CN104036530A - 一种合成孔径雷达图像的处理方法及装置 - Google Patents

Abstract

本发明公开了一种合成孔径雷达(SAR)图像的处理方法，包括：对SAR图像进行滤波；获取滤波后的SAR图像的局部纹理特征参量；依据所述特征参量对SAR图像中包括的地物进行分类；依据分类结果对SAR图像进行相干斑抑制，获得类特征增强的SAR图像；对所述类特征增强的SAR图像进行彩色合成。本发明还同时公开了一种SAR图像的处理装置。

Description

一种合成孔径雷达图像的处理方法及装置

技术领域

本发明涉及图像后期分类处理技术，尤其涉及一种合成孔径雷达(SyntheticAperture Radar，SAR)图像的处理方法及装置。

背景技术

SAR由于具有全天时、全天候、大范围的优良观测特性，因此，被作为光学遥感的一个重要辅助工具，在地球观测任务上起着日益重要的作用。

近年来，大量的研究集中在机载和星载的高分辨率SAR图像的应用方面，要求SAR图像有较高的信噪比、信杂比等，但由于SAR图像独特的辐射和几何特性，与常规的光学图像存在较大的差别，且SAR图像为灰度图像，而人眼对灰度图像的敏感性较弱，一般只能区分出几十个色阶，但对于彩色信息人眼就能区分出上万种不同的颜色，因此，为了直观上获取更多的信息，需要将灰度图像变换为伪彩色图像。

目前，对于多极化或多波段SAR图像的彩色合成方法研究较多，如彩色空间变换、主成分分析(PCA)等；而对于单极化单波段SAR图像，无法直接套用上述方法。一些文献将光学灰度图像的彩色合成方法用于SAR图像，但由于忽略了真实地物的色彩和SAR图像的相干斑特性，得到的彩色结果可视性较差，与人的视觉体验相差较大。

发明内容

有鉴于此，本发明实施例期望提供一种SAR图像的处理方法及装置，能够获得与光学图像相近的伪彩图，具有较佳的视觉效果。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例提供了一种合成孔径雷达SAR图像的处理方法，所述方法包括：

对SAR图像进行滤波；

获取滤波后的SAR图像的局部纹理特征参量；

依据所述特征参量对SAR图像中包括的地物进行分类；

依据分类结果对SAR图像进行相干斑抑制，获得类特征增强的SAR图像；

对所述类特征增强的SAR图像进行彩色合成。

上述方案中，所述对SAR图像进行滤波包括：将受到相干斑噪声污染的图像建模为：F＝(T+N)·S；其中，F为接收的后向散射强度，T为信号强度，N为加性噪声，S为乘性相干斑；

通过对数变换将乘性相干斑转换为加性噪声：log(F)＝log(T+N)+log(S)；

通过滤波将相干斑噪声滤除，并经指数变换得到滤除相干斑的SAR图像。

上述方案中，所述局部纹理特征参量包括：局部均值、变差系数和局部动态范围；

相应的，获取滤波后的SAR图像的局部纹理特征参量包括：

$M(i,j)=\underset{x\∈W(i,j)}{\mathrm{\Σ}}I\left(x\right);$

其中，所述I为原始图像，M为局部均值，i、j分别为行号和列号，W(i,j)为以(i,j)为中心的窗口；

$V_a(i,j)=\underset{x\∈W(i,j)}{\mathrm{\Σ}}{[I\left(x\right)-M(i,j)]}^2;$

其中，所述V_α为局部方差；

$V(i,j)=\frac{V_a(i,j)}{M(i,j)};$

其中，所述V为变差系数；

$R(i,j)=\underset{x\∈W(i,j)}{\max }\left(I\left(x\right)\right)-\underset{x\∈W(i,j)}{\min }\left(I\left(x\right)\right);$

其中，所述R为局部动态范围。

上述方案中，所述依据所述特征参量对SAR图像中包括的地物进行分类包括：依据所述局部均值、变差系数和局部动态范围对SAR图像中包括的地物粗分类为水体、建筑、植被及裸地，然后，再对粗分类后的SAR图像进行精细化；

所述依据所述特征参量对SAR图像中包括的地物粗分类为水体、建筑、植被及裸地包括：通过如下公式获得水体、建筑及植被的分类结果；

$C_w=\left\{\begin{array}{c}M<{\mathrm{TH}}_{m1}\\ R<{\mathrm{TH}}_{R1}\end{array}\right.;$

其中，所述C_w为水体的分类结果，TH_m1、TH_R1分别为水体的局部均值M和局部动态范围R的阈值；

$C_s=\left\{\begin{array}{c}V>{\mathrm{TH}}_V\\ R>{\mathrm{TH}}_{R2}\end{array}\right.;$

其中，所述C_s为建筑的分类结果，TH_V、TH_R2分别为建筑的变差系数V和局部动态范围R的阈值；

其中，所述C_t为植被的分类结果，TH_m2、TH_R3分别为植被的局部均值M和局部动态范围R的阈值；

获得SAR图像中包括的地物中的水体、建筑及植被后，剩下的部分为即裸地；

所述对粗分类后的SAR图像进行精细化包括：对于SAR图像中包括的植被及裸地不作处理，对于水体部分，首先使用形态学的闭运算填充区块内细小空洞、连接邻近物体，然后，统计块连通区域的像素数量大小，将较小块的区域排除，得到水体部分的精细化结果；

对于SAR图像中包括的建筑部分，采用闭运算优化分类结果，然后剔除孤立的散点，得到相应的建筑区域。

上述方案中，所述依据分类结果对SAR图像进行相干斑抑制，获得类特征增强后的SAR图像包括：

依据对SAR图像中包括的地物的分类结果，使用不同大小的窗口对SAR图像进行相干斑抑制，获得类特征增强后的SAR图像：

$I_{\mathrm{in}}=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}I*f_i\&CenterDot;{\tilde{C}}_i,$

其中，所述I_in为滤波后图像，I为原始图像，为第i类地物，f_i为第i类地物对应窗口大小的滤波器。

上述方案中，所述对所述类特征增强的SAR图像进行彩色合成包括：

以光学图像各类物体颜色的红绿蓝色RGB值为基准，为类特征增强的SAR图像中包括的水体、建筑、植被及裸地各选择一个基准色；然后，对所述类特征增强的SAR图像及所述基准色进行处理，获得三通道的彩色合成图像；其中，所述处理为：

$I_{\mathrm{out}}(:,:,k)=\underset{k=1}{\overset{3}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{D}_c(i,k)\&times;I_{\mathrm{in}}\&times;C_i;$

其中，I_out为输出彩色图像，I_in为分类增强后的图像，C_i为第i类地物的掩码，D_c(i,k)为第i类地物的第k通道的基准色。

本发明实施例还提供了一种SAR图像的处理装置，所述装置包括：

第一滤波模块，用于对SAR图像进行滤波；

获取模块，用于获取滤波后的SAR图像的局部纹理特征参量；

分类模块，用于依据所述特征参量对SAR图像中包括的地物进行分类；

第二滤波模块，用于依据分类结果对SAR图像进行相干斑抑制，获得类特征增强的SAR图像；

合成模块，用于对所述类特征增强后的SAR图像进行彩色合成。

上述方案中，所述第一滤波模块包括：建模单元、第一转换单元、第一处理单元和第二转换单元；其中，

所述建模单元，用于将受到相干斑噪声污染的图像建模为：F＝(T+N)·S；其中，F为接收的后向散射强度，T为信号强度，N为加性噪声，S为乘性相干斑；

所述第一转换单元，用于通过对数变换将乘性相干斑转换为加性噪声；log(F)＝log(T+N)+log(S)；

所述处理单元，用于将SAR图像中的相干斑噪声滤除；

所述第二转换单元，用于通过指数变换得到滤除相干斑的SAR图像。

上述方案中，所述获取模块获取滤波后的SAR图像的局部纹理特征参量包括：所述获取模块通过如下公式获取滤波后的SAR图像的局部均值、变差系数和局部动态范围；

$M(i,j)=\underset{x\&Element;W(i,j)}{\mathrm{\&Sigma;}}I\left(x\right);$

其中，所述I为原始图像，M为局部均值，i、j分别为行号和列号，W(i,j)为以(i,j)为中心的窗口；

$V_a(i,j)=\underset{x\&Element;W(i,j)}{\mathrm{\&Sigma;}}{[I\left(x\right)-M(i,j)]}^2;$

其中，所述V_α为局部方差；

$V(i,j)=\frac{V_a(i,j)}{M(i,j)};$

其中，所述V为变差系数；

$R(i,j)=\underset{x\&Element;W(i,j)}{\max }\left(I\left(x\right)\right)-\underset{x\&Element;W(i,j)}{\min }\left(I\left(x\right)\right);$

其中，所述R为局部动态范围。

上述方案中，所述分类模块包括：第一分类单元和第二分类单元；其中，

所述第一分类单元，用于依据所述特征参量对SAR图像中包括的地物粗分类为水体、建筑、植被及裸地，包括：通过如下公式获得水体、建筑及植被的分类结果，

$C_w=\left\{\begin{array}{c}M<{\mathrm{TH}}_{m1}\\ R<{\mathrm{TH}}_{R1}\end{array}\right.;$

其中，所述C_w为水体的分类结果，TH_m1、TH_R1分别为水体的局部均值M和局部动态范围R的阈值；

$C_s=\left\{\begin{array}{c}V>{\mathrm{TH}}_V\\ R>{\mathrm{TH}}_{R2}\end{array}\right.;$

其中，所述C_S为建筑的分类结果，TH_V、TH_R2分别为建筑的变差系数V和局部动态范围R的阈值；

其中，所述C_s为建筑的分类结果，TH_V、TH_R2分别为建筑的变差系数V和局部动态范围R的阈值；

获得SAR图像中包括的地物中的水体、建筑及植被后，剩下的部分为即裸地；

所述第二分类单元，用于对粗分类后的SAR图像进行精细化，包括：对于SAR图像中包括的植被及裸地不作处理，对于水体部分，首先使用形态学的闭运算填充区块内细小空洞、连接邻近物体，然后统计块连通区域的像素数量大小，将较小块的区域排除，得到水体部分的精细化结果；

对于SAR图像中包括的建筑部分，采用闭运算优化分类结果，然后剔除孤立的散点，即得到相应的建筑区域。

上述方案中，所述第二滤波模块依据分类结果对SAR图像进行相干斑抑制，获得类特征增强的SAR图像包括：

所述第二滤波模块依据对SAR图像中包括的地物的分类结果，使用不同大小的窗口对SAR图像进行相干斑抑制，获得类特征增强后的SAR图像：

$I_{\mathrm{in}}=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}I*f_i\&CenterDot;{\tilde{C}}_i,$

其中，所述I_in为滤波后图像，I为原始图像，为第i类地物，f_i为第i类地物对应窗口大小的滤波器。

上述方案中，所述合成模块包括：选择单元和第二处理单元；其中，

所述选择单元，用于以光学图像各类物体颜色的红绿蓝色RGB值为基准，为类特征增强的SAR图像中包括的水体、建筑、植被及裸地各选择一个基准色；

所述第二处理单元，用于对所述类特征增强的SAR图像及所述基准色进行处理，获得三通道的彩色合成图像；其中，所述处理为：

$I_{\mathrm{out}}(:,:,k)=\underset{k=1}{\overset{3}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{D}_c(i,k)\&times;I_{\mathrm{in}}\&times;C_i;$

其中，I_out为输出彩色图像，I_in为分类增强后的图像，C_i为第i类地物的掩码，D_c(i,k)为第i类地物的第k通道的基准色。

本发明实施例所提供的SAR图像的处理方法及装置，对SAR图像进行滤波；获取滤波后的SAR图像的局部纹理特征参量；依据所述特征参量对SAR图像中包括的地物进行分类；依据分类结果对SAR图像进行相干斑抑制，获得类特征增强的SAR图像；对所述类特征增强的SAR图像进行彩色合成。如此，可将星载SAR灰度图像快速伪彩化，得到与光学图像接近的具有较好可视效果的彩色SAR图像，便于对SAR图像进行解释，进而用于决策者的后续决策。

附图说明

图1为本发明实施例一种SAR图像的处理方法流程示意图；

图2为本发明实施例另一种SAR图像的处理方法流程示意图；

图3为本发明实施例城市A的全景SAR图；

图4为本发明实施例城市A中部分地区的SAR图；

图5为本发明实施例城市A中部分地区的SAR图像滤波后的图像；

图6为本发明实施例对城市A的全景SAR图彩色合成后的图像；

图7为本发明实施例图6方框内细节部分展示图像；

图8为本发明实施例对城市A中部分地区的SAR图彩色合成后的图像；

图9为本发明实施例一种SAR图像的处理装置组成结构示意图。

具体实施方式

在本发明实施例中，对SAR图像进行滤波；获取滤波后的SAR图像的局部纹理特征参量；依据所述特征参量对SAR图像中包括的地物进行分类；依据分类结果对SAR图像进行相干斑抑制，获得类特征增强的SAR图像；对所述类特征增强的SAR图像进行彩色合成。

图1为本发明实施例一种SAR图像的处理方法流程示意图，如图1所示，本实施例SAR图像的处理方法包括：

步骤101：对SAR图像进行滤波；

本步骤具体包括：将受到相干斑噪声污染的图像建模为：F＝(T+N)·S；其中，F为接收的后向散射强度，T为信号强度，N为加性噪声，S为乘性相干斑；

通过对数变换将乘性相干斑转换为加性噪声：log(F)＝log(T+N)+log(S)；通过滤波将相干斑噪声滤除，并经指数变换得到滤除相干斑的SAR图像；

这里，采用Lee滤波法滤除SAR图像的加性噪声；当然，实际应用中也可以选择其它滤波方法，可选的滤波方法包括：增强型Lee滤波法、中值滤波法、均值滤波法、高斯滤波法等；滤波的窗口大小和基本参数的选择应根据图像的具体情况而定，窗口大、强度大对图像的平滑程度也会增大，相应的图像边缘和细节信息保留程度就不会太好，而如果使用小窗口低强度的滤波器，则能在保留细节信息的同时对噪声的滤除也很小。

步骤102：获取滤波后的SAR图像的局部纹理特征参量；

由于灰度图像中每个像素点包含的有效信息十分有限，仅依靠图像的灰度值将很难使不同类别的地物区分开来，因此，需要获取一些具有区分度的统计信息；

这里，所述局部纹理特征参量包括：局部均值、变差系数和局部动态范围等；

本步骤具体包括：通过如下公式获得滤波后的SAR图像的局部均值、变差系数和局部动态范围：

$M(i,j)=\underset{x\&Element;W(i,j)}{\mathrm{\&Sigma;}}I\left(x\right);$

其中，所述I为原始图像，M为局部均值，i、j分别为行号和列号，W(i,j)为以(i,j)为中心的窗口；

$V_a(i,j)=\underset{x\&Element;W(i,j)}{\mathrm{\&Sigma;}}{[I\left(x\right)-M(i,j)]}^2;$

其中，所述V_α为局部方差；

$V(i,j)=\frac{V_a(i,j)}{M(i,j)};$

其中，所述V为变差系数；

$R(i,j)=\underset{x\&Element;W(i,j)}{\max }\left(I\left(x\right)\right)-\underset{x\&Element;W(i,j)}{\min }\left(I\left(x\right)\right);$

其中，所述R为局部动态范围。

由于对所述局部均值、变差系数和局部动态范围的计算是通过统计获得，因此，在处理过程中窗口的选择也很重要，在形状上一般选择圆形窗或矩形窗，本发明实施例中由于大部分计算是通过卷积实现，因此，为计算方便快速，本发明实施例中选择矩形窗；由于较大的窗口在表现局部信息的同时会较多的引入周边信息，而较小的窗口会极其容易受到噪声的影响，因此，在实际处理时还要考虑窗口的大小的选择。

步骤103：依据所述特征参量对SAR图像中包括的地物进行分类；

本步骤具体包括：依据所述局部均值、变差系数和局部动态范围对SAR图像中包括的地物粗分类为水体、建筑、植被及裸地；然后，再对粗分类后的SAR图像进行精细化；其中，

所述依据所述特征参量对SAR图像中包括的地物粗分类为水体、建筑、植被及裸地包括：通过如下公式获得水体、建筑及植被的分类结果：

由于水体在SAR图像上具有鲜明的特征，水面很均匀，呈现镜面反射特性，因此，水体的后向散射系数较低，在图像上表现为均值和动态范围都很低，可通过简单的阈值化这两组特征参量，并取逻辑与运算便可得到水体部分，即：

$C_w=\left\{\begin{array}{c}M<{\mathrm{TH}}_{m1}\\ R<{\mathrm{TH}}_{R1}\end{array}\right.;$

其中，所述C_w为水体的分类结果，TH_m1、TH_R1分别为水体的局部均值M和局部动态范围R的阈值；

由于建筑在SAR图像表现出的特性为具有较强的后向散射特性，均值较大，建筑周围一般有较多的区域被遮挡，表现为阴影，所以，建筑的局部动态范围较大，方差也较大，通过阈值化特征参数；然后，用逻辑与实现图像的建筑类提取，即：

$C_s=\left\{\begin{array}{c}V>{\mathrm{TH}}_V\\ R>{\mathrm{TH}}_{R2}\end{array}\right.;$

其中，所述C_t为植被的分类结果，TH_m2、TH_R3分别为植被的局部均值M和局部动态范围R的阈值；

由于树木相对土地而言散射特性较高，因而均值较大；而且，在树木旁边也有阴影，因而动态范围较大，可通过如下公式获得：

其中，所述I_in为滤波后图像，I为原始图像，为第i类地物，f_i为第i类地物对应窗口大小的滤波器。

获得SAR图像中包括的地物中的水体、建筑及植被后，剩下的部分即为裸地；

由于对于粗分类得到的水体掩模，通常会将较高建筑物的阴影区域当作水体，然而实际上根据先验知识，一般水体都是成片出现的很少有零散的水体，因此，需要对粗分类后的SAR图像进行精细化。

所述对粗分类后的SAR图像进行精细化包括：对于SAR图像中包括的植被及裸地不作处理，对于水体部分，首先使用形态学的闭运算填充区块内细小空洞、连接邻近物体，然后统计块连通区域的像素数量大小，将较小块的区域排除，得到水体部分的精细化结果；

对于SAR图像中包括的建筑部分，采用闭运算优化分类结果，然后剔除孤立的的散点，即得到相应的建筑区域。

步骤104：依据分类结果对SAR图像进行相干斑抑制，获得类特征增强的SAR图像；

本步骤具体包括：依据对SAR图像中包括的地物的分类结果，使用不同大小的窗口对SAR图像进行相干斑抑制，获得类特征增强后的SAR图像；

$I_{\mathrm{in}}=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}I*f_i\&CenterDot;{\tilde{C}}_i;$

其中，所述I_in为滤波后图像，I为原始图像，为第i类地物，f_i为第i类地物对应窗口大小的滤波器。

这里，对于较平坦的区域，如水体、裸地，包含的边缘信息较少，使用较大的窗口进行相干滤波，较大程度的抑制相干斑，一般可采用实际大小为50m*50m的窗口；建筑部分边缘信息较强，则不对其进行抑制，不做滤波处理；对植被类进行较小窗口的相干斑滤波，一般可采用实际大小为25m*25m的窗口。具体窗口尺寸可依据上述指标和图像分辨率相除得到。

步骤105：对所述类特征增强的SAR图像进行彩色合成；

这里，所述彩色合成指的是通过线性或非线性的映射函数将灰度图像转变为便于识别细节和目标的彩色图像；

本步骤具体包括：对类特征增强后的SAR图像按四类各设置一个彩色映射条，以光学图像各类物体颜色的红绿蓝色RGB值为基准，为类特征增强的SAR图像中包括的水体、建筑、植被及裸地各选择一个基准色；然后，对所述类特征增强的SAR图像及所述基准色进行处理，获得三通道的彩色合成图像；其中，所述处理为：

$I_{\mathrm{out}}(:,:,k)=\underset{k=1}{\overset{3}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{D}_c(i,k)\&times;I_{\mathrm{in}}\&times;C_i;$

其中，I_out为输出彩色图像，I_in为分类增强后的图像，C_i为第i类地物的掩码，D_c(i,k)为第i类地物的第k通道的基准色。

本步骤对所述类特征增强的SAR图像进行彩色合成的方法，同时考虑到地物的类间和类内差异，对比光学图像建筑、水体、植被及裸地的颜色，根据每一像素所属的类别，在保证不降低灰度分辨率的情况下，赋予每个像素三个通道的颜色合成彩色图像，克服了常规方法存在的忽视地物的真实色彩，严重影响SAR图像解读等缺陷。

图2为本发明实施例另一种SAR图像的处理方法流程示意图，本发明实施例中SAR图像为环境一号C卫星获取的第一张SAR图像，获取地点为城市A，图像尺寸为9102*24983，图像灰度级为0到255，如图3所示为城市A的全景SAR图，图4为城市A中部分地区的SAR图；如图2所示，本实施例SAR图像的处理方法包括：

步骤201：对SAR图像进行滤波；

本步骤具体包括：将受到相干斑噪声污染的图像建模为：F＝(T+N)·S；其中，F为接收的后向散射强度，T为信号强度，N为加性噪声，S为乘性相干斑；

通过对数变换将乘性相干斑转换为加性噪声：log(F)＝log(T+N)+log(S)；通过滤波将相干斑噪声滤除，并经指数变换得到滤除相干斑的SAR图像；如图5所示为对所述城市A中部分地区的SAR图像滤波后的图像；

这里，采用Lee滤波法滤除SAR图像的加性噪声，当然，实际应用中也可以选择其它滤波方法，可选的滤波方法包括：增强型Lee滤波法、中值滤波法、均值滤波法、高斯滤波法等；

滤波的窗口大小和基本参数的选择应根据图像的具体情况而定，窗口大、强度大对图像的平滑程度也会增大，相应的图像边缘和细节信息保留程度就不会太好，而如果使用小窗口低强度的滤波器则保留了细节信息的同时对噪声的滤除也很小；这里，所述窗口大小选为5×5。

步骤202：获取滤波后的SAR图像的局部纹理特征参量；

这里，所述局部纹理特征参量包括：局部均值、变差系数和局部动态范围等；

本步骤具体包括：通过如下公式获得滤波后的SAR图像的局部均值、变差系数和局部动态范围：

$M(i,j)=\underset{x\&Element;W(i,j)}{\mathrm{\&Sigma;}}I\left(x\right);$

其中，所述I为原始图像，M为局部均值，i、j分别为行号和列号，W(i,j)为以(i,j)为中心的窗口；

$V_a(i,j)=\underset{x\&Element;W(i,j)}{\mathrm{\&Sigma;}}{[I\left(x\right)-M(i,j)]}^2;$

其中，所述V_α为局部方差；

$V(i,j)=\frac{V_a(i,j)}{M(i,j)};$

其中，所述V为变差系数；

$R(i,j)=\underset{x\&Element;W(i,j)}{\max }\left(I\left(x\right)\right)-\underset{x\&Element;W(i,j)}{\min }\left(I\left(x\right)\right);$

其中，所述R为局部动态范围。

由于对所述局部均值、变差系数和局部动态范围的计算是通过统计获得，因此，在处理过程中窗口的选择也很重要，在形状上一般选择圆形窗或矩形窗，本发明实施例中由于大部分计算是通过卷积实现，因此，为计算方便快速本发明实施例中选择矩形窗；

由于较大的窗口在表现局部信息的同时会较多的引入周边信息，而较小的窗口会极其容易受到噪声的影响，因此，在实际处理时还要考虑窗口的大小的选择；这里，所述局部均值、局部方差和局部动态范围的窗口大小均为7×7。

步骤203：依据所述特征参量对SAR图像粗分类；

本步骤具体包括：依据所述局部均值、变差系数和局部动态范围对SAR图像中包括的地物粗分类为水体、建筑、植被及裸地，具体为：

通过如下公式获得水体、建筑及植被的分类结果：

由于水体在SAR图像上具有鲜明的特征，水面很均匀，呈现镜面反射特性，因此水体的后向散射系数较低，在图像上表现为均值和动态范围都很低，可通过简单的阈值化这两组特征参量，并取逻辑与运算便可得到水体部分；

$C_w=\left\{\begin{array}{c}M<{\mathrm{TH}}_{m1}\\ R<{\mathrm{TH}}_{R1}\end{array}\right.;$

其中，所述C_w为水体的分类结果，TH_m1、TH_R1分别为水体的局部均值M和局部动态范围R的阈值；这里，所述TH_m1的取值为0.04、所述TH_R1的取值为0.05；

由于建筑在SAR图像表现出的特性为具有较强的后向散射特性，均值较大，建筑周围一般有较多的区域被遮挡，表现为阴影，所以建筑的局部动态范围较大，方差也较大，通过阈值化特征参数，然后用逻辑与实现图像的建筑类提取；

$C_s=\left\{\begin{array}{c}V>{\mathrm{TH}}_V\\ R>{\mathrm{TH}}_{R2}\end{array}\right.;$

其中，所述C_s为建筑的分类结果，TH_V、TH_R2分别为建筑的变差系数V和局部动态范围R的阈值；这里，所述TH_V的取值为0.25、所述TH_R2的取值为0.6；

由于树木相对土地而言散射特性较高，因而均值较大，而且在树木旁边也有阴影，因而动态范围较大，可通过如下公式获得：

其中，所述C_t为植被的分类结果，TH_m2、TH_R3分别为植被的局部均值M和局部动态范围R的阈值；这里，所述TH_m2的取值为0.16、所述TH_R3的取值为0.3；

获得SAR图像中包括的地物中的水体、建筑及植被后，剩下的部分为即裸地。

步骤204：对粗分类后的SAR图像进行精细化；

这里，由于对于粗分类得到的水体掩模，通常会将较高建筑物的阴影区域当作水体，然而实际上根据先验知识，一般水体都是成片出现的很少有零散的水体，因此，需要对粗分类后的SAR图像进行精细化；

所述对粗分类后的SAR图像进行精细化包括：对于SAR图像中包括的植被及裸地不作处理，对于水体部分，首先使用形态学的闭运算填充区块内细小空洞、连接邻近物体，然后统计块连通区域的像素数量大小，将较小块的区域排除，得到水体部分的精细化结果；

对于SAR图像中包括的建筑部分，采用闭运算优化分类结果，然后剔除孤立的散点，即得到相应的建筑区域。

步骤205：依据分类结果对SAR图像进行相干斑抑制，获得类特征增强的SAR图像；

本步骤具体包括：依据对SAR图像中包括的地物的分类结果，使用不同大小的窗口对SAR图像进行相干斑抑制，获得类特征增强后的SAR图像；

$I_{\mathrm{in}}=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}I*f_i\&CenterDot;{\tilde{C}}_i;$

其中，所述I_in为滤波后图像，I为原始图像，为第i类地物，f_i为第i类地物对应窗口大小的滤波器；

这里，对于较平坦的区域，如水体、裸地，包含的边缘信息较少，使用较大的窗口进行相干滤波，较大程度的抑制相干斑；建筑部分边缘信息较强，则不对其进行抑制，不做滤波处理，对植被类进行较小窗口的相干斑滤波；这里，对于水体，选用的窗口大小为9×9；对于裸地，选用的窗口大小为7×7；对于植被，选用的窗口大小为5×5。

步骤206：对所述类特征增强的SAR图像进行彩色合成；

这里，所述彩色合成指的是通过线性或非线性的映射函数将灰度图像转变为便于识别细节和目标的彩色图像；

本步骤具体包括：对类特征增强后的SAR图像按四类各设置一个彩色映射条，以光学图像各类物体颜色的红绿蓝色RGB值为基准，为类特征增强的SAR图像中包括的水体、建筑、植被及裸地各选择一个基准色，如下表1所示为不同地物选取的基准色值，然后对所述类特征增强的SAR图像及所述基准色进行处理，获得三通道的彩色合成图像；其中，所述处理为：

$I_{\mathrm{out}}(:,:,k)=\underset{k=1}{\overset{3}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{D}_c(i,k)\&times;I_{\mathrm{in}}\&times;C_i;$

其中，I_out为输出彩色图像，I_in为分类增强后的图像，C_i为第i类地物的掩码，D_c(i,k)为第i类地物的第k通道的基准色；

	R	G	B
				水体	20	20	200
建筑	79	97	78
				裸地	130	112	90
植被	88	111	55

表1

本步骤对所述类特征增强的SAR图像进行彩色合成的方法，同时考虑到地物的类间和类内差异，对比光学图像建筑、水体、植被及裸地的颜色，依据根据每一像素所属的类别，在保证不降低灰度分辨率的情况下赋予每个像素三个通道的颜色合成彩色图像，克服了常规方法存在的忽视地物的真实色彩，严重影响SAR图像解读等缺陷；如图6所示为对城市A的全景SAR图彩色合成后的图像，图7为图6方框内细节部分展示图像，图8为对所述城市A中部分地区的SAR图彩色合成后的图像。

图9为本发明实施例SAR图像的处理装置示意图，如图9所示，本发明实施例SAR图像的处理装置包括：第一滤波模块91、获取模块92、分类模块93、第二滤波模块94及合成模块95；其中，

所述第一滤波模块91，用于对SAR图像进行滤波；

所述获取模块92，用于获取滤波后的SAR图像的局部纹理特征参量；

所述分类模块93，用于依据所述特征参量对SAR图像中包括的地物进行分类；

所述第二滤波模块94，用于依据分类结果对SAR图像进行相干斑抑制，获得类特征增强的SAR图像；

所述合成模块95，用于对所述类特征增强后的SAR图像进行彩色合成；

这里，所述获取模块92获取滤波后的SAR图像的局部纹理特征参量包括：所述获取模块92通过如下公式获取滤波后的SAR图像的局部均值、变差系数和局部动态范围：

$M(i,j)=\underset{x\&Element;W(i,j)}{\mathrm{\&Sigma;}}I\left(x\right);$

其中，所述I为原始图像，M为局部均值，i、j分别为行号和列号，W(i,j)为以(i,j)为中心的窗口；

$V_a(i,j)=\underset{x\&Element;W(i,j)}{\mathrm{\&Sigma;}}{[I\left(x\right)-M(i,j)]}^2;$

其中，所述V_α为局部方差；

$V(i,j)=\frac{V_a(i,j)}{M(i,j)};$

其中，所述V为变差系数；

$R(i,j)=\underset{x\&Element;W(i,j)}{\max }\left(I\left(x\right)\right)-\underset{x\&Element;W(i,j)}{\min }\left(I\left(x\right)\right);$

其中，所述R为局部动态范围。

由于对所述局部均值、变差系数和局部动态范围的计算是通过统计获得，因此，在处理过程中窗口的选择也很重要，在形状上一般选择圆形窗或矩形窗，本发明实施例中由于大部分计算是通过卷积实现，因此，为计算方便快速，本发明实施例中选择矩形窗；由于较大的窗口在表现局部信息的同时会较多的引入周边信息，而较小的窗口会极其容易受到噪声的影响，因此，在实际处理时还要考虑窗口的大小的选择；

所述第二滤波模块94依据分类结果对SAR图像进行相干斑抑制，获得类特征增强的SAR图像包括：

所述第二滤波模块94依据对SAR图像中包括的地物的分类结果，使用不同大小的窗口对SAR图像进行相干斑抑制，获得类特征增强后的SAR图像；

$I_{\mathrm{in}}=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}I*f_i\&CenterDot;{\tilde{C}}_i,$

其中，所述I_in为滤波后图像，I为原始图像，为第i类地物，f_i为第i类地物对应窗口大小的滤波器；

这里，对于较平坦的区域，如水体、裸地，包含的边缘信息较少，使用较大的窗口进行相干滤波，较大程度的抑制相干斑；建筑部分边缘信息较强，则不对其进行抑制，不做滤波处理，对植被类进行较小窗口的相干斑滤波。

进一步的，所述第一滤波模块91包括：建模单元911、第一转换单元912、第一处理单元913和第二转换单元914；其中，

所述建模单元911，用于将受到相干斑噪声污染的图像建模为：F＝(T+N)·S；其中，F为接收的后向散射强度，T为信号强度，N为加性噪声，S为乘性相干斑；

所述第一转换单元912，用于通过对数变换将乘性相干斑转换为加性噪声，即：log(F)＝log(T+N)+log(S)；

所述第一处理单元913，用于将SAR图像中的相干斑噪声滤除；

所述第二转换单元914，用于通过指数变换得到滤除相干斑的SAR图像；

这里，采用Lee滤波法，滤除图像的加性噪声，当然，实际应用中也可以选择其它滤波方法，可选的滤波方法包括：增强型Lee滤波法、中值滤波法、均值滤波法、高斯滤波法等；滤波的窗口大小和基本参数的选择应根据图像的具体情况而定，窗口大、强度大对图像的平滑程度也会增大，相应的图像边缘和细节信息保留程度就不会太好，而如果使用小窗口低强度的滤波器则保留了细节信息的同时对噪声的滤除也很小；

所述分类模块93包括：第一分类单元931和第二分类单元932；其中，

所述第一分类单元931，用于依据所述特征参量对SAR图像中包括的地物粗分类为水体、建筑、植被及裸地，包括：通过如下公式获得水体、建筑及植被的分类结果，

$C_w=\left\{\begin{array}{c}M<{\mathrm{TH}}_{m1}\\ R<{\mathrm{TH}}_{R1}\end{array}\right.;$

其中，所述C_w为水体的分类结果，TH_m1、TH_R1分别为水体的局部均值M和局部动态范围R的阈值；

$C_s=\left\{\begin{array}{c}V>{\mathrm{TH}}_V\\ R>{\mathrm{TH}}_{R2}\end{array}\right.;$

其中，所述C_s为建筑的分类结果，TH_V、TH_R2分别为建筑的变差系数V和局部动态范围R的阈值；

其中，所述C_t为植被的分类结果，TH_m2、TH_R3分别为植被的局部均值M和局部动态范围R的阈值；

获得SAR图像中包括的地物中的水体、建筑及植被后，剩下的部分为即裸地；

由于对于粗分类得到的水体掩模，通常会将较高建筑物的阴影区域当作水体，然而实际上根据先验知识，一般水体都是成片出现的很少有零散的水体，因此，需要对粗分类后的SAR图像进行精细化；

所述第二分类单元932，用于对粗分类后的SAR图像进行精细化，包括：对于SAR图像中包括的植被及裸地不作处理，对于水体部分，首先使用形态学的闭运算填充区块内细小空洞、连接邻近物体，然后统计块连通区域的像素数量大小，将较小块的区域排除，得到水体部分的精细化结果；

对于SAR图像中包括的建筑部分，采用闭运算优化分类结果，然后剔除孤立的散点，即得到相应的建筑区域；

所述合成模块95包括：选择单元951和第二处理单元952；其中，

所述选择单元951，用于以光学图像各类物体颜色的红绿蓝色RGB值为基准，为类特征增强的SAR图像中包括的水体、建筑、植被及裸地各选择一个基准色；

所述第二处理单元952，用于对所述类特征增强的SAR图像及所述基准色进行处理，获得三通道的彩色合成图像；其中，所述处理为：

$I_{\mathrm{out}}(:,:,k)=\underset{k=1}{\overset{3}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{D}_c(i,k)\&times;I_{\mathrm{in}}\&times;C_i;$

其中，I_out为输出彩色图像，I_in为分类增强后的图像，C_i为第i类地物的掩码，D_c(ⁱ,k)为第i类地物的第k通道的基准色。

上面所述第一滤波模块91、获取模块92、分类模块93、第二滤波模块94和合成模块95均可由服务器中的中央处理器(CPU，Central Processing Unit)、或数字信号处理器(DSP，Digital Signal Processor)、或现场可编程门阵列(FPGA，Field Programmable Gate Array)实现。

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 (12)

1.一种合成孔径雷达SAR图像的处理方法，其特征在于，所述方法包括：

对SAR图像进行滤波；

获取滤波后的SAR图像的局部纹理特征参量；

依据所述特征参量对SAR图像中包括的地物进行分类；

依据分类结果对SAR图像进行相干斑抑制，获得类特征增强的SAR图像；

对所述类特征增强的SAR图像进行彩色合成。

2.根据权利要求1所述方法，其特征在于，所述对SAR图像进行滤波包括：将受到相干斑噪声污染的图像建模为：F＝(T+N)·S；其中，F为接收的后向散射强度，T为信号强度，N为加性噪声，S为乘性相干斑；

通过对数变换将乘性相干斑转换为加性噪声：log(F)＝log(T+N)+log(S)；

通过滤波将相干斑噪声滤除，并经指数变换得到滤除相干斑的SAR图像。

3.根据权利要求1所述方法，其特征在于，所述局部纹理特征参量包括：局部均值、变差系数和局部动态范围；

相应的，获取滤波后的SAR图像的局部纹理特征参量包括：

$M(i,j)=\underset{x\&Element;W(i,j)}{\mathrm{\&Sigma;}}I\left(x\right);$

其中，所述I为原始图像，M为局部均值，i、j分别为行号和列号，W(i,j)为以(i,j)为中心的窗口；

$V_a(i,j)=\underset{x\&Element;W(i,j)}{\mathrm{\&Sigma;}}{[I\left(x\right)-M(i,j)]}^2;$

其中，所述V_α为局部方差；

$V(i,j)=\frac{V_a(i,j)}{M(i,j)};$

其中，所述V为变差系数；

$R(i,j)=\underset{x\&Element;W(i,j)}{\max }\left(I\left(x\right)\right)-\underset{x\&Element;W(i,j)}{\min }\left(I\left(x\right)\right);$

其中，所述R为局部动态范围。

4.根据权利要求1所述方法，其特征在于，所述依据所述特征参量对SAR图像中包括的地物进行分类包括：依据所述局部均值、变差系数和局部动态范围对SAR图像中包括的地物粗分类为水体、建筑、植被及裸地，然后，再对粗分类后的SAR图像进行精细化；

所述依据所述特征参量对SAR图像中包括的地物粗分类为水体、建筑、植被及裸地包括：通过如下公式获得水体、建筑及植被的分类结果；

$C_w=\left\{\begin{array}{c}M<{\mathrm{TH}}_{m1}\\ R<{\mathrm{TH}}_{R1}\end{array}\right.;$

其中，所述C_w为水体的分类结果，TH_m1、TH_R1分别为水体的局部均值M和局部动态范围R的阈值；

$C_s=\left\{\begin{array}{c}V>{\mathrm{TH}}_V\\ R>{\mathrm{TH}}_{R2}\end{array}\right.;$

其中，所述C_s为建筑的分类结果，TH_V、TH_R2分别为建筑的变差系数V和局部动态范围R的阈值；

其中，所述C_t为植被的分类结果，TH_m2、TH_R3分别为植被的局部均值M和局部动态范围R的阈值；

获得SAR图像中包括的地物中的水体、建筑及植被后，剩下的部分为即裸地；

所述对粗分类后的SAR图像进行精细化包括：对于SAR图像中包括的植被及裸地不作处理，对于水体部分，首先使用形态学的闭运算填充区块内细小空洞、连接邻近物体，然后，统计块连通区域的像素数量大小，将较小块的区域排除，得到水体部分的精细化结果；

对于SAR图像中包括的建筑部分，采用闭运算优化分类结果，然后剔除孤立的散点，得到相应的建筑区域。

5.根据权利要求1所述方法，其特征在于，所述依据分类结果对SAR图像进行相干斑抑制，获得类特征增强后的SAR图像包括：

依据对SAR图像中包括的地物的分类结果，使用不同大小的窗口对SAR图像进行相干斑抑制，获得类特征增强后的SAR图像：

$I_{\mathrm{in}}=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}I*f_i\&CenterDot;{\tilde{C}}_i,$

其中，所述I_in为滤波后图像，I为原始图像，为第i类地物，f_i为第i类地物对应窗口大小的滤波器。

6.根据权利要求1所述方法，其特征在于，所述对所述类特征增强的SAR图像进行彩色合成包括：

以光学图像各类物体颜色的红绿蓝色RGB值为基准，为类特征增强的SAR图像中包括的水体、建筑、植被及裸地各选择一个基准色；然后，对所述类特征增强的SAR图像及所述基准色进行处理，获得三通道的彩色合成图像；其中，所述处理为：

$I_{\mathrm{out}}(:,:,k)=\underset{k=1}{\overset{3}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{D}_c(i,k)\&times;I_{\mathrm{in}}\&times;C_i;$

其中，I_out为输出彩色图像，I_in为分类增强后的图像，C_i为第i类地物的掩码，D_c(i,k)为第i类地物的第k通道的基准色。

7.一种SAR图像的处理装置，其特征在于，所述装置包括：

第一滤波模块，用于对SAR图像进行滤波；

获取模块，用于获取滤波后的SAR图像的局部纹理特征参量；

分类模块，用于依据所述特征参量对SAR图像中包括的地物进行分类；

第二滤波模块，用于依据分类结果对SAR图像进行相干斑抑制，获得类特征增强的SAR图像；

合成模块，用于对所述类特征增强后的SAR图像进行彩色合成。

8.根据权利要求7所述装置，其特征在于，所述第一滤波模块包括：建模单元、第一转换单元、第一处理单元和第二转换单元；其中，

所述建模单元，用于将受到相干斑噪声污染的图像建模为：F＝(T+N)·S；其中，F为接收的后向散射强度，T为信号强度，N为加性噪声，S为乘性相干斑；

所述第一转换单元，用于通过对数变换将乘性相干斑转换为加性噪声，log(F)＝log(T+N)+log(S)；

所述处理单元，用于将SAR图像中的相干斑噪声滤除；

所述第二转换单元，用于通过指数变换得到滤除相干斑的SAR图像。

9.根据权利要求7所述装置，其特征在于，所述获取模块获取滤波后的SAR图像的局部纹理特征参量包括：所述获取模块通过如下公式获取滤波后的SAR图像的局部均值、变差系数和局部动态范围；

$M(i,j)=\underset{x\&Element;W(i,j)}{\mathrm{\&Sigma;}}I\left(x\right);$

其中，所述I为原始图像，M为局部均值，i、j分别为行号和列号，W(i,j)为以(i,j)为中心的窗口；

$V_a(i,j)=\underset{x\&Element;W(i,j)}{\mathrm{\&Sigma;}}{[I\left(x\right)-M(i,j)]}^2;$

其中，所述V_α为局部方差；

$V(i,j)=\frac{V_a(i,j)}{M(i,j)};$

其中，所述V为变差系数；

$R(i,j)=\underset{x\&Element;W(i,j)}{\max }\left(I\left(x\right)\right)-\underset{x\&Element;W(i,j)}{\min }\left(I\left(x\right)\right);$

其中，所述R为局部动态范围。

10.根据权利要求7所述装置，其特征在于，所述分类模块包括：第一分类单元和第二分类单元；其中，

所述第一分类单元，用于依据所述特征参量对SAR图像中包括的地物粗分类为水体、建筑、植被及裸地，包括：通过如下公式获得水体、建筑及植被的分类结果，

$C_w=\left\{\begin{array}{c}M<{\mathrm{TH}}_{m1}\\ R<{\mathrm{TH}}_{R1}\end{array}\right.;$

其中，所述C_w为水体的分类结果，TH_m1、TH_R1分别为水体的局部均值M和局部动态范围R的阈值；

$C_s=\left\{\begin{array}{c}V>{\mathrm{TH}}_V\\ R>{\mathrm{TH}}_{R2}\end{array}\right.;$

其中，所述C_S为建筑的分类结果，TH_V、TH_R2分别为建筑的变差系数V和局部动态范围R的阈值；

其中，所述C_s为建筑的分类结果，TH_V、TH_R2分别为建筑的变差系数V和局部动态范围R的阈值；

获得SAR图像中包括的地物中的水体、建筑及植被后，剩下的部分为即裸地；

所述第二分类单元，用于对粗分类后的SAR图像进行精细化，包括：对于SAR图像中包括的植被及裸地不作处理，对于水体部分，首先使用形态学的闭运算填充区块内细小空洞、连接邻近物体，然后统计块连通区域的像素数量大小，将较小块的区域排除，得到水体部分的精细化结果；

对于SAR图像中包括的建筑部分，采用闭运算优化分类结果，然后剔除孤立的散点，即得到相应的建筑区域。

11.根据权利要求7所述装置，其特征在于，所述第二滤波模块依据分类结果对SAR图像进行相干斑抑制，获得类特征增强的SAR图像包括：

所述第二滤波模块依据对SAR图像中包括的地物的分类结果，使用不同大小的窗口对SAR图像进行相干斑抑制，获得类特征增强后的SAR图像：

$I_{\mathrm{in}}=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}I*f_i\&CenterDot;{\tilde{C}}_i,$

其中，所述I_in为滤波后图像，I为原始图像，为第i类地物，f_i为第i类地物对应窗口大小的滤波器。

12.根据权利要求7所述装置，其特征在于，所述合成模块包括：选择单元和第二处理单元；其中，

所述选择单元，用于以光学图像各类物体颜色的红绿蓝色RGB值为基准，为类特征增强的SAR图像中包括的水体、建筑、植被及裸地各选择一个基准色；

所述第二处理单元，用于对所述类特征增强的SAR图像及所述基准色进行处理，获得三通道的彩色合成图像；其中，所述处理为：

$I_{\mathrm{out}}(:,:,k)=\underset{k=1}{\overset{3}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{D}_c(i,k)\&times;I_{\mathrm{in}}\&times;C_i;$

其中，I_out为输出彩色图像，I_in为分类增强后的图像，C_i为第i类地物的掩码，D_c(i,k)为第i类地物的第k通道的基准色。