CN103020919A - 基于非局部Lee的极化SAR相干斑噪声抑制方法 - Google Patents

基于非局部Lee的极化SAR相干斑噪声抑制方法 Download PDF

Info

Publication number
CN103020919A
CN103020919A CN2013100081362A CN201310008136A CN103020919A CN 103020919 A CN103020919 A CN 103020919A CN 2013100081362 A CN2013100081362 A CN 2013100081362A CN 201310008136 A CN201310008136 A CN 201310008136A CN 103020919 A CN103020919 A CN 103020919A
Authority
CN
China
Prior art keywords
pixel
filtering
polarimetric sar
image data
value
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
Application number
CN2013100081362A
Other languages
English (en)
Other versions
CN103020919B (zh
Inventor
焦李成
刘坤
王爽
蒋含禄
于佳平
马文萍
马晶晶
侯小瑾
张涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201310008136.2A priority Critical patent/CN103020919B/zh
Publication of CN103020919A publication Critical patent/CN103020919A/zh
Application granted granted Critical
Publication of CN103020919B publication Critical patent/CN103020919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

本发明公开了一种基于非局部Lee的极化SAR相干斑噪声的抑制方法,主要解决现有非局部滤波与精致极化Lee滤波对同质区域平滑程度不够和边缘纹理细节丢失的问题。其实现过程是:对极化SAR图像数据进行边界扩展,利用非局部方法,寻找相似的像素点,组成相似像素集;用线性最小均方误差方法结合设定的八类掩膜窗对相似集进行估计,求解相似集中的权重值对像素点进行滤波;将极化SAR图像数据的每一个像素点进行滤波,得到最终滤波后的协方差矩阵;用Pauli向量法将滤波后的协方差矩阵合成伪彩图。本发明在抑制相干斑的同时保持亮目标和边缘纹理细节信息,提高了极化SAR图像数据的相干斑抑制效果,可用于极化SAR图像数据地物分类和目标识别。

Description

基于非局部Lee的极化SAR相干斑噪声抑制方法
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抑制方法,该方法可用于极化SAR图像数据的去噪。
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,在提高目标检测,辨别和分类能力等方面,能够体现极化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,相干斑抑制是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保持住数据的极化特性,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)非局部的思想用在自然图像的噪声抑制,取得了非常优异的效果,最近有人将非局部的方法扩展到极化SAR相干斑抑制,它仍然保留了自然图像噪声抑制的诸多优点,比如大大抑制了相干斑,同时边缘、纹理和点目标保持良好,同时极化SAR的极化特性也得到了保持。该方法是目前最为优秀的算法之一。无论是同质区域的平滑程度,还是边缘的保持上都优于以上两种方法,都能得到一个满意的结果。但是它的滤波效果取决于滤波参数,使得非专业人员操作起来感到困难。
发明内容
本发明的目的在于克服上述已有技术的缺点,提出一种基于非局部Lee的极化SAR相干斑噪声抑制方法,以实现在抑制相干斑的同时保持亮目标和边缘纹理细节信息,提高极化SAR图像数据的相干斑抑制效果,且无滤波参数,操作简单。
实现本发明目的技术思路是:将非局部滤波思想与Lee滤波相结合应用到极化
SAR图像数据相干斑抑制中,其具体步骤包括如下:
(1)设定大小为7×7的小方块相应位置上的掩膜值为0或1,获得八类方向窗掩膜w1~w8
(2)读取极化SAR图像数据,并进行边界镜像对称扩展,扩展半径为3;
(3)利用非局部滤波方法,寻找极化SAR图像数据中像素点x的相似像素点,组成相似像素集S;
(4)用线性最小均方误差方法对相似集S中的像素点x进行估计;
(5)对极化SAR图像数据的每一个像素点,进行步骤(3)—步骤(4)处理,得到整个极化SAR图像数据的最终滤波后的协方差矩阵
Figure BDA00002720829900021
(6)用Pauli向量法将滤波后的协方差矩阵
Figure BDA00002720829900022
合成伪彩图,再将伪彩图转换成灰度图像。
本发明与现有技术相比具有以下优点:
1.本发明在滤波过程中采用了非方形窗,在边界点处能找到更多的相似像素点,使得滤波更加充分,不会出现噪声残留点;
2.本发明能够通过相似像素集的均值和方差,自适应的调整权重值,不仅能平滑同质区域,而且对边缘和纹理细节的保留效果理想;
3.本发明克服了精致极化Lee滤波盲目的选择样本像素点,导致平滑程度不够,纹理和边缘的保持也很难让人满意,同时,克服了非局部均值滤波依赖于邻域窗大小的选择,邻域窗太大会丢失点目标,太小会模糊边缘和纹理的缺陷;
4.本发明采用了像素的全矩阵信息来计算两个相似像素点的相似距离,保证了选出的相似像素集的合理性,同时,通过span数据来保持极化信息,使得最终合成的伪彩色图像去噪效果理想,颜色没有失真。
附图说明
图1是本发明的流程图;
图2是本发明设定的八类方向窗掩膜图;
图3是一组模拟的极化SAR图像数据图和两组真实的极化SAR图像数据图;
图4是用精致极化Lee滤波,非局部均值滤波以及本发明对模拟极化图像数据滤波后的结果图;
图5是用精致极化Lee滤波,非局部均值滤波以及本发明对第一组真实极化SAR图像数据的滤波结果图;
图6是用精致极化Lee滤波,非局部均值滤波,以及用本发明对第一组真实极化SAR图像数据中截取的第一个图像块的滤波结果图;
图7是用精致极化Lee滤波,非局部均值滤波,以及用本发明对第一组真实极化SAR图像数据中截取的第二个图像块的滤波结果图;
图8是用加入方向窗策略与不加入方向窗策略对第一组真实极化SAR图像数据中截取的第一个图像块的滤波结果图;
图9是用精致极化Lee滤波,非局部均值滤波以及本发明对第二组真实极化SAR图像数据的滤波结果图。
具体实施步骤
参照图1,本发明的具体实现步骤如下:
步骤1,设定大小为7×7的小方块相应位置上的掩膜值为0或1,获得八类方向窗掩膜w1~w8,如图2(a)—2(h)所示,其中,黑色小块表示该位置上的掩膜值为0,白色小块表示该位置上的掩膜值为1。
步骤2,读取极化SAR图像数据,读取的极化SAR图像数据的每个像素点为含有9个元素的3×3协方差矩阵C,协方差矩阵C定义如下:
C = | S hh | 2 2 S hh S hv * S hh S vv * 2 S hv S hh * 2 | S hv | 2 2 S hv S vv * S vv S hh * 2 S vv S hv * | S vv | 2
这里Shh表示h方向发射和h方向接收的回波数据,Svv表示v方向发射和v方向接收的回波数据,Shv表示h方向发射v方向接收的回波数据,
Figure BDA00002720829900032
表示Shv的共轭转置,对读取的极化SAR图像数据进行边界镜像对称扩展,由于设定了图像块的大小为7×7,所以扩展半径为3。
步骤3,利用非局部滤波方法,寻找极化SAR图像数据中像素点x的相似像素点,组成相似像素集S:
3a)以像素点x为中心取7×7大小的邻域窗,记为图像块X,在搜索窗Ω内以各像素点为中心取7×7大小的邻域窗,记为图像块Y1,Y2,…,YN,N为搜索窗Ω内的像素点数,计算图像块X和搜索窗内的各图像块Y1,Y2,…,YN之间的相似距离
Figure BDA00002720829900033
d X , Y n = mean ( d 1 , d 2 , · · · , d 8 ) , 1≤n≤N
上式中mean表示均值,
Figure BDA00002720829900041
1≤j≤8,1≤n≤N表示当方向窗掩膜为第j类时两个图像块之间的距离,
Figure BDA00002720829900042
为第j类方向窗掩膜中位置i处的掩膜值,k为图像块内像素点的个数,取值为49, d X i , Y n i = 6 ln 2 + ln | X i | + ln | Y i n | - 2 ln | X i + Y i n | 1≤n≤N,表示两个像素点之间的相似距离,|Xi|为图像块X的第i个像素点矩阵的行列式值,
Figure BDA00002720829900044
为图像块Yn的第i个像素点矩阵的行列式值;
3b)对步骤3a)得到的相似距离
Figure BDA00002720829900045
与给定的一个阈值T做比较,如果
Figure BDA00002720829900046
则将图像块Y所对应的中心像素点存入与像素点x相似的像素集S中,其中阈值T的定义如下:
T = - K / l × n ,
K是一个调节参数,K值越大,像素集S中的像素越多,滤波效果越平滑,如果K值太大,会产生过滤波现象,导致很多点目标和细节信息丢失,这里设定K=20,l为极化SAR图像数据的视数,取值为4,n为计算图像块之间的相似距离时用到的像素个数,取值为28。
步骤4,用线性最小均方误差方法对相似集S中的像素点x进行估计:
4a)判断相似集S中元素的个数,如果个数小于1,则像素点x不进行滤波,即保持像素点x不变,直接输出,否则,像素点x继续执行如下步骤;
4b)取出相似集S中所有像素的span数据集,记为数据集y,span数据是极化SAR图像数据协方差矩阵C的对角线元素之和,即
Figure BDA00002720829900048
4c)计算数据集y的权重值:
Figure BDA00002720829900049
其中var(y)表示数据集y的方差,
Figure BDA000027208299000410
表示数据集y的均值,σ表示相干斑方差,
Figure BDA000027208299000411
h是调整因子,取值为1.2,l为极化SAR图像数据的视数,取值为4;
4c)用步骤4c)得到的权重值b,计算像素点x的滤波值:
Figure BDA000027208299000412
Figure BDA000027208299000413
是相似集S的均值。
步骤5,对极化SAR图像数据的每一个像素点,进行步骤(3)—步骤(4)处理,得到整个极化SAR图像数据的最终滤波后的协方差矩阵
Figure BDA000027208299000414
步骤6,用Pauli向量法将滤波后的协方差矩阵
Figure BDA00002720829900051
合成伪彩图,再将伪彩图转换成灰度图像:
6a)将滤波后的协方差矩阵
Figure BDA00002720829900052
的第二行第二列元素
Figure BDA00002720829900053
作为待合伪彩色图像的绿色分量G;
6b)对滤波后的协方差矩阵
Figure BDA00002720829900054
的第一行第一列元素
Figure BDA00002720829900055
第三行第三列元素
Figure BDA00002720829900056
做开方处理得到Shh和Svv,则待合成伪彩色图像的蓝色分量G表示为: B = 1 2 ( S hh + S vv ) 2 , 则待合成伪彩色图像的红色分量R表示为: R = 1 2 ( S hh - S vv ) 2
本发明的效果可以通过以下实验仿真进一步说明;
6c)用红色分量R、绿色分量G、蓝色分量B三个分量合成伪彩色图像;
6d)将步骤6c)合成的伪彩图转换为灰度图像。
本发明的效果可通过以下仿真实验进一步说明:
1.实验条件
实验仿真环境:MATLAB2009a,Intel(R)Pentium(R)1CPU2.4GHz,Window XPProfessional。
实验仿真图像:本发明对一组模拟的极化SAR图像数据做了测试,加入了视数为4的相干斑噪声,图像的大小为256×256,两组真实的极化SAR图像数据分别为来源于AIRSAR的四视美国旧金山区域,大小为512×512和CONVAIR的四视加拿大Ottawa区域,大小为222×342。
实验对比方法:精致极化Lee滤波与非局部均值滤波,这两种方法都是极化SAR图像数据空域滤波中最具代表性的两种方法。
实验结果评价:用亮目标的保持,边缘纹理细节信息的保持和同质区域的平滑程度,来判断极化信息的保持及滤波效果。
2.实验内容与结果
仿真1,利用精致极化Lee滤波,非局部均值滤波以及本发明对图3(a)所示的模拟极化SAR图像数据进行滤波,滤波后的结果如图4所示,其中,图4(a)是精致极化Lee的滤波结果图,图4(b)是非局部均值的滤波结果图,图4(c)是本发明的滤波结果图。
从图4可以看出,在同质区域中本发明的滤波结果比精致极化Lee滤波的滤波结果平滑程度效果好,在点目标保持上本发明的滤波结果比非局部均值滤波结果有优势,点目标亮而清晰,而非局部均值滤波的结果点目标已经模糊了。
仿真2,利用精致极化Lee滤波,非局部均值滤波以及本发明对图3(b)所示的第一组真实极化SAR图像数据进行滤波,滤波后的结果如图5所示,其中,图5(a)为精致极化Lee的滤波结果图,图5(b)是非局部均值的滤波结果图,图5(c)为本发明的滤波结果图。
从图5可以看出,精致极化Lee滤波在边缘处的滤波结果十分模糊,效果不理想,对同质区域的平滑效果也不好,非局部均值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,可是边缘处仍然不清晰流畅,有些边缘仍是模糊的,本发明在同质区域滤波效果明显优于精致极化Lee滤波,在边缘纹理细节信息的保持和点目标的保持上明显优于前两种方法。
仿真3,利用精致极化Lee滤波,非局部均值滤波,以及用本发明对第一组真实极化SAR图像数据中截取的第一个图像块的放大显示进行滤波,滤波后的结果如图6所示,其中,图6(a)是原始含噪图,图6(b)是精致极化Lee滤波的结果图,图6(c)是非局部均值滤波的结果图,图6(d)是本发明的滤波结果图。
从图6可以看出,在同质区域中本发明的滤波结果比精致极化Lee滤波的滤波结果平滑程度效果好,在点目标保持上本发明的滤波结果比非局部均值滤波结果有优势,点目标亮而清晰,而非局部均值滤波的结果点目标已经模糊了。
仿真4,利用精致极化Lee滤波,非局部均值滤波,以及用本发明对第一组真实极化SAR图像数据中截取的第二个图像块的放大显示进行滤波,滤波后的结果如图7所示,其中,图7(a)是原始含噪图,图7(b)是精致极化Lee滤波结果图,图7(c)是非局部均值滤波结果图,图7(d)是本发明的滤波结果图。
从图7可以看出,边缘纹理细节信息的保持和边缘细节信息的保持上本发明的滤波结果明显优于前两种方法前两种方法,而精致极化Lee滤波,非局部均值滤波均存在边缘模糊,不够清晰的问题。
仿真5,利用图像块加入方向窗策略和不加入方向窗策略对第一组真实极化SAR图像数据中截取的第一个图像块的进行滤波,滤波结果如图8所示。其中8(a)是原始含噪图像,图8(b)是不加入方向窗策略后滤波的结果,图8(c)是加入方向窗策略后滤波的结果。
从图8可以看出,不加入方向窗策略后滤波的结果含有很多黑色的点,也就是噪声残留点,这是因为没有找到足够的相似像素导致的,因此说明了本发明加入方向窗策略的有效性。
仿真6,利用精致极化Lee滤波,非局部均值滤波以及本发明对图3(c)所示的第二组真实极化SAR图像数据进行滤波,滤波后的结果如图9所示,其中,图9(a)为精致极化Lee的滤波结果图,图9(b)是非局部均值的滤波结果图,图9(c)为本发明的滤波结果图。
从图9可以看出,在同质区域中本发明的滤波结果比精致极化Lee滤波的滤波结果平滑程度效果好,在边缘纹理细节信息的保持上本发明的滤波结果比非局部均值滤波结果有优势,非局部均值滤波的结果边缘纹理细节有丢失。
综上所述,本发明提出的基于非局部Lee的极化SAR相干斑噪声抑制方法,能够很好的保持极化SAR图像数据的极化特征,并且在同质区域的平滑效果和边缘纹理的保持上效果都很理想,因此本发明对极化SAR图像数据相干斑噪声的抑制效果显著。

Claims (3)

1.基于非局部Lee的极化SAR相干斑噪声抑制方法,包括如下步骤:
(1)设定大小为7×7的小方块相应位置上的掩膜值为0或1,获得八类方向窗掩膜w1~w8
(2)读取极化SAR图像数据,并进行边界镜像对称扩展,扩展半径为3;
(3)利用非局部滤波方法,寻找极化SAR图像数据中像素点x的相似像素点,组成相似像素集S;
(4)用线性最小均方误差方法对相似集S中的像素点x进行估计;
(5)对极化SAR图像数据的每一个像素点,进行步骤(3)—步骤(4)处理,得到整个极化SAR图像数据的最终滤波后的协方差矩阵
Figure FDA00002720829800011
(6)用Pauli向量法将滤波后的协方差矩阵合成伪彩图,再将伪彩图转换为灰度图像。
2.根据权利要求1所述的基于非局部Lee的极化SAR相干斑噪声抑制方法,其中步骤(3)所述的利用非局部滤波方法,寻找像素点x的相似像素点,组成相似像素集S,按如下步骤进行:
3a)以像素点x为中心取7×7大小的邻域窗,记为图像块X,在搜索窗Ω内以各像素点为中心取7×7大小的邻域窗,记为图像块Y1,Y2,…,YN,N为搜索窗Ω内的像素点数,计算图像块X和搜索窗内的各图像块Y1,Y2,…,YN之间的相似距离
Figure FDA00002720829800013
d X , Y n = mean ( d 1 , d 2 , · · · , d 8 ) , 1≤n≤N
上式中mean表示均值,
Figure FDA00002720829800015
1≤j≤8,1≤n≤N表示当方向窗掩膜为第j类时两个图像块之间的距离,
Figure FDA00002720829800016
为第j类方向窗掩膜中位置i处的掩膜值,k为图像块内像素点的个数,取值为49, d X i , Y n i = 6 ln 2 + ln | X i | + ln | Y i n | - 2 ln | X i + Y i n | 1≤n≤N,表示两个像素点之间的相似距离,|Xi|为图像块X的第i个像素点矩阵的行列式值,
Figure FDA00002720829800018
为图像块Yn的第i个像素点矩阵的行列式值;
3b)对步骤3a)得到的相似距离
Figure FDA00002720829800021
与给定的一个阈值T做比较,
Figure FDA00002720829800022
则将图像块Y所对应的中心像素点存入与像素点x相似的像素集S中,其中阈值T的定义如下:
T = - K / l × n
K是一个调节参数,K值越大,像素集S中的像素越多,滤波效果越平滑,如果K值太大,会产生过滤波现象,导致很多点目标和细节信息丢失,这里设定K=20,l为极化SAR图像数据的视数,取值为4,n为计算图像块之间的相似距离时用到的像素个数,取值为28。
3.根据权利要求1所述的基于非局部Lee的极化SAR相干斑噪声抑制方法,其中步骤(4)所述的用线性最小均方误差方法对相似集S中的像素x进行估计,按如下步骤进行:
4a)判断相似集S中元素的个数,如果个数小于1,则像素点x不进行滤波,保持不变,直接输出像素点x,否则,像素点x继续执行如下步骤;
4b)取出相似集S中所有像素的span数据集,记为数据集y,span数据是极化SAR图像数据协方差矩阵C的对角线元素之和,即
Figure FDA00002720829800024
Shh表示h方向发射和h方向接收的回波数据,Svv表示v方向发射和v方向接收的回波数据,Shv表示h方向发射v方向接收的回波数据;
4c)计算数据集y的权重值:其中var(y)表示数据集y的方差,表示数据集y的均值,σ表示相干斑方差,
Figure FDA00002720829800027
h是调整因子,取值为1.2,l为极化SAR图像数据的视数,取值为4;
4c)用步骤4c)得到的权重值b,计算像素点x的滤波值:
Figure FDA00002720829800028
Figure FDA00002720829800029
是相似集S的均值。
CN201310008136.2A 2013-01-09 2013-01-09 基于非局部Lee的极化SAR相干斑噪声抑制方法 Active CN103020919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310008136.2A CN103020919B (zh) 2013-01-09 2013-01-09 基于非局部Lee的极化SAR相干斑噪声抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310008136.2A CN103020919B (zh) 2013-01-09 2013-01-09 基于非局部Lee的极化SAR相干斑噪声抑制方法

Publications (2)

Publication Number Publication Date
CN103020919A true CN103020919A (zh) 2013-04-03
CN103020919B CN103020919B (zh) 2015-06-03

Family

ID=47969488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310008136.2A Active CN103020919B (zh) 2013-01-09 2013-01-09 基于非局部Lee的极化SAR相干斑噪声抑制方法

Country Status (1)

Country Link
CN (1) CN103020919B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182945A (zh) * 2014-08-30 2014-12-03 西安电子科技大学 基于非局部双边滤波的极化sar相干斑噪声抑制方法
CN104200434A (zh) * 2014-08-28 2014-12-10 哈尔滨工程大学 一种基于噪声方差估计的非局部均值图像去噪方法
CN104463805A (zh) * 2014-12-16 2015-03-25 西安电子科技大学 一种基于同质性显著度和方向选择的极化sar相干斑噪声抑制方法
CN106447629A (zh) * 2016-09-08 2017-02-22 大连海事大学 基于比值距离的非局部均值雷达图像相干斑抑制方法
CN106875355A (zh) * 2017-01-19 2017-06-20 合肥工业大学 基于双特征聚类同质像素选择的极化sar非局部降噪方法
CN107274377A (zh) * 2017-07-11 2017-10-20 北京奇艺世纪科技有限公司 一种图像非本地滤波的方法及装置
CN108389218A (zh) * 2018-01-12 2018-08-10 西安理工大学 基于间断自适应非局部均值的sar图像变化检测方法
CN108447080A (zh) * 2018-03-02 2018-08-24 哈尔滨工业大学深圳研究生院 基于分层数据关联和卷积神经网络的目标跟踪方法、系统和存储介质
CN108564006A (zh) * 2018-03-26 2018-09-21 西安电子科技大学 基于自步学习卷积神经网络的极化sar地物分类方法
CN109688426A (zh) * 2018-07-26 2019-04-26 浠诲嘲 多媒体数据编辑方法
CN109993706A (zh) * 2018-01-02 2019-07-09 北京展讯高科通信技术有限公司 数字图像处理方法及装置、计算机可读存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976433A (zh) * 2010-09-09 2011-02-16 西安电子科技大学 一种对极化sar数据相干斑噪声的抑制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976433A (zh) * 2010-09-09 2011-02-16 西安电子科技大学 一种对极化sar数据相干斑噪声的抑制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIONG CHEN等: "Nonlocal Filtering for Polarimetric SAR Data A Pretest Approach", 《GEOSCIENCE AND REMOTE SENSING, IEEE TRANSACTIONS ON》 *
杨国辉: "基于非局部均值的极化SAR降斑研究", 《万方学位论文全文数据库》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200434A (zh) * 2014-08-28 2014-12-10 哈尔滨工程大学 一种基于噪声方差估计的非局部均值图像去噪方法
CN104200434B (zh) * 2014-08-28 2017-04-12 哈尔滨工程大学 一种基于噪声方差估计的非局部均值图像去噪方法
CN104182945A (zh) * 2014-08-30 2014-12-03 西安电子科技大学 基于非局部双边滤波的极化sar相干斑噪声抑制方法
CN104463805A (zh) * 2014-12-16 2015-03-25 西安电子科技大学 一种基于同质性显著度和方向选择的极化sar相干斑噪声抑制方法
CN104463805B (zh) * 2014-12-16 2017-03-15 西安电子科技大学 一种基于同质性显著度和方向选择的极化sar相干斑噪声抑制方法
CN106447629B (zh) * 2016-09-08 2019-07-09 大连海事大学 基于比值距离的非局部均值雷达图像相干斑抑制方法
CN106447629A (zh) * 2016-09-08 2017-02-22 大连海事大学 基于比值距离的非局部均值雷达图像相干斑抑制方法
CN106875355A (zh) * 2017-01-19 2017-06-20 合肥工业大学 基于双特征聚类同质像素选择的极化sar非局部降噪方法
CN107274377B (zh) * 2017-07-11 2020-05-22 北京奇艺世纪科技有限公司 一种图像非本地滤波的方法及装置
CN107274377A (zh) * 2017-07-11 2017-10-20 北京奇艺世纪科技有限公司 一种图像非本地滤波的方法及装置
CN109993706A (zh) * 2018-01-02 2019-07-09 北京展讯高科通信技术有限公司 数字图像处理方法及装置、计算机可读存储介质
CN109993706B (zh) * 2018-01-02 2021-02-26 北京紫光展锐通信技术有限公司 数字图像处理方法及装置、计算机可读存储介质
CN108389218A (zh) * 2018-01-12 2018-08-10 西安理工大学 基于间断自适应非局部均值的sar图像变化检测方法
CN108389218B (zh) * 2018-01-12 2021-06-15 西安理工大学 基于间断自适应非局部均值的sar图像变化检测方法
CN108447080A (zh) * 2018-03-02 2018-08-24 哈尔滨工业大学深圳研究生院 基于分层数据关联和卷积神经网络的目标跟踪方法、系统和存储介质
CN108447080B (zh) * 2018-03-02 2023-05-23 哈尔滨工业大学深圳研究生院 基于分层数据关联和卷积神经网络的目标跟踪方法、系统和存储介质
CN108564006A (zh) * 2018-03-26 2018-09-21 西安电子科技大学 基于自步学习卷积神经网络的极化sar地物分类方法
CN108564006B (zh) * 2018-03-26 2021-10-29 西安电子科技大学 基于自步学习卷积神经网络的极化sar地物分类方法
CN109688426A (zh) * 2018-07-26 2019-04-26 浠诲嘲 多媒体数据编辑方法
CN109688426B (zh) * 2018-07-26 2020-02-07 深圳中琛源科技股份有限公司 多媒体数据编辑方法

Also Published As

Publication number Publication date
CN103020919B (zh) 2015-06-03

Similar Documents

Publication Publication Date Title
CN103020919B (zh) 基于非局部Lee的极化SAR相干斑噪声抑制方法
CN104182945A (zh) 基于非局部双边滤波的极化sar相干斑噪声抑制方法
CN105046677B (zh) 一种用于交通视频图像的增强处理方法和装置
CN103208115B (zh) 基于测地线距离的图像显著性区域检测方法
CN103226820B (zh) 改进的二维最大熵分割夜视图像融合目标检测算法
CN103530848A (zh) 一种非均匀光照图像二次曝光的实现方法
CN105718957A (zh) 非下采样轮廓波卷积神经网络的极化sar图像分类方法
CN103914813A (zh) 彩色雾霾图像去雾与光照补偿的复原方法
CN102073989B (zh) 融入pca的非局部均值的极化sar数据相干斑抑制方法
CN105374017B (zh) 一种结合极化分解向量统计分布的极化sar图像滤波方法
CN108564597A (zh) 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法
CN105574829A (zh) 针对极化sar图像的自适应双边滤波算法
CN101901476A (zh) 基于NSCT域边缘检测和Bishrink模型的SAR图像去噪方法
CN104537675B (zh) 一种sar图像双边cfar舰船目标检测方法
CN103093432B (zh) 基于极化分解和图像块相似性的极化sar图像降斑方法
CN105447825A (zh) 图像去雾方法及其系统
CN103971354A (zh) 低分辨率红外图像重建高分辨率红外图像的方法
CN107194896A (zh) 一种基于邻域结构的背景抑制方法和系统
CN101976433A (zh) 一种对极化sar数据相干斑噪声的抑制方法
CN103971345A (zh) 一种基于改进双边滤波的图像去噪方法
CN106097292B (zh) 一种用于遥感影像处理的时空邻域高斯加权中值滤波方法
CN103871031A (zh) 基于核回归的sar图像相干斑抑制
CN105913391B (zh) 一种基于形状可变形态学重构的去雾方法
CN104915933A (zh) 一种基于apso-bp耦合算法的雾天图像增强方法
CN102323989B (zh) 基于奇异值分解非局部均值的极化sar数据相干斑抑制方法

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