CN103793889B - 基于字典学习和ppb算法的sar图像去斑方法 - Google Patents

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

基于字典学习和PPB算法的SAR图像去斑方法

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：

$\begin{array}{c}f(\hat{D},\widehat{\mathrm{\α}},\hat{y})=\arg \min \mathrm{\λ}{\left|\right|z-y\left|\right|}_2^2\·\frac{1}{{\left|\right|\mathrm{D\α}\left|\right|}_2^2}+\mathrm{\Σ\μ}{\left|\right|\mathrm{\α}\left|\right|}_0\\ +\mathrm{\Σ}{\left|\right|\mathrm{D\α}-R\left|\right|}_2^2\·\frac{1}{{\left|\right|\mathrm{D\α}\left|\right|}_2^2}+\mathrm{\τ}{\left|\right|z_1-y\left|\right|}_2^2\·\frac{1}{{\left|\right|\mathrm{D\α}\left|\right|}_2^2}\end{array}$

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

$\hat{y}={[(\mathrm{\λ}+\mathrm{\τ})I+\mathrm{\Σ}{R}^{T}R]}^{-1}[\mathrm{\λz}+\mathrm{\Σ}{R}^T\mathrm{D\α}+\mathrm{\τ}{z}_1]$

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，R^T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：

$w(s,t)=\exp (-\underset{p=1}{\overset{49}{\mathrm{\Σ}}}\frac{1}{h}\log (\frac{A_{s,p}}{A_{t,r}}+\frac{A_{t,r}}{A_{s,p}}))$

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，A_s,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，A_t,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。

${\hat{z}}_1=\frac{\underset{t\∈W_s}{\mathrm{\Σ}}w(s,t)A_t^2}{\underset{t\∈W_s}{\mathrm{\Σ}}w(s,t)}$

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，W_s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，A_t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：

$\begin{array}{c}f(\hat{D},\widehat{\mathrm{\α}},\hat{y})=\arg \min \mathrm{\λ}{\left|\right|z-y\left|\right|}_2^2\·\frac{1}{{\left|\right|\mathrm{D\α}\left|\right|}_2^2}+\mathrm{\Σ\μ}{\left|\right|\mathrm{\α}\left|\right|}_0\\ +\mathrm{\Σ}{\left|\right|\mathrm{D\α}-R\left|\right|}_2^2\·\frac{1}{{\left|\right|\mathrm{D\α}\left|\right|}_2^2}+\mathrm{\τ}{\left|\right|z_1-y\left|\right|}_2^2\·\frac{1}{{\left|\right|\mathrm{D\α}\left|\right|}_2^2}\end{array}$

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：

$\widehat{\mathrm{\α}}=\arg \min \mathrm{\λ}{\left|\right|z-y\left|\right|}_2^2\·\frac{1}{{\left|\right|\mathrm{D\α}\left|\right|}_2^2}+\mathrm{\μ}{\left|\right|\mathrm{\α}\left|\right|}_0+\mathrm{\τ}{\left|\right|z_1-y\left|\right|}_2^2\·\frac{1}{{\left|\right|\mathrm{D\α}\left|\right|}_2^2}$

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：

$\hat{D}=\arg \min \mathrm{\Σ}{\left|\right|\mathrm{D\α}-\mathrm{Ry}\left|\right|}_2^2\·\frac{1}{{\left|\right|\mathrm{D\α}\left|\right|}_2^2}+\mathrm{\μ}{\left|\right|\mathrm{\α}\left|\right|}_0+\mathrm{\τ}{\left|\right|z_1-y\left|\right|}_2^2\·\frac{1}{{\left|\right|\mathrm{D\α}\left|\right|}_2^2}$

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：

$\hat{y}={[(\mathrm{\λ}+\mathrm{\τ})I+\mathrm{\Σ}{R}^{T}R]}^{-1}[\mathrm{\λz}+\mathrm{\Σ}{R}^T\mathrm{D\α}+\mathrm{\τ}{z}_1]$

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，R^T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：

$\begin{array}{c}f(\hat{D},\widehat{\mathrm{\α}},\hat{y})=\arg min\mathrm{\λ}\left|\right|z-y|{|}_2^2\·\frac{1}{\left|\right|D\mathrm{\α}|{|}_2^2}+\Σ\mathrm{\μ}|\left|\mathrm{\α}\right|{|}_0\\ +\Σ\left|\right|D\mathrm{\α}-R|{|}_2^2\·\frac{1}{\left|\right|D\mathrm{\α}|{|}_2^2}+\mathrm{\τ}||z_1-y|{|}_2^2\·\frac{1}{\left|\right|D\mathrm{\α}|{|}_2^2}\end{array}$

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

$\hat{y}={\[(\mathrm{\λ}+\mathrm{\τ})I+{\mathrm{\ΣR}}^{T}R\]}^{-1}\[\mathrm{\λ}z+{\mathrm{\ΣR}}^{T}D\mathrm{\α}+{\mathrm{\τz}}_1\]$

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，R^T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：

$w(s,t)=\exp (-\underset{p=1}{\overset{49}{\Σ}}\frac{1}{h}log(\frac{A_{s,p}}{A_{t,r}}+\frac{A_{t,r}}{A_{s,p}}\left)\right)$

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，A_s,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，A_t,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；

${\hat{z}}_1\left(s\right)=\frac{\underset{t\∈W_s}{\Σ}w(s,t)A_t^2}{\underset{t\∈W_s}{\Σ}w(s,t)}$

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，W_s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，A_t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：

$\widehat{\mathrm{\α}}=\arg min\mathrm{\λ}\left|\right|z-y|{|}_2^2\·\frac{1}{\left|\right|D\mathrm{\α}|{|}_2^2}+\mathrm{\μ}|\left|\mathrm{\α}\right|{|}_0+\mathrm{\τ}\left|\right|z_1-y|{|}_2^2\·\frac{1}{\left|\right|D\mathrm{\α}|{|}_2^2}$

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：

$\hat{D}=\arg min\mathrm{\Σ}\left|\right|D\mathrm{\α}-Ry|{|}_2^2\·\frac{1}{\left|\right|D\mathrm{\α}|{|}_2^2}+\mathrm{\μ}|\left|\mathrm{\α}\right|{|}_0+\mathrm{\τ}\left|\right|z_1-y|{|}_2^2\·\frac{1}{\left|\right|D\mathrm{\α}|{|}_2^2}$

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。