CN103325090A - 一种相干斑抑制方法和装置 - Google Patents

Abstract

本发明公开了一种相干斑抑制方法和装置，根据是否与中心像素统计特性相近，对图像的窗口内的像素进行区分；在所述窗口上建立噪声模型，并基于所述噪声模型进行滤波估计，完成对窗口内中心像素的相干斑抑制。本发明抑制相干斑的技术，解决了现有滤波算法中普通矩形窗口内数据不满足滤波模型对同质区域要求的问题，在保证相干斑抑制水平的同时，具有比现有技术更强的边缘和细节保持能力，而且有着更好的图像视觉效果；同时，从等效视数和边缘保持系数等客观评价指标来看，本发明也能够非常有效地抑制图像相干斑，具有很好的应用前景。

Description

一种相干斑抑制方法和装置

技术领域

本发明涉及图像处理技术，具体涉及一种相干斑抑制方法和装置。

背景技术

合成孔径雷达(SAR)属于相干成像系统，可以全天时、全天候工作，获得高分辨率的SAR图像，但SAR图像会受到相干斑噪声的影响。相干斑的存在，将直接影响图像的质量，尤其是高分辨率SAR图像的细节特性，进而干扰图像判读等工作。

空域自适应滤波是较为常用的SAR图像处理方法，比较常见的有Lee滤波、Kuan滤波、Frost滤波、Gamma MAP滤波等。然而，这些滤波算法都是在假设信号和斑点噪声都是平稳过程、且像元统计参数(如均值、方差等)等同于窗口内所有元素统计参数的基础上建立滤波模型的，而上述假设通常只有在图像同质区域内才成立、有效。由于实际SAR图像的同质区域具有任意性，因而窗口内的数据一般不满足同质区域的条件，经过滤波处理后，在去除斑点的同时也会平滑图像的有效信息，从而导致保持边缘细节的效果欠佳。

发明内容

有鉴于此，本发明的主要目的在于提供一种相干斑抑制方法和装置，以有效抑制相干斑。

为达到上述目的，本发明的技术方案是这样实现的：

一种相干斑抑制方法，该方法包括：

根据是否与中心像素统计特性相近，对图像的窗口内的像素进行区分；在所述窗口上建立噪声模型，并基于所述噪声模型进行滤波估计，完成对窗口内中心像素的相干斑抑制。

所述根据是否与中心像素统计特性相近，对图像的窗口内的像素进行区分的过程包括：

根据图像的概率统计模型计算窗口的判决区间，将窗口内落在判决区间的像素标记为红像素，落在判决区间外的像素标记为黑像素，完成包括红像素和/或黑像素的红黑窗的构建。

完成所述红黑窗的构建时，选取包含窗口中心像素的闭区间作为红像素的判决区间，记这个区间为[I₁，I₂]；并且，为了计算I₁和I₂，预先给定所述区间上的概率积分ξ，即：

基于所述噪声模型进行滤波估计时，利用最小均方误差MMSE准则对噪声模型进行滤波估计。

利用MMSE准则对噪声模型进行滤波估计时，在得到红黑窗的噪声方差后，计算红黑窗内红像素的均值、方差，据此得到窗口内中心像素的滤波结果。

进行所述滤波估计之前，该方法还包括：进行强散射点保护；对被标记为强散射点的像素，不进行所述滤波估计。

一种相干斑抑制装置，该装置包括像素划分单元、滤波器；其中，

所述像素划分单元，用于根据是否与中心像素统计特性相近，对图像的窗口内的像素进行区分；

所述滤波器，用于在所述窗口上建立噪声模型，并基于所述噪声模型进行滤波估计，完成对窗口内中心像素的相干斑抑制。

所述像素划分单元在根据是否与中心像素统计特性相近，对图像的窗口内的像素进行区分时，用于：

根据图像的概率统计模型计算窗口的判决区间，将窗口内落在判决区间的像素标记为红像素，落在判决区间外的像素标记为黑像素，完成包括红像素和/或黑像素的红黑窗的构建。

完成所述红黑窗的构建时，所述像素划分单元用于选取包含窗口中心像素的闭区间作为红像素的判决区间，记这个区间为[I₁，I₂]；并且，为了计算I₁和I₂，预先给定所述区间上的概率积分ξ，即：

基于所述噪声模型进行滤波估计时，所述滤波器用于利用最小均方误差MMSE准则对噪声模型进行滤波估计。

利用MMSE准则对噪声模型进行滤波估计时，所述滤波器用于在得到红黑窗的噪声方差后，计算红黑窗内红像素的均值、方差，据此得到窗口内中心像素的滤波结果。

所述滤波器还用于：在进行所述滤波估计之前，进行强散射点保护；对被标记为强散射点的像素，不进行所述滤波估计。

所述像素划分单元设置于图像处理器中。

本发明抑制相干斑的技术，解决了现有滤波算法中普通矩形窗口内数据不满足滤波模型对同质区域要求的问题，在保证相干斑抑制水平的同时，具有比现有技术更强的边缘和细节保持能力，而且有着更好的图像视觉效果；同时，从等效视数和边缘保持系数等客观评价指标来看，本发明也能够非常有效地抑制图像相干斑，具有很好的应用前景。

附图说明

图1为本发明实施例的红黑窗判决区间示意图；

图2为本发明实施例的红黑窗算法流程图；

图3为本发明实施例的相干斑抑制流程简图；

图4a至图4f为红黑窗滤波效果与其它滤波效果对比示意图。

具体实施方式

在实际应用中，可以根据是否与中心像素属于同质区域，将图像(如SAR图像)的窗口内的像素划分为与中心像素统计特性相近的像素(可称为红像素)和与中心像素统计特性相异的像素(可称为黑像素)，以形成在窗口中包含红像素和/或黑像素的红黑窗结构。在进行滤波估计时，仅对红像素作滤波处理，而舍弃黑像素。由于红像素满足理想模型的条件，因此采用红黑窗结构，在有效抑制相干斑的同时，还可以明显改善边缘和细节保持能力。

具体而言，首先可以根据SAR图像的概率统计模型计算红黑窗的判决区间，并构建红黑窗；其次，在红黑窗上建立噪声模型；最后，基于所述噪声模型进行滤波估计，完成对窗口内中心像素的相干斑抑制。依此方法，遍历红黑窗中的SAR图像像素后即可完成对整幅图像的处理。

构建红黑窗的过程本质上是探测同质区域的过程。由于同质区域在图像上表现为均匀区域或弱纹理区域，这些区域的特点是像素灰度值差别不大，因此，可以从SAR图像的概率模型出发，选择窗口内与中心像素统计特性相近的元素，即可得到较为均匀的区域。

一般认为SAR图像为乘性噪声模型：

z(k.l)＝x(k，l)v(k，l)        (1)

其中z(k，l)是图像(k，l)位置的灰度值，x(k，l)是无噪信号，v(k，l)是相干斑噪声，其中，Ev(k，l)＝1，标准差为η_v。方便起见，省略(k，l)，x和v是统计独立的。η_v是SAR图像视数的函数。

单视SAR强度图像I＝|z(k，l)|²，其概率分布模型为负指数分布：

$p_1\left(I\right)=\frac{1}{\stackrel{\‾}{I}}\exp (-\frac{I}{\stackrel{\‾}{I}}),I\≥0---\left(2\right)$

其中均值 $M_1\left(I\right)=\stackrel{\‾}{I},$ 方差 ${\mathrm{var}}_1\left(I\right)={\stackrel{\‾}{I}}^2.$

多视SAR强度图像的概率分布模型为Gamma分布：

$p_N\left(I\right)=\frac{N^N{I}^{N-1}}{(N-1)!{\stackrel{\‾}{I}}^N}\exp (-\frac{\mathrm{NI}}{\stackrel{\‾}{I}}),$

I≥0            (3)

其中，均值 $M_N\left(I\right)=\stackrel{\‾}{I},$ 方差 ${\mathrm{var}}_N\left(I\right)={\stackrel{\‾}{I}}^2/N.$

可以选取包含窗口中心像素的闭区间作为红像素的判决区间(如图1所示)，记这个区间为[I₁，I₂]。为了计算I₁和I₂，需要预先给定所述区间上的概率积分ξ(取值范围为0～1)，即：

$\mathrm{\ξ}=\underset{I_1}{\overset{I_2}{\∫}}{p}_N\left(I\right)\mathrm{dI}---\left(4\right)$

ξ可以由实验决定，通过实验发现，ξ取0.9时效果较好。另外，由于去噪中需要尽可能的保持均值，所以判决区间[I₁，I₂]应满足：

$\stackrel{\‾}{I}=\frac{1}{\mathrm{\ξ}}\underset{I_1}{\overset{I_2}{\∫}}{\mathrm{Ip}}_N\left(I\right)\mathrm{dI}---\left(5\right)$

由乘性噪声模型不难看出，I₁、I₂可以表示为

其中α、β为系数，只与ξ和图像视数有关。

表1中列出了ξ＝0.9时1-4视SAR强度图像和幅度图像的α、β、

γ的计算结果。

表1

当窗口中心像素为z时，取包含中心像素的同质区域先验均值

从而可以得到判决区间为[αz，βz]。将窗口内落在判决区间的像素标记为红像素，落在判决区间外的像素标记为黑像素，这样就完成了从普通窗口到红黑窗的转换。

表2a和表2b说明了5×5个像素的单视幅度SAR图像数据(16bits)构建红黑窗的示例，其中ξ＝0.90。从表1查得α＝0.286，β＝2.043，由于窗口中心像素灰度值为11273，由此可计算出判决区间为[3224 23031]。将窗口内落在区间[3224 23031]的像素标记为红像素，其余像素标记为黑像素，这样就可得到表2b所示的红黑窗。

16183	10349	6712	4831	2510
					10904	8757	10551	3123	2982
27783	16547	11273	11721	15707
					26105	24323	20317	6648	13712
28122	17509	16193	2290	3181

表2a、图像数据

表2b、完成划分的红黑窗

完成了红黑窗构建之后，为了利用红像素对窗内的中心像素值进行估计，首先要建立红像素的噪声模型，然后利用噪声模型推导出滤波计算公式。

由于相干斑是乘性噪声，因此在红黑窗内，红像素满足乘性噪声模型：

z＝xv        (6)

由对红像素选取方式的公式(4)、(5)，可计算得到：

$\stackrel{\‾}{v}=1---\left(7\right)$

$\mathrm{var}\left(v\right)=\frac{1}{\mathrm{\ξ}}\underset{I_1}{\overset{I_2}{\∫}}{(I-1)}^2{P}_N\left(I\right)\mathrm{dI}={\widetilde{\mathrm{\η}}}_v^2---\left(8\right)$

表1的第四列和第八列为红黑窗的噪声标准差

从表中可以看出，与普通窗口的噪声标准差相比，红像素的噪声标准差相对要小，这主要因为计算噪声方差时已经把偏离中心像素较大的黑像素排除了。

之后，可以利用MMSE(最小均方误差)准则对噪声模型进行滤波估计。

令：

$\hat{z}=\mathrm{Ax}+\mathrm{Bv}+C---\left(9\right)$

其中A、B、C是待定系数。

由估计的无偏性可得：

$C=\stackrel{\‾}{x}\stackrel{\‾}{v}-A\stackrel{\‾}{x}-B\stackrel{\‾}{v}---\left(10\right)$

将公式(10)代入公式(9)，可得均方误差：

$J=E[A(x-\stackrel{\‾}{x})+B(v-\stackrel{\‾}{v})$

$-(\mathrm{xv}-\stackrel{\‾}{x}\stackrel{\‾}{v}){]}^2---\left(11\right)$

通过计算，当均方误差最小时，可以得到如下关系：

$\hat{x}=\stackrel{\‾}{z}+k(z-\stackrel{\‾}{z})---\left(12\right)$

其中：

$k=\frac{\mathrm{var}\left(x\right)}{{\stackrel{\‾}{z}}^2\mathrm{var}\left(v\right)+\mathrm{var}\left(x\right)}---\left(13\right)$

由公式(6)可计算得到x的均值和方差分别为：

$\stackrel{\‾}{x}=\stackrel{\‾}{z}/\stackrel{\‾}{v}=\stackrel{\‾}{z}---\left(14\right)$

$\mathrm{var}\left(x\right)=\frac{\mathrm{var}\left(z\right)+{\stackrel{\‾}{z}}^2}{{\mathrm{\η}}_v^2+1}-{\stackrel{\‾}{z}}^2---\left(15\right)$

得到红黑窗的噪声方差后，计算红黑窗内红像素的均值、方差，并代入公式(12)至(15)，即可得到窗口内中心像素的滤波结果。

需要说明的是，无论是利用Lee滤波等滤波算法或是直接采用上述红黑窗滤波算法进行SAR图像相干斑抑制，都可以对SAR图像进行强散射点保护。比如：在公式(4)、(5)中，取ξ＝0.95时，对应的I₂为z_sup。乘性噪声模型其中为图像的均值，γ是与图像视数有关的系数，1-4视的值如表1的第五列和第九列所示，如果图像中的某个像素值超过z_sup，则以该像素为中心，在3×3窗口(所述3×3窗口为根据经验所得的窗口大小)内计算超过z_sup的像素数目K。设定一个阈值T，如果K≥T，则保留该3×3窗口内的所有像素。所述阈值可以由实验获得，实验表明，T＝6时效果较好。

下面，应用如图2所示的实例简单描述本发明可能包含的操作过程，该操作过程包括如下步骤：

步骤一：初始化阶段，查表1得到α、β、

和γ的值，计算图像均值

进而计算

步骤二：强散射点保护，比较窗口内中心像素值z与z_sup的大小关系，如果z＜z_sup，则转入步骤三；如果z≥z_sup，再在3×3窗口内计算大于等于的像素数目K，如果K＜T，则转入步骤三，否则，对窗口内的所有像素不再进行滤波处理(即保持原来的灰度值)。

步骤三：红黑窗滤波。在窗口内，计算判决区间[I₁，I₂]，构建红黑窗，并对红黑窗内的红像素进行滤波处理。

步骤四：进行下一个像素的滤波。如果下一个像素在第二步中已经被标记为强散射点的像素，继续按照步骤四进行下一个像素的滤波；否则，返回步骤二。

结合以上描述可知，构建红黑窗的过程实际上是根据是否与中心像素统计特性相近，对图像的窗口内的像素进行区分的过程。所述窗口可以为滑动窗口。并且，在实际应用中，窗口内的像素可以如前所述被划分为与中心像素统计特性相近的像素(可称为红像素)和与中心像素统计特性相异的像素(可称为黑像素)这两种像素，也可以根据是否与中心像素统计特性相近以及预设的阈值，将窗口内的像素划分为多种像素，只要能够有效探测出同质区域即可。可见，本发明抑制相干斑的操作思路可以表示如图3所示的流程，该流程包括以下步骤：

步骤310：根据是否与中心像素统计特性相近，对图像的窗口内的像素进行区分。

步骤320：在所述窗口上建立噪声模型，并基于所述噪声模型进行滤波估计，完成对窗口内中心像素的相干斑抑制。

可见，在均匀区域，由于窗口内像素的统计特性相近，红黑窗的滤波作用相当于平滑，即各向同性地抑制相干斑；而在边缘区域，由于边缘两侧的像素统计特性差别较大，红黑窗的滤波作用相当于实现了沿边缘方向的平滑，而垂直边缘方向则尽量保持原图像的梯度。

为了体现本发明红黑窗滤波效果，可以如图4所示，将红黑窗滤波(窗口尺寸：5×5和9×9)效果与Lee滤波(窗口尺寸：5×5和9×9)、增强Lee滤波等其它滤波效果进行对比。

具体而言，图4a为原图，图4b为Lee滤波(窗口尺寸：5×5)效果，图4c为Lee滤波(窗口尺寸：9×9)效果，图4d为增强Lee滤波(窗口尺寸：5×5)效果，图4e为本发明实施例的红黑窗滤波(窗口尺寸：5×5)效果，图4f为本发明实施例的红黑窗滤波(窗口尺寸：9×9)效果。从最终结果可以看出，使用5×5窗的Lee滤波和增强Lee滤波时，对细节的损失较大；使用9×9的lee滤波时，细节损失较严重；而本发明实施例的红黑窗滤波不仅有较好的相干斑抑制效果，而且在保持边缘细节方面，较Lee滤波和增强Lee滤波有明显改善，处理后的SAR图像具有更好的视觉效果。

除主观视觉外，为进一步科学比较各滤波算法的处理效果，可以采用以下定量化客观指标：

(1)均值和方差。一个好的相干斑抑制算法应能保留图像均值和减小方差。

(2)等效视数。等效视数定义如下：

$\mathrm{ENL}=\frac{{\mathrm{\μ}}^2}{{\mathrm{\σ}}^2}---\left(16\right)$

其中，μ和σ为图像均匀区域局部均值与标准差。ENL表示抑斑过程中对图像的平滑程度，ENL的值越大，表示平滑程度越大。

(3)边缘保持系数。边缘保持系数的定义如下：

$\mathrm{EKI}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{G}^{\′}\left(w_i\right)}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}G\left(w_i\right)}---\left(17\right)$

其中，G(w_i)和G′(w_i)为滤波前后图像有边缘存在的同一窗口内的梯度最大值，m为取样窗口的个数。

像素(x，y)处的梯度近似为：

$|\▿f(x,y)|\≈\max \left[\right|f(x,y)-f(x+1,y)|,$

$|f(x,y)-f(x,y+1)|]---\left(18\right)$

EKI数值越接近1，表示滤波方法的边缘保持效果越好。在图像上取20个包含边缘的15×15的窗口，以计算边缘保持系数。表3将原图以及经上述各种滤波算法处理后图像的均值、方差、等效视数以及边缘保持系数进行了比较。

	均值	方差	ENL	EKI
					原图	1	1	7.064	1
5×5lee滤波	0.9985	0.685	23.292	0.6831
					9×9lee滤波	0.9813	0.289	61.810	0.5793
5×5增强lee滤波	0.9903	0.714	29.354	0.7244
					5×5红黑窗滤波	0.9983	0.894	15.207	0.9145
9×9红黑窗滤波	0.9865	0.808	21.372	0.9087

表3

从表3中可以看出，9×9的Lee滤波的边缘保持系数很小，细节损失大。而9×9红黑窗算法获得5×5经典滤波算法等效视数的同时，可以大大提高边缘保持系数。

综上所述可见，无论是方法还是实现该方法的装置，本发明抑制相干斑的技术，解决了现有滤波算法中普通矩形窗口内数据不满足滤波模型对同质区域要求的问题。从实验结果可以看出，本发明在保证相干斑抑制水平的同时，具有比现有技术更强的边缘和细节保持能力，而且有着更好的图像视觉效果。同时，从等效视数和边缘保持系数等客观评价指标来看，本发明也能够非常有效地抑制SAR图像相干斑，具有很好的应用前景。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (13)

1.一种相干斑抑制方法，其特征在于，该方法包括：

根据是否与中心像素统计特性相近，对图像的窗口内的像素进行区分；在所述窗口上建立噪声模型，并基于所述噪声模型进行滤波估计，完成对窗口内中心像素的相干斑抑制。

2.根据权利要求1所述的方法，其特征在于，所述根据是否与中心像素统计特性相近，对图像的窗口内的像素进行区分的过程包括：

根据图像的概率统计模型计算窗口的判决区间，将窗口内落在判决区间的像素标记为红像素，落在判决区间外的像素标记为黑像素，完成包括红像素和/或黑像素的红黑窗的构建。

3.根据权利要求2所述的方法，其特征在于，完成所述红黑窗的构建时，选取包含窗口中心像素的闭区间作为红像素的判决区间，记这个区间为[I₁，I₂]；并且，为了计算I₁和I₂，预先给定所述区间上的概率积分ξ，即：

4.根据权利要求1所述的方法，其特征在于，基于所述噪声模型进行滤波估计时，利用最小均方误差MMSE准则对噪声模型进行滤波估计。

5.根据权利要求4所述的方法，其特征在于，利用MMSE准则对噪声模型进行滤波估计时，在得到红黑窗的噪声方差后，计算红黑窗内红像素的均值、方差，据此得到窗口内中心像素的滤波结果。

6.根据权利要求1至5任一项所述的方法，其特征在于，进行所述滤波估计之前，该方法还包括：进行强散射点保护；对被标记为强散射点的像素，不进行所述滤波估计。

7.一种相干斑抑制装置，其特征在于，该装置包括像素划分单元、滤波器；其中，

所述像素划分单元，用于根据是否与中心像素统计特性相近，对图像的窗口内的像素进行区分；

所述滤波器，用于在所述窗口上建立噪声模型，并基于所述噪声模型进行滤波估计，完成对窗口内中心像素的相干斑抑制。

8.根据权利要求7所述的装置，其特征在于，所述像素划分单元在根据是否与中心像素统计特性相近，对图像的窗口内的像素进行区分时，用于：

根据图像的概率统计模型计算窗口的判决区间，将窗口内落在判决区间的像素标记为红像素，落在判决区间外的像素标记为黑像素，完成包括红像素和/或黑像素的红黑窗的构建。

9.根据权利要求8所述的装置，其特征在于，完成所述红黑窗的构建时，所述像素划分单元用于选取包含窗口中心像素的闭区间作为红像素的判决区间，记这个区间为[I₁，I₂]；并且，为了计算I₁和I₂，预先给定所述区间上的概率积分ξ，即： $\mathrm{\ξ}=\underset{I_1}{\overset{I_2}{\∫}}{p}_N\left(I\right)\mathrm{dI}.$

10.根据权利要求7所述的装置，其特征在于，基于所述噪声模型进行滤波估计时，所述滤波器用于利用最小均方误差MMSE准则对噪声模型进行滤波估计。

11.根据权利要求10所述的装置，其特征在于，利用MMSE准则对噪声模型进行滤波估计时，所述滤波器用于在得到红黑窗的噪声方差后，计算红黑窗内红像素的均值、方差，据此得到窗口内中心像素的滤波结果。

12.根据权利要求7至11任一项所述的装置，其特征在于，所述滤波器还用于：在进行所述滤波估计之前，进行强散射点保护；对被标记为强散射点的像素，不进行所述滤波估计。

13.根据权利要求7所述的装置，其特征在于，所述像素划分单元设置于图像处理器中。

Images