CN103413279A - 基于ad-nsct算法的sar图像去噪方法 - Google Patents
基于ad-nsct算法的sar图像去噪方法 Download PDFInfo
- Publication number
- CN103413279A CN103413279A CN2013103747498A CN201310374749A CN103413279A CN 103413279 A CN103413279 A CN 103413279A CN 2013103747498 A CN2013103747498 A CN 2013103747498A CN 201310374749 A CN201310374749 A CN 201310374749A CN 103413279 A CN103413279 A CN 103413279A
- Authority
- CN
- China
- Prior art keywords
- matrix
- yardstick
- subband
- coefficients
- pixel
- 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
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于AD-NSCT算法的SAR图像去噪方法,主要改善现有图像去噪方法边缘模糊和噪声去除不充分的现象。其实现过程是:(1)输入一幅SAR图像;(2)对其按四个尺度、四个方向的子带进行非下采样contourlet变换,生成系数矩阵;(3)计算系数矩阵的噪声标准差;(4)计算图像的掩膜矩阵;(5)计算图像的Affinity矩阵,并结合系数矩阵,计算Alpha矩阵;(6)用Alpha矩阵修正对应的掩膜矩阵,并计算后验比;(7)用修正后的掩膜矩阵,计算先验比;(8)用先验比和后验比,计算图像的缩放因子;(9)对系数矩阵进行缩放处理,对其结果进行逆变换,实现SAR图像的去噪。本发明在保证较高平滑度的同时能很好地保持SAR图像的边缘细节信息,使去噪后的SAR图像在视觉效果上得到了显著的改善。
Description
技术领域
本发明属于图像处理技术领域,涉及SAR图像去噪方法,可应用于图像处理和识别的预处理等领域,是图像后续更高层次分析、处理的基础。
背景技术
合成孔径雷达(Synthetic Aperture Rader,SAR)图像中由于存在固有的斑点噪声,故不利于图像中场景的自动分析和SAR图像的理解。因此斑点噪声的去除对SAR图像的后续处理例如边缘检测、图像分割等是非常重要的。SAR和光学成像相比有其独特优点,即不受时间和云雾限制。SAR作为地貌和地物传感器,涉及面十分广泛,其高分辨、大区域和全天候工作的优点,使它被广泛地用于地球遥感、海洋研究、资源勘探、实情预报和军事侦察等领域。SAR图像自身固有相干斑噪声,其产生的原因:雷达波束照射在一个相对于雷达波长而言比较粗糙的表面时,而回波信号是由许多散射体所反射的电磁波的合成,由于表面粗糙的原因,在分辨单元内的散射体与接收机之间的距离是变化的,所以接收到的电磁波在频率上是相关的,而在相位上是不相关的,回波信号表现的时强时弱。SAR图像是对连续回波信号进行相关处理而得到的。因此使得SAR图像出现了很大的点与点之间的灰度级波动,这种波动在视觉上呈现出一种类似颗粒的噪声,因此被称为相关斑噪声。简称斑点噪声,它是SAR图像固有的。SAR图像的斑点噪声严重影响了图像的质量,因而大大增加了SAR图像处理和识别的难度。因此滤除相干斑噪声成为SAR图像处理研究领域的一个重要的研究课题。
2008年,Synthetic aperture radar image despeckling via spatially adaptiveshrinkage in the nonsubsampled contourlet transform domain.Journal of ElectronicImaging,17,pp.013013(1-13)这篇文章,提出一种基于非下采样Contourlet变换(nonsubsampled Contourlet transform,NSCT)域中的空间自适应缩放SAR降斑方法。该方法首先对SAR图像进行下采样Contourlet变换,这种变换采用四个尺度,每个尺度上四个方向;然后,对各尺度上的每一方向子带的进行非下采样contourlet变换,并求解方向子带的初始化掩膜矩阵,再利用求得的掩膜矩阵求出图像中像素的先验比和似然比;最后,用似然比对先验比加权,并将加权结果作为NSCT变换方向子带系数的缩放因子,对系数进行缩放,将缩放后的变换系数进行NSCT逆变换处理,实现SAR图像的降斑。此方法中,求解似然比时,利用的是像素为重要信息或非重要信息的数据分布模型。但这种数据分布模型只是一种合理的假设,并没有充分利用图像的冗余信息,求解似然比的方法也有待改善,去噪结果也没达到最佳的平滑度和边缘保持度。
发明内容
本发明的目的在于根据上述已有技术的不足,提出一种基于AD-NSCT算法的SAR图像去噪方法,以提高去噪后SAR图像的平滑度和边缘保持度,实现SAR图像降斑。
为实现上述目的,本发明包括如下步骤:
(1)输入一幅SAR图像,并设置分解级数为nlevels=[2222];
(2)对输入的SAR图像,按四个尺度、四个方向的子带进行非下采样contourlet变换,生成系数矩阵c(l,d),其中l表示尺度,d表示方向子带;
(3)对系数矩阵c(l,d),计算各尺度各方向子带的噪声标准差σ(l,d);
(4)根据系数矩阵c(l,d)和噪声标准差σ(l,d),对输入的图像,计算各尺度各方向子带的的掩膜矩阵x(l,d);
(5)根据系数矩阵c(l,d),计算输入图像在各尺度各方向子带的Affinity矩阵W(l,d),并利用Affinity矩阵W(l,d),计算其对应尺度对应方向子带上的拉普拉斯矩阵L(l,d);
(6)根据拉普拉斯矩阵L(l,d)和系数矩阵c(l,d),计算输入图像在各尺度各方向子带的Alpha矩阵α(l,d);
(7)用Alpha矩阵α(l,d)修正对应尺度对应方向子带的掩膜矩阵x(l,d),得到修正后的掩膜矩阵x'(l,d);
(8)根据Alpha矩阵α(l,d),计算输入图像在各尺度各方向子带的后验比ζ(l,d):
(9)根据修正后的掩膜矩阵x'(l,d),计算输入图像在各尺度各方向子带的先验比η(l,d);
(10)根据先验比η(l,d)和后验比ζ(l,d),计算输入的图像在各尺度各方向子带的缩放因子ρ(l,d):
ρ(l,d)=η(l,d)ζ(l,d)/(1+η(l,d)ζ(l,d));
本发明与现有的技术相比具有以下优点:
1.本发明采用的Alpha矩阵求解数据分布特征,比起用数据分布特征的分布函数,在SAR去噪方面更加能准确的描述像素点的分布信息,而且Alpha矩阵对SAR图像特征的描述有独特的优势;同时由于用Alpha矩阵修正其对应的掩膜矩阵,这样就使基于掩膜矩阵求得的先验比得到了优化,可以得到更好的像素空间分布特征;
2.本发明利用Alpha矩阵来求解后验比,更加凸显出像素为重要信息的概率,并用后验比对先验比加权,再对系数进行收缩处理,因此对SAR图像噪声有较强的抑制能力,在保证有较高平滑度的同时能很好地保持SAR图像的边缘细节信息,使得去噪后的SAR图像在视觉效果上得到了显著的改善。
附图说明
图1是本发明的实现流程图;
图2是用本发明与现有两种方法对一幅2视数X波段幅度SAR图像进行去噪的比较图;
图3是用本发明与现有两种方法对一幅6视数X波段幅度SAR图像去噪的比较图;
图4是用本发明与现有两种方法对一幅4视数Ku波段强度SAR图像去噪的比较图。
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.输入一幅SAR图像,对其进行非下采样Contourlet变换:
设置分解级数为nlevels=[2222],采用金字塔滤波器和方向滤波器组的非下采样Contourlet变换,对输入SAR图像进行分解;即对输入的SAR图像,按四个尺度、四个方向的子带进行非下采样contourlet变换,生成系数矩阵c(l,d),其中l表示尺度,d表示方向子带。
步骤2.对系数矩阵c(l,d),计算各尺度各方向子带的噪声标准差σ(l,d):
σ(l,d)=Median(|c(l,d)-Median(c(l,d))|)/0.6745,
其中,Median()为求取中值函数,c(l,d)为系数矩阵,l∈{1,2,3,4},d∈{1,2,3,4}。
步骤3.根据系数矩阵c(l,d)和噪声标准差σ(l,d),对输入的SAR图像,计算各尺度各方向子带的掩膜矩阵x(l,d)。
本步骤的实现可采用硬阈值法或软阈值法,本实例采用硬阈值法,其按如下步骤进行:
3a)计算l=4时的掩膜矩阵,即第4个尺度上第d个子带的掩膜矩阵x(4,d):
3b)计算当l=3时的掩膜矩阵,即第3个尺度上第d个子带的掩膜矩阵x(3,d):
其中,为掩膜矩阵x(3,d)中第k个像素点的元素,d∈{1,2,3,4},为第3个尺度上第d个方向子带的噪声系数方差,为系数矩阵c(3,d)中第k个像素点的元素,是缩放后的系数矩阵中第k个像素点的元素;
3c)计算当l=2时的掩膜矩阵,即第2个尺度上第d个子带的膜矩阵x(2,d):
其中,为掩膜矩阵x(2,d)中第k个像素点的元素,d∈{1,2,3,4},为第2个尺度上第d个方向子带的噪声系数方差,为系数矩阵c(2,d)中第k个像素点的元素,是缩放后的系数矩阵中第k个像素点的元素;
3d)计算当l=1时的掩膜矩阵,即第1个尺度上第d个子带的掩膜矩阵x(1,d):
其中,为掩膜矩阵x(1,d)中第k个像素点的元素,d∈{1,2,3,4},为第1个尺度上第d个方向子带的噪声系数方差,为系数矩阵c(1,d)中第k个像素点的元素,是缩放后的系数矩阵中第k个像素点的元素。
步骤4.根根据系数矩阵c(l,d),计算输入图像在各尺度各方向子带的Affinity矩阵W(l,d),并利用Affinity矩阵W(l,d),计算其对应尺度对应方向子带上的拉普拉斯矩阵L(l,d)。
4a)对第l尺度上第d方向子带的掩膜矩阵x(l,d)进行腐蚀处理;
4b)计算第l个尺度上第d个子带方向的Affinity矩阵W(l,d):
其中,为系数矩阵c(l,d)中第i个像素点的元素, 为系数矩阵c(l,d)中第j个像素点的元素,μk和为k邻域窗口的均值和方差,|ωk|为k邻域窗口的像素个数,k为系数矩阵c(l,d)中第i个像素点的邻域窗口,ε为平滑参数;
4c)根据Affinity矩阵W(l,d),计算拉普拉斯矩阵L(l,d):
L(l,d)=D(l,d)-W(l,d),
其中,D(l,d是一个对角矩阵,该对角矩阵中的第i行第i列为: 表示W(l,d)矩阵中的第i行第j列。
步骤5.根据拉普拉斯矩阵L(l,d)和系数矩阵c(l,d),计算输入图像在各尺度各方向子带的Alpha矩阵α(l,d)。
5a)建立α(l,d)矩阵的代价函数J(α(l,d)):
J(α(l,d))=α(l,d)TL(l,d)α(l,d)+λ(α(l,d)-ET)TLF(α(l,d)-ET)+λα(l,d)TLBα(l,d),
其中,α(l,d)T表示α(l,d)的转置,LF表示腐蚀后的掩膜矩阵为1的元素即代表前景先验信息,LB表示腐蚀后的掩膜矩阵为0的元素即代表背景先验信息,E=[1,1,1,...,1]为N维的向量,N为图像的像素点数,λ为控制平滑的权重值;
5b)计算代价函数J(α(l,d))的最小值,得到Alpha矩阵α(l,d):
α(l,d)=[L(l,d)+λ(LF+LB)]-1λLFET,
其中,ET表示E的转置。
步骤6.用Alpha矩阵α(l,d)修正对应尺度对应方向子带的掩膜矩阵x(l,d)。
6a)设定门限值为0.5;
6b)将Alpha矩阵α(l,d)中元素值与门限值0.5做比较,若Alpha矩阵α(l,d)元素值大于等于0.5,则x(l,d)矩阵中对应位置的元素值就设置为1,否则为0,得到修正后的掩膜矩阵x'(l,d)。
步骤7.根据Alpha矩阵α(l,d),计算输入图像在各尺度各方向子带的后验比ζ(l,d):
步骤8.根据修正后的掩膜矩阵x'(l,d),计算输入图像在各尺度各方向子带的先验比η(l,d):
步骤9.根据先验比η(l,d)和后验比ζ(l,d),计算输入的图像在各尺度各方向子带的缩放因子ρ(l,d):
本发明的效果通过以下实验进一步说明:
1.实验条件:
仿真实验环境为:MATLAB R2011a,CPU intel Pentium Dual-Core E53002.60GHz,内存2G,Windows XP SP3。
2.实验内容:
用基于非下采样Contourlet变换域中的空间自适应缩放SAR降斑算法和基于线性最小化均方误差小波缩放的非局部SAR图像降斑算法分别对SAR图像进行去噪处理,并用本发明和上述两种去噪方法进行比较。其中基于非下采样Contourlet变换域中的空间自适应缩放SAR降斑算法D-NSCT称为方法1;基于线性最小化均方误差小波缩放的非局部SAR图像降斑算法NLWS称为方法2。
实验1:用本发明和上述两种去噪方法对一幅大小为256×256的2视数X波段幅度SAR1图像进行去噪,结果如图2所示。其中图2(a)所示是原始的SAR1图像进,图2(b)为基于非下采样Contourlet变换域中的空间自适应缩放SAR降斑算法的去噪图像,图2(c)为基于线性最小化均方误差小波缩放的非局部SAR图像降斑算法的去噪图像,图2(d)为本发明去噪后的图像。
实验2:用本发明和上述两种去噪方法对大小为256×256的一幅6视数X波段幅度SAR2图像进行去噪,结果如图3所示。其中图3(a)所示是原始的SAR2图像,图3(b)为基于非下采样Contourlet变换域中的空间自适应缩放SAR降斑算法的去噪图像,图3(c)为基于线性最小化均方误差小波缩放的非局部SAR图像降斑算法的去噪图像,图3(d)为本发明去噪后的图像。
实验3:用本发明和上述两种去噪方法对大小为256×256的一幅4视数Ku波段强度SAR3图像进行去噪,结果如图4所示。其中图4(a)所示是原始的SAR3图像,图4(b)为基于非下采样Contourlet变换域中的空间自适应缩放SAR降斑算法的去噪图像,图4(c)为基于线性最小化均方误差小波缩放的非局部SAR图像降斑算法的去噪图像,图4(d)为本发明去噪后的图像。
3.实验结果与分析:
从图2(b)、图3(b)和图4(b)均可以看出,对于SAR1、SAR2和SAR3图像,基于非下采样Contourlet变换域中的空间自适应缩放SAR降斑算法得到的去噪后的图像,在平滑区域的平滑度和边缘边缘信息保持度方面未能达到最优,还有待提高;
从图2(c)可以看出,基于线性最小化均方误差小波缩放的非局部SAR图像降斑算法得到的去噪后的图像,在某些直线边缘信息有较好的保持度,但整体上在很多重要的边缘信息出现过模糊现象,使视觉观察度很差;
从图2(d)可以看出,本发明得到的去噪后的图像平滑度较高,能有效的抑制SAR图像中噪声,更好地保留了细节信息和边缘信息。
采用客观评价指标equivalent number of looks(ENL)和edge sustain index(ESI),对本发明与上述两种方法的去噪后的图像性能进行比较,其结果如表1所示。其中,在计算ENL值时,图像中所选区域如图2(a)、图3(a)和图4(a)的方框所示,图2(a)区域1大小50×50,区域2大小40×40,图3(a)和图4(a)所的选区域1和区域2大小均为40×40;在计算ESI值时,所选区域为整幅图像。
表1.本发明与上述两种方法得到的去噪后图像的ENL值和ESI值
从上表中可以看出,与现有的两种去噪方法相比,用本发明去噪后的SAR图像的ENL值和ESI值均有较大幅度的提高。
综上,本发明具有较强的抑制能力,在保证有较高平滑度的同时能很好地保持SAR图像的边缘细节信息,使得去噪后的SAR图像在视觉效果上得到了显著的改善。
Claims (8)
1.一种基于AD-NSCT算法的SAR图像去噪方法,包含以下步骤:
(1)输入一幅SAR图像,并设置分解级数为nlevels=[2222];
(2)对输入的SAR图像,按四个尺度、四个方向的子带进行非下采样contourlet变换,生成系数矩阵c(l,d),其中l表示尺度,d表示方向子带;
(3)对系数矩阵c(l,d),计算各尺度各方向子带的噪声标准差σ(l,d);
(4)根据系数矩阵c(l,d)和噪声标准差σ(l,d),对输入的图像,计算各尺度各方向子带的的掩膜矩阵x(l,d);
(5)根据系数矩阵c(l,d),计算输入图像在各尺度各方向子带的Affinity矩阵W(l,d),并利用Affinity矩阵W(l,d),计算其对应尺度对应方向子带上的拉普拉斯矩阵L(l,d);
(6)根据拉普拉斯矩阵L(l,d)和系数矩阵c(l,d),计算输入图像在各尺度各方向子带的Alpha矩阵α(l,d);
(7)用Alpha矩阵α(l,d)修正对应尺度对应方向子带的掩膜矩阵x(l,d),得到修正后的掩膜矩阵x'(l,d);
(8)根据Alpha矩阵α(l,d),计算输入图像在各尺度各方向子带的后验比ζ(l,d):
(9)根据修正后的掩膜矩阵x'(l,d),计算输入图像在各尺度各方向子带的先
验比η(l,d);
(10)根据先验比η(l,d)和后验比ζ(l,d),计算输入的图像在各尺度各方向子带的缩放因子ρ(l,d):
ρ(l,d)=η(l,d)ζ(l,d)/(1+η(l,d)ζ(l,d));
2.根据权利要求1所述的方法,其中步骤(3)所述的计算各尺度各方向子带的噪声标准差σ(l,d),通过如下公式进行:
σ(l,d)=Median(|c(l,d)-Median(c(l,d))|)/0.6745,
其中,Median()为求取中值函数,c(l,d)为系数矩阵,l∈{1,2,3,4},d∈{1,2,3,4}。
3.根据权利要求1所述的方法,其中步骤(4)所述的计算各尺度各方向子带的掩膜矩阵x(l,d),有硬阈值法和软阈值法,本步骤采用硬阈值法,通过如下公式进行:
4a)计算l=4时的掩膜矩阵,即第4个尺度上第d个子带的掩膜矩阵x(4,d):
4b)计算当l=3时的掩膜矩阵,即第3个尺度上第d个子带的掩膜矩阵x(3,d):
其中,为掩膜矩阵x(3,d)中第k个像素点的元素,d∈{1,2,3,4},为第3个尺度上第d个方向子带的噪声系数方差,为系数矩阵c(3,d)中第k个像素点的元素,是缩放后的系数矩阵中第k个像素点的元素;
4c)计算当l=2时的掩膜矩阵,即第2个尺度上第d个子带的膜矩阵x(2,d):
其中,为掩膜矩阵x(2,d)中第k个像素点的元素,d∈{1,2,3,4},为第2个尺度上第d个方向子带的噪声系数方差,为系数矩阵c(2,d)中第k个像素点的元素,是缩放后的系数矩阵中第k个像素点的元素;
d)计算当l=1时的掩膜矩阵,即第1个尺度上第d个子带的掩膜矩阵x(1,d):
5.根据权利要求1所述的方法,其中步骤(5)所述的计算拉普拉斯矩阵L(l,d),通过如下公式进行:
L(l,d)=D(l,d)-W(l,d),
其中,D(l,d)是一个对角矩阵,且D(l,d)(i,i)表示D(l,d)矩 阵中的第i行第i列,W(l,d)(i,j)表示W(l,d)矩阵中的第i行第j列。
6.根据权利要求1所述的方法,其中步骤(6)所述的计算各尺度各方向子带的Alpha矩阵α(l,d),通过如下公式进行:
6a)建立α(l,d)矩阵的代价函数J(α(l,d)):
J(α(l,d))=α(l,d)TL(l,d)α(l,d)+λ(α(l,d)-ET)TLF(α(l,d)-ET)+λα(l,d)TLBα(l,d),
其中,α(l,d)T表示α(l,d)的转置,LF表示腐蚀后的掩膜矩阵为1的元素即代表前景先验信息,LB表示腐蚀后的掩膜矩阵为0的元素即代表背景先验信息,E=[1,1,1,...,1]为N维的向量,N为图像的像素点数,λ为控制平滑的权重值;
6b)计算代价函数J(α(l,d))的最小值,得到Alpha矩阵α(l,d):
α(l,d)=[L(l,d)+λ(LF+LB)]-1λLFET,
其中,ET表示E的转置。
7.根据权利要求1所述的方法,其中步骤(7)所述的用Alpha矩阵α(l,d)修正对应尺度对应方向子带的掩膜矩阵x(l,d),是根据设定门限值为0.5,将Alpha矩阵α(l,d)中元素值与门限值0.5做比较,如果Alpha矩阵α(l,d)元素值大于等于0.5,则x(l,d)矩阵中对应的行列元素的值就设置为1,否则为0,得到修正后的掩膜矩阵x'(l,d)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310374749.8A CN103413279B (zh) | 2013-08-24 | 2013-08-24 | 基于ad-nsct算法的sar图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310374749.8A CN103413279B (zh) | 2013-08-24 | 2013-08-24 | 基于ad-nsct算法的sar图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103413279A true CN103413279A (zh) | 2013-11-27 |
CN103413279B CN103413279B (zh) | 2016-02-10 |
Family
ID=49606284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310374749.8A Active CN103413279B (zh) | 2013-08-24 | 2013-08-24 | 基于ad-nsct算法的sar图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103413279B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182935B (zh) * | 2014-08-11 | 2017-02-15 | 同济大学 | 一种基于层次分析法选取小波基的图像去噪方法 |
CN107274365A (zh) * | 2017-06-15 | 2017-10-20 | 中国矿业大学(北京) | 一种基于反锐化掩模和nsct算法的矿井图像增强方法 |
CN107947796A (zh) * | 2017-10-24 | 2018-04-20 | 西安电子科技大学 | 基于阈值判别的两步式逐次逼近adc |
CN109065001A (zh) * | 2018-06-20 | 2018-12-21 | 腾讯科技(深圳)有限公司 | 一种图像的降采样方法、装置、终端设备和介质 |
CN110363713A (zh) * | 2019-06-17 | 2019-10-22 | 江苏大学 | 基于递归样本缩放和双线性因子分解的高光谱图像降噪方法 |
US10762425B2 (en) | 2017-09-26 | 2020-09-01 | Nvidia Corporation | Learning affinity via a spatial propagation neural network |
CN112184574A (zh) * | 2020-09-15 | 2021-01-05 | 中国人民解放军91388部队 | 一种遥感图像斑点噪声消除方法及系统 |
CN112907456A (zh) * | 2019-12-04 | 2021-06-04 | 四川大学 | 基于全局平滑约束先验模型的深度神经网络图像去噪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5057843A (en) * | 1990-06-25 | 1991-10-15 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method for providing a polarization filter for processing synthetic aperture radar image data |
CN101901476A (zh) * | 2010-07-12 | 2010-12-01 | 西安电子科技大学 | 基于NSCT域边缘检测和Bishrink模型的SAR图像去噪方法 |
CN102368332A (zh) * | 2011-11-17 | 2012-03-07 | 西安电子科技大学 | 基于nsct域局部高斯模型的sar图像降斑方法 |
-
2013
- 2013-08-24 CN CN201310374749.8A patent/CN103413279B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5057843A (en) * | 1990-06-25 | 1991-10-15 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method for providing a polarization filter for processing synthetic aperture radar image data |
CN101901476A (zh) * | 2010-07-12 | 2010-12-01 | 西安电子科技大学 | 基于NSCT域边缘检测和Bishrink模型的SAR图像去噪方法 |
CN102368332A (zh) * | 2011-11-17 | 2012-03-07 | 西安电子科技大学 | 基于nsct域局部高斯模型的sar图像降斑方法 |
Non-Patent Citations (1)
Title |
---|
WENGE ZHANG, FANG LIU ET AL.: "SAR Image Despeckling Using Edge Detection and Feature Clustering in Bandelet Domain", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182935B (zh) * | 2014-08-11 | 2017-02-15 | 同济大学 | 一种基于层次分析法选取小波基的图像去噪方法 |
CN107274365A (zh) * | 2017-06-15 | 2017-10-20 | 中国矿业大学(北京) | 一种基于反锐化掩模和nsct算法的矿井图像增强方法 |
US10762425B2 (en) | 2017-09-26 | 2020-09-01 | Nvidia Corporation | Learning affinity via a spatial propagation neural network |
CN107947796A (zh) * | 2017-10-24 | 2018-04-20 | 西安电子科技大学 | 基于阈值判别的两步式逐次逼近adc |
CN109065001A (zh) * | 2018-06-20 | 2018-12-21 | 腾讯科技(深圳)有限公司 | 一种图像的降采样方法、装置、终端设备和介质 |
CN109065001B (zh) * | 2018-06-20 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 一种图像的降采样方法、装置、终端设备和介质 |
CN110363713A (zh) * | 2019-06-17 | 2019-10-22 | 江苏大学 | 基于递归样本缩放和双线性因子分解的高光谱图像降噪方法 |
CN110363713B (zh) * | 2019-06-17 | 2023-10-10 | 江苏大学 | 基于递归样本缩放和双线性因子分解的高光谱图像降噪方法 |
CN112907456A (zh) * | 2019-12-04 | 2021-06-04 | 四川大学 | 基于全局平滑约束先验模型的深度神经网络图像去噪方法 |
CN112907456B (zh) * | 2019-12-04 | 2022-06-10 | 四川大学 | 基于全局平滑约束先验模型的深度神经网络图像去噪方法 |
CN112184574A (zh) * | 2020-09-15 | 2021-01-05 | 中国人民解放军91388部队 | 一种遥感图像斑点噪声消除方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103413279B (zh) | 2016-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kulkarni et al. | Pixel level fusion techniques for SAR and optical images: A review | |
CN103413279B (zh) | 基于ad-nsct算法的sar图像去噪方法 | |
CN109035152B (zh) | 一种合成孔径雷达图像非局部均值滤波方法 | |
CN103077508B (zh) | 基于变换域非局部和最小均方误差的sar图像去噪方法 | |
CN101661611B (zh) | 基于贝叶斯非局部均值滤波器的实现方法 | |
Jarabo-Amores et al. | Spatial-range mean-shift filtering and segmentation applied to SAR images | |
CN107507209B (zh) | 极化sar图像的素描图提取方法 | |
Iqbal et al. | SAR image despeckling by selective 3D filtering of multiple compressive reconstructed images | |
CN103605119A (zh) | 一种星载合成孔径雷达条带模式方位模糊抑制方法 | |
CN103871031A (zh) | 基于核回归的sar图像相干斑抑制 | |
Wei et al. | CARNet: An effective method for SAR image interference suppression | |
JP6819794B2 (ja) | レーダ画像処理装置、レーダ画像処理方法およびレーダ画像処理プログラム | |
Shitole et al. | Local contrast based adaptive SAR speckle filter | |
CN103077507A (zh) | 基于Beta算法的多尺度SAR图像降噪方法 | |
CN101950413B (zh) | 基于非下采样Contourlet域MRF模型的SAR图像降斑方法 | |
Devapal et al. | Comprehensive survey on SAR image despeckling techniques | |
Sun et al. | Overview of SAR image denoising based on transform domain | |
Wu et al. | Denoising method based on intrascale correlation in nonsubsampled contourlet transform for synthetic aperture radar images | |
Xia et al. | Low SNR sonar image restoration based on mixed probability statistical model in wavelet domain | |
Chen et al. | Unsupervised change detection of SAR images based on an improved NSST algorithm | |
Shen et al. | Synthetic aperture radar image change detection based on Kalman filter and nonlocal means filter in the nonsubsampled shearlet transform domain | |
MahdianPari et al. | Speckle reduction and restoration of synthetic aperture radar data with an adoptive Markov random field model | |
Huang et al. | Target Detection of SAR Image Based on Wavelet and Empirical Mode Decomposition | |
Gao et al. | Three-dimensional array SAR sparse imaging based on hybrid regularization | |
Shen et al. | Image Enhancement of 3-D SAR via U-Net Framework |
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 |