CN103793889B - 基于字典学习和ppb算法的sar图像去斑方法 - Google Patents
基于字典学习和ppb算法的sar图像去斑方法 Download PDFInfo
- Publication number
- CN103793889B CN103793889B CN201410062299.3A CN201410062299A CN103793889B CN 103793889 B CN103793889 B CN 103793889B CN 201410062299 A CN201410062299 A CN 201410062299A CN 103793889 B CN103793889 B CN 103793889B
- Authority
- CN
- China
- Prior art keywords
- sar image
- aperture radar
- synthetic aperture
- dictionary
- radar 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.)
- Active
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于字典学习和PPB算法的SAR图像去斑方法,克服了现有技术中学习字典方法忽略图像自相似性,对合成孔径雷达SAR图像进行对数变换造成均值漂移,去斑的合成孔径雷达SAR图像中部分纹理信息丢失的问题。本发明实现步骤为:(1)输入图像;(2)增强点目标;(3)去斑预处理;(4)更新稀疏编码系数和字典;(5)优化字典学习的目标函数;(6)输出图像。本发明具有对合成孔径雷达SAR图像去斑效果好,边缘、纹理保持清晰,消除边缘划痕和块效应,有效的抑制匀质区域噪声,对强弱目标点能很好的保持的优点,可应用于对合成孔径雷达SAR图像去斑处理。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及合成孔径雷达(SyntheticAperture Radar,SAR)图像去斑技术领域的一种基于字典学习和概率性分块滤波(Probabilistic Patch–Based,PPB)算法的SAR图像去斑方法,本发明可用于对SAR图像进行去斑处理。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候的成像特点,不受天气条件和光照强度的影响。随着SAR图像处理技术逐渐成熟,被广泛应用于军事和民用的等领域。由于SAR图像的成像机理,不可避免的会产生相干斑噪声,极大地影响了SAR图像的解译与应用。SAR图像去斑方法成为SAR成像处理与图像分析的重要部分。
目前,常见的SAR图像空域去斑方法有非局部均值滤波、字典学习方法、PPB算法等。非局部均值滤波算法是在加性噪声的上推导出来的,在对SAR图像进行处理前需对数化处理,使乘性相干斑噪声转化为加性噪声,但处理效果仍不理想,边缘和细节部分易出现模糊。字典学习方法是最近提出的一种新的图像去噪方法,该方法通过在冗余字典上的稀疏近似来实现图像去噪,字典学习中的误差控制易造成图像的部分纹理信息丢失,增加了后期变化检测的误检率。PPB算法在最大似然估计的框架下得到加权平均值,通过迭代方法逐步修改先验信息,得到最终的去斑结果,但是PPB算法对SAR图像去斑时,会出现边缘模糊和纹理细节丢失的现象。
西安电子科技大学拥有的专利技术“基于SAR图像局部统计特性的K-SVD相干斑抑制方法”(专利申请号:201110318457.3,授权公告号:CN102509263A)中提出了一种基于SAR图像局部统计特性的K-SVD相干斑抑制方法。该专利技术基于SAR图像的局部统计特性设计了字典学习K-SVD方法的目标函数,根据该目标函数对SAR图像进行处理得到最终去斑的SAR图像。该方法虽然能保持SAR图像的边缘和纹理细节,但是仍然存在的不足是,字典学习方法忽略了图像的自相似性,并且字典学习中的误差控制易造成图像的部分纹理信息丢失,增加后期处理的误检率。
西安电子科技大学拥有的专利技术“基于目标提取和PPB算法的SAR图像去斑方法”(专利申请号:201210193059.4,授权公告号:CN102722878A)中提出了一种基于目标提取和PPB算法的SAR图像去斑方法。该专利技术采用对SAR图像进行特征提取的方法,根据提取的特征将SAR图像聚类为目标图像和非目标图像;然后,对目标图像通过小波硬阈值进行去斑,对非目标图像通过PPB算法进行去斑。该方法虽然能最大限度的平滑斑点噪声的同时保持SAR图像的边缘和纹理细节,但是仍然存在的不足是,同质点之间加权平均不能对图像有很好的稀疏表示,同质区域没有得到较好的去噪效果,弱目标点也很难保持。
发明内容
本发明的目的在于克服上述算法不足,提出了基于字典学习和PPB算法的SAR图像去斑方法,在有效去除噪声的同时,同时对强弱目标点以及边缘等细节信息也能很好地保留。
为实现上述目的,本发明的具体步骤如下:
(1)输入图像:
输入任选的一幅合成孔径雷达SAR图像。
(2)增强点目标:
对输入的合成孔径雷达SAR图像按照点目标增强方法进行增强,得到增强的合成孔径雷达SAR图像z。
(3)去斑预处理:
采用概率性分块滤波PPB方法,对增强的合成孔径雷达SAR图像z进行去斑预处理,得到去斑预处理的合成孔径雷达SAR图像z1。
按照下式,得到字典学习的目标函数:
其中,表示学习字典的目标函数,表示学习字典目标函数取最小值时的字典,表示学习字典目标函数取最小值时的稀疏表示系数,表示学习字典目标函数取最小值时的合成孔径雷达SAR图像;argmin表示对学习字典目标函数做最小值操作,λ表示增强的合成孔径雷达SAR图像的视数,z表示增强的合成孔径雷达SAR图像,y表示去斑后的合成孔径雷达SAR图像,其初始值为增强的合成孔径雷达SAR图像z,表示取二范数的平方操作,D表示字典,R表示在增强的合成孔径雷达SAR图像z中大小的图像块,α表示稀疏编码系数,μ表示残差控制因子,||·||0表示取零范数操作,τ表示权重,z1表示去斑预处理后的合成孔径雷达SAR图像。
初始化字典:
对字典进行初始化,得到字典D为离散余弦变换DCT字典,字典D的大小为64×256的实数矩阵。
(4)更新稀疏编码系数和字典:
按照稀疏编码系数更新方法和字典更新方法,得到最终的稀疏编码系数和最终的字典。
(5)优化字典学习的目标函数:
将最终的稀疏编码系数、最终的字典、去斑预处理后的合成孔径雷达SAR图像,分别代入学习字典目标函数中,优化目标函数,得到去斑的合成孔径雷达SAR图像
其中,表示去斑的合成孔径雷达SAR图像,λ表示增强的合成孔径雷达SAR图像的视数,τ表示权重,I表示与增强的合成孔径雷达SAR图像一样大小的单位矩阵,R表示在增强的合成孔径雷达SAR图像z中大小的图像块,RT为R的转置,[·]-1表示矩阵的求逆操作,z表示增强的合成孔径雷达SAR图像,D表示字典,α表示稀疏编码系数,z1表示去斑预处理后的合成孔径雷达SAR图像。
(6)输出图像:
输出去斑的合成孔径雷达SAR图像。
本发明与现有的技术相比具有以下优点:
第一,由于本发明使用概率性分块滤波PPB方法对输入图像进行去斑预处理,克服了现有技术字典学习方法忽略图像的自相似性的问题,使得本发明具有有效去除合成孔径雷达SAR图像噪声的优点。
第二,由于本发明对合成孔径雷达SAR图像构造了字典学习的目标函数,克服了现有技术字典学习方法对合成孔径雷达SAR图像对数变换造成均值漂移的问题,使得本发明具有边缘保持清晰,消除边缘划痕的优点。
第三,由于本发明在字典学习的目标函数中,构造了局部约束项,克服了现有技术字典学习方法中的图像部分纹理信息丢失,增加后期处理误检率的问题,使得本发明具有对强弱目标点很好保持的优点。
附图说明
图1是本发明的流程图;
图2为本发明与现有技术对合成孔径雷达SAR图像field的去斑效果对比图;
图3为本发明与现有技术对合成孔径雷达SAR图像airport去斑效果对比图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照附图1,本发明的具体步骤如下:
步骤1:输入图像。
输入任选的一幅合成孔径雷达SAR图像。本发明实施例中使用的合成孔径雷达SAR图像如图2(a)和如图3(a)所示,图2(a)为合成孔径雷达SAR图像田野图field,大小为256×256,图3(a)为合成孔径雷达SAR图像机场图airport,大小为256×256。
步骤2:增强点目标。
对输入的合成孔径雷达SAR图像按照点目标增强方法进行增强,按照如下步骤,得到增强的合成孔径雷达SAR图像z。
取合成孔径雷达SAR图像中所有像素点灰度值中的最大值与最小值之差作为阈值T。
取合成孔径雷达SAR图像的任一像素点q。
令搜索窗的大小为3×3,在以像素点q为中心的搜索窗中,如果任意选取的6个像素点灰度值的均值大于等于阈值T,则保持像素点q的灰度值不变;否则,将像素点q的灰度值更新为搜索窗内所有像素点灰度值的均值。
对SAR图像中每个像素点进行上一步骤的操作,获得增强的合成孔径雷达SAR图像z。
步骤3:去斑预处理。
采用概率性分块滤波PPB方法,按照如下步骤,对增强的合成孔径雷达SAR图像z进行去斑预处理,得到去斑预处理的合成孔径雷达SAR图像z1。
在增强的合成孔径雷达SAR图像z中,任意像素点s的21×21大小的邻域窗口。
按照下式,计算像素点s与邻域窗口内其他像素点t的权值:
其中,w(s,t)表示增强的合成孔径雷达SAR图像z中的任意像素点s与其邻域窗口内其他像素点t的权值,exp(·)表示取指数操作,p表示任意像素点s在7×7大小的邻域内像素点序号,h表示控制指数衰减程度的平滑参数,log(·)表示取对数操作,As,p表示任意像素点s在邻域内像素点序号p对应位置处的灰度值,r表示像素点t在7×7大小邻域内像素点的序号,且r=p,At,r表示像素点t在邻域内像素点序号r对应位置处的灰度值。
按照下式,计算增强的合成孔径雷达SAR图像中的任意像素点s灰度值的最终估计值。
其中,表示增强的合成孔径雷达SAR图像中的任意像素点s灰度值的最终估计值,w(s,t)表示增强的合成孔径雷达SAR图像中的任意像素点s与其邻域窗口内其他像素点t的权值,Ws表示增强的合成孔径雷达SAR图像中任意像素点s的21×21大小的邻域窗口,At表示像素点t的灰度值。
重复上述步骤25次,得到概率性分块滤波PPB方法对增强的合成孔径雷达SAR图像z预处理结果图z1。
按照下式,得到字典学习的目标函数:
其中,表示学习字典的目标函数,表示学习字典目标函数取最小值时的字典,表示学习字典目标函数取最小值时的稀疏表示系数,表示学习字典目标函数取最小值时的合成孔径雷达SAR图像;argmin表示对学习字典目标函数做最小值操作,λ表示增强的合成孔径雷达SAR图像的视数,z表示增强的合成孔径雷达SAR图像,y表示去斑后的合成孔径雷达SAR图像,其初始值为增强的合成孔径雷达SAR图像z,表示取二范数的平方操作,D表示字典,R表示在增强的合成孔径雷达SAR图像z中大小的图像块,α表示稀疏编码系数,μ表示残差控制因子,||·||0表示取零范数操作,τ表示权重,z1表示去斑预处理后的合成孔径雷达SAR图像。
初始化字典。
对字典进行初始化,得到字典D为离散余弦变换DCT字典,字典D的大小为64×256的实数矩阵。
步骤4:更新稀疏编码系数和字典。
按照稀疏编码系数更新方法和字典更新方法,按照如下步骤,得到最终的稀疏编码系数和最终的字典。
按照下式,更新稀疏编码系数:
其中,为更新的稀疏编码系数,argmin表示最小值操作,λ表示增强的合成孔径雷达SAR图像的视数,z表示增强的合成孔径雷达SAR图像,y表示去斑后的合成孔径雷达SAR图像,其初始值为增强的合成孔径雷达SAR图像z,表示取二范数的平方操作,D表示字典,α表示稀疏编码系数,μ表示残差控制因子,||·||0表示取零范数操作,τ表示权重,z1表示去斑预处理后的合成孔径雷达SAR图像。
按照下式,进行字典训练,更新字典D:
其中,表示更新的字典,D表示字典,α表示稀疏编码系数,R表示在增强的合成孔径雷达SAR图像z中大小的图像块,y表示去斑后的合成孔径雷达SAR图像,其初始值为增强的合成孔径雷达SAR图像z,表示取二范数的平方操作,μ表示残差控制因子,||·||0表示取零范数操作,τ表示权重,z1表示去斑预处理后的合成孔径雷达SAR图像。
重复执行上述步骤10次,得到最终的稀疏编码系数和字典。
步骤5:优化字典学习的目标函数。
将最终的稀疏编码系数、最终的字典、去斑预处理后的合成孔径雷达SAR图像,分别代入学习字典目标函数中,优化学习字典的目标函数,得到去斑的合成孔径雷达SAR图像如下:
其中,表示去斑的合成孔径雷达SAR图像,λ表示增强的合成孔径雷达SAR图像的视数,τ表示权重,I表示与增强的合成孔径雷达SAR图像一样大小的单位矩阵,R表示在增强的合成孔径雷达SAR图像z中大小的图像块,RT为R的转置,[·]-1表示矩阵的求逆操作,z表示增强的合成孔径雷达SAR图像,D表示字典,α表示稀疏编码系数,z1表示去斑预处理后的合成孔径雷达SAR图像。
图2(d)表示采用本发明对合成孔径雷达SAR图像田野图field去斑的结果图。
图3(d)表示采用本发明对合成孔径雷达SAR图像机场图airport去斑的结果图。
步骤6:输出图像。
输出去斑的合成孔径雷达SAR图像。
下面结合附图2和附图3的仿真图对本发明的效果做进一步说明。
1.仿真实验条件:
本发明的硬件测试平台是:处理器为Inter Core2Duo CPU E8200,主频为2.67GHz,内存2GB,软件平台为:Windows7旗舰版32位操作系统和MatlabR2012b。本发明的输入图像分别为合成孔径雷达SAR图像田野图field和合成孔径雷达SAR图像机场图airport,大小都为256×256,格式都为BMP。
2.仿真内容:
本发明用到的两个对比方法分别如下:
Shuyuan Yang等人在文献“Speckle Reduction of SAR Image throughDictionary Learning and Point Target Enhancing Approaches.Radar(Radar),2011IEEE CIE International Conference on,on page(s):1926-1929Volume:2,24-27Oct.2011”中提到的中提出的合成孔径雷达SAR图像去斑方法,简称字典学习方法。
Deledalle等人在文献“Iterative weighted maximum likelihood denoising withprobabilistic patch-based weights[J].IEEE Transactions on Image Processing,2009,18(12):2661-2672.”中提出的合成孔径雷达SAR图像去斑方法,简称PPB方法。
图2为仿真实验中本发明与现有技术对合成孔径雷达SAR图像田野图field去斑效果对比图。其中,图2(a)为输入的合成孔径雷达SAR图像的田野图field,其大小为256×256,图2(b)为现有技术中采用字典学习方法对合成孔径雷达SAR图像田野图field进行去斑的结果图,图2(c)为现有技术中采用PPB方法对合成孔径雷达SAR图像田野图field进行去斑的结果图,图2(d)为本发明方法对合成孔径雷达SAR图像田野图field进行去斑的结果图。
图3为仿真实验中本发明与现有技术对合成孔径雷达SAR图像的机场图airport去斑效果对比图。其中,图3(a)为输入的合成孔径雷达SAR图像的机场图airport,其大小为256×256,图3(b)为现有技术中采用字典学习方法对合成孔径雷达SAR图像的机场图airport进行去斑的结果图,图3(c)为现有技术中采用PPB方法对合成孔径雷达SAR图像的机场图airport进行去斑的结果图,图3(d)为本发明方法对合成孔径雷达SAR图像的机场图airport进行去斑的结果图。
3.仿真结果分析:
图2和图3为本发明与现有技术对合成孔径雷达SAR图像田野图field和机场图airport的去斑效果对比图。从图2(b)和图3(b)可以看出,现有技术中的字典学习方法对合成孔径雷达SAR去斑结果,很明显在匀质区域出现了很多划痕点目标也保持的不是很好。从图2(c)和图3(c)可以看出,现有技术中的PPB方法对合成孔径雷达SAR去斑结果,在点目标等细节纹理保持上有所提高,但是匀质区域会有伪吉布斯效应;从图2(d)和图3(d)可以看出,能较好地保持点目标和边缘等细节信息,相比现有技术,匀质区域的平滑性更好,综上所述,本发明方法可以有效去除斑点噪声,同时还可以有效保持图像的边缘和点目标等细节特征。
对图2,图3中各方法对合成孔径雷达SAR图像去斑结果进行客观评价,结果分别如表1,表2所示。
一般来说,均值(mean)用来衡量图像灰度值的保持能力,要求去斑后图像的均值越接近原始图像越好;标准差(std)用来衡量去斑方法的平滑能力,标准差越小,其平滑能力越强;等效视数(ENL)是针对合成孔径雷达SAR图像设计的度量标准,等效视数越大,去斑效果越理想。
采用本发明与现有技术中的PPB方法和字典学习方法对田野图field的去斑的性能指标如表1所示:
表1对田野图field去斑结果的评价指标
采用本发明与现有技术中的PPB方法和字典学习方法对机场图airport的去斑的性能指标如表2所示:
本发明与现有技术对机场图airport的去斑性能指标如表2所示:
表2对机场图airport去斑结果的评价指标
从表1,表2中可以看出,本发明方法结果图的均值比较接近于输入图像,表明本发明方法对合成孔径雷达SAR图像的辐射特性保持较好。本发明方法结果图的标准差是最小,表明本发明方法的平滑能力最好。本发明方法结果图中匀质区域的等效视数ENL方面最高,表明本发明方法去斑效果最好。
Claims (4)
1.一种基于字典学习和PPB算法的SAR图像去斑方法,包括如下步骤:
(1)输入图像:
输入任选的一幅合成孔径雷达SAR图像;
(2)增强点目标:
对输入的合成孔径雷达SAR图像按照点目标增强方法进行增强,得到增强的合成孔径雷达SAR图像z;
(3)去斑预处理:
(3a)采用概率性分块滤波PPB方法,对增强的合成孔径雷达SAR图像z进行去斑预处理,得到去斑预处理的合成孔径雷达SAR图像z1;
(3b)按照下式,得到字典学习的目标函数:
其中,表示学习字典的目标函数,表示学习字典目标函数取最小值时的字典,表示学习字典目标函数取最小值时的稀疏表示系数,表示学习字典目标函数取最小值时的合成孔径雷达SAR图像;arg min表示对学习字典目标函数做最小值操作,λ表示增强的合成孔径雷达SAR图像的视数,z表示增强的合成孔径雷达SAR图像,y表示去斑后的合成孔径雷达SAR图像,其初始值为增强的合成孔径雷达SAR图像z,表示取二范数的平方操作,D表示字典,R表示在增强的合成孔径雷达SAR图像z中大小的图像块,n表示图像z中像素点的总个数,α表示稀疏编码系数,μ表示残差控制因子,||·||0表示取零范数操作,τ表示权重,z1表示去斑预处理后的合成孔径雷达SAR图像;
(3c)初始化字典:
对字典进行初始化,得到字典D为离散余弦变换DCT字典,字典D的大小为64×256的实数矩阵;
(4)更新稀疏编码系数和字典:
按照稀疏编码系数更新方法和字典更新方法,得到最终的稀疏编码系数和最终的字典;
(5)优化字典学习的目标函数:
将最终的稀疏编码系数、最终的字典、去斑预处理后的合成孔径雷达SAR图像,分别代入学习字典目标函数中,优化目标函数,得到去斑的合成孔径雷达SAR图像
其中,表示去斑的合成孔径雷达SAR图像,λ表示增强的合成孔径雷达SAR图像的视数,τ表示权重,I表示与增强的合成孔径雷达SAR图像一样大小的单位矩阵,R表示在增强的合成孔径雷达SAR图像z中大小的图像块,RT为R的转置,[·]-1表示矩阵的求逆操作,z表示增强的合成孔径雷达SAR图像,D表示字典,α表示稀疏编码系数,z1表示去斑预处理后的合成孔径雷达SAR图像;
(6)输出图像:
输出去斑的合成孔径雷达SAR图像。
2.根据权利要求1所述基于字典学习和PPB算法的SAR图像去斑方法,其特征在于,步骤2所述的增强点目标方法,按如下步骤进行:
第一步,取合成孔径雷达SAR图像中所有像素点灰度值中的最大值与最小值之差作为阈值T;
第二步,取合成孔径雷达SAR图像的任一像素点q;
第三步,令搜索窗的大小为3×3,在以像素点q为中心的搜索窗中,如果任意选取的6个像素点灰度值的均值大于等于阈值T,则保持像素点q的灰度值不变;否则,将像素点q的灰度值更新为搜索窗内所有像素点灰度值的均值;
第四步,对SAR图像中每个像素点进行第三步的操作,获得增强的合成孔径雷达SAR图像z。
3.根据权利要求1所述基于字典学习和PPB算法的SAR图像去斑方法,其特征在于,步骤(3a)所述的概率性分块滤波PPB方法,按如下步骤进行:
第一步,在增强的合成孔径雷达SAR图像z中,任意像素点s的21×21大小的邻域窗口;
第二步,按照下式,计算像素点s与邻域窗口内其他像素点t的权值:
其中,w(s,t)表示增强的合成孔径雷达SAR图像z中的任意像素点s与其邻域窗口内其他像素点t的权值,exp(·)表示取指数操作,p表示任意像素点s在7×7大小的邻域内像素点序号,h表示控制指数衰减程度的平滑参数,log(·)表示取对数操作,As,p表示任意像素点s在邻域内像素点序号p对应位置处的灰度值,r表示像素点t在7×7大小邻域内像素点的序号,且r=p,At,r表示像素点t在邻域内像素点序号r对应位置处的灰度值;
第三步,按照下式,计算增强的合成孔径雷达SAR图像中的任意像素点s灰度值的最终估计值;
其中,表示增强的合成孔径雷达SAR图像中的任意像素点s灰度值的最终估计值,w(s,t)表示增强的合成孔径雷达SAR图像中的任意像素点s与其邻域窗口内其他像素点t的权值,Ws表示增强的合成孔径雷达SAR图像中任意像素点s的21×21大小的邻域窗口,At表示像素点t的灰度值;
第四步,重复第一步到第三步25次,得到概率性分块滤波PPB方法对增强的合成孔径雷达SAR图像z预处理结果图z1。
4.根据权利要求1所述基于字典学习和PPB算法的SAR图像去斑方法,其特征在于,步骤(4)所述的更新稀疏编码系数和字典方法,按如下步骤进行:
第一步,按照下式,更新稀疏编码系数:
其中,为更新的稀疏编码系数,arg min表示最小值操作,λ表示增强的合成孔径雷达SAR图像的视数,z表示增强的合成孔径雷达SAR图像,y表示去斑后的合成孔径雷达SAR图像,其初始值为增强的合成孔径雷达SAR图像z,表示取二范数的平方操作,D表示字典,α表示稀疏编码系数,μ表示残差控制因子,||·||0表示取零范数操作,τ表示权重,z1表示去斑预处理后的合成孔径雷达SAR图像;
第二步,按照下式,进行字典训练,更新字典D:
其中,表示更新的字典,D表示字典,α表示稀疏编码系数,R表示在增强的合成孔径雷达SAR图像z中大小的图像块,y表示去斑后的合成孔径雷达SAR图像,其初始值为增强的合成孔径雷达SAR图像z,表示取二范数的平方操作,μ表示残差控制因子,||·||0表示取零范数操作,τ表示权重,z1表示去斑预处理后的合成孔径雷达SAR图像;
第三步,重复执行第一步和第二步10次,得到最终的稀疏编码系数和字典。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410062299.3A CN103793889B (zh) | 2014-02-24 | 2014-02-24 | 基于字典学习和ppb算法的sar图像去斑方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410062299.3A CN103793889B (zh) | 2014-02-24 | 2014-02-24 | 基于字典学习和ppb算法的sar图像去斑方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103793889A CN103793889A (zh) | 2014-05-14 |
CN103793889B true CN103793889B (zh) | 2016-08-17 |
Family
ID=50669515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410062299.3A Active CN103793889B (zh) | 2014-02-24 | 2014-02-24 | 基于字典学习和ppb算法的sar图像去斑方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103793889B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050644B (zh) * | 2014-06-23 | 2017-01-04 | 西北工业大学 | 一种基于非局部约束稀疏表示的sar图像去噪方法 |
CN105676220B (zh) * | 2014-11-21 | 2019-01-04 | 中国航空工业集团公司雷华电子技术研究所 | 一种结合二维逆滤波的高分辨聚束sar自聚焦方法 |
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 |
US20170221235A1 (en) * | 2016-02-01 | 2017-08-03 | General Electric Company | Negative dictionary learning |
CN106056553B (zh) * | 2016-05-31 | 2021-02-26 | 李炎然 | 基于紧框架特征字典的图像修复方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509263A (zh) * | 2011-10-19 | 2012-06-20 | 西安电子科技大学 | 基于sar图像局部统计特性的k-svd相干斑抑制方法 |
CN102722878A (zh) * | 2012-06-13 | 2012-10-10 | 西安电子科技大学 | 基于目标提取和ppb算法的sar图像去斑方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7689051B2 (en) * | 2004-04-15 | 2010-03-30 | Microsoft Corporation | Predictive lossless coding of images and video |
-
2014
- 2014-02-24 CN CN201410062299.3A patent/CN103793889B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509263A (zh) * | 2011-10-19 | 2012-06-20 | 西安电子科技大学 | 基于sar图像局部统计特性的k-svd相干斑抑制方法 |
CN102722878A (zh) * | 2012-06-13 | 2012-10-10 | 西安电子科技大学 | 基于目标提取和ppb算法的sar图像去斑方法 |
Non-Patent Citations (4)
Title |
---|
Bayesian Nonlocal Means Filter for SAR Image Despeckling;Hua Zhong et al.;《2nd Asian-Pacific Conference on Synthetic Aperture Radar》;20091026;第1096-1099页 * |
Iterative Weighted Maximum Likelihood Denoising With Probabilistic Patch-Based Weights;Charles-Alban Deledalle et al.;《IEEE Transactions on Image Processing》;20091231;第18卷(第12期);第2661-2672页 * |
SAR Image Despeckling Using Edge Detection and Feature Clustering in Bandelet Domain;Wenge Zhang et al.;《IEEE Geoscience and Remote Sensing Letters》;20100131;第7卷(第1期);第131-135页 * |
Speckle Reduction of SAR Image through Dictionary Learning and Point Target Enhancing Approaches;Shuyuan Yang et al.;《2011 IEEE CIE International Conference on Radar》;20111024;第2卷;第1926-1929页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103793889A (zh) | 2014-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103793889B (zh) | 基于字典学习和ppb算法的sar图像去斑方法 | |
Zhang et al. | Joint image denoising using adaptive principal component analysis and self-similarity | |
Xu et al. | Patch ordering-based SAR image despeckling via transform-domain filtering | |
CN101882304B (zh) | 一种sar图像自适应去噪和特征增强方法 | |
Bhandari et al. | Optimal sub-band adaptive thresholding based edge preserved satellite image denoising using adaptive differential evolution algorithm | |
CN103873743A (zh) | 一种基于结构张量和卡尔曼滤波的视频去噪方法 | |
CN102346908B (zh) | 基于稀疏表示的sar图像相干斑抑制方法 | |
CN106663315B (zh) | 用于对含噪图像去噪的方法 | |
CN103295204B (zh) | 一种基于非下采样轮廓波变换的图像自适应增强方法 | |
CN102509263B (zh) | 基于sar图像局部统计特性的k-svd相干斑抑制方法 | |
CN105046664A (zh) | 一种基于自适应epll算法的图像去噪方法 | |
Noor et al. | Median filters combined with denoising convolutional neural network for Gaussian and impulse noises | |
CN112634171B (zh) | 基于贝叶斯卷积神经网络的图像去雾方法及存储介质 | |
CN103020922A (zh) | 基于pca变换的sar图像相干斑抑制方法 | |
Vitale et al. | A new ratio image based CNN algorithm for SAR despeckling | |
Gragnaniello et al. | SAR image despeckling by soft classification | |
Zhang et al. | SAR image despeckling using multiconnection network incorporating wavelet features | |
CN115063318A (zh) | 自适应频率分解的低光照图像增强方法与相关设备 | |
CN105590301A (zh) | 自适应正斜双十字窗均值滤波的脉冲噪声消除方法 | |
CN104537624B (zh) | 基于ssim校正聚类稀疏表示的sar图像降斑方法 | |
CN102750675B (zh) | 一种斑点噪声污染图像的非局部均值滤波方法 | |
CN102722879A (zh) | 基于目标提取和三维块匹配去噪的sar图像去斑方法 | |
CN107301631B (zh) | 一种基于非凸加权稀疏约束的sar图像降斑方法 | |
CN104978716A (zh) | 一种基于线性最小均方误差估计的sar图像降噪方法 | |
CN103077507A (zh) | 基于Beta算法的多尺度SAR图像降噪方法 |
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 |