CN103077503A - 基于dct字典同步稀疏表示的sar图像降斑方法 - Google Patents
基于dct字典同步稀疏表示的sar图像降斑方法 Download PDFInfo
- Publication number
- CN103077503A CN103077503A CN2013100078514A CN201310007851A CN103077503A CN 103077503 A CN103077503 A CN 103077503A CN 2013100078514 A CN2013100078514 A CN 2013100078514A CN 201310007851 A CN201310007851 A CN 201310007851A CN 103077503 A CN103077503 A CN 103077503A
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- pixel
- sar image
- sar
- 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.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于DCT字典同步稀疏表示的SAR图像降斑方法,主要解决现有方法对SAR图像去斑不能很好保持纹理和边缘的问题。其实现步骤为:(1)对输入幅度SAR图像进行预处理;(2)对输入幅度SAR图像利用PPB方法进行滤波,得到一次滤波结果;(3)对于图像中的每个像素点,计算对应的加性噪声的标准差;(4)在一次滤波结果图像上,构建各个图像块的相似集合,并构建各个相似集合的方差稳定化矩阵;(5)对每一个相似集合,利用DCT字典进行带权值的同步稀疏表示得到表示系数;(6)用表示系数重构图像得到去噪图。本发明很好的解决了SAR图像去斑的边缘和纹理保持问题,可用于SAR图像去斑。
Description
技术领域
本发明属于数字图像处理技术领域,具体地说是一种SAR图像降斑方法,用于对SAR图像进行降斑处理。
背景技术
合成孔径雷达所成的图像SAR具有全天候、全天时、高分辨率和强大的穿透能力等特点,因此这种图像被广泛的应用到目标识别,变换检测和水面监视等。然而SAR图像的相干成像原理决定了SAR图像被相干斑噪声所干扰。这种斑点噪声毁坏了SAR图像辐射测量的分辨率,同时影响到后续的处理和理解任务。
降斑的目标是去除相干斑,同时保留图像的特征信息,如点状目标和边缘信息等。由于斑点噪声属于乘性噪声,使得上述目标的实现颇具挑战性。目前,学者们已经提出了大量的SAR图像降斑方法。大致可分为两类。一类是基于图像空域统计特性的方法,这类方法是SAR图像降斑方法的主流。这类方法有较为经典的Lee滤波,Kuan滤波,Frost滤波以及他们的增强版和新近提出的PPB方法等。其中,PPB是目前效果最好的方法之一。另一类是基于变换域的方法,如Donoho提出的小波软阈值法和硬阈值法。这类基于小波、Contourlet等变换的SAR图像降斑算法由于具有多尺度、多分辨等优点而获得了广泛的应用。但是这类变换域去斑算法本质上仍是基于固定窗口的滤波,在图像的边缘、线等区域会产生吉布斯现象。
近年来,基于稀疏表示模型的图像处理方法引起了学者们的普遍关注。基于稀疏表示模型的去噪方法在自然图像去噪方面取得了非常好的效果,是目前去噪效果最好的方法之一。目前为止这类方法主要用于去除加性高斯白噪声,如著名的KSVD方法、非局部稀疏模型方法等。但是目前用于SAR图像的稀疏表示去斑方法在性能上比较差,没有真正的利用稀疏表示的特性,在纹理和边缘,以及平滑区域保持不好。
发明内容
本发明的目的在于针对上述已有技术的不足,提出了一种基于DCT字典同步稀疏表示的SAR图像降斑方法,利用相似块具有相似的稀疏逼近的原理,以提高SAR图像的稀疏表示效果,降低相干斑噪声,保持SAR图像中的纹理和边缘。
为了实现上述目的,本发明的具体步骤如下:
(1)对输入幅度SAR图像进行预处理:
1a)用输入幅度SAR图像所含有的乘性相干斑噪声的均值,对该输入幅度SAR图像进行归一化,得到归一化图像Vsc;
1b)对输入幅度SAR图像利用PPB方法先进行一次滤波,得到滤波后图像VPPB;
1c)在输入幅度SAR图像上,对每个像素点的真实像素值进行估计,即以输入幅度SAR图像上的任一像素点i为中心点,大小为N×N的邻域块中的所有像素值的均值作为对像素点i的真实值ui的估计值,其中,1≤i≤n,n为输入幅度SAR图像总的像素个数;
1d)对输入幅度SAR图像上中的每个像素点计算它对应的加性噪声标准差:
其中,σ(i)为像素点i的加性噪声标准差,L为幅度图的视数;
(2)在归一化图像Vsc上,对每个像素点寻找相似集合和权值稳定化矩阵:
2a)以归一化图像Vsc中的任一像素点i为中心点,选取大小为N×N的邻域块,并将该块列化为向量xi,再以i为中心,得到一个大小为T×T的正方形搜索窗Δ,在搜索窗Δ内,按照VPPB中对应的比值距离寻找与xi相似的列向量形成相似集合Si;
本发明与现有技术相比具有以下优点:
1.本发明是在空域中进行的,实现过程简单,且可以并行实现。
2.本发明利用带权值的同步稀疏表示,使得在纹理和边缘上比其它算法保持的好,同时没有失真。
3.本发明提出的权值拓展矩阵,解决了SAR图像稀疏表示问题,拓展了稀疏表示理论的应用领域,取得的降斑效果非常好。
附图说明
图1是本发明的流程图;
图2是本发明用的第一幅测试图;
图3是本发明用的第二幅测试图;
图4是本发明仿真使用的用图2合成的视数为4的幅度SAR图像;
图5是PPB方法对图4的去斑结果图;
图6是本发明对图4的去斑结果图。
具体实施方式
参照图1,本发明基于DCT字典同步稀疏表示的SAR图像降斑方法,具体步骤包括如下:
步骤1:对输入幅度SAR图像V进行预处理:
1a)用相干斑噪声的均值归一化输入幅度SAR图像V,得到归一化图Vsc:
Vsc=VE(N)=U·(NE(N)),
1b)对输入幅度SAR图像V,利用PPB方法进行一次滤波,得到滤波后图像VPPB,其中,搜寻窗大小为21×21,邻域块大小为7×7,迭代次数为25次;
1c)在输入幅度SAR图像V上,对每个点对应的真实值进行估计,即以输入幅度SAR图像V上的任一像素点i为中心点,大小为7×7的邻域块中的所有像素值的均值作为对像素点i的真实值ui的估计值:
1d)对输入幅度SAR图像V中每个像素点,计算它对应的加性噪声标准差:
其中,σ(i)为像素点i对应的加性噪声标准差。
步骤2:构造相似集合和权值稳定化矩阵:
2a)以归一化图像Vsc中的任一像素点i为中心点,选取大小为9×9的邻域块,并将该块列化为向量xi,再以i为中心,得到一个大小为21×21的正方形搜索窗Δ,在搜索窗Δ内,按照滤波后图像VPPB中对应的比值距离寻找与xi相似的列向量,形成相似集合Si;
2b)取相似集合Si中与xi最相似的30个列向量形成相似矩阵Xi,同时从标准差σ(i)中取出与Xi对应的标准差,形成标准差矩阵对该矩阵中的每个元素取倒数,得到权值稳定化矩阵βi。
步骤3:用带权值的SOMP对相似矩阵Xi进行稀疏表示:
3a)初始化字典D为冗余DCT字典,其中,D∈R81×256,对相似矩阵Xi进行带权值的稀疏表示:
3c)将带权值的稀疏表示转换成不带权值的稀疏表示,如下所示:
3d)使用正交匹配追踪方法OMP,解出所有的稀疏表示系数Ai。
本发明的效果可通过以下仿真实验进一步说明:
一、实验条件和内容
实验条件:实验所使用的输入图像是图2和图3。其中,图2和图3都是测试图。在实验中,滤波方法都是使用matlab语言编程实现。
实验内容:在上述实验条件下,使用PPB方法和本发明进行对比实验。按照Goodman的噪声模型分别加入噪声。去噪结果的客观评价指标用峰值信噪比PSNR衡量。
实验1:用本发明和现有的PPB方法分别对图4进行降斑,其中邻域块大小为9×9,搜寻窗大小Δ为21×21,得到的降斑结果分别如图5和图6所示,对比从图5可以看出,本发明比图6所示的PPB方法去噪效果更好,且对图像细节和纹理保持也有很好的效果。
实验2:对图2和图3分别加上视数为1,2,4,8的幅度斑点噪声。用本发明和现有PPB方法对它们分别去噪。用峰值信噪比PSNR作为去噪效果的评价指标,去噪结果的峰值信噪比PSNR值列在表1中。
表1本发明方法和PPB方法在模拟SAR图像
表1中结果表明,在峰值信噪比PSNR上,本发明比PPB方法平均提高1.5dB。
上述实验结果表明,本发明和PPB方法相比较,无论是在客观指标,还是视觉效果上都要好,而PPB方法是目前SAR图像去斑最好的方法之一,由此可知本发明是十分有效的。
Claims (2)
1.一种基于DCT字典同步稀疏表示SAR图像降斑的方法,包括如下步骤:
(1)对输入幅度SAR图像进行预处理:
1a)用输入幅度SAR图像所含有的乘性相干斑噪声的均值,对该输入幅度SAR图像进行归一化,得到归一化图像Vsc;
1b)对输入幅度SAR图像利用PPB方法先进行一次滤波,得到滤波后图像VPPB;
1c)在输入幅度SAR图像上,对每个像素点的真实像素值进行估计,即以输入幅度SAR图像上的任一像素点i为中心点,大小为N×N的邻域块中的所有像素值的均值作为对像素点i的真实值ui的估计值,其中,1≤i≤n,n为输入幅度SAR图像总的像素个数;
1d)对输入幅度SAR图像上中的每个像素点计算它对应的加性噪声标准差:
其中,σ(i)为像素点i的加性噪声标准差,L为幅度图的视数;
(2)在归一化图像Vsc上,对每个像素点寻找相似集合和权值稳定化矩阵:
2a)以归一化图像Vsc中的任一像素点i为中心点,选取大小为N×N的邻域块,并将该块列化为向量xi,再以i为中心,得到一个大小为T×T的正方形搜索窗Δ,在搜索窗Δ内,按照VPPB中对应的比值距离寻找与xi相似的列向量形成相似集合Si;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100078514A CN103077503A (zh) | 2013-01-09 | 2013-01-09 | 基于dct字典同步稀疏表示的sar图像降斑方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100078514A CN103077503A (zh) | 2013-01-09 | 2013-01-09 | 基于dct字典同步稀疏表示的sar图像降斑方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103077503A true CN103077503A (zh) | 2013-05-01 |
Family
ID=48154022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013100078514A Pending CN103077503A (zh) | 2013-01-09 | 2013-01-09 | 基于dct字典同步稀疏表示的sar图像降斑方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103077503A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537624A (zh) * | 2015-01-05 | 2015-04-22 | 西安电子科技大学 | 基于ssim校正聚类稀疏表示的sar图像降斑方法 |
CN107220659A (zh) * | 2017-05-11 | 2017-09-29 | 西安电子科技大学 | 基于共稀疏模型的高分辨sar图像分类方法 |
CN110575146A (zh) * | 2019-09-20 | 2019-12-17 | 福建工程学院 | 一种基于增强的高斯冗余字典脉搏信号噪声检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398487A (zh) * | 2007-09-28 | 2009-04-01 | 北京师范大学 | 一种降低合成孔径雷达影像斑点噪声的方法 |
CN102129672A (zh) * | 2011-03-15 | 2011-07-20 | 西安电子科技大学 | 基于swt域改进粒子滤波的sar图像降斑方法 |
CN102542542A (zh) * | 2012-01-02 | 2012-07-04 | 西安电子科技大学 | 基于非局部稀疏模型的图像去噪方法 |
-
2013
- 2013-01-09 CN CN2013100078514A patent/CN103077503A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398487A (zh) * | 2007-09-28 | 2009-04-01 | 北京师范大学 | 一种降低合成孔径雷达影像斑点噪声的方法 |
CN102129672A (zh) * | 2011-03-15 | 2011-07-20 | 西安电子科技大学 | 基于swt域改进粒子滤波的sar图像降斑方法 |
CN102542542A (zh) * | 2012-01-02 | 2012-07-04 | 西安电子科技大学 | 基于非局部稀疏模型的图像去噪方法 |
Non-Patent Citations (2)
Title |
---|
LIU C ET AL: "Sparse Frequency Diverse MIMO Radar Imaging", 《SIGNALS,SYSTEMS AND COMPUTERS》 * |
MAIRAL J ET AL: "Non-local Sparse Models for Image Restoration", 《COMPUTER VISION》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537624A (zh) * | 2015-01-05 | 2015-04-22 | 西安电子科技大学 | 基于ssim校正聚类稀疏表示的sar图像降斑方法 |
CN104537624B (zh) * | 2015-01-05 | 2017-06-16 | 西安电子科技大学 | 基于ssim校正聚类稀疏表示的sar图像降斑方法 |
CN107220659A (zh) * | 2017-05-11 | 2017-09-29 | 西安电子科技大学 | 基于共稀疏模型的高分辨sar图像分类方法 |
CN110575146A (zh) * | 2019-09-20 | 2019-12-17 | 福建工程学院 | 一种基于增强的高斯冗余字典脉搏信号噪声检测方法 |
CN110575146B (zh) * | 2019-09-20 | 2022-03-15 | 福建工程学院 | 一种基于增强的高斯冗余字典脉搏信号噪声检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913393B (zh) | 一种自适应小波阈值图像去噪方法及装置 | |
Liu et al. | Bayesian Shearlet shrinkage for SAR image de-noising via sparse representation | |
Xu et al. | Patch ordering-based SAR image despeckling via transform-domain filtering | |
CN103020918B (zh) | 基于形状自适应邻域均值的非局部均值去噪方法 | |
Yin et al. | Quaternion wavelet analysis and application in image denoising | |
CN103873743A (zh) | 一种基于结构张量和卡尔曼滤波的视频去噪方法 | |
CN102509263B (zh) | 基于sar图像局部统计特性的k-svd相干斑抑制方法 | |
Min et al. | Image denoising via bivariate shrinkage function based on a new structure of dual contourlet transform | |
CN103077508A (zh) | 基于变换域非局部和最小均方误差的sar图像去噪方法 | |
CN101685158B (zh) | 基于隐马尔科夫树模型的sar图像去噪方法 | |
CN102542542A (zh) | 基于非局部稀疏模型的图像去噪方法 | |
Lang et al. | Mean-shift-based speckle filtering of polarimetric SAR data | |
CN103020922A (zh) | 基于pca变换的sar图像相干斑抑制方法 | |
Tan et al. | A CNN-based self-supervised synthetic aperture radar image denoising approach | |
Kumar et al. | A framework for image denoising using first and second order fractional overlapping group sparsity (HF-OLGS) regularizer | |
Li et al. | Multiplicative noise removal via adaptive learned dictionaries and TV regularization | |
CN103793889B (zh) | 基于字典学习和ppb算法的sar图像去斑方法 | |
CN103077503A (zh) | 基于dct字典同步稀疏表示的sar图像降斑方法 | |
Qidi et al. | The nonlocal sparse reconstruction algorithm by similarity measurement with shearlet feature vector | |
Jia et al. | Dual-complementary convolution network for remote-sensing image denoising | |
CN102289800B (zh) | 基于Treelet的Contourlet域图像去噪方法 | |
CN104867120B (zh) | 基于比值分布的sar图像非局部降斑方法 | |
Tang et al. | Image denoising using K-SVD and non-local means | |
Sun et al. | Overview of SAR image denoising based on transform domain | |
CN103839237A (zh) | 基于svd字典和线性最小均方误差估计的sar图像去斑方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130501 |