CN103093432A - 基于极化分解和图像块相似性的极化sar图像降斑方法 - Google Patents

Abstract

本发明公开一种基于极化分解和图像块相似性的极化SAR图像降斑方法，主要解决已有技术对极化SAR图像降斑后因极化信息利用不充分导致结构信息丢失的问题。实现步骤为：(1)读入极化SAR图像Z；(2)对图像Z进行极化分解；(3)仿真得到模拟极化SAR图像M；(4)对模拟极化图像M各点间的协方差矩阵相似性度量进行统计；(5)从图像Z的第一个点i开始，搜索得到与点i对应的局部同质区域Q_i；(6)在局部同质区域Q_i内对点i进行降斑处理；(7)重复步骤（5）和（6）对图像Z中每一个点进行处理，得到最终的降斑结果。本发明显著提高了极化SAR图像的相干斑抑制能力，在对均质区域有效降斑的同时，能够有效保持非匀质区域的结构信息，可用于极化SAR数据的预处理。

Description

基于极化分解和图像块相似性的极化SAR图像降斑方法

技术领域

本发明属于图像处理技术领域，涉及极化SAR图像降斑，是一种基于极化分解和图像块相似性的极化SAR图像降斑方法。该方法可用于对较低分辨率的极化SAR图像进行降斑。

背景技术

极化SAR已成为SAR技术的发展趋势，对极化SAR图像的理解和应用是目前国内外学者的研究热点。极化合成孔径雷达(Synthetic Aperture Radar，SAR)是一种多参数、多通道的微波成像雷达系统，可以同时获得地面场景在不同极化组合下的雷达图像，提供了单极化SAR无法达到的更多信息量，在海洋学、冰河学和陆地研究中有着广泛应用。由于SAR和极化SAR的相干成像特性，其固有的相干斑噪声严重影响了后续目标检测、分类和识别等应用，因此，相干斑的抑制成为SAR和极化SAR图像后处理的第l步，这种噪声的抑制方法是极化SAR图像处理领域中值得探讨的问题之一。极化SAR滤波主要是对极化SAR图像中的相干斑进行抑制。相干斑是存在于SAR图像中的一种噪声极强的颗粒状斑点，它的存在造成图像的信噪比下降、图像特征混乱,给图像理解带来困难。在极化SAR中，相干斑的影响不仅存在于独立的各极化通道，还会影响极化的相关性，因此，如何有效地进行极化SAR图像滤波，相干斑的抑制对后续极化SAR图像的处理意义重大。

早期的SAR和极化SAR滤波算法采用多视处理方法，这种情况下相干斑的抑制是以损失空间分辨率为代价的。现有的极化SAR图像降斑方法主要分为以下两种类型：

（1）基于统计特性进行的模型滤波。目前，已有大量的极化相干斑滤波技术被研究，常用的有极化白化滤波、最优加权滤波、极化矢量滤波和Lee滤波等。这些滤波方法都是基于统计特性进行的模型滤波，因此忽略了极化散射特性的保持。相比于其他方法，Lee滤波能更好地保持各方面的特性,得到了广泛的应用。现有各种空域滤波算法，在此基础上的改进算法和引入小波变换进行滤波的算法均能在一定程度上抑制相干斑，但应用到极化SAR图像相干斑抑制中时，都存在未能充分利用极化信息的缺陷。

（2）基于图像块相似性的方法。Buades等人提出的非局部均值滤波器使用两个图像块的欧式距离作为它们中心像素点之间的相似性度量，这种相似性度量只对加性噪声是有效的，不能应用于乘性噪声。利用这种方法的思路Deledalle C.等人在设计的PPB滤波器中，使用了一种迭代的相似性度量方法，这种方法使用了两种距离，即前一次去噪结果中两个图像块的距离和原图像中两个图像块的距离。由于使用了先验知识，此种相似性度量方法的精度较高，所以PPB滤波器不但对自然图像取得了很好的滤波效果，而且成功应用于SAR降斑。而后Deledalle C.又给出了在此框架内的极化SAR的降斑方法，虽然最后也取得了很好的降斑效果，但是像很多经典极化SAR降斑方法一样依然没有充分利用极化SAR数据的散射特性,所以降斑结果并不理想。

发明内容

本发明的目的在于针对已有技术对极化SAR图像降斑后因极化信息利用不充分导致结构信息丢失的问题，提出一种基于极化分解和图像块相似性的极化SAR图像降斑方法，以实现在对均质区域有效降斑的同时保持非匀质区域的结构信息，提高极化SAR图像相干斑抑制效果。

本发明的技术方案是：利用基于Wishart距离的协方差矩阵相似性结合极化分解后的特征得到新的相似性度量，利用该度量对每一个点搜索出一个与之对应的局部同质区域，再在局部同质区域内对该点进行滤波。其实现步骤如下：

(1)读入一幅视数为L的协方差矩阵格式的极化SAR图像Z；

(2)利用Freeman分解的方法对图像Z进行极化分解，得到平面散射、二次散射和体散射三种散射分量的功率强度P_s、P_d和P_v；

(3)仿真得到一幅与图像Z具有相等视数的模拟极化SAR图像M；

(4)利用一种结合Freeman分解和Wishart距离的两协方差矩阵的相似性度量，对模拟极化图像M各点间的相似性度量进行统计，得到下一步局部同质区域划分时的阈值PT；

(5)从图像Z的第一个点开始，利用一种结合Freeman分解和Wishart距离的相似性度量，以待处理点i为中心在图像Z中搜索出一个与之对应的局部同质区域Q_i；

(6)在局部同质区域Q_i内对待处理点i用最大似然估计的方法进行滤波，即对点i进行了降斑处理；

(7)重复步骤（5）和（6）对图像Z中每一个点在与之对应的局部同质区域内进行滤波，得到最终的降斑结果。

本发明与现有技术相比具有如下优点：

1、本发明既利用极化散射分量的相似性又利用极化协方差矩阵的相似性，查找到的相似块更加丰富和精确；

2、本发明可以自适应的给每一个点找到一个与之对应的局部同质区域，每个点都看成是均质区域内的点，不需要再将各种场景的点来区分开来进行处理，因而在对匀质区域有效降斑的同时能很好的保持住非匀质区域的结构信息，提高了极化SAR图像相干斑抑制效果；

3、本发明在局部同质区域内进行降斑进行处理时，用直接平均代替加权平均，与极化非局部的方法相比降低了时间复杂度。

附图说明

图1是本发明的实现流程图；

图2是本发明仿真实验采用的两幅真实极化SAR原始图像Ottawa和Bay；

图3是用本发明与现有两种方法对图3中的Ottawa图像降斑结果比较图；

图4是用本发明与现有两种方法对图3中的Bay图像降斑结果比较图。

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，读入一幅视数为L的协方差矩阵格式的极化SAR图像Z，图像Z中的每个像素点都代表着一个含有9个元素的3×3协方差矩阵T:

$T\left[\begin{array}{ccc}{T}_{11}& T_{12}& T_{13}\\ T_{21}& T_{22}& T_{23}\\ T_{31}& T_{32}& T_{33}\end{array}\right],$

其中,T₁₁到T₃₃分别代表协方差矩阵T中的9个元素。

步骤2，对图像Z的协方差矩阵T进行Freeman分解，得到平面散射、二次散射、体散射三种散射分量的功率强度P_s、P_d和P_v；

P_v=4T₃₃，

其中x₁₁=T₁₁-2T₃₃，x₂₂=T₂₂-T₃₃。

步骤3，仿真得到一幅大小为256×256的同质模拟极化SAR图像M，模拟极化SAR图像M添加L视的相干斑噪声。

步骤4，利用一种结合Freeman分解和Wishart距离的两协方差矩阵的相似性度量，对模拟极化图像M各点间的相似性度量进行统计，得到下一步局部同质区域划分时的阈值PT。

4a)对模拟极化图像M进行Freeman分解，得到平面散射、二次散射和体散射这三种散射分量的功率强度分别为M_s、M_d和M_v；

4b）选取模拟极化图像M上不在边界上的一个点P₀，再随机选取模拟极化图像M上的100个不在边界上的点P₁…P₁₀₀，点P₀对应的协方差矩阵为M₀，点P_n对应的协方差矩阵为M_n，n=1、…、100；

4c)计算协方差矩阵M_n和M₀的相似性度量W(M_n,M₀)：

$W(M_n,M_0)=\frac{1}{D_1\·D_2},$

其中， $D_1=\underset{k=1}{\overset{9}{\mathrm{\Σ}}}[\mathrm{tr}\left(M_{0,k}^{-1}{M}_{n,k}\right)+\mathrm{tr}\left(M_{0,k}{M}_{n,k}^{-1}\right)-6)],$

$D_2=\underset{k}{\overset{9}{\mathrm{\Σ}}}\left(\right|M_{s,0,k}-M_{s,n,k}|+|M_{d,0,k}-M_{d,n,k}|+|M_{v,0,k}-M_{v,n,k}\left|\right),$

式中，M_0,k代表以点P₀为中心的3×3大小的像素块中的第k个点的协方差矩阵,M_n,k代表以点P_n为中心的3×3大小的像素块中的第k个点的协方差矩阵，tr()表示求矩阵的迹，M_s,0,k代表以点P₀为中心的3×3大小的像素块中的第k个点的平面散射功率强度，M_s,n,k代表以点P_n为中心的3×3大小的像素块中的第k个点的平面散射功率强度,M_d,0,k代表以点P₀为中心的3×3大小的像素块中的第k个点的二次散射功率强度，M_d,n,k代表以点P_n为中心的3×3大小的像素块中的第k个点的二次散射功率强度,M_v,0,k代表以点P₀为中心的3×3大小的像素块中的第k个点的体散射功率强度，M_v,n,k代表以点P_n为中心的3×3大小的像素块中的第k个点的体散射功率强度,||表示求绝对值；

4d)重复步骤4b)和4c)，共执行十次，得到1000个相似性度量的值，将它们按从小到大排列，组成向量H，长度为1000；

4e)取分位点t=0.3，分位点t与向量H长度的乘积等于300，则向量H中的第300个数的值就是要得到的相似性门限值PT。

步骤5，从图像Z的第一个点开始，利用一种结合Freeman分解和Wishart距离的相似性度量，以待处理点i为中心在图像Z中搜索出一个与之对应的局部同质区域Q_i。

5a)定义需要遍历的八个方向d1到d8和最大搜索长度h，八个方向是指在图像Z上以待处理点i为中心沿两条对角线、水平线和垂直线向外扩散的八个方向，h的大小取9；

5b)从d1开始依次在各个方向上遍历，遍历点i在d1方向上的第一个相邻点j，点i对应的协方差矩阵为Z_i，第一个相邻点j对应的协方差矩阵为Z_j，计算Z_i和Z_j的相似性度量W；

5c)若W大于门限PT，继续遍历d1上的下一个点，直到遍历到在d1上的搜索终结点，搜索终结点应符合下列条件之一：

条件1：该点与点i的协方差矩阵相似性度小于等于PT；

条件2：该点与点i的距离等于最大搜索长度h；

条件3：该点在图像边界上；

5d)重复步骤5b)和5c)在d2到d8七个方向上进行遍历，得到在这些方向上各自的搜索长度和搜索终结点；

5e)连接相邻方向上的搜索终结点，得到一个八边形，该八边形所对应的极化SAR图像Z中的区域就是要获得的局部同质区域Q_i。

步骤6，在局部同质区域Q_i内对待处理点i用最大似然估计的方法进行滤波，即对点i进行了降斑处理；把点i局部同质区域Q_i内的所有点作为点i的采样点，利用如下最大似然估计准则公式对点i的协方差矩阵Z_i进行降斑，得到降斑后的协方差矩阵

${\hat{Z}}_i=\frac{1}{N}\underset{j\∈Q_i}{\mathrm{\Σ}}{Z}_j$

式中，Z_j代表局部同质区域Q_i内的点j的协方差矩阵,N为Q_i内点的个数。

步骤7，重复步骤5和6对图像Z中每一个点在与之对应的局部同质区域内进行滤波，得到最终的降斑结果。

本发明的效果可以通过下面的仿真实验进一步说明：

1.实验数据及评价指标

本发明仿真实验所用数据为两组真实极化SAR图像。第一组数据为来源于CONVAIR机载雷达的加拿大Ottawa地区的十视极化SAR图像，大小为222×342，命名为Ottawa，原始图像如图2（a）所示；第二组数据为来源于AIRSAR机载雷达获得的美国旧金山Bay地区的四视极化SAR图像，大小512×512，命名为Bay，原始图像如图2（b）所示。

本发明中衡量降斑结果的两种客观评价指标，评价指标1为等效视数，评价指标2为边缘保持指数；等效视数越大，说明对匀质区域的相干斑抑制效果越好；边缘保持指数越接近1，说明结构信息保持效果越好；为了计算等效视数，在图2（a）中选取两个匀质区域A、B，在图2（b）中选取两个匀质区域C，D。

2.本发明使用的对比实验方法如下所述：

对比方法1，是经典的极化精致Lee滤波，仿真时使用的边缘方向窗口大小为7×7；

对比方法2，是新近提出的极化非局部的方法，具体参考文献：Jiong Chen,YilunChen,Wentao An,Yi Cui,and Jian Yang.“Nonlocal Filtering for Polarimetric SAR Data:A Pretest Approach,”IEEE Transactions on geoscience and remote sensing,vol.49,no.5,MAY 2011,pp.1744-1754。

3.实验内容和分析

仿真1，对附图2中两组真实极化SAR图像，用精致Lee滤波进行降斑。降斑结果如图3（a）和图4（a）所示，评价指标1如表1的第二行所示，评价指标2如表2的第二行所示。

仿真2，对附图2中两组真实极化SAR图像，用极化非局部的方法进行降斑。降斑结果如图3（b）和图4（b）所示，评价指标1如表1的第三行所示，评价指标2如表2的第三行所示。

仿真3，对附图2中两组真实极化SAR图像，用本发明的方法进行降斑。降斑结果如图3（c）和图4（c）所示，评价指标1如表1的第四行所示，评价指标2如表2的第四行所示。

表1 等效视数评价结果

等效视数	区域A	区域B	区域C	区域D
					极化Lee滤波	100.28	117.59	15.22	11.70
极化非局部	89.88	124.83	42.57	22.28
					本发明	107.67	165.46	43.45	22.64

表2 边缘保持指数评价结果

边缘保持指数	图2（a）	图2（b）
			极化Lee滤波	0.6791	0.4451
极化非局部	0.9308	0.4525
			本发明	0.9344	0.5050

观察对比图3中对第一幅极化图像的降斑结果，可以看到图3（c）在匀质区域的相干斑抑制效果上明显优于图3（a），稍微优于图3（b），而在边缘和纹理的清晰度上图3（c）明显优于图3（a）和图3（b）。在图4中同样可以看到图4（c）在匀质区域的相干斑抑制和边缘保持上的视觉效果上都优于图4（a）和图4（b）。

从表1可以看出，本发明的等效视数在四个区域都高于两种对比方法，说明本发明对匀质区域有很好的相干斑抑制效果。从表2可以看出，本发明对两组数据降斑结果的边缘保持指数都高于两种对比方法，说明本发明在对极化SAR图像降斑的同时有着很好的结构信息保持效果。

综上所述，本发明提出的基于极化分解和图像块相似性的极化SAR图像降斑方法，在匀质区域的相干斑抑制效果上和结构信息的保持效果上都很理想，因此本发明对极化SAR图像相干斑的抑制效果显著。

Claims (4)

1.一种基于极化分解和图像块相似性度量的极化SAR图像降斑方法，包括如下步骤：

(1)读入一幅视数为L的协方差矩阵格式的极化SAR图像Z；

(2)利用Freeman分解的方法对图像Z进行极化分解，得到平面散射、二次散射和体散射三种散射分量的功率强度P_s、P_d和P_v；

(3)仿真得到一幅与图像Z具有相等视数的同质模拟极化SAR图像M；

(4)利用一种结合Freeman分解和Wishart距离的协方差矩阵的相似性度量，对模拟极化图像M各点间的相似性度量进行统计，得到下一步局部同质区域划分时的阈值PT；

(5)从图像Z的第一个点开始，利用上述的结合Freeman分解和Wishart距离的相似性度量，以待处理点i为中心在图像Z中搜索出一个与之对应的局部同质区域Q_i；

(6)在局部同质区域Q_i内对待处理点i用最大似然估计的方法进行降斑处理；

(7)重复步骤（5）和（6）对图像Z中每一个点在与之对应的局部同质区域内进行降斑，得到最终的降斑结果。

2.根据权利要求1所述的基于极化分解和图像块相似性的极化SAR图像降斑方法，所说步骤（4）中的对模拟极化图像M各点间的相似性度量进行统计，得到下一步局部同质区域划分时的阈值PT，按如下步骤进行：

4a)对模拟极化图像M进行Freeman分解，得到平面散射、二次散射和体散射三种散射分量的功率强度M_s、M_d和M_v；

4b）选取模拟极化图像M上不在边界上的一个点P₀，再随机选取模拟极化图像M上的100个不在边界上的点P₁…P₁₀₀，点P₀对应的协方差矩阵为M₀，点P_n对应的协方差矩阵为M_n，n=1、…、100；

4c)计算协方差矩阵M_n和M₀的相似性度量W(M_n,M₀)：

$W(M_n,M_0)=\frac{1}{D_1\·D_2},$

其中， $D_1=\underset{k=1}{\overset{9}{\mathrm{\Σ}}}[\mathrm{tr}\left(M_{0,k}^{-1}{M}_{n,k}\right)+\mathrm{tr}\left(M_{0,k}{M}_{n,k}^{-1}\right)-6)],$

$D_2=\underset{k}{\overset{9}{\mathrm{\Σ}}}\left(\right|M_{s,0,k}-M_{s,n,k}|+|M_{d,0,k}-M_{d,n,k}|+|M_{v,0,k}-M_{v,n,k}\left|\right),$

式中，M_0,k代表以点P₀为中心的3×3大小的像素块中的第k个点的协方差矩阵,M_n,k代表以点P_n为中心的3×3大小的像素块中的第k个点的协方差矩阵，tr()表示求矩阵的迹，M_s,0,k代表以点P₀为中心的3×3大小的像素块中的第k个点的平面散射功率强度，M_s,n,k代表以点P_n为中心的3×3大小的像素块中的第k个点的平面散射功率强度,M_d,0,k代表以点P₀为中心的3×3大小的像素块中的第k个点的二次散射功率强度，M_d,n,k代表以点P_n为中心的3×3大小的像素块中的第k个点的二次散射功率强度,M_v,0,k代表以点P₀为中心的3×3大小的像素块中的第k个点的体散射功率强度，M_v,n,k代表以点P_n为中心的3×3大小的像素块中的第k个点的体散射功率强度,||表示求绝对值；

4d)重复步骤4b)和4c)，共执行十次，得到1000个相似性度量的值，将它们按从小到大排列，组成向量H，长度为1000；

4e)取分位点t=0.3，分位点t与向量H长度的乘积等于300，则向量H中的第300个数的值就是要得到的相似性门限值PT。

3.根据权利要求1所述的基于极化分解和图像块相似性的极化SAR图像降斑方法，步骤（5）所说的以待处理点i为中心在图像Z中搜索出一个与之对应的局部同质区域Q_i，具体实现步骤如下：

5a)定义需要遍历的八个方向d1到d8和最大搜索长度h，八方向是指在图像Z上以待处理点i为中心沿两条对角线、水平线和垂直线向外扩散的八个方向，h的大小取9；

5b)从d1开始依次在各个方向上遍历，遍历点i在d1方向上的第一个相邻点j，点i对应的协方差矩阵为Z_i，第一个相邻点j对应的协方差矩阵为Z_j，计算Z_i和Z_j的相似性度量W；

5c)若W大于门限PT，继续遍历d1方向上的下一个点，直到遍历到在d1上的搜索终结点，搜索终结点应符合下列条件之一：

（5c 1）该点与点i的协方差矩阵相似性度小于等于PT；

（5c 2）该点与点i的距离等于最大搜索长度h；

（5c 3）该点在图像边界上；

5d)重复步骤5b)和5c)在d2到d8七个方向上进行遍历，得到在这些方向上各自的搜索长度和搜索终结点；

5e)连接相邻方向上的搜索终结点，得到一个八边形，该八边形所对应的极化SAR图像Z中的区域就是要获得的局部同质区域Q_i。

4.根据权利要求1所述的基于极化分解和图像块相似性的极化SAR图像降斑方法，其中步骤（6）所说的在局部同质区域Q_i内对待处理点i用最大似然估计的方法进行降斑处理，是把点i局部同质区域Q_i内的所有点作为点i的采样点，对点i的协方差矩阵Z_i利用如下最大似然估计准则公式进行，

${\hat{Z}}_i=\frac{1}{N}\underset{j\∈Q_i}{\mathrm{\Σ}}{Z}_j$

式中，代表对Z_i降斑处理后的协方差矩阵,Z_j代表Q_i内的点j对应的协方差矩阵,Q_i内点的个数为N。

Images