g_{h_j,{\mathrm{\θ}}_k}(x,s)\right)z_s\left(x\right)$

其中，

表示尺度空间h_j和方向空间θ_k上的LPA核函数，h_j表示尺度空间H的第j个空间，j＝1，2，K，J，J＝7，θ_k表示方向空间θ上的第k个方向，z_s(x)表示以x为中心扩展成为h_j×h_j大小窗口的第s个像素；

2c)取得各个尺度和方向上的置信区间

$D_{j,{\mathrm{\θ}}_k}=[{\hat{x}}_{h_j,{\mathrm{\θ}}_k}-{\mathrm{\Γ\σ}}_{h_j,{\mathrm{\θ}}_k},{\hat{x}}_{h_j,{\mathrm{\θ}}_k}+{\mathrm{\Γ\σ}}_{h_j,{\mathrm{\θ}}_k}]$

其中，

为

的标准差，Γ为门限系数，取值为0.8；

2d)取所述置信区间

的交集

$I_{j,{\mathrm{\θ}}_k}=I{D}_{j,{\mathrm{\θ}}_k}$

其中，j表示尺度空间H第j个空间，θ_k表示方向空间θ上的第k个方向；

2e)使用置信区间交叉规则ICI选择出8个方向上LPA对x像素的估计值对应的最佳窗口尺度

其中j⁺∈j，并满足

表示空集，即第j⁺个尺度为最佳的尺度；

2f)由各个方向上的最佳尺度组成一个八边形的区域称其为像素x的各向异性邻域；

2g)将所述span数据中x像素的各向异性邻域

作为整个协方差矩阵C各元素对应位置像素的各向异性邻域。

(3)将所得的各向异性邻域作为非局部均值滤波的搜索窗，利用非局部均值滤波算法对极化SAR协方差矩阵C进行滤波；

(4)用Sinclair向量法将滤波后的协方差矩阵C合成伪彩图，以显示观察滤波的效果。

本发明具有如下优点：

a)本发明在极化SAR协方差矩阵C的滤波过程中，通过局部多项式逼近-置信区间相交规则LPA-ICI获得每个像素对应的各向异性邻域，去除了搜索窗内与待估计像素无关的像素，提高了非局部均值滤波的精度，因而比原有的非局部均值滤波，滤波结果在滤除相干斑的同时能很好的保持边缘纹理细节信息，极化相关性以及极化信息。

b)本发明在极化SAR协方差矩阵C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，改进sigma滤波，滤波结果更加的平滑。

c)本发明在极化SAR协方差矩阵C的滤波过程中，由于使用span数据来获取协方差矩阵C各个元素的各向异性邻域和计算协方差矩阵C各个元素的滤波权重，因而很好的保持了数据的极化相关性和数据的原有极化特性，保证滤波后协方差矩阵C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ICI规则图和各向异性邻域；

图3是本发明使用的两组原始极化SAR数据的图像；

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数据协方差矩阵C的亮目标进行检测并保留。

1a)使用极化SAR处理软件PolSARpro_v4.03从极化SAR数据中，读取获得极化SAR数据的协方差矩阵C；

1b)将协方差矩阵C表示为：

$\left[C\right]=\left[\begin{array}{ccc}{\left|S_{\mathrm{hh}}\right|}^2& \sqrt{2}{S}_{\mathrm{hh}}{S}_{\mathrm{hv}}^{*}& {S_{\mathrm{hh}}S}_{\mathrm{vv}}^{*}\\ \sqrt{2}{S}_{\mathrm{hv}}{S}_{\mathrm{hh}}^{*}& 2{\left|S_{\mathrm{hv}}\right|}^2& \sqrt{2}{S}_{\mathrm{hv}}{S}_{\mathrm{vv}}^{*}\\ S_{\mathrm{vv}}{S}_{\mathrm{hh}}^{*}& \sqrt{2}{S}_{\mathrm{vv}}{S}_{\mathrm{hv}}^{*}& {\left|S_{\mathrm{vv}}\right|}^2\end{array}\right]$

其中，

表示S_vv的复共轭转置，

表示S_hh的复共轭转置，

表示S_hv的复共轭转置，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，h表示水平方向，v表示垂直方向，|S_hh|²表示协方差矩阵C的C11元素，

表示协方差矩阵C的C12元素，

表示协方差矩阵C的C13元素，

表示协方差矩阵C的C21元素，2|S_hv|²表示协方差矩阵C的C22元素，表示协方差矩阵C的C23元素，

表示协方差矩阵C的C31元素，

表示协方差矩阵C的C32元素，|S_vv|²表示协方差矩阵C的C33元素；

由C11＝|S_hh|²，C33＝|S_vv|²可知，通常C11和C22有着较强的回波值，而C22为

它的回波值通常很小，因此本实施只用元素C11和C22来检测并保留亮目标；

1c)将协方差矩阵C的第一行第一列元素C11的所有像素从小到大排列，取出第t个像素，得到该像素值p，

N为C11像素总数；

1d)使用3×3滑窗对协方差矩阵C的第一行第一列元素C11的逐个像素进行扫描，当滑窗中9个像素中大于p的个数超过Tc时将此3×3区域视为亮目标区域，Tc通常取5或6；

1e)对协方差矩阵C的第三行第三列元素C33做与上述步骤1b)-1d)相同的处理，得到C33的亮目标区域；

1f)将协方差矩阵C的第一行第一列元素C11和协方差矩阵C的第三行第三列元素C33得到的亮目标区域的位置一起作为整个极化SAR数据协方差矩阵C的亮目标区域，并保留这些亮目标不被滤除。

步骤2，获得协方差矩阵C元素的各向异性邻域。

2a)取极化SAR数据协方差矩阵C的第一行第一列元素C11、第二行第二列元素C22和第三行第三列元素C33获得span数据，span＝C11+C22+C33，由span数据的表示看出span中包含了几乎所有极化信息；

2b)预先定义一个尺度空间H＝[1，2，3，5，7，9，11]和方向空间θ＝{θ_k}，θ_k＝(k-1)π/4，k＝1，2，K，8，采用一维方向的LPA核

使用局部多项式逼近LPA方法估计出span数据的任一像素x的估计值

${\hat{x}}_{h_j,{\mathrm{\θ}}_k}={\mathrm{\Σ}}_s\left(g_{h_j,{\mathrm{\θ}}_k}(x,s)\right)z_s\left(x\right),$

其中，

表示尺度空间h_j和方向空间θ_k上的LPA核函数，h_j表示尺度空间H的第j个空间，j＝1，2，K，J，J＝7，θ_k表示方向空间θ上的第k个方向，z_s(x)表示以x为中心扩展成为h_j×h_j大小窗口的第s个像素；

2c)取得各个尺度和方向上的置信区间

$D_{j,{\mathrm{\θ}}_k}=[{\hat{x}}_{h_j,{\mathrm{\θ}}_k}-{\mathrm{\Γ\σ}}_{h_j,{\mathrm{\θ}}_k},{\hat{x}}_{h_j,{\mathrm{\θ}}_k}+{\mathrm{\Γ\σ}}_{h_j,{\mathrm{\θ}}_k}]$

其中，为的标准差，Γ为门限系数，取值为0.8；

2d)取所述置信区间

的交集

$I_{j,{\mathrm{\θ}}_k}=I{D}_{j,{\mathrm{\θ}}_k}$

其中，j表示尺度空间H第j个空间，θ_k表示方向空间θ上的第k个方向；

2e)使用置信区间交叉规则ICI选择出8个方向上LPA对x像素的估计值

对应的最佳窗口尺度其中j⁺∈j，并满足

表示空集，即第j⁺个尺度为最佳的尺度，如图2所示，其中图2(a)给出了置信区间交叉规则，设定第四个置信区间D4(对应h＝h₄)与交集I3的交叉为空集，因此最优的自适应窗口大小h⁺＝h₃；图2(b)给出了像素x在各个方向上的最佳尺度依次为，

由最佳尺度组成一个八边形的区域称其为像素x的各向异性邻域

2f)将所述span数据中像素x的各向异性邻域作为整个协方差矩阵C各元素对应位置像素的各向异性邻域。

步骤3，对协方差矩阵C进行各向异性非局部均值滤波。

3a)取极化SAR协方差矩阵C的一个非亮目标待估计像素x，以像素x为中心扩展出7×7的待估计相似块z(x)和像素x的各项异性邻域

在像素x的各向异性邻域

内取一个像素y，以像素y为中心扩展出7×7的相似块z(y)；

3b)计算所述z(x)与z(y)之间的相似距离d(x，y)：

$d(x,y)=\frac{E\left({\left|\right|z^{\′}\left(x\right)-z^{\′}\left(y\right)\left|\right|}^2\right)-2\mathrm{\σ}{\mathrm{\Σ}}_{k=1}^{n^2}E\left(z_k^{\′}\left(x\right)\right)E\left(z_k^{\′}\left(y\right)\right)}{\mathrm{\σ}+1}$

其中，z′_k(x)和z′_k(y)分别为z′(x)和z′(y)的第k个像素，n取值为7，z′(x)和z′(y)分别为待估计相似块z(x)和相似块z(y)的在span数据上对应坐标位置的相似块，||·||²表示计算欧式距离，E(·)表示求期望；

3c)利用相似距离d(x，y)计算所述z(x)与z(y)之间的滤波权重w(x，y)：

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

其中h为滤波参数，h＝4.5·u·σ，u为所述z′(x)的均值，σ为噪声标准差；

3d)在各向异性邻域内，逐个对像素对应的相似块z(y)对z(x)进行加权滤波，得到滤波结果

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

其中，

为归一化函数，

为所述像素x的各向异性邻域；

3e)对协方差矩阵C逐个元素的像素进行上述步骤2a)-2d)的处理，得到滤波后的协方差矩阵C。

步骤4，使用Sinclair向量法将滤波后的协方差矩阵C合成伪彩图，以显示观察滤波的效果。

Sinclair向量法主要是使用协方差矩阵C的第一行第一列元素C11，第二行第二列元素C22和第三行第三列元素C33三个元素来合成伪彩图，具体步骤如下：

4a)对滤波后的协方差C的第一行第一列元素C33进行开平方处理：

并将该|S_vv|作为待合成伪彩图的红色分量R；

4b)对滤波后的协方差矩阵C的第二行第二列元素C22进行开平方处理：

并将该

作为待合成伪彩图的绿色分量G；

4c)对滤波后的协方差矩阵C的第一行第一列元素C11进行开平方处理：

并将该|S_hh|作为待合成伪彩图的蓝色分量B；

4d)根据RGB三基色原理，用所述R、G、B三个颜色分量合成相干斑滤波后的伪彩图。

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

(1)实验仿真环境为：MATLAB R2009a，VC++6.0，Intel(R)Pentium(R)1 CPU2.4GHz，Window XP Professional。

(2)实验测试数据如图3所示，其中图3(a)是第一组极化SAR数据来源于机载CONVAIR SAR的加拿大Ottawa区域，视数为四，图3(b)是第二组极化SAR数据来源于机载AIRSAR荷兰Flevoland省区域，视数为四。

2.实验内容及结果

(1)用现有精致极化Lee滤波和改进sigma滤波方法与本发明方法对如图3(a)所示的第一组数据进行实验，实验结果如图4所示，其中图4(a)所示是精致极化Lee滤波结果，图4(b)所示是改进sigma滤波结果，图4(c)所示是本发明滤波结果。

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，边缘十分的模糊，出现了粘连，尤其对于细线目标基本都被模糊掉难以分辨，损失掉了原有信息，同质区域平滑效果也不是很平滑，从图4(b)可见，改进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，可是边缘处仍然不能很好的保持，有些边缘仍是断断续续的并不连贯，并出现了一些毛刺现象，原有信息的保持并不理想，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，尤其在线目标以及细小目标的保持上效果十分显著。

(2)用现有精致极化Lee滤波和改进sigma滤波方法与本发明方法对如图3(b)所示的第二组数据进行实验，实验结果如图5所示，其中图5(a)所示是精致极化Lee滤波结果，图5(b)所示是改进sigma滤波结果，图5(c)所示是本发明滤波结果。

从图5(c)可见，在区域1中，比起图5(a)中的精致极化Lee滤波结果和图5(b)中改进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，线条上的噪声滤除的很干净；在区域2中，是一块复杂边缘和一些点目标，在图5(a)和图5(b)中的滤波结果中模糊了这些边缘，不能清晰分辨这些边缘轮廓，一个小点也被模糊不清，而在图5(c)中可以明显的看到这条边缘轮廓，点目标也清晰可见；并且图5(c)在其余边缘处也比前面两幅更加平滑和清晰。

3.实验结果评价

使用等效视数ENL客观评价各种滤波方法的滤波结果，其中等效视数ENL，ENL＝(mean/std)²，mean和std分别代表区域的均值和标准差，如图3所示，图3(a)中的A和图3(b)中的B两处的同质区域的各滤波的等效视数ENL计算结果如表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现有精致极化Lee滤波和改进sigma滤波要高，表明本发明的滤波方法要比后两种现有滤波方法的结果要好。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，通过使用各向异性邻域作为非局部均值滤波的搜素窗口和用span数据确定各向异性邻域以及计算滤波权值，能够很好的保持极化SAR数据的极化相关性以及极化信息，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数据相干斑的抑制效果显著。

Claims (4)

1.一种基于各向异性非局部均值的极化SAR数据相干斑抑制方法，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3×3的协方差矩阵C，并使用协方差矩阵C中的第一行第一列元素C11和第三行第三列元素C33对协方差矩阵C进行亮目标检测和保留；

(2)获得极化SAR协方差矩阵C各元素非亮目标像素的各向异性邻域：

2a)取极化SAR数据协方差矩阵C的第一行第一列元素C11、第二行第二列元素C22和第三行第三列元素C33获得span数据，span＝C11+C22+C33；

2b)预先定义一个尺度空间H＝[1，2，3，5，7，9，11]和方向空间θ＝{θ_k}，θ_k＝(k-1)π/4，k＝1，2，K，8，采用一维方向的LPA核

使用局部多项式逼近LPA估计出span数据的任一像素x的估计值

${\hat{x}}_{h_j,{\mathrm{\θ}}_k}={\mathrm{\Σ}}_s\left(g_{h_j,{\mathrm{\θ}}_k}(x,s)\right)z_s\left(x\right)$

其中，

表示尺度空间h_j和方向空间θ_k上的LPA核函数，h_j表示尺度空间H的第j个空间，j＝1，2，K，J，J＝7，θ_k表示方向空间θ上的第k个方向，z_s(x)表示以x为中心扩展成为h_j×h_j大小窗口的第s个像素；

2c)取得各个尺度和方向上的置信区间

$D_{j,{\mathrm{\θ}}_k}=[{\hat{x}}_{h_j,{\mathrm{\θ}}_k}-{\mathrm{\Γ\σ}}_{h_j,{\mathrm{\θ}}_k},{\hat{x}}_{h_j,{\mathrm{\θ}}_k}+{\mathrm{\Γ\σ}}_{h_j,{\mathrm{\θ}}_k}]$

其中，

为

的标准差，Γ为门限系数，取值为0.8；

2d)取所述置信区间

的交集

$I_{j,{\mathrm{\θ}}_k}=I{D}_{j,{\mathrm{\θ}}_k}$

其中，j表示尺度空间H第j个空间，θ_k表示方向空间θ上的第k个方向；

2e)使用置信区间交叉规则ICI选择出8个方向上LPA对x像素的估计值

对应的最佳窗口尺度

j⁺∈j，并满足

表示空集，即第j⁺个尺度为方向θ_k上的最佳尺度；

2f)由各个方向上的最佳尺度组成一个八边形的邻域

称其为像素x的各向异性邻域；

2g)将所述span数据中像素x的各向异性邻域

作为整个协方差矩阵C各元素对应位置像素的各向异性邻域。

(3)将所得的各向异性邻域

作为非局部均值滤波的搜索窗，利用非局部均值滤波算法对极化SAR协方差矩阵C进行滤波；

(4)使用Sinclair向量法将滤波后的协方差矩阵Z合成伪彩图，以显示观察滤波的效果。

2.根据权利要求书1所述的相干斑抑制方法，其中步骤(1)所述的用协方差矩阵C中的第一行第一列元素C11和第三行第三列元素C33对C矩阵进行亮目标检测和保留，按如下步骤进行：

2a)将协方差矩阵C表示为：

$\left[C\right]=\left[\begin{array}{ccc}{\left|S_{\mathrm{hh}}\right|}^2& \sqrt{2}{S}_{\mathrm{hh}}{S}_{\mathrm{hv}}^{*}& {S_{\mathrm{hh}}S}_{\mathrm{vv}}^{*}\\ \sqrt{2}{S}_{\mathrm{hv}}{S}_{\mathrm{hh}}^{*}& 2{\left|S_{\mathrm{hv}}\right|}^2& \sqrt{2}{S}_{\mathrm{hv}}{S}_{\mathrm{vv}}^{*}\\ S_{\mathrm{vv}}{S}_{\mathrm{hh}}^{*}& \sqrt{2}{S}_{\mathrm{vv}}{S}_{\mathrm{hv}}^{*}& {\left|S_{\mathrm{vv}}\right|}^2\end{array}\right]$

其中，

表示S_vv的复共轭转置，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，h表示水平方向，v表示垂直方向，C11＝|S_hh|²，C33＝|S_vv|²；

2b)将协方差矩阵C的第一行第一列元素C11的所有像素从小到大排列，取出第t个像素，得到该像素值p，

N为C11像素总数；

2c)使用3×3滑窗对协方差矩阵C的第一行第一列元素C11的逐个像素进行扫描，当滑窗中9个像素中大于p的个数超过Tc时将此3×3区域视为亮目标区域，Tc取5或6；

2d)对协方差矩阵C的第三行第三列元素C33做与上述步骤2b)-2c)相同的处理，得到协方差矩阵C的第三行第三列元素C33的亮目标区域；

2e)将协方差矩阵C的第一行第一列元素C11和协方差矩阵C的第三行第三列元素C33得到的亮目标区域的位置一起作为整个极化SAR数据协方差矩阵C的亮目标，并保留这些亮目标不被滤除。

3.根据权利要求书1所述的相干斑抑制方法，其中步骤(3)所述的利用非局部均值滤波算法对极化SAR协方差矩阵C进行滤波，按如下步骤进行：

3a)取极化SAR协方差矩阵C一个非亮目标待估计像素x，以像素x为中心扩展出7×7的待估计相似块z(x)和像素x的各项异性邻域

在像素x的各向异性邻域

内取一个像素y，以像素y为中心扩展出7×7的相似块z(y)；

3b)计算所述z(x)与z(y)之间的相似距离d(x，y)：

$d(x,y)=\frac{E\left({\left|\right|z^{\′}\left(x\right)-z^{\′}\left(y\right)\left|\right|}^2\right)-2\mathrm{\σ}{\mathrm{\Σ}}_{k=1}^{n^2}E\left(z_k^{\′}\left(x\right)\right)E\left(z_k^{\′}\left(y\right)\right)}{\mathrm{\σ}+1}$

其中，z′_k(x)和z′_k(y)分别为z′(x)和z′(y)的第k个像素，n取值为7，z′(x)和z′(y)分别为待估计相似块z(x)和相似块z(y)的在span数据上对应坐标位置的相似块，||·||²表示计算欧式距离，E(·)表示求期望；

3c)利用相似距离d(x，y)计算所述z(x)与z(y)之间的滤波权重w(x，y)：

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

其中h为滤波参数，h＝4.5·u·σ，u为所述z′(x)的均值，σ为噪声标准差；

3d)在各向异性邻域

内，逐个像素对应的相似块z(y)对z(x)进行加权滤波，得到滤波结果

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

其中，为归一化函数，

为所述像素x的各向异性邻域；

3e)对协方差矩阵C逐个元素的像素进行上述步骤2a)-2f)的处理，得到滤波后的协方差矩阵C。

4.根据权利要求书1所述的相干斑抑制方法，其中步骤(4)所述的用Sinclair向量法对滤波后的协方差矩阵C合成伪彩图，按如下步骤进行：

4a)对滤波后的协方差C的第一行第一列元素C33进行开平方处理：

并将该|S_vv|作为待合成伪彩图的红色分量R；

4b)对滤波后的协方差矩阵C的第二行第二列元素C22进行开平方处理：并将该

作为待合成伪彩图的绿色分量G；

4c)对滤波后的协方差矩阵C的第一行第一列元素C11进行开平方处理：

并将该|S_hh|作为待合成伪彩图的蓝色分量B；

4d)根据RGB三基色原理，用所述R、G、B三个颜色分量合成相干斑滤波后的伪彩图。

Images