CN102722878A - 基于目标提取和ppb算法的sar图像去斑方法 - Google Patents

Abstract

本发明公开一种基于目标提取和PPB算法的SAR图像去斑方法，主要解决现有SAR图像去斑方法不能很好的抑制斑点噪声和丢失部分边缘纹理信息的问题。其实现步骤为：(1)对输入SAR图像进行小波图像纹理特征提取；(2)利用所提取出的图像小波纹理特征对图像进行K均值聚类；(3)根据聚类标签对输入SAR图像进行目标图像的提取和移除；(4)对目标图像采用小波硬阈值方法进行去斑；(5)对移除了目标图像后的图像采用PPB算法进行去斑；(6)将小波硬阈值去斑后图像与PPB去斑后图像相加，得到最终去斑结果图像，本发明有同质区域去斑效果好，边缘纹理信息保存完整的特点，可用于SAR图像目标识别和目标检测。

Description

基于目标提取和PPB算法的SAR图像去斑方法

技术领域

本发明属于图像处理技术领域，具体地说是一种去斑方法，可应用于SAR图像目标识别和目标检测。

背景技术

合成孔径雷达SAR是一种高分辨率成像雷达，它具有全天候、多极化、多视角、多俯角数据获取能力及对一些地物的穿透能力，不仅广泛地被应用在军事上，在农业、气象、地形地貌、灾情监控等民用上也有大量的应用。但由于SAR发射的是相干波，这些相干波经过与地物的相干作用，特别是地物的后向散射作用，在目标回波信号产生了衰减，这种衰减表现在图像上就是斑点噪声。斑点噪声是乘性的、局部相关的，它的存在严重影响了SAR图像的质量，造成图像的判读解译和后续处理难度大，甚至导致获取的影像数据不能正确地反映地物特征。为了更好地应用SAR图像，对含有斑点噪声的SAR图像进行去除斑点的滤波处理显得尤为重要。

SAR图像降斑的首要目标是在滤除斑点噪声的同时，尽可能的保持图像的细节信息。斑点噪声是一种复杂的乘性噪声模型的信号。对于斑点噪声这种特殊的性质，在过去近二十年中，人们提出了很多经典的SAR去斑方法，如Lee滤波，增强Lee滤波，Kuan滤波。这些方法都是用一个已定义好的滤波器窗来估计局域斑点噪声的方差，并进行滤波处理，其结果通常是过分的平滑了边缘细节信息。图像的结构信息如边缘、线性体、点目标会在一定程度上被模糊或滤除。在最近几年，针对加性高斯噪声的许多去噪方法被用来对SAR图像进行去斑，例如小波阈值去噪方法，这些方法首先通过对数运算将斑点噪声的乘性模型转为加性模型，然后直接利用自然图像去噪算法进行去噪。基于小波、Contourlet等变换的SAR图像去斑方法由于其多尺度、多分辨等优点获得了广泛的应用，小波变换的方法对边缘有着较好的保留效果，但是由于小波变换方向性有限，其对于同质区域的去斑效果并不明显。

C.A.Deledalle等人于2009年提出了一种在最大似然框架下迭代去斑的滤波方法，即PPB算法。该方法在最大似然估计框架下得到加权平均公式，并定义块权值的计算公式，通过迭代方法逐步修改先验信息，最终收敛至最佳去斑结果，但直接使用PPB算法对SAR图像进行去斑时，会出现边缘的畸变和纹理细节的丢失。

发明内容

本发明的目的在于针对上现有技术的不足，提出了一种基于目标提取和PPB算法的SAR图像去斑方法，以避免边缘的畸变，同时尽可能多的正确保留的原图像中的纹理细节信息。

实现本发明目的的技术方案是：先使用Ｋ均值聚类的方法将SAR图像中的目标图像提取出来，然后对目标图像采用小波软阈值去斑，再对移除目标后的图像采用PPB算法进行去斑，最后再将去斑后结果图像相加，具体步骤包括如下：

(1)对输入的SAR图像A，用M×M的窗口对每一个像素点进行3层小波变换，提取输入的SAR图像A的小波图像纹理特征e，取窗口大小为M=4；

(2)利用图像A的小波图像纹理特征e对图像A使用K均值进行聚类，将图像A聚成3类，给聚类结果中不同类标分别赋予3个灰度值为0，128和255，令赋予灰度值后的聚类标签为B；

(3)将聚类标签B中标签值b(x，y)=255处(x，y)的像素点从输入的SAR图像A中提取出来，得到目标图像C；

(4)将目标图像C从输入的SAR图像A中移除，得到移除目标图像后的SAR图像D；

(5)对目标图像C采用小波硬阈值算法进行去斑处理，得到小波硬阈值去斑后图像E；

(6)对移除目标图像后的SAR图像D使用最大似然框架下迭代去噪算法进行去斑处理，得到最大似然框架下迭代去斑后图像F；

(7)将小波硬阈值去斑后图像E与最大似然框架下迭代去斑后图像F相加，即得到最终去斑结果图像R。

本发明与现有的技术相比具有以下优点：

1)本发明由于采用了K均值聚类的方法将SAR图像中的目标图像提取出来，因而可将图像中的点目标、线目标和纹理细节比较完整的提取出来，很好地保持了原SAR图像中的图像细节信息；

2)本发明由于采用了先将图像分为目标图像和移除目标后图像两部分，再对两部分图像分别采用不同的去斑方法进行去斑，充分利用不同去斑方法的优点，以达到最好的去斑效果和尽可能完整的细节保持；

仿真结果表明，本发明方法较其它几种现有的经典的SAR图像去斑方法，在平滑区域的平滑效果以及边缘保持能力方面都有显著的提高。

附图说明

图1是本发明实现流程图；

图2是本发明实验输入的一幅两视SAR图像；

图3是用本发明与现有的方法对图2的SAR图像去斑结果对比图；

图4是用本发明对图2的小波纹理特征进行Ｋ均值聚类的结果图。

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.对输入的SAR图像A用M×M的窗口进行3层小波变换，提取输入的SAR图像A的小波图像纹理特征e；

$e=\frac{1}{M\×M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\left|\mathrm{coef}(i,j)\right|,$

其中，M×M为滑动窗口的大小，这里取M=4，coef(i,j)为平稳小波子带中第i行第j列的系数值。

步骤2.利用图像A的小波图像纹理特征e对图像A使用K均值进行聚类，将图像A聚成3类，并给聚类结果中不同类标分别赋予3个灰度值为0，128和255，令赋予灰度值后的聚类标签为B。

步骤3.将聚类标签B中标签值b(x，y)=255处(x，y)的像素点从输入的SAR图像A中提取出来，得到目标图像C。

步骤4.将目标图像C从输入的SAR图像A中移除，即将图像A减去图像C，得到移除目标图像后的SAR图像D。

步骤5.对目标图像C采用小波硬阈值算法进行去斑处理，得到小波硬阈值去斑后图像E：

5a)对目标图像C进行对数变换，得到目标图像C的对数图像G；

5b)对对数图像G使用小波硬阈值去噪算法进行去噪，得到对数图像G小波硬阈值去噪后图像H；

5c)对小波硬阈值去噪后图像H进行指数变换，得到目标图像C的小波硬阈值去斑后图像E。

步骤6.对移除目标图像后的SAR图像D使用最大似然框架下迭代去噪PPB算法进行去斑处理，得到最大似然框架下迭代去斑后图像F；

PPB算法的具体实现参见C.A.Deledalle，L.Denis，and F.Tupin.Iterative weightedmaximum likelihood denoising with probabilistic patch-based weights.IEEE Trans.ImageProcessing，vol.18，no.12，Dec.2009，2661-2672.。

步骤7.将小波硬阈值去斑后图像E与最大似然框架下迭代去斑后的图像F相加，得到最终去斑结果图像R。

本发明的效果可通过以下仿真实验进一步说明：

1.仿真实验环境与参数设置：

仿真实验中，各种滤波方法都是使用matlab语言编程实现。仿真实验参数设置为：双边滤波是取5×5的窗口，其中σ_d为空间域高斯函数的标准差设为6，σ_r为亮度域高斯函数的标准差设为0.2；增强Lee滤波是选取5×5的窗口。

2.仿真实验内容：

仿真实验1，用现有的双边滤波算法对图2进行去斑处理，仿真结果如图3(a)；

仿真实验2，用现有增强Lee滤波算法对图2进行去斑处理，仿真结果如图3(b)；

仿真实验3，用现有最大似然框架下迭代去斑PPB滤波算法对图2进行去斑处理，仿真结果如图3(c)；

仿真实验4，用本发明方法对图2进行去斑处理，仿真结果如图3(d)；

仿真实验5，用本发明对图2进行K均值聚类，仿真结果如图4。

3.仿真实验结果分析：

从图3(a)和图3(b)可以看出，现有的双边滤波算法和增强Lee滤波算法都有一定的去斑效果，但同质区域去斑效果并不理想，而且使图片产生了一定的模糊现象，会损失大部分的边缘和细节特征；

从图3(c)中可以看出，使用现有的最大似然框架下迭代去斑PPB算法进行SAR图像去斑时，对均匀区域会出现过度平滑的问题，在边缘区域也会出现线目标的畸变；

从图3(d)中可以看出，本发明较好的保存了图像中的目标图像，对均匀局域可以取得较好的去斑效果，而且没有出现过度平滑的情况；

从图4中可以看出，采用K均值聚类可以较完整的将图像中的纹理部分提取出来，包括一些亮度较大的孤立点，这些孤立点可能为点目标，将其保留下来对下一步的处理很有意义，可以防止下一步处理中出现漏检目标的情况。

用图2中标记为1,2,3的三个同质区域的等效视数ENL和去斑结果图像的边缘保持能力ESI作为去斑结果的定量评价指标，一块同质区域的等效视数ENL越大，表示算法的去斑能力越强；边缘保持程度ESI越大表示算法保持图像的边缘的能力越强；上述几种现有的滤波方法去斑结果和本发明的去斑结果在图2三个标记的同质区域的ENL和边缘保持程度ESI列在表1中。

表1几种去斑算法结果对比

从表1中可以看出在均值﹑标准差﹑等效视数和边缘保持程度等各方面都有较佳的表现，本方法的去斑效果显示出了同质区域斑点抑制能力和一定的保护点线等强反射目标的能力。同时，本发明与基于边缘﹑同质区域﹑点目标分类的空域滤波方法相比，在对细节信息，像线和纹理进行恢复时比其它方法表现出了更好的效果。本发明最明显的优点在于其对于孤立点目标和边缘纹理信息的的保持能力，在此方面本发明具有远优于其他算法的优良性能，能够在更好平滑斑点噪声的同时保留SAR图像的边缘和纹理细节。

Claims (3)

1.一种基于目标提取和PPB算法的SAR图像去斑方法，包括如下步骤：

(1)对输入的SAR图像A用M×M的窗口进行3层小波变换，提取输入的SAR图像A的小波图像纹理特征e；

(2)利用图像A的小波图像纹理特征e对图像A使用K均值进行聚类，将图像A聚成3类，给聚类结果中的不同类标分别赋予3个灰度值为0，128和255，令赋予灰度值后的聚类标签为B；

(3)将聚类标签B中标签值b(x，y)=255处(x，y)的像素点从输入的SAR图像A中提取出来，得到目标图像C；

(4)将目标图像C从输入的SAR图像A中移除，得到移除目标图像后的SAR图像D；

(5)对目标图像C采用小波硬阈值算法进行去斑处理，得到小波硬阈值去斑后图像E；

(6)对移除目标图像后的SAR图像D使用最大似然框架下迭代去噪PPB算法进行去斑处理，得到最大似然框架下迭代去斑后图像F；

(7)将小波硬阈值去斑后图像E与最大似然框架下迭代去斑后图像F相加，得到最终去斑结果图像R。

2.根据权利要求书1所述的基于目标提取和PPB算法的SAR图像去斑方法，其中步骤(1)所述的提取输入的SAR图像A的小波图像纹理特征e，按照如下公式进行：

$e=\frac{1}{M\×M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\left|\mathrm{coef}(i,j)\right|,$

其中，M×M为滑动窗口的大小，这里取M=4，coef(i,j)为平稳小波子带中第i行第j列的系数值。

3.根据权利要求书1所述的基于目标提取和PPB算法的SAR图像去斑方法，其中步骤(5)所述的对目标图像C采用小波硬阈值算法进行去斑处理，按照如下步骤进行：

3a)对目标图像C进行对数变换，得到目标图像C的对数图像G；

3b)对对数图像G使用小波硬阈值去噪算法进行去噪，得到对数图像G小波硬阈值去噪后图像H；

3c)对小波硬阈值去噪后图像H进行指数变换，得到目标图像C的小波硬阈值去斑后图像E。

Images