CN104392427B - 经验模态分解和稀疏表示相结合的sar图像去噪方法 - Google Patents
经验模态分解和稀疏表示相结合的sar图像去噪方法 Download PDFInfo
- Publication number
- CN104392427B CN104392427B CN201410748877.9A CN201410748877A CN104392427B CN 104392427 B CN104392427 B CN 104392427B CN 201410748877 A CN201410748877 A CN 201410748877A CN 104392427 B CN104392427 B CN 104392427B
- Authority
- CN
- China
- Prior art keywords
- image
- trendgram
- natural mode
- original
- vibration component
- 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)
- Image Processing (AREA)
Abstract
经验模态分解和稀疏表示相结合的SAR图像去噪方法,属于图像去噪技术领域。本发明是为了解决传统基于经验模态分解的SAR图像去噪方法对SAR图像中的细节保留不足,造成目标缺失,影响去噪效果的问题。它是将待处理SAR图像转换为原始趋势图像;然后对原始趋势图像进行分解和去噪,它利用经验模态分解的时频特性、分解后图像的稀疏性以及稀疏表示对噪声不敏感的特性,通过对高频分量噪声部分的分析,对高频分量进行稀疏分解,再通过估计高频分量重噪声方差进行稀疏分解的重构和经验模态分解重构,最终实现了SAR图像的噪声抑制。本发明用于SAR图像去噪。
Description
技术领域
本发明涉及经验模态分解和稀疏表示相结合的SAR图像去噪方法,属于图像去噪技术领域。
背景技术
合成孔径雷达SAR是一种全天候、全天时的主动式微波遥感器,在军用和民用方面发挥着重要的作用。但由于相干斑噪声的影响,增加了解译SAR图像的复杂性。抑制相干斑噪声是SAR图像去噪的主要任务。
传统基于经验模态分解的SAR图像去噪方法中,对SAR图像中的细节保留不足,这可能导致重要目标的缺失。虽然经验模态分解方法在一定程度上克服了小波变换的不足,是一种完全数据驱动的自适应分解算法,但在处理过程中涉及的模态分量的选择、滤波方式的选择等问题都直接影响SAR图像去噪的效果。稀疏表示方法是用较为简略的稀疏结构表示信号的主要信息,通过寻找图像元素间的稀疏结构,以及利用噪声的不稀疏特性,达到去噪的目的,但逼近误差的设定与噪声的大小有着直接的关系,在预先无法得到信噪比的情况下,去噪效果会受到极大的影响。
发明内容
本发明目的是为了解决传统基于经验模态分解的SAR图像去噪方法对SAR图像中的细节保留不足,造成目标缺失,影响去噪效果的问题,提供了一种经验模态分解和稀疏表示相结合的SAR图像去噪方法。
本发明所述经验模态分解和稀疏表示相结合的SAR图像去噪方法,它首先对含噪SAR图像进行经验模态分解,获得N个固有模态分量,N=1,2,3,……,N;然后应用稀疏表示对获得的N个固有模态分量进行噪声抑制,获得去噪后的SAR图像;具体包括以下步骤:
步骤一:将待处理SAR图像转换为原始趋势图像;
步骤二:判断原始趋势图像是否需要分解,若是,执行步骤三;否则,执行步骤八;
步骤三:对原始趋势图像进行极值点求解,获得区域极大值点集和区域极小值点集;
步骤四:对区域极大值点集和区域极小值点集进行平面插值,获得原始趋势图像的上、下包络面,根据原始趋势图像的上、下包络面获得原始趋势图像的均值包络面;
步骤五:用原始趋势图像减去均值包络面获得新趋势图像,判断当前新趋势图像是否满足筛分停止条件,若是,则执行步骤六;否则,将当前新趋势图像赋值给原始趋势图像,然后执行步骤三;
步骤六:将当前新趋势图像作为迭代产生的一个当前固有模态分量;
步骤七:用原始趋势图像减去当前固有模态分量,获得的过程趋势图像赋值给原始趋势图像后,执行步骤二,直至获得N个固有模态分量和一个最终过程趋势图像,执行步骤八;
步骤八:分解结束;
步骤九:对顺序获得的前三个固有模态分量进行稀疏分解,获得三个新模态分量;
步骤十:对三个新模态分量和顺序获得的后N-3个固有模态分量进行经验模态分解重构,获得去噪后的SAR图像。
步骤九中获得三个新模态分量的具体方法如下:
首先采用中值估计方法,分别估计前三个固有模态分量的噪声方差,再根据每个噪声方差分别计算获得对应于前三个固有模态分量的预设定阈值;
然后对前三个固有模态分量分别进行以下处理:
构建冗余DCT字典,将一个固有模态分量拆分成若干个8*8子块,对每一个8*8子块进行以下处理:
将8*8子块排布为一列向量,计算获得该列向量的均方差值,判断该列向量的均方差值是否小于预设逼近误差,若是,则判定该8*8子块无稀疏性,为噪声成分;否则,将所述列向量转换为残余分量,执行以下稀疏分解过程:
将该残余分量与冗余DCT字典的转置相乘,获得乘积中最大值所对应的冗余DCT字典中位置,并在冗余DCT字典中标注最大值所在的列,再用最大值所在的列构建当前字典,将当前字典的伪逆阵与残余分量相乘,获得的乘积为临时稀疏系数;用当前字典与临时稀疏系数相乘,后将乘积与残余分量作差,获得当前残余分量;判断当前残余分量的均方差值是否小于预设逼近误差,若是,将临时稀疏系数作为最终的稀疏表示系数;否则将当前残余分量赋值给残余分量,重复所述稀疏分解过程;
再对该8*8子块进行噪声抑制过程如下:
用冗余DCT字典乘以稀疏表示系数,乘积与原列向量相减获得差值,所述原列向量指一个子块分解为8*8小块后,8*8小块排布形成的列向量,计算该差值的均方差,该均方差与所述预设定阈值进行比较,如果差值大于所述预设定阈值则停止噪声抑制;如果差值小于或等于所述预设定阈值,则将稀疏表示系数所有元素中最不重要的元素置零,生成新的稀疏表示系数,将新的稀疏表示系数赋值给稀疏表示系数,重复上述噪声抑制过程,直至差值大于所述预设定阈值;最后停止噪声抑制时,冗余DCT字典与稀疏表示系数相乘的乘积为一个子块的去噪结果;
将所有子块的去噪结果恢复成8*8的表示状态,按原顺序重新拼成一个固有模态分量;
三个重新拼成的固有模态分量按顺序拼接成三个新固有模态分量;
最后将三个新固有模态分量和后N-3个固有模态分量进行经验模态分解重构,获得去噪后的SAR图像。
步骤二中判断原始趋势图像是否需要分解的判断依据为:
如果原始趋势图像非单调并且没达到图像的分解层数,则需要进行分解;否则不需要进行分解。
本发明的优点:本发明方法将经验模态分解和稀疏表示相结合,针对SAR图像的斑点噪声问题,利用经验模态分解数据驱动,以及图像元素间存在的稀疏结构,实现了SAR图像的去除噪声,它同时保留了原图像的更多细节信息,提升了SAR图像的去噪效果。
本发明方法利用经验模态分解的时频特性、分解后图像的稀疏性以及稀疏表示对噪声不敏感的特性,通过对高频分量噪声部分的分析,对高频分量进行稀疏分解,再通过估计高频分量重噪声方差进行稀疏分解的重构和经验模态分解重构,最终实现了SAR图像的噪声抑制。
附图说明
图1是本发明所述经验模态分解和稀疏表示相结合的SAR图像去噪方法的原理框图。
具体实施方式
具体实施方式一:下面结合图1说明本实施方式,本实施方式所述经验模态分解和稀疏表示相结合的SAR图像去噪方法,它首先对含噪SAR图像进行经验模态分解,获得N个固有模态分量,N=1,2,3,……,N;然后应用稀疏表示对获得的N个固有模态分量进行噪声抑制,获得去噪后的SAR图像;具体包括以下步骤:
步骤一:将待处理SAR图像转换为原始趋势图像;
步骤二:判断原始趋势图像是否需要分解,若是,执行步骤三;否则,执行步骤八;
步骤三:对原始趋势图像进行极值点求解,获得区域极大值点集和区域极小值点集;
步骤四:对区域极大值点集和区域极小值点集进行平面插值,获得原始趋势图像的上、下包络面,根据原始趋势图像的上、下包络面获得原始趋势图像的均值包络面;
步骤五:用原始趋势图像减去均值包络面获得新趋势图像,判断当前新趋势图像是否满足筛分停止条件,若是,则执行步骤六;否则,将当前新趋势图像赋值给原始趋势图像,然后执行步骤三;
步骤六:将当前新趋势图像作为迭代产生的一个当前固有模态分量;
步骤七:用原始趋势图像减去当前固有模态分量,获得的过程趋势图像赋值给原始趋势图像后,执行步骤二,直至获得N个固有模态分量和一个最终过程趋势图像,执行步骤八;
步骤八:分解结束;
步骤九:对顺序获得的前三个固有模态分量进行稀疏分解,获得三个新模态分量;
步骤十:对三个新模态分量和顺序获得的后N-3个固有模态分量进行经验模态分解重构,获得去噪后的SAR图像。
本实施方式中,步骤七将待处理SAR图像分解成为N个固有模态分量和一个最终过程趋势图像,这N个固有模态分量具有特定的时频特性,
按其产生的先后分为第1固有模态分量、第2固有模态分量、…第N固有模态分量,过程趋势图像也可以称为第N+1固有模态分量,这N+1个固有模态分量按照序号符合从高频到低频的趋势。
具体实施方式二:本实施方式对实施方式一作进一步说明,步骤九中获得三个新模态分量的具体方法如下:
首先采用中值估计方法,分别估计前三个固有模态分量的噪声方差,再根据每个噪声方差分别计算获得对应于前三个固有模态分量的预设定阈值;
然后对前三个固有模态分量分别进行以下处理:
构建冗余DCT字典,将一个固有模态分量拆分成若干个8*8子块,对每一个8*8子块进行以下处理:
将8*8子块排布为一列向量,计算获得该列向量的均方差值,判断该列向量的均方差值是否小于预设逼近误差,若是,则判定该8*8子块无稀疏性,为噪声成分;否则,将所述列向量转换为残余分量,执行以下稀疏分解过程:
将该残余分量与冗余DCT字典的转置相乘,获得乘积中最大值所对应的冗余DCT字典中位置,并在冗余DCT字典中标注最大值所在的列,再用最大值所在的列构建当前字典,将当前字典的伪逆阵与残余分量相乘,获得的乘积为临时稀疏系数;用当前字典与临时稀疏系数相乘,后将乘积与残余分量作差,获得当前残余分量;判断当前残余分量的均方差值是否小于预设逼近误差,若是,将临时稀疏系数作为最终的稀疏表示系数;否则将当前残余分量赋值给残余分量,重复所述稀疏分解过程;
再对该8*8子块进行噪声抑制过程如下:
用冗余DCT字典乘以稀疏表示系数,乘积与原列向量相减获得差值,所述原列向量指一个子块分解为8*8小块后,8*8小块排布形成的列向量,计算该差值的均方差,该均方差与所述预设定阈值进行比较,如果差值大于所述预设定阈值则停止噪声抑制;如果差值小于或等于所述预设定阈值,则将稀疏表示系数所有元素中最不重要的元素置零,生成新的稀疏表示系数,将新的稀疏表示系数赋值给稀疏表示系数,重复上述噪声抑制过程,直至差值大于所述预设定阈值;最后停止噪声抑制时,冗余DCT字典与稀疏表示系数相乘的乘积为一个子块的去噪结果;
将所有子块的去噪结果恢复成8*8的表示状态,按原顺序重新拼成一个固有模态分量;
三个重新拼成的固有模态分量按顺序拼接成三个新固有模态分量;
最后将三个新固有模态分量和后N-3个固有模态分量进行经验模态分解重构,获得去噪后的SAR图像。
本实施方式中,首先对N+1个固有模态分量的含噪程度进行判断。大量实验表明,第1固有模态分量含相干斑噪声成分最高,第2固有模态分量含相干斑噪声次之,第3固有模态分量含相干斑噪声较少,第四个至第N+1个含相干斑噪声可忽略不计。根据稀疏表示对噪声不敏感这一特性,将前三个固有模态分量进行稀疏分解。
具体实施方式三:本实施方式对实施方式一或二作进一步说明,步骤二中判断原始趋势图像是否需要分解的判断依据为:
如果原始趋势图像非单调并且没达到图像的分解层数,则需要进行分解;否则不需要进行分解。
Claims (2)
1.一种经验模态分解和稀疏表示相结合的SAR图像去噪方法,它首先对含噪SAR图像进行经验模态分解,获得N个固有模态分量,N=1,2,3,……,N;然后应用稀疏表示对获得的N个固有模态分量进行噪声抑制,获得去噪后的SAR图像;具体包括以下步骤:
步骤一:将待处理SAR图像转换为原始趋势图像;
步骤二:判断原始趋势图像是否需要分解,若是,执行步骤三;否则,执行步骤八;
步骤三:对原始趋势图像进行极值点求解,获得区域极大值点集和区域极小值点集;
步骤四:对区域极大值点集和区域极小值点集进行平面插值,获得原始趋势图像的上、下包络面,根据原始趋势图像的上、下包络面获得原始趋势图像的均值包络面;
步骤五:用原始趋势图像减去均值包络面获得新趋势图像,判断当前新趋势图像是否满足筛分停止条件,若是,则执行步骤六;否则,将当前新趋势图像赋值给原始趋势图像,然后执行步骤三;
步骤六:将当前新趋势图像作为迭代产生的一个当前固有模态分量;
步骤七:用原始趋势图像减去当前固有模态分量,获得的过程趋势图像赋值给原始趋势图像后,执行步骤二,直至获得N个固有模态分量和一个最终过程趋势图像,执行步骤八;
步骤八:分解结束;
步骤九:对顺序获得的前三个固有模态分量进行稀疏分解,获得三个新模态分量;
步骤十:对三个新模态分量和顺序获得的后N-3个固有模态分量进行经验模态分解重构,获得去噪后的SAR图像;
其特征在于,步骤九中获得三个新模态分量的具体方法如下:
首先采用中值估计方法,分别估计前三个固有模态分量的噪声方差,再根据每个噪声方差分别计算获得对应于前三个固有模态分量的预设定阈值;
然后对前三个固有模态分量分别进行以下处理:
构建冗余DCT字典,将一个固有模态分量拆分成若干个8*8子块,对每一个8*8子块进行以下处理:
将8*8子块排布为一列向量,计算获得该列向量的均方差值,判断该列向量的均方差值是否小于预设逼近误差,若是,则判定该8*8子块无稀疏性,为噪声成分;否则,将所述列向量转换为残余分量,执行以下稀疏分解过程:
将该残余分量与冗余DCT字典的转置相乘,获得乘积中最大值所对应的冗余DCT字典中位置,并在冗余DCT字典中标注最大值所在的列,再用最大值所在的列构建当前字典,将当前字典的伪逆阵与残余分量相乘,获得的乘积为临时稀疏系数;用当前字典与临时稀疏系数相乘,后将乘积与残余分量作差,获得当前残余分量;判断当前残余分量的均方差值是否小于预设逼近误差,若是,将临时稀疏系数作为最终的稀疏表示系数;否则将当前残余分量赋值给残余分量,重复所述稀疏分解过程;
再对该8*8子块进行噪声抑制过程如下:
用冗余DCT字典乘以稀疏表示系数,乘积与原列向量相减获得差值,所述原列向量指一个子块分解为8*8小块后,8*8小块排布形成的列向量,计算该差值的均方差,该均方差与所述预设定阈值进行比较,如果差值大于所述预设定阈值则停止噪声抑制;如果差值小于或等于所述预设定阈值,则将稀疏表示系数所有元素中最不重要的元素置零,生成新的稀疏表示系数,将新的稀疏表示系数赋值给稀疏表示系数,重复上述噪声抑制过程,直至差值大于所述预设定阈值;最后停止噪声抑制时,冗余DCT字典与稀疏表示系数相乘的乘积为一个子块的去噪结果;
将所有子块的去噪结果恢复成8*8的表示状态,按原顺序重新拼成一个固有模态分量;
三个重新拼成的固有模态分量按顺序拼接成三个新固有模态分量;
最后将三个新固有模态分量和后N-3个固有模态分量进行经验模态分解重构,获得去噪后的SAR图像。
2.根据权利要求1所述的经验模态分解和稀疏表示相结合的SAR图像去噪方法,其特征在于,
步骤二中判断原始趋势图像是否需要分解的判断依据为:
如果原始趋势图像非单调并且没达到图像的分解层数,则需要进行分解;否则不需要进行分解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410748877.9A CN104392427B (zh) | 2014-12-09 | 2014-12-09 | 经验模态分解和稀疏表示相结合的sar图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410748877.9A CN104392427B (zh) | 2014-12-09 | 2014-12-09 | 经验模态分解和稀疏表示相结合的sar图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104392427A CN104392427A (zh) | 2015-03-04 |
CN104392427B true CN104392427B (zh) | 2017-04-12 |
Family
ID=52610325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410748877.9A Active CN104392427B (zh) | 2014-12-09 | 2014-12-09 | 经验模态分解和稀疏表示相结合的sar图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104392427B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228529A (zh) * | 2016-09-05 | 2016-12-14 | 上海理工大学 | 一种激光散斑图像处理分析方法 |
CN107516065B (zh) * | 2017-07-13 | 2019-10-18 | 天津大学 | 经验模态分解结合字典学习的复杂信号去噪方法 |
CN108196237B (zh) * | 2017-12-26 | 2021-06-25 | 中南大学 | 一种抑制fmcw雷达回波信号中寄生调幅的方法 |
CN109541549B (zh) * | 2018-10-09 | 2023-03-07 | 广东工业大学 | 基于emd和稀疏信号处理的间歇采样转发干扰抑制方法 |
CN110146929B (zh) * | 2019-05-21 | 2020-11-10 | 东华理工大学 | 基于过完备字典与压缩感知重构算法的低频大地电磁数据去噪方法 |
CN110189277B (zh) * | 2019-06-05 | 2023-03-31 | 电子科技大学 | 一种基于经验模态分解的高动态范围图像可视化方法 |
CN110542723B (zh) * | 2019-09-17 | 2020-04-24 | 哈尔滨工业大学 | 一种基于导波信号稀疏分解及损伤定位的两阶段损伤位置识别方法 |
CN110940524B (zh) * | 2019-12-06 | 2021-07-06 | 西安交通大学 | 一种基于稀疏理论的轴承故障诊断方法 |
CN112287883B (zh) * | 2020-11-19 | 2021-06-15 | 金陵科技学院 | 基于emd与稀疏变换的无人设备用非线性抗干扰系统 |
CN117878971B (zh) * | 2024-03-12 | 2024-06-11 | 西安热工研究院有限公司 | 一种熔盐储能耦合火电机组的调频方法和系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050644A (zh) * | 2014-06-23 | 2014-09-17 | 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 |
-
2014
- 2014-12-09 CN CN201410748877.9A patent/CN104392427B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050644A (zh) * | 2014-06-23 | 2014-09-17 | 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 |
Non-Patent Citations (2)
Title |
---|
Image Denoising Via Sparse and Redundant Representations Over Learned Dictionaries;Michael Elad;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20061231;第15卷(第12期);3736-3745 * |
基于二维经验模态和均值滤波的图像去噪方法;让晓勇;《计算机应用》;20081130;第28卷(第11期);第2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104392427A (zh) | 2015-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104392427B (zh) | 经验模态分解和稀疏表示相结合的sar图像去噪方法 | |
US20220148612A1 (en) | Methods and systems for improved signal decomposition | |
CN109872288B (zh) | 用于图像去噪的网络训练方法、装置、终端及存储介质 | |
CN103854264B (zh) | 一种基于改进型阈值函数的小波变换图像去噪方法 | |
CN110634499A (zh) | 用深特征损失训练的用于语音去噪的神经网络 | |
CN102663695B (zh) | 基于小波变换的dr图像去噪方法及系统 | |
CN105279740A (zh) | 一种基于稀疏正则化的图像去噪方法 | |
CN105427264A (zh) | 一种基于群稀疏系数估计的图像重构方法 | |
DE112012005750B4 (de) | Verfahren zum Verbessern von Sprache in einem gemischten Signal | |
CN109003232B (zh) | 基于频域尺度平滑Shearlet的医学MRI图像去噪方法 | |
CN111968658A (zh) | 语音信号的增强方法、装置、电子设备和存储介质 | |
CN111145102A (zh) | 一种基于卷积神经网络的合成孔径雷达图像去噪方法 | |
CN110059639A (zh) | 一种基于分数阶小波变换和希尔伯特黄变换的跳频信号检测方法 | |
CN104217406A (zh) | 一种基于剪切波系数处理的sar图像降噪方法 | |
CN112084845B (zh) | 基于多尺度小波系数自相关的低频1/f噪声消除方法 | |
CN107292316A (zh) | 一种基于稀疏表示的提升图像清晰度的方法 | |
Cai et al. | A dictionary-learning algorithm based on method of optimal directions and approximate K-SVD | |
CN104978716A (zh) | 一种基于线性最小均方误差估计的sar图像降噪方法 | |
CN106296583B (zh) | 基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法 | |
CN103784164A (zh) | 超声信号的预处理方法及系统 | |
CN108363994A (zh) | 基于经验模态分解改进的乘性噪声去除技术 | |
CN103839239A (zh) | 一种电缆瓷套终端红外图像自适应去噪方法 | |
CN116563110A (zh) | 基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法 | |
CN107393553B (zh) | 用于语音活动检测的听觉特征提取方法 | |
CN106024006A (zh) | 基于小波变换的鲸类叫声信号去噪方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |