CN104182945A - 基于非局部双边滤波的极化sar相干斑噪声抑制方法 - Google Patents

Abstract

本发明公开了一种基于非局部双边滤波的极化SAR相干斑噪声的抑制方法，主要解决现有技术边缘纹理细节丢失的问题。其实现过程是：1.对极化SAR图像寻找相似的像素点，组成相似像素点集，得到相似性权重；2.以每一个相似像素点为中心取邻域窗，对邻域窗进行双边滤波，得到滤波结果；3.对相似像素点的所有滤波结果进行非局部权重平均，得到初始滤波后的协方差矩阵；4.对初始滤波后的协方差矩阵进行滤波，得到最终滤波后的协方差矩阵；5.将最终滤波后的协方差矩阵合成伪彩图，并将其转换为灰度图像。本发明能在抑制相干斑的同时保持边缘纹理细节信息，提高了极化SAR图像的相干斑抑制效果，可用于极化SAR图像地物分类和目标识别。

Description

基于非局部双边滤波的极化SAR相干斑噪声抑制方法

技术领域

本发明属于图像数据处理技术领域，具体地说是一种相干斑抑制方法，可用于极化合成孔径雷达SAR图像数据的去噪，提高图像的后续解译能力。

背景技术

随着雷达技术的发展，极化SAR已成为SAR的发展趋势，极化SAR能够得到更丰富的目标信息，在提高目标检测，辨别和分类能力等方面，能够体现极化SAR系统的优势。但和SAR图像一样，极化SAR图像中也不可避免的会出现相干斑，直接影响了对数据信息的提取与解译。因此，相干斑噪声的抑制已经成为极化SAR数据信息处理的首要问题，也是国内外雷达图像处理与应用的热点之一。对于极化SAR数据，相干斑抑制的目的在于能够在抑制相干斑的同时保持住数据的极化特性，边缘细节以及纹理信息。现有对极化SAR数据相干斑抑制的方法主要涉及以下几种：

一、极化白化滤波PWF。这种方法是最早的一个滤波方法，该方法主要是针对Span数据进行相干斑抑制，而其余极化SAR数据的各元素并没有进行相干斑的抑制。

二、精致极化Lee滤波。它是在SAR图像Lee滤波的基础上针对极化SAR数据的特点改进得到的最具代表性的一种滤波方法。通过使用边缘窗口进行滤波，使得滤波后的数据在边缘的特性保持方面效果显著，但是，在纹理细节信息的保持上，其滤波效果并非特别理想，因此在相干斑的抑制中，数据原始的一些特性无法很好的保留。

三、双边滤波。这种方法在处理相邻各像素的相关信息时，既考虑了几何上的邻近关系又考虑了亮度上的相似性，因此，用于自然图像去噪时，取得了比较好的效果。依据极化SAR数据噪声模型及复矩阵形式，最近有人将双边滤波推广至极化SAR数据处理，该方法可以直接对极化协方差矩阵进行处理，在对相干斑具有较好的抑制能力的同时能够很好地保持极化信息。但由于此方法是基于局部邻域窗，会产生局部块效应。

四、非局部均值滤波。这种方法用在自然图像的噪声抑制上取得了非常优异的效果。将非局部的方法扩展到极化SAR相干斑抑制，仍然保留了自然图像噪声抑制的诸多优点，比如大大抑制了相干斑，同时边缘、纹理和点目标保持良好，极化SAR的极化特性也得到了保持。但是由于有参数的选择，造成保留细节、点目标和最大抑制噪声方面的矛盾，例如邻域窗选取过大时，可以更好的抑制噪声，但可能会丢失点目标和细节；邻域窗选取过小时，可以较好的保留点目标和细节，但噪声抑制能力相对减弱。

发明内容

本发明的目的在于针对上述已有技术的缺点，提出一种基于非局部双边滤波的极化SAR相干斑噪声抑制方法，以实现在抑制相干斑的同时保持亮目标和边缘纹理细节信息，提高极化SAR图像数据的相干斑抑制效果。

实现本发明的技术思路是：将非局部滤波与双边滤波相结合应用到极化SAR图像数据相干斑抑制中，其具体步骤包括如下：

(1)读取极化SAR图像数据，进行边界镜像对称扩展，扩展半径为7；

(2)利用非局部滤波方法，寻找极化SAR图像数据中每个像素点x的相似像素点，组成相似像素点集S，得到第j个相似像素点的相似性权重w_nol(j)，1≤j≤J,J为相似像素点集S中像素点的个数；

(3)从像素点x的相似像素点集S中选取第j个相似像素点y_j，以y_j为中心取5×5大小的邻域窗Y_j，并以像素点x为参考相素，对邻域窗Y_j进行双边滤波，得到滤波后的协方差矩阵

(4)对滤波后的协方差矩阵进行权重w_nol(j)平均，得到滤波后的协方差矩阵

(5)对极化SAR图像数据的每个像素点，进行步骤(3)—步骤(4)处理，得到整个极化SAR图像数据初始滤波后的协方差矩阵

(6)对步骤(2)和步骤(5)进行2次迭代处理，得到最终的滤波后的协方差矩阵

(7)用Pauli向量法将最终的滤波后的协方差矩阵合成伪彩图，再将伪彩图转换为灰度图像。

本发明与现有技术相比具有以下优点：

1.本发明首先基于图像块的相似性找到相似像素点，然后以相似像素点为中心取邻域窗，并以要滤波像素点为参考对邻域窗进行双边滤波；在考虑了图像的结构信息的同时考虑了单个像素点的相似性，能够找到更好的相似像素点，不仅能平滑同质区域，而且对边缘和纹理细节的保留效果理想；

2.本发明基于非局部的思想，在非局部区域寻找相似像素点，克服了双边滤波在局部区域选择相似像素点，导致块效应，纹理和边缘的保持也很难让人满意的缺点，同时基于双边滤波的思想，处理找到的相似像素点的邻域区域，既考虑了结构信息又考虑了单像素点信息，克服了非局部均值滤波依赖于邻域窗大小的选择，邻域窗太大会丢失点目标，太小会模糊边缘和纹理的缺陷；

3.本发明采用了像素的协方差矩阵信息来计算两个像素点的相似距离，保证了选出的相似像素点的合理性，保持了极化信息。

附图说明

图1是本发明的实现流程图；

图2是本发明仿真使用的模拟极化SAR图像和两幅真实的极化SAR图像数据图；

图3是用现有方法及本发明对模拟SAR图像的滤波结果图；

图4是用现有方法及本发明对第一幅真实极化SAR图像的滤波结果图；

图5是用现有方法及本发明对第一幅真实极化SAR图像图像块A的滤波放大后结果图；

图6是用现有方法及本发明对第一幅真实极化SAR图像图像块B的滤波放大后结果图；

图7是用现有方法及本发明对第二幅真实极化SAR图像的滤波结果图。

具体实施方式

参照图1，本发明的实现步骤如下：

步骤1，读取极化SAR图像数据。

读取的极化SAR图像数据的每个像素点为含有9个元素的3×3协方差矩阵C，协方差矩阵C定义如下：

$C=\left[\begin{array}{ccc}{\left|S_{\mathrm{hh}}\right|}^2& \sqrt{2}{S}_{\mathrm{hh}}{S_{\mathrm{hv}}}^{*}& S_{\mathrm{hh}}{S_{\mathrm{vv}}}^{*}\\ \sqrt{2}{S}_{\mathrm{hv}}{S_{\mathrm{hh}}}^{*}& 2{\left|S_{\mathrm{hv}}\right|}^2& \sqrt{2}{S}_{\mathrm{hv}}{S_{\mathrm{vv}}}^{*}\\ S_{\mathrm{vv}}{S_{\mathrm{hh}}}^{*}& \sqrt{2}{S}_{\mathrm{vv}}{S_{\mathrm{hv}}}^{*}& {\left|S_{\mathrm{vv}}\right|}^2\end{array}\right]$

其中，S_hh表示h方向发射和h方向接收的回波数据，S_vv表示v方向发射和v方向接收的回波数据，S_hv表示h方向发射v方向接收的回波数据，S_hv ^*表示S_hv的共轭转置，h方向表示水平方向，v方向表示垂直方向。对读取的极化SAR图像数据进行边界镜像对称扩展，扩展半径为7。

步骤2，寻找像素点的相似像素点。

2a)以像素点x为中心取5×5大小的邻域窗，记为图像块X,以像素点x为中心取15×15大小的邻域窗，记为搜索窗Ω，在搜索窗Ω内以各像素点为中心取5×5大小的邻域窗，记为图像块Y¹,Y²,…Yⁿ…,Y^N,N为搜索窗Ω内的像素点数，计算图像块X和搜索窗内的各图像块Y¹,Y²,…Yⁿ…,Y^N之间的相似距离

$\begin{array}{cc}{d}_{X,Y^n}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{d}_{X_i,{Y_i}^n}& 1\≤n\≤N\end{array}$

上式中，k为图像块内像素点的个数，取值为25， 表示两个像素点之间的相似距离，|X_i|为图像块X的第i个像素点矩阵的行列式值，|Y_i ⁿ|为第n个图像块Yn的第i个像素点矩阵的行列式值；

2b)将步骤2a)得到的相似距离与给定的一个阈值T做比较，如果则将第n个图像块Yⁿ所对应的中心像素点放入相似像素点集S，得到第j个相似像素点的相似性权重w_nol(j)，其中阈值T和权重w_nol(j)的定义分别如下：

$T=-\sqrt{K/l}\×k,w_{\mathrm{nol}}\left(j\right)=\exp (-\frac{d_{{X,Y}^n}}{T}),$

其中，K是一个调节参数，K值越大，得到的初始相似像素点越多，滤波效果越平滑，如果K值太大，会产生过滤波现象，导致很多点目标和细节信息丢失，这里设定K＝20，l为极化SAR图像数据的视数，取值为4，1≤j≤J,J为相似像素点集S中像素点的个数。

步骤3,对像素点的相似像素点进行双边滤波。

3a)从像素点x的相似像素点集S中选取第j个相似像素点y_j，以y_j为中心取5×5大小的邻域窗Y_j；

3b)设置空间平滑参数σ_d＝2.9，相似性散度平滑参数σ_h＝3.1；

3c)对邻域窗Y_j，根据公式求解空间距离度量的权重值f_s，其中y_j为邻域窗Y_j的中心像素点，y_ji为邻域窗Y_j中的第i个像素点，1≤i≤25，||*||为2范数，exp(·)为指数函数；

3d)以像素点x为参考相素点，求解邻域图像块Y_j内的相似性散度距离度量的权重值f_r： $f_r=\exp (-\frac{d{[C\left(x\right),C\left(y_{\mathrm{ji}}\right)]}^2}{2{\mathrm{\σ}}_h^2}),$

其中，C(x)为像素点x处的协方差矩阵，为距离度量，用来度量极化SAR数据中两像素点矩阵的相似性，det(·)表示协方差矩阵C行列式的值；

3e)根据步骤3b)和3c)，计算双边滤波的权重w_bf(ji)和滤波后的协方差矩阵

$w_{\mathrm{bf}}\left(\mathrm{ji}\right)=\frac{f_s\left(\right||y_j-y_{\mathrm{ji}}|\left|\right)f_r\left[d(C\left(x\right),C\left(y_{\mathrm{ji}}\right))\right]}{\underset{y_{\mathrm{ji}}\∈Y_j}{\mathrm{\Σ}}{f}_s\left(\right||y_j-y_{\mathrm{ji}}|\left|\right)f_r\left[d(C\left(x\right),C\left(y_{\mathrm{ji}}\right))\right]},$

$\hat{C}\left(y_j\right)=\underset{y_{\mathrm{ji}}\∈Y_j}{\mathrm{\Σ}}{w}_{\mathrm{bf}}\left(\mathrm{ji}\right)C\left(y_{\mathrm{ji}}\right),$

其中，f_s(||y_j-y_ji||)为图像块Y_j的空间距离度量的权重值，f_r 为图像块Y_j的相似性散度距离度量的权重值，C(y_ji)为y_ji处的协方差矩阵。

步骤4，对滤波后的相似像素点进行权重平均。

对滤波后的协方差矩阵进行权重w_nol(j)平均，得到滤波后的协方差矩阵 $\hat{C}\left(x\right)=\underset{y_j\∈S}{\mathrm{\Σ}}{\mathrm{norw}}_{\mathrm{nol}}\left(j\right)\hat{C}\left(y_j\right),$ 其中， ${\mathrm{norw}}_{\mathrm{nol}}\left(j\right)=\frac{w_{\mathrm{nol}}\left(j\right)}{\underset{y_j\∈S}{\mathrm{\Σ}}{w}_{\mathrm{nol}}\left(j\right)}$ 为非局部归一化滤波权重，y_j为相似像素点集S中的第j个相似像素点。

步骤5，对每个像素点进行滤波。

对极化SAR图像数据的每个像素点，进行步骤(3)—步骤(4)处理，得到整个极化SAR图像数据初始滤波后的协方差矩阵

步骤6，对整幅图像进行迭代滤波。

对初始滤波后的协方差矩阵进行步骤(2)—步骤(4)处理，得到最终的滤波后的协方差矩阵

步骤7，获取滤波后的灰度图像。

7a)基于Pauli向量法将滤波后的协方差矩阵的第二行第二列元素2|S_hv|²作为待合成伪彩色图像的绿色分量G；

7b)对滤波后的协方差矩阵的第一行第一列元素|S_hh|²，第三行第三列元素|S_vv|²做开方处理,得到水平h方向发射和接收的回波数据S_hh及垂直v方向发射和接收的回波数据S_vv；

7c)用上述两个回波数据S_hh和S_vv，计算伪彩色图像的蓝色分量B和红色分量R：

$\begin{array}{cc}B=\frac{1}{2}{(S_{\mathrm{hh}}+S_{\mathrm{vv}})}^2,& R=\frac{1}{2}{(S_{\mathrm{hh}}-S_{\mathrm{vv}})}^2;\end{array}$

7d)用红色分量R、绿色分量G、蓝色分量B三个分量合成伪彩色图像；

7e)将步骤7d)合成的伪彩图转换为灰度图像,完成基于非局部双边滤波的极化SAR相干斑抑制。

本发明的效果可通过以下仿真实验进一步说明：

1.实验条件

实验仿真环境：MATLAB2010a，Intel(R)Core(TM)i3，CPU3.2GHz,Window XPProfessional。

实验仿真图像：本发明包括一幅模拟的极化SAR图像，此图像加入了视数为4的相干斑噪声，大小为256×256，如图2(a)所示；两幅真实的极化SAR图像分别为来源于AIRSAR的四视美国旧金山区域，大小为256×256，如图2(b)所示和CONVAIR的十视加拿大Ottawa区域，大小为222×342，如图2(c)所示。

实验对比方法：精致极化Lee滤波，双边滤波与非局部均值滤波，这三种方法都是极化SAR图像空域滤波中代表性的方法。

实验结果评价：用亮目标的保持，边缘纹理细节信息的保持和同质区域的平滑程度，来判断极化信息的保持及滤波效果。

2.实验内容与结果

仿真1，利用现有的精致极化Lee滤波，双边滤波，非局部均值滤波及本发明对图2(a)所示的模拟极化SAR图像进行滤波，滤波后的结果如图3所示，其中，图3(a)是精致极化Lee的滤波结果图，图3(b)是双边滤波结果图，图3(c)非局部均值的滤波结果图，图3(d)是本发明的滤波结果图。

从图3可以看出，在同质区域中本发明的滤波结果比精致极化Lee滤波和双边滤波的滤波结果平滑程度好，在边缘和点目标保持上本发明的滤波结果比精致极化Lee滤波和非局部均值滤波结果有优势，点目标亮而清晰，而非局部均值滤波的结果点目标已经模糊了。

仿真2，利用精致极化Lee滤波，双边滤波，非局部均值滤波及本发明对图2(b)所示的第一组真实极化SAR图像进行滤波，滤波后的结果如图4所示，其中，图4(a)是精致极化Lee的滤波结果图，图4(b)是双边滤波结果图，图4(c)是非局部均值的滤波结果图，图4(d)是本发明的滤波结果图。

从图4可以看出，精致极化Lee滤波对同质区域的平滑效果不好，在边缘处的滤波结果也比较模糊，效果不理想。双边滤波在边缘处的滤波结果十分模糊。非局部均值滤波在同质区域和边缘处的滤波效果都要明显优于精致极化Lee滤波和双边滤波，可是边缘处仍然不清晰流畅，有些边缘仍是模糊的，本发明在同质区域滤波效果明显优于精致极化Lee滤波和双边滤波，在边缘纹理细节信息的保持和点目标的保持上明显优于前三种方法。

仿真3，利用精致极化Lee滤波，双边滤波，非局部均值滤波，及本发明对第一组真实极化SAR图像的图像块A进行滤波，滤波后的放大结果图如图5所示，其中，图5(a)是精致极化Lee滤波的放大结果图，图5(b)是双边滤波的放大结果图，图5(c)是非局部均值滤波的放大结果图，图5(d)是本发明的滤波放大结果图。

从图5可以看出，在同质区域中本发明的滤波结果比精致极化Lee滤波的滤波结果平滑程度好，在边缘保持上本发明的滤波结果比双边滤波和非局部均值滤波结果有优势，双边滤波和非局部均值滤波的边缘目标已经模糊了。

仿真4，利用精致极化Lee滤波，双边滤波，非局部均值滤波，及本发明对第一组真实极化SAR图像的图像块B进行滤波，滤波后的放大结果图如图6所示，其中，图6(a)是精致极化Lee滤波的放大结果图，图6(b)是双边滤波的放大结果图，图6(c)是非局部均值滤波的放大结果图，图6(d)是本发明的滤波放大结果图。

从图6可以看出，在纹理细节信息的保持和边缘细节信息的保持上本发明的滤波结果明显优于前三种方法，而精致极化Lee滤波，双边滤波，非局部均值滤波均存在边缘模糊，不够清晰的问题。

仿真5，利用精致极化Lee滤波，双边滤波，非局部均值滤波及本发明对图2(c)所示的第二组真实极化SAR图像进行滤波，滤波后的结果如图7所示，其中，图7(a)为精致极化Lee的滤波结果图，图7(b)是双边滤波结果图,图7(c)是非局部均值的滤波结果图，图7(d)为本发明的滤波结果图。

从图7可以看出，在同质区域，本发明的滤波结果比精致极化Lee滤波的滤波结果平滑程度好，在边缘纹理细节信息的保持上本发明的滤波结果比双边滤波和非局部均值滤波结果有优势，双边滤波和非局部均值滤波的结果边缘纹理细节有丢失。

综上所述，本发明提出的基于非局部双边的极化SAR相干斑噪声抑制方法，能够很好的保持极化SAR图像数据的极化特征，并且在同质区域的平滑效果和边缘纹理的保持效果上都很理想，因此本发明对极化SAR图像数据相干斑噪声的抑制效果显著。

Claims (4)

1.一种基于非局部双边滤波的极化SAR相干斑噪声抑制方法，包括如下步骤：

(1)读取极化SAR图像数据，并进行边界镜像对称扩展，扩展半径为7；

(2)利用非局部滤波方法，寻找极化SAR图像数据中每个像素点x的相似像素点，组成相似像素点集S，得到第j个相似像素点的相似性权重w_nol(j)，1≤j≤J,J为相似像素点集S中像素点的个数；

(3)从像素点x的相似像素点集S中选取第j个相似像素点y_j，以y_j为中心取5×5大小的邻域窗Y_j，并以像素点x为参考相素，对邻域窗Y_j进行双边滤波，得到滤波后的协方差矩阵

(4)对滤波后的协方差矩阵进行权重w_nol(j)平均，得到滤波后的协方差矩阵

(5)对极化SAR图像数据的每个像素点，进行步骤(3)—步骤(4)处理，得到整个极化SAR图像数据初始滤波后的协方差矩阵

(6)对步骤(2)和步骤(5)进行2次迭代处理，得到最终的滤波后的协方差矩阵

(7)用Pauli向量法将最终的滤波后的协方差矩阵合成伪彩图，再将伪彩图转换为灰度图像。

2.根据权利要求1所述的基于非局部双边滤波的极化SAR相干斑噪声抑制方法，其中步骤(2)所述的利用非局部滤波方法，寻找像素点x的相似像素点，组成相似像素点集S，得到相似性权重w_nol(j)，按如下步骤进行：

2a)以像素点x为中心取5×5大小的邻域窗，记为图像块X,以像素点x为中心取15×15大小的邻域窗，记为搜索窗Ω，在搜索窗Ω内以各像素点为中心取5×5大小的邻域窗，记为图像块Y¹,Y²,…Yⁿ…,Y^N,N为搜索窗Ω内的像素点数；计算图像块X和搜索窗内各图像块Y¹,Y²,…Yⁿ…,Y^N之间的相似距离

$\begin{array}{cc}{d}_{X,Y^n}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{d}_{X_i,{Y_i}^n}& 1\≤n\≤N,\end{array}$

式中，k为图像块内像素点的个数，取值为25， 表示两个像素点之间的相似距离，|X_i|为图像块X的第i个像素点矩阵的行列式值，|Y_i ⁿ|为第n个图像块Yⁿ的第i个像素点矩阵的行列式值；

2b)对步骤2a)得到的相似距离与给定的一个阈值T做比较，如果则将第n个图像块Yⁿ所对应的中心像素点放入相似像素点集S，并得到相似性权重w_nol(j)，其中阈值T和权重w_nol(j)的定义分别如下：

$\begin{array}{cc}T=-\sqrt{K/l}\×k& w_{\mathrm{nol}}\left(j\right)=\exp (-\frac{d_{X,Y^n}}{T}),\end{array}$

其中K是一个调节参数，设定为K＝20，l为极化SAR图像数据的视数，取值为4。

3.根据权利要求1所述的基于非局部双边的极化SAR相干斑噪声抑制方法，其中步骤(3)所述的以y_j为中心取5×5大小的邻域窗Y_j，对邻域窗Y_j进行双边滤波,按如下步骤进行：

3a)设置空间平滑参数σ_d＝2.9，相似性散度平滑参数σ_h＝3.1；

3b)对邻域窗Y_j，根据公式求解空间距离度量的权重值f_s，其中y_j为邻域窗Y_j的中心像素点，y_ji为邻域窗Y_j中的任意点，||*||为2范数，exp(·)为指数函数；

3c)以像素点x为参考相素点，求解邻域图像块Y_j内的相似性散度距离度量的权重值f_r：

$f_r=\exp (-\frac{d{[C\left(x\right),C\left(y_{\mathrm{ji}}\right)]}^2}{2{\mathrm{\σ}}_h^2}),$

其中，C(x)为像素点x处的协方差矩阵，为距离度量，用来度量极化SAR数据中两像素点矩阵的相似性，det(·)表示协方差矩阵C行列式的值；

3d)根据步骤3b)和3c)，计算双边滤波的权重w_bf(ji)和滤波后的协方差矩

$w_{\mathrm{bf}}\left(\mathrm{ji}\right)=\frac{f_s\left(\right||y_j-y_{\mathrm{ji}}|\left|\right)f_r\left[d(C\left(x\right),C\left(y_{\mathrm{ji}}\right))\right]}{\underset{y_{\mathrm{ji}}\∈Y_j}{\mathrm{\Σ}}{f}_s\left(\right||y_j-y_{\mathrm{ji}}|\left|\right)f_r\left[d(C\left(x\right),C\left(y_{\mathrm{ji}}\right))\right]},$

$\hat{C}\left(y_j\right)=\underset{y_{\mathrm{ji}}\∈Y_j}{\mathrm{\Σ}}{w}_{\mathrm{bf}}\left(\mathrm{ji}\right)C\left(y_{\mathrm{ji}}\right),$

其中，f_s(||y_j-y_ji||)为图像块Y_j的空间距离度量的权重值，f_r 为图像块Y_j的相似性散度距离度量的权重值。

4.根据权利要求1所述的基于非局部双边的极化SAR相干斑噪声抑制方法，其中步骤(4)所述的对滤波后的协方差矩阵进行权重w_nol(j)平均，得到滤波后的协方差矩阵按如下公式进行：

$\hat{C}\left(x\right)=\underset{y_j\∈S}{\mathrm{\Σ}}{\mathrm{norw}}_{\mathrm{nol}}\left(j\right)\hat{C}\left(y_j\right)$

其中，为非局部归一化滤波权重，y_j为相似像素点集S中的第j个相似像素点。