CN103886563A - 基于非局部平均和异质性测量的sar图像斑点噪声抑制方法 - Google Patents

Abstract

本发明公开了一种基于非局部平均和异质性测量的SAR图像斑点噪声抑制方法，包括：将输入的SAR图像划分成若干个搜索子块，并估计该SAR图像的异质性区域和同质性区域的变差系数范围；对输入的某个搜索子块，计算该搜索子块的变差系数，并判断该搜索子块的同质性和异质性；对于异质性搜索子块的每一像素点，判断其是否是点目标，如果不是则根据新的权值计算公式计算搜索子块内所有像素点的权值，对搜索子块内所有像素点进行加权平均，得到该像素点修正后的灰度值；用修正后的灰度值取代原SAR图像中所有点的灰度值，得到去斑后的SAR图像。本发明能够抑制斑点噪声，同时能有效保持SAR图像的边缘、纹理等细节信息。

Description

基于非局部平均和异质性测量的SAR图像斑点噪声抑制方法

技术领域

本发明属于图像处理技术领域，更具体地，涉及一种基于非局部平均和SAR图像异质性测量的SAR图像斑点噪声抑制方法。

背景技术

合成孔径雷达（Synthetic aperture radar，简称SAR）是一种主动式微波遥感器，由于具有全天时、全天候成像、高分辨率和强穿透力等优点，被广泛应用到军事和民用的各领域。然而，由于SAR系统的相干成像特点，SAR图像不可避免地受到相干斑噪声的污染。相干斑噪声的存在严重影响了SAR图像的视觉效果及其自动解译。SAR图像去噪需要在有效地抑制斑点噪声的同时，保持边缘和点目标等重要信息不丢失，它是保证后续SAR图像处理如分割、目标识别及图像解译等工作顺利完成的基础。

目前，SAR图像的去斑算法主要在局部空间域和小波域进行。传统的基于空域的滤波算法主要有Lee滤波、Frost滤波等；SAR图像的局部统计信息量（变差系数CV,又称为SAR图像异质性测量方式）在这类去斑算法中扮演着重要的角色，它们都是利用变差系数来判断待处理的局部区域是平坦的区域、边界区域、或高反射区域，从而决定对该局部区域进行平滑的程度。这些基于局部空域的滤波方法，虽然能有相对较好的降斑结果，但是对图像中的边缘和细节信息保持得不够好。其原因在于它们都假设真实的SAR图像场景是平稳的，而这种假设在SAR图像的边缘和细节区域是不成立的。基于小波的斑点噪声抑制算法主要有硬阈值、软阈值、小波域的维纳滤波及小波域Bayesian估计等方法，这类方法能克服空域滤波的缺点，假设真实的SAR图像场景是非平稳的，利用小波变换的多尺度特性分析SAR图像，能较好地在抑制斑点噪声的同时保持图像的边缘、纹理等细节信息，但是这类信号容易引入假信号（如光晕现象）。

最近，Buades等人利用图像的冗余性（即图像中小图像块之间的相似性），提出了针对自然图像加性白噪声的非局部均值（Non Local means,简称NL-means）去噪方法。该方法的基本思想是通过计算图像块之间的欧式距离来构造求均值的权重，而不是仅仅利用传统的单像素点的相似性来构造权重。这种非局部的方法在滤波的过程中将整幅图像的冗余信息考虑进来，可以更好地保持图像的边缘、纹理等特征。该NL-means只是在处理加性噪声的时非常有效；在面对乘性噪声（相干斑噪声、Possion噪声）时，效果不是很明显。究其原因：Buades的非局部平均滤波主要利用欧式距离作为图像块之间相似性的度量方式，这种度量方式在含有加性噪声图像中可以很好地度量图像块之间的结构相似性；但是，在含有乘性噪声的图像中，由于噪声与信号的相关性，这种度量方式的稳健性得不到保障。为了解决这个问题，研究者们对含有乘性噪声的图像块之间的相似性度量方式进行了深入的研究。Deledalle通过研究SAR图像中具有相同后向散射系数的两像素的联合概率密度函数（Probability density function,简称PDF）,给出了一种迭代的SAR图像像素相似性测量方法。Feng等人认为比值距离是一种鲁棒性更强的SAR图像像素相关性度量方式，并用此比值距离的PDF来分割SAR图像中同质区域，进而对真实后向散射系数进行估计。这类滤波算法成功地将非局部平局的思想引入到SAR图像的相干斑抑制中，取得了很好的滤波效果。Buades等提出非局域滤波器，由于其计算量比较大，限制了该滤波算法的实际使用。Deledalle等提出的利用联合PDF作为SAR图像像素相似性度量方式，其计算量在原始非局域滤波器算法的基础上增加了1倍。Feng等人提出的用比值距离的PDF来分割SAR图像中的同质区域，然后再在同质区域内进行非局部平均；该方法需要对8个方向进行自适应形状的同质区域分割，这也进一步增加了算法的计算量。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于非局部平均和异质性测量的SAR图像去斑方法，其目的在于，解决现有基于空域和小波域的去斑算法中存在的边缘和细节信息保持得不够好和容易引入假信号的技术问题，以及现有利用PDF度量SAR图像像素相似性的非局部去斑算法方法中存在的计算复杂度偏高等技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于非局部平均和异质性测量的SAR图像斑点噪声抑制方法，包括如下步骤：

（1）获取SAR图像，将该SAR图像划分成M个相同大小的搜索子块，根据这些搜索子块中包括平坦区域的子块的变差系数估计该SAR图像的异质性区域和同质性区域的变差系数范围，其中M为任意正整数；

（2）对M个搜索子块中的每个搜索子块R_Search(i)，判断是CV_i≤CV_u还是CV_u＜CV_i＜CV_max，如果CV_i≤CV_u，则判断该搜索子块属于同质性搜索子块，如果CV_u＜CV_i＜CV_max，则判断该搜索子块属于异质性搜索子块；

（3）对于每个同质性搜索子块的每一个像素点，利用经典恒虚警点目标检测方法对该像素点进行点目标检测，如果该像素点是点目标，则保持该点的灰度值，如果该像素点不是点目标，则采用原始的Baudes非局部平均滤波方法对该像素点的灰度值进行修正；

（4）对于异质性搜索子块的每一个像素点，利用与上述步骤（3）相同的经典恒虚警点目标检测方法对该像素点进行点目标检测，如果该像素点是点目标，则保持该点的灰度值，如果该像素点不是点目标，则对该像素点的灰度值I(x)进行修正：

（5）用像素点修正后的灰度值取代该像素点在原SAR图像中的灰度值，以得到去斑后的SAR图像。

优选地，步骤（1）包括如下子步骤：

（1-1）获取SAR图像，将该SAR图像划分成M个相同大小的搜索子块R_Search(i)，其中i为1至M之间的正整数；

（1-2）在M个搜索子块中选择包括平坦区域的所有A个子块，分别计算这A个子块的变差系数

其中σ_R表示子块的标准方差，表示子块的均值；

（1-2）将计算得到的A个变差系数进行平均，得到的均值CV_u作为异质性区域变差系数的下限；

（1-3）在M个搜索子块中选择包括边缘、丰富纹理区域的所有B个子块，分别计算这B个子块的变差系数CV_B，CV_B的计算公式与CV_A的计算公式类似，将计算得到的B个变差系数中的最大值CV_max作为异质性区域变差系数的上限。

优选地，步骤（1）包括如下子步骤：

（1-1）获取SAR图像，将该SAR图像划分成M个相同大小的搜索子块R_Search(i)，其中i为1至M之间的正整数；

（1-2）在M个搜索子块中选择包括平坦区域的所有A个子块，分别计算这A个子块的变差系数

其中σ_R表示子块的标准方差，

表示子块的均值；

（1-2）将计算得到的A个变差系数进行平均，得到的均值CV_u作为异质性区域变差系数的下限；

（1-3）根据下式计算异质性区域变差系数的上限其中L为SAR图像的等效视数。

优选地，步骤（3）具体为，首先以该像素点为中心取5×5大小的窗口，窗口内中心像素点的4-邻域窗口灰度值均值记为u₁，窗口内其余像素点4-邻域窗口灰度值均值记为u₂，如果

小于设定的门限值T，则判断该像素点是点目标，对于大于或等于设定的门限值T的像素点，表示其不是点目标。

优选地，对于不是点目标的像素点，采用原始的Baudes非局部平均滤波方法并使用以下公式对该像素点的灰度值I(x)进行修正：

$\stackrel{\‾}{I}\left(x_i\right)=\frac{x_j\∈R_{\mathrm{search}}^{\mathrm{\Σ}}w\left(x_{i^{\text{'}}}{x}_j\right)I\left(x_j\right)}{x_j\∈R_{\mathrm{search}}^{\mathrm{\Σ}}w(x_i,x_j)}$

其中j为1至M之间的正整数，x_i和x_j为M个搜索子块R_Search中的像素点，w(x_i,x_j)的计算公式为，

$w(x_i,x_j)=\frac{1}{Z\left(i\right)}{e}^{-\frac{d(x_i,x_j)}{h2}}$

上式中 $d(x_i,x_j)={\left|\right|v\left(N_i\right)-v\left(N_j\right)\left|\right|}_2^2,$ 其中v(N_i)为以x_i为中心的矩形区域，v(N_j)为以x_j 为中心的矩形区域，v(N_i)和v(N_j)称为相似性度量窗口，归一化常数 $Z\left(i\right)=\underset{j}{\mathrm{\Σ}}\exp (-d(x_i,x_j)/h^2),$ h为衰减因子，d(x_i,x_j)为像素点x_i与x_j之间的欧式距离。

优选地，步骤（4）中，对于不是点目标的像素点，采用下式对该像素点的灰度值I(x)进行修正：

$\stackrel{\‾}{I}\left(x_i\right)=\frac{x_j\∈R_{\mathrm{search}}^{\mathrm{\Σ}}w\left(x_{i^{\text{'}}}{x}_j\right)I\left(x_j\right)}{x_j\∈R_{\mathrm{search}}^{\mathrm{\Σ}}w(x_i,x_j)}$

其中 $\left\{\begin{array}{c}{w}^{\′}(x_i,x_j)=\frac{1}{Z\left(i\right)}{e}^{-\frac{d(x_i,x_j)}{h^{\′}2}}\\ h^{\′}=h(1-\frac{{\mathrm{CV}}_i-{\mathrm{CV}}_u}{{\mathrm{CV}}_{\max }-{\mathrm{CV}}_u})\end{array}\right.$

其中CV_i为以待恢复的像素点x_i为中心的矩形区域的变差系数，其计算公式为：σ_i为该矩形区域的方差，

为该矩形区域的均值。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

1.本发明由于将非局部平均的思想融入到SAR图像去斑算法中，整幅SAR图像的信息都参与SAR图像像素点的恢复，能更好地保留图像的纹理、边缘等细节信息；所以能够解决现有的基于空域的去斑算法中存在的细节信息保留得不够好的问题。

2.本发明由于不需要对SAR图像进行空间变换，所以不会引入类似基于小波域去斑算法中的光晕现象（即假信号）等问题。

3.本发明由于不需要估计计算PDF，所以其计算复杂度比现有的利用PDF度量SAR图像像素相似性的非局部去斑算法会降低很多。

4.本发明提出了一种自适应于欧式距离和SAR图像异质性度量的权值计算方法。该权值计算方法即考虑到了相似性窗口的灰度相似性，又考虑到了搜索窗口的纹理、结构等信息特点。

附图说明

图1是本发明基于非局部平均和异质性测量的SAR图像斑点噪声抑制方法的流程图。

图2是本发明算法、PPB滤波算法和Frost滤波算法对仿真SAR图像处理结果对比图。

图3是本发明算法、PPB滤波算法和Frost滤波算法对具有简单纹理的真实SAR图像处理结果对比图。

图4是本发明算法、PPB滤波算法和Frost滤波算法对具有复杂场景的真实SAR图像处理结果对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，本发明基于非局部平均和异质性测量的SAR图像斑点噪声抑制方法包括如下步骤：

步骤1，获取SAR图像，将该SAR图像划分成M个（M为任意正整数，且有M≥50）相同大小的搜索子块，根据这些搜索子块中包括平坦区域的子块的变差系数估计该SAR图像的异质性区域和同质性区域的变差系数范围；本步骤具体包括以下子步骤：

（1-1）获取SAR图像，将该SAR图像划分成M个相同大小的搜索子块R_Search(i)，其中i为1至M之间的正整数；

（1-2）在M个搜索子块中选择包括平坦区域的所有A个子块，分别计算这A个子块的变差系数

其中σ_R表示子块的标准方差，

表示子块的均值；具体而言，如果某个子块的标准方差小于等于某个经验值S，则该子块为平坦区域，否则该子块为包含边缘、丰富纹理区域；

（1-2）将计算得到的A个变差系数进行平均，得到的均值CV_u作为异质性区域变差系数的下限；

（1-3）在M个搜索子块中选择包括边缘、丰富纹理区域的所有B个子块，分别计算这B个子块的变差系数CV_B，CV_B的计算公式与CV_A的计算公式类似；将计算得到的B个变差系数中的最大值CV_max作为异质性区域变差系数的上限；在另一个实施方式中，CV_max的取值也可以等于

其中L为SAR图像的等效视数；到这里，可以确定异质性搜索区域变差系数的参考范围为CV_u＜CV＜CV_max。

步骤2，对M个搜索子块中的每个搜索子块R_Search(i)，判断是CV_i≤CV_u还是CV_u＜CV_i＜CV_max，如果CV_i≤CV_u，则判断该搜索子块属于同质性搜索子块，如果CV_u＜CV_i＜CV_max，则判断该搜索子块属于异质性搜索子块；

步骤3，对于每个同质性搜索子块的每一个像素点，利用经典恒虚警点目标检测方法对该像素点进行点目标检测，如果该像素点是点目标，则保持该点的灰度值，如果该像素点不是点目标，则采用原始的Baudes非局部平均滤波方法对该像素点的灰度值进行修正；

具体而言，首先以该像素点为中心取5×5大小的窗口，窗口内中心像素点的4-邻域窗口灰度值均值记为u₁，窗口内其余像素点4-邻域窗口灰度值均值记为u₂，如果

小于设定的门限值T（其大小为0至1之间，在本实施方式中T为0.3），则判断该像素点是点目标。

对于

大于或等于设定的门限值T的像素点，表示其不是点目标，然后采用原始的Baudes非局部平均滤波方法并使用以下公式对该像素点的灰度值I(x)进行修正：

$\stackrel{\‾}{I}\left(x_i\right)=\frac{x_j\∈R_{\mathrm{search}}^{\mathrm{\Σ}}w\left(x_{i^{\text{'}}}{x}_j\right)I\left(x_j\right)}{x_j\∈R_{\mathrm{search}}^{\mathrm{\Σ}}w(x_i,x_j)}$

其中j为1至M之间的正整数，x_i和x_j为M个搜索子块R_Search中的像素点，w(x_i,x_j)的计算公式为，

$w(x_i,x_j)=\frac{1}{Z\left(i\right)}{e}^{-\frac{d(x_i,x_j)}{h2}}$

上式中 $d(x_i,x_j)={\left|\right|v\left(N_i\right)-v\left(N_j\right)\left|\right|}_2^2,$ 其中v(N_i)为以x_i为中心的矩形区域，v(N_j)为以x_j为中心的矩形区域，v（N_i)和v(N_j)称为相似性度量窗口，大小为7×7；归一化常数 $Z\left(i\right)=\underset{j}{\mathrm{\Σ}}\exp (-d(x_i,x_j)/h^2),$ h为衰减因子，一般选为搜索区域图像方差的5～8倍，d(x_i,x_j)为像素点x_i与x_j之间的欧式距离。

步骤4，对于异质性搜索子块的每一个像素点，利用与上述步骤3相同的经典恒虚警点目标检测方法对该像素点进行点目标检测，如果该像素点是点目标，则保持该点的灰度值，如果该像素点不是点目标，则使用以下公式对该像素点的灰度值I(x)进行修正：

$\stackrel{\‾}{I}\left(x_i\right)=\frac{x_j\∈R_{\mathrm{search}}^{\mathrm{\Σ}}w\left(x_{i^{\text{'}}}{x}_j\right)I\left(x_j\right)}{x_j\∈R_{\mathrm{search}}^{\mathrm{\Σ}}w(x_i,x_j)}$

其中 $\left\{\begin{array}{c}{w}^{\′}(x_i,x_j)=\frac{1}{Z\left(i\right)}{e}^{-\frac{d(x_i,x_j)}{h^{\′}2}}\\ h^{\′}=h(1-\frac{{\mathrm{CV}}_i-{\mathrm{CV}}_u}{{\mathrm{CV}}_{\max }-{\mathrm{CV}}_u})\end{array}\right.$

其中CV_i为以待恢复的像素点x_i为中心的矩形区域（即相似块）的变差系数，其计算公式为：

σ_i为该矩形区域的方差，

为该矩形区域的均值。

步骤5，用像素点修正后的灰度值取代该像素点在原SAR图像中的灰度值，以得到去斑后的SAR图像。

本发明的优点和效果可以通过以下实验进一步证实：

一、实验条件和内容

本发明用提出的新去斑算法（NL-CV）对仿真SAR图像与实际SAR图像（MSTAR数据库中的SAR图像数据）进行相干斑抑制实验，并与Frost滤波（传统的局域相干斑抑制算法）、PPB滤波器（现有的非局域相干斑抑制算法）进行对比。主要从滤波效果、量化评估、算法的实现速度等方面分析讨论。

在进行相干斑抑制实验中，NL-CV的R_search选取为21×21，相似性窗口的大小选取为7×7，h的选择与待处理图像的方差有关（一般选为8～12倍的图像方差）；Frost滤波窗口的大小选择为7×7；PPB滤波算法的参数设置参考原始的参考文献，我们这里迭代次数选择3次。PC机的CPU为Pentium(R)，双核，主频为2.8GHz;仿真环境为MATLAB2010。

SAR图像斑点噪声滤波算法的定量评价指标包括：峰值信噪比PSNR（只用于仿真SAR图像量化评估）、图像均值μ、等效视数（ENL）和边界保持指数（EPI）。

二、仿真SAR图像滤波对比实验

图2是仿真SAR图像处理结果，我们将光学图像（图2-1）与3视的相干斑噪声相乘产生了受污染的Lena图（图2-2），分别用Frost滤波器（滤波结果见图2-3）、PPB滤波器（滤波结果见图2-4）、NL-CV（滤波结果见图2-5）进行处理，从滤波效果图可见3种滤波器均可有效滤除斑点噪声，且能保持细节、边缘等信息。其中Frost滤波效果较PPB和本文提出的NL-CV滤波效果稍差。

表1图2的量化评估数据

表1给出了仿真SAR图像进行斑点噪声抑制前后的量化评估数据。从表1可以看出，本发明提出的算法（NL-CV）在PSNR和ENL这两个指标上优于Frost滤波器和PPB滤波器。但是在保持图像均值方面（见均值列），PPB滤波器优于Frost滤波器和NL-CV滤波器；且边缘保持能力(EPI)Frost滤波器最佳，NL-CV滤波器最差。可见，NL-CV算法的去斑能力较强，但是在保持图像均值和边缘、纹理等细节方面稍弱。

三、真实SAR图像滤波对比实验

从MSTAR数据库中选择了两幅真实的SAR图像：图3-1，256×256，截取自一幅简单纹理的4视SAR图像；图4-1，456×322，截取自一幅复杂纹理的3视SAR图像。分别利用Frost滤波器、PPB滤波器和本发明提出的算法（NL-CV）对上述两幅真实的SAR图像进行处理，处理结果分别见图3和图4。从处理的效果图看，无论是面对简单纹理图像还是复杂纹理图像，本发明提出的NL-CV滤波算法能有效抑制斑点噪声；且与PPB算法的去斑能力相当。Frost滤波器的去斑能力稍弱。

表2给出了真实SAR图像进行斑点噪声抑制前后的量化评估数据。从表2可以看出，本发明提出的算法（NL-CV）在处理真实SAR图像的过程中，能有效抑制斑点噪声。从ENL指标上可以看出，NL-CV滤波器稍微弱于PPB滤波器，但大大优于Frost滤波器。但是在图像均值和边缘、细节等保持能力方面，NL-CV滤波器和PPB滤波器均弱于Frost滤波器。可见，NL-CV算法的去斑能力较强（与PPB算法相当），但是在保持图像均值和边缘、纹理等细节方面稍弱。对真实图像的处理效果图（见图3-3，图3-4，图4-3，图4-4）NL-CV与PPB算法有共同的缺点：对黑的、纤细的细节信息过渡抑制；这一点在表2中的均值列数据可以得到验证：图3-3（PPB处理结果）、图3-4（NL-CV处理结果）的均值比原图3-1高，而图3-2（Frost处理结果）的均值却与原图3-1相当；图4所对应的表2中数据的特点类似。

表2图3与图4的量化评估数据

四、处理时间对比实验

表3给出了三种滤波器的处理时间统计结果：Frost滤波器的处理时间最短，PPB滤波器的处理时间比较长，本发明提出的NL-CV滤波器的处理时间居中。究其原因：Frost滤波器主要是在局部窗口内进行处理，处理一个像素点只需计算固定窗口内的统计值、然后进行自适应的平均累加，处理时间比较短；PPB滤波器和NL-CV滤波器属于非局部平均算法的范畴，需要在搜索区域内反复计算两个图像块的相似性，所以PPB滤波器和NL-CV滤波器的处理时间比较长。

从表3中可以看出NL-CV滤波器较PPB滤波器的处理速度提高了近一倍，究其原因：PPB滤波器在比对图像块的相似度过程需要估计图像的概率密度分布函数，这里的计算复杂度较高；而NL-CV只是用异质性测量CV(SAR图像的统计特性)去修正高斯欧式距离（相似度测量方式），其计算复杂度实际上与原始的非局部滤波算法是等阶的。

表3处理时间对比

通过对仿真SAR图像和真实SAR图像进行处理验证了本发明滤波方法的有效性，并与其它滤波算法进行了比较：本发明滤波方法不仅具有很强的斑点噪声抑制能力和边缘、细节信息保持能力，而且计算复杂度比现有的非局部斑点噪声抑制算法降低很多。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于非局部平均和异质性测量的SAR图像斑点噪声抑制方法，其特征在于，包括如下步骤：

（1）获取SAR图像，将该SAR图像划分成M个相同大小的搜索子块，根据这些搜索子块中包括平坦区域的子块的变差系数估计该SAR图像的异质性区域和同质性区域的变差系数范围，其中M为任意正整数；

（2）对M个搜索子块中的每个搜索子块R_Search(i)，判断是CV_i≤CV_u还是CV_u＜CV_i＜CV_max，如果CV_i≤CV_u，则判断该搜索子块属于同质性搜索子块，如果CV_u＜CV_i＜CV_max，则判断该搜索子块属于异质性搜索子块；

（3）对于每个同质性搜索子块的每一个像素点，利用经典恒虚警点目标检测方法对该像素点进行点目标检测，如果该像素点是点目标，则保持该点的灰度值，如果该像素点不是点目标，则采用原始的Baudes非局部平均滤波方法对该像素点的灰度值进行修正；

（4）对于异质性搜索子块的每一个像素点，利用与上述步骤（3）相同的经典恒虚警点目标检测方法对该像素点进行点目标检测，如果该像素点是点目标，则保持该点的灰度值，如果该像素点不是点目标，则对该像素点的灰度值I(x)进行修正：

（5）用像素点修正后的灰度值取代该像素点在原SAR图像中的灰度值，以得到去斑后的SAR图像。

2.根据权利要求1所述的SAR图像斑点噪声抑制方法，其特征在于，步骤（1）包括如下子步骤：

（1-1）获取SAR图像，将该SAR图像划分成M个相同大小的搜索子块R_Search(i)，其中i为1至M之间的正整数；

（1-2）在M个搜索子块中选择包括平坦区域的所有A个子块，分别计算这A个子块的变差系数

其中σR表示子块的标准方差，表示子块的均值；

（1-2）将计算得到的A个变差系数进行平均，得到的均值CV_u作为异质性区域变差系数的下限；

（1-3）在M个搜索子块中选择包括边缘、丰富纹理区域的所有B个子块，分别计算这B个子块的变差系数CV_B，CV_B的计算公式与CV_A的计算公式类似，将计算得到的B个变差系数中的最大值CV_max作为异质性区域变差系数的上限。

3.根据权利要求1所述的SAR图像斑点噪声抑制方法，其特征在于，步骤（1）包括如下子步骤：

（1-1）获取SAR图像，将该SAR图像划分成M个相同大小的搜索子块R_Search(i)，其中i为1至M之间的正整数；

（1-2）在M个搜索子块中选择包括平坦区域的所有A个子块，分别计算这A个子块的变差系数

其中σ_R表示子块的标准方差，

表示子块的均值；

（1-2）将计算得到的A个变差系数进行平均，得到的均值CV_u作为异质性区域变差系数的下限；

（1-3）根据下式计算异质性区域变差系数的上限

其中L为SAR图像的等效视数。

4.根据权利要求2或3所述的SAR图像斑点噪声抑制方法，其特征在于，步骤（3）具体为，首先以该像素点为中心取5×5大小的窗口，窗口内中心像素点的4-邻域窗口灰度值均值记为u₁，窗口内其余像素点4-邻域窗口灰度值均值记为u2，如果

小于设定的门限值T，则判断该像素点是点目标，对于

大于或等于设定的门限值T的像素点，表示其不是点目标。

5.根据权利要求4所述的SAR图像斑点噪声抑制方法，其特征在于，对于不是点目标的像素点，采用原始的Baudes非局部平均滤波方法并使用以下公式对该像素点的灰度值I(x)进行修正：

$\stackrel{\‾}{I}\left(x_i\right)=\frac{x_j\∈R_{\mathrm{search}}^{\mathrm{\Σ}}w\left(x_{i^{\text{'}}}{x}_j\right)I\left(x_j\right)}{x_j\∈R_{\mathrm{search}}^{\mathrm{\Σ}}w(x_i,x_j)}$

其中j为1至M之间的正整数，x_i和x_j为M个搜索子块R_Search中的像素点，w(x_i,x_j)的计算公式为，

$w(x_i,x_j)=\frac{1}{Z\left(i\right)}{e}^{-\frac{d(x_i,x_j)}{h2}}$

上式中 $d(x_i,x_j)={\left|\right|v\left(N_i\right)-v\left(N_j\right)\left|\right|}_2^2,$ 其中v(N_i)为以x_i为中心的矩形区域，v(N_j)为以x_j为中心的矩形区域，v(N_i)和v(N_j)称为相似性度量窗口，归一化常数 $Z\left(i\right)=\underset{j}{\mathrm{\Σ}}\exp (-d(x_i,x_j)/h^2),$ h为衰减因子，d(x_i,x_j)为像素点x_i与x_j之间的欧式距离。

6.根据权利要求5所述的SAR图像斑点噪声抑制方法，其特征在于，步骤（4）中，对于不是点目标的像素点，采用下式对该像素点的灰度值I(x)进行修正：

$\stackrel{\‾}{I}\left(x_i\right)=\frac{x_j\∈R_{\mathrm{search}}^{\mathrm{\Σ}}w\left(x_{i^{\text{'}}}{x}_j\right)I\left(x_j\right)}{x_j\∈R_{\mathrm{search}}^{\mathrm{\Σ}}w(x_i,x_j)}$

其中 $\left\{\begin{array}{c}{w}^{\′}(x_i,x_j)=\frac{1}{Z\left(i\right)}{e}^{-\frac{d(x_i,x_j)}{h^{\′}2}}\\ h^{\′}=h(1-\frac{{\mathrm{CV}}_i-{\mathrm{CV}}_u}{{\mathrm{CV}}_{\max }-{\mathrm{CV}}_u})\end{array}\right.$

其中CV_i为以待恢复的像素点x_i为中心的矩形区域的变差系数，其计算公式为：

σ_i为该矩形区域的方差，

为该矩形区域的均值。

Images