CN104463805B - 一种基于同质性显著度和方向选择的极化sar相干斑噪声抑制方法 - Google Patents
一种基于同质性显著度和方向选择的极化sar相干斑噪声抑制方法 Download PDFInfo
- Publication number
- CN104463805B CN104463805B CN201410782610.1A CN201410782610A CN104463805B CN 104463805 B CN104463805 B CN 104463805B CN 201410782610 A CN201410782610 A CN 201410782610A CN 104463805 B CN104463805 B CN 104463805B
- Authority
- CN
- China
- Prior art keywords
- pixel
- homogeney
- image
- coherence matrix
- polarization
- 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.)
- Expired - Fee Related
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明具体提供了一种基于同质性显著度和方向选择的极化SAR相干斑噪声抑制方法,实现步骤为:1)读入相干矩阵格式的极化SAR数据得到图像O,计算O的SPAN系数得到SPAN图像S;2)计算同质性显著度图,得到显著图Z;3)判断O中每个点的方向;4)确定每一点的相似邻域D;5)在D内对极化SAR图像O降斑处理;6)将搜索窗尺寸扩大到17×17,对上一步得到的滤波结果重复3)~5)的操作再进行一次滤波,得到最终滤波结果;7)用Pauli向量法将滤波后的相干矩阵合成伪彩图。本发明相比现有技术显著提高了极化SAR图像相干斑的抑制能力,同时很好的保护了边缘与纹理细节信息,可用于极化SAR图像的预处理过程。
Description
技术领域
本发明属于图像处理技术领域,涉及极化SAR图像斑点噪声抑制,可用于对极化SAR图像进行滤波,具体是一种基于同质性显著度和方向选择的极化SAR相干斑噪声抑制方法。
背景技术
极化合成孔径雷达(Polarization SAR,POL-SAR)是用来测量地表回波信号的新型成像雷达,它可以在发射回波信号极化脉冲时近乎同时接收回波信号极化脉冲,各极化脉冲之间是相干的。与单极化数据相比,全极化SAR在对地观测和遥感应用方面有着显著的优势。POL-SAR数据记录了地物任意极化状态下的散射回波,既有振幅信息,也有相位信息,极化SAR包含更多的地物信息将大大提高对地物的识别能力。可是极化SAR图像同样受到相干斑噪声影响,增加了图像解译的难度。因此,极化SAR图像降斑对后续图像处理应用的意义重大。
1)精致极化Lee滤波是一个经典的滤波方法,它通过使用方向窗口进行滤波,滤波后的数据在边缘的特性保持方面效果显著,但是,在结构细节信息的保持上,滤波效果并非十分理想,因此在相干斑的抑制中,原始数据的一些特性无法很好地保留。
2)Lee提出的改进的Sigma滤波,它解决了原始Sigma滤波的暗像素点不被滤波和存在滤波数据误差等缺点,并有效保持了亮目标像素点,在边缘保持和细节信息保留上都要优于精致极化Lee滤波方法,但是在边缘和纹理的处理上,由于斑点噪声的影响,这种方法还是不能最好的区分相干斑噪声与边缘纹理信息,滤波后会出现一些“毛刺”,且同质区域的平滑程度也未达到理想效果。
3)非局部方法的极化SAR滤波。Buades等人提出的非局部均值滤波器使用两个图像块的相似程度来作为滤波权值,利用这种思想,Deledalle C.等人提出了PPB滤波器,并应用于了SAR与极化SAR图像的滤波;J.Chen等人提出了Pretest的极化SAR图像滤波方法并都取得了很好的滤波效果。相比于以上两种基于统计特性的滤波方法,非局部的方法在同质区域的平滑程度上取得了很大提高。但与此同时,PPB的方法没有充分利用极化SAR数据的散射信息,Pretest的方法在判别相似点的时候忽略了一些细节,所以仍有需要提高的地方。
发明内容
本发明的目的在于克服上述已有技术的缺点,提出一种结合局部同质显著度与图像块相似性的极化SAR图像降斑方法,以实现在有效抑制相干斑的同时保持点目标和纹理结构的细节信息,提高极化SAR图像的相干斑抑制效果。
实现本发明的技术方案是:一种基于同质性显著度和方向选择的极化SAR相干斑噪声抑制方法,包括如下步骤:
(1)读入相干矩阵格式的极化SAR数据得到图像O,计算O的SPAN系数图像S,计算方法如下:
SPAN=|Shh|2+2|Shv|2+|Svv|2,
其中Shh,Shv和Svv分别代表极化SAR数据三个通道HH、HV、VV的强度;
(2)利用Wishart距离计算O中以每一像素点为中心的局部匀质度M1,利用局部方差系数计算S上每一像素点的系数M2,联合M1与M2得到极化SAR图像对应的同质性显著图Z;
(3)判断O中每个像素点的方向:
3a)定义8个3×3的方向窗d1~d8:
3b)对于O上某一像素点x,取SPAN系数图像S上对应的以x为中心的3×3图像块并与8个方向窗d1~d8分别进行卷积,得到8个卷积结果矩阵;
3c)在8个卷积结果矩阵中,选择矩阵中心点值最大的结果对应的方向窗为该像素点x的方向d;
(4)在S中,以x为中心取一个5×5的搜索窗,以窗内每一像素点为中心取图像块与d进行卷积,选择结果大于0的像素点组成x的相似邻域D;
(5)对极化SAR图像O进行双边滤波:
5a)在相似邻域D中对x进行滤波,用x对应的步骤(2)中得到的显著图Z上的值来自适应的调节双边滤波的空域参数hs与极化域参数hd,即对像素点x进行了降斑处理;
5b)遍历所有像素点,得到滤波结果;
(6)将搜索窗尺寸扩大到17×17,对上一步得到的滤波结果重复步骤(3)~(5)的操作再进行一次滤波,得到最终滤波结果;
(7)用Pauli向量法将滤波后的相干矩阵合成伪彩图进行输出,得到滤波结果。
上述步骤(2)中的极化SAR图像对应的同质性显著图Z,具体按如下步骤进行计算:
2a)以像素点x为中心取一个3×3大小的图像块,计算x为中心的局部匀质度,即图像块中每一像素点的相干矩阵与x的相似度之和M1:
其中,Tx表示像素点x的相干矩阵,Ty表示图像块中第y个像素点的相干矩阵,k=9;同时,在SPAN系数图像S上同样取x的3×3大小的图像块,计算该图像块的方差M2,即x的局部方差系数:
其中,μx表示图像块的均值,Py表示图像块中第y个点的值,k=9;
2b)联合M1与M2,得到像素点x的局域同质性显著度:
遍历每一像素点后,得到一幅与原始极化SAR同样尺寸大小的同质性显著图Z。
上述步骤5a)所述的在相似邻域D中对x进行双边滤波,具体计算公式如下:
其中,表示滤波后像素点x的相干矩阵,表示x的相似邻域D中第j个点的相干矩阵,分别表示空间域和极化散射域的权重,它们的表达式如下:
这里(m,n)和(p,q)分别表示点xj和点x的空间坐标;是对相干矩阵中每个元素计算对数操作,其结果为与同大小的矩阵;hs和hd分别是空间域和极化域的滤波参数,控制着和的衰减程度;计算hs和hd的表达式为:
Zp,q代表点x在显著图Z上对应点的显著度值;K1是一个手动设定的参数,这里取K1=2。
上述步骤(7)所述的用Pauli向量法将滤波后的相干矩阵合成伪彩图,按如下步骤进行:
7a)将滤波后的相干矩阵的第二行第二列元素T22=|Shh-Svv|2作为待合成伪彩图的红色分量R;
7b)将滤波后的相干矩阵的第三行第三列元素T33=|Shv|2作为待合成伪彩图的绿色分量G;
7c)将滤波后的相干矩阵的第一行第一列元素T11=|Shh+Svv|2作为待合成伪彩图的蓝色分量B;
7d)用R、G、B三个分量合成伪彩图。
本发明的有益效果:本发明与现有技术相比具有以下优点:
1.本发明利用了自适应搜索窗,在区域边界处能找到更多的相似点,使得滤波更加充分并且不会破坏纹理结构,克服了非局部滤波中依赖于搜索窗盲目选择相似点的缺点;
2.本发明利用了每一点的局部同质显著度,在滤波的过程中自适应的采用了不同的滤波参数,使得在同质程度高的区域尽量平滑,提高了降斑方法的平滑能力;在同质程度低的区域(纹理、结构区域)尽可能的在滤波同时保持细节信息,提高了降斑方法的细节保护能力;
3.本发明采用了双边滤波的框架,联合了空间域与极化域的信息,充分利用了极化SAR数据特征,更为合理。
附图说明
图1是本发明的实现流程图;
图2是本发明仿真采用的四组极化SAR图像,其中区域A、区域B、区域C和区域D是计算等效视数(ENL)时的所选取的区域,区域1、区域2、区域3和区域4是计算基于比值的边缘保持指数(EPD-ROA)时所选取的区域;
图3是本发明对四组图像的同质性显著度结果图像;
图4是本发明与现有的精制极化Lee滤波、改进的Sigma滤波和Pretest滤波对第一组极化SAR图像的滤波结果对比图;
图5是本发明与现有的精制极化Lee滤波、改进的Sigma滤波和Pretest滤波对第二组极化SAR图像的滤波结果对比图;
图6是本发明与现有的精制极化Lee滤波、改进的Sigma滤波和Pretest滤波对第三组极化SAR图像的滤波结果对比图;
图7是本发明与现有的精制极化Lee滤波、改进的Sigma滤波和Pretest滤波对第四组极化SAR图像的滤波结果对比图。
具体实施方式
参照图1,本发明的具体实施步骤包括:
步骤1,读入一幅相干矩阵格式的极化SAR图像O,图像O中的每一像素点都代表着一个3×3的相干矩阵T:
其中A=Shh+Svv,B=Shh-Svv,C=2Shv,Shh代表h方向发射和h方向接受的回波数据,Svv代表v方向发射和v方向接受的回波数据,Shv代h方向发射和v方向接受的回波数据,*表示共轭。同时计算图像O的SPAN系数:
SPAN=|Shh|2+2|Shv|2+|Svv|2,
得到SPAN系数图像S,其中||表示求模运算。
步骤2,计算极化SAR图像对应的同质性显著图Z:
2.1)在O上以像素点x为中心取一个3×3大小的图像块,计算块中每一像素点的相干矩阵与x的相似度之和M1:其中Tx表示像素点x的相干矩阵,Ty表示图像块中第y个像素点的相干矩阵,k=9。同时,在SPAN图像S上同样取x的3×3的邻域,计算该图像块的方差M2:其中μx表示图像块的均值,Py表示图像块中第y个像素点的值,k=9。
2.2)联合M1与M2,可以得到像素点x的局域同质性显著度:
遍历每一像素点后,可以得到一幅与原始极化SAR同样尺寸大小的同质性显著图Z。
步骤3,判断像素点x的方向:
3.1)定义八个3×3的方向窗d1~d2:
3.2)取SPAN系数图像S中对应的以x为中心的3×3图像块并与八个方向窗d1~d8分别进行卷积,得到8个卷积结果矩阵;
3.3)在8个卷积结果矩阵中,选择矩阵中心点值最大的结果对应的方向窗为像素点x的方向d。
步骤4,确定像素点x的相似邻域:
4.1)以像素点x为中心,取一个5×5大小的邻域搜索窗;
4.2)在S中以邻域窗内每个像素点为中心取3×3的图像块与3c)中得到的当前像素点x的方向d进行卷积,选出结果矩阵中心点值大于0的像素点组成x的相似邻域D;
步骤5,对极化SAR图像O进行滤波:
5.1)在x的相似邻域D内,对x进行双边滤波估计,计算表达式如下:
其中,表示滤波后像素点x的相干矩阵,表示x的相似邻域D中第j个点的相干矩阵。分别表示空间域和极化散射域的权重,它们的表达式如下:
这里(m,n)和(p,q)分别表示像素点xj和像素点x的空间坐标。hs和hd分别是控制空间域和极化散射域权重衰减程度的参数。这里计算hs和hd的计算表达式为:
Zp,q代表像素点x在步骤2中得到的显著图Z上对应像素点的显著度值。K1是一个手动设定的参数,这里取K1=2。
5.2)计算完每个点后,得到第一次滤波结果图像数据Op。
步骤6,扩展搜索窗尺寸为17×17,重复步骤3~5的处理,对上一步的结果Op再进行一次滤波,得到最终滤波结果Of。
步骤7,利用Pauli向量法将最终滤波结果Of的相干矩阵合成伪彩图,观察降斑效果。合成方法如下:
7.1)将滤波后的相干矩阵的第二行第二列元素T22=|Shh-Svv|2作为待合成伪彩图的红色分量R;
7.2)将滤波后的相干矩阵的第三行第三列元素T33=|Shv|2作为待合成伪彩图的绿色分量G;
7.3)将滤波后的相干矩阵的第一行第一列元素T11=|Shh+Svv|2作为待合成伪彩图的蓝色分量B;
7.4)用R、G、B三个分量合成伪彩图。
本发明的效果可以通过以下仿真实验进一步说明:
1.实验条件:
图2是本发明仿真采用的四组极化SAR图像,其中区域A、区域B、区域C和区域D是计算等效视数(ENL)时的所选取的区域,区域1、区域2、区域3和区域4是计算基于比值的边缘保持指数(EPD-ROA)时所选取的区域;本发明的仿真实验使用的是四组真实极化SAR数据。第一组和第二组数据来源于机载CONVAIR SAR的Ottawa地区和Ice地区,如图2(a)、(b)所示;第三组和第四组数据来源于机载AIRSAR的San Francisco地区和Flevoland地区,如图2(c)、(d)所示。
实验的仿真环境为:Matlab R2010a,Intel Core(TM)2Duo2.4GHz,2G RAM,Windows XP Professinoal。
本发明仿真实验对比的方法为精致极化Lee滤波,改进的Sigma滤波,Pretest滤波三种经典方法。
实验的降斑结果衡量使用的是两种客观指标:等效视数(ENL)和基于比值的边缘保持指数(EPD-ROA)。
2.仿真实验内容及结果分析:
实验1,对附图2中四组极化SAR数据用精致极化Lee滤波进行降斑处理。结果分别如图4(a)、图5(a)、图6(a)和图7(a)所示。
实验2,对附图2中四组极化SAR数据用改进的Sigma滤波进行降斑处理。结果分别如图4(b)、图5(b)、图6(b)和图7(b)所示。
实验3,对附图2中四组极化SAR数据用Pretest滤波进行降斑处理。结果分别如图4(c)、图5(c)、图6(c)和图7(c)所示。
实验4,对附图2中四组极化SAR数据用本发明的方法进行降斑处理。结果分别如图4(d)、图5(d)、图6(d)和图7(d)所示。
从图4可以看出,本发明的降斑结果要明显优于精致极化Lee与改进的Sigma的结果,在同质区域达到了较为理想的平滑效果。相比于Pretest的滤波结果,本发明的结果在道路细节的保护、点目标的保持都要更优。表1中区域A的ENL指标也表明了平滑程度上本发明也稍优于Pretest的结果,是四种方法中最好的。表2中区域1的EPD-ROA指数说明了本发明的结果在边缘保持的指标上也是最优的。
表1 各方法结果的等效视数(ENL)评价指标
等效视数 | 区域A | 区域B | 区域C | 区域D |
Lee | 84.1943 | 69.1889 | 9.9129 | 79.1545 |
Sigma | 131.5731 | 107.2854 | 12.2525 | 36.4999 |
Pretest | 410.6762 | 209.1253 | 16.5530 | 70.2079 |
本发明 | 482.9438 | 239.3284 | 16.6074 | 211.6169 |
表2 各方法结果的EPD-ROA评价指标
从图5的降斑结果中可以看到,精致Lee和Pretest的结果都丢失了很多细节,同时造成了一些纹理区域的模糊化。本发明的结果在尽可能保留细节的同时抑制了斑点噪声,而改进的Sigma滤波结果虽然保留了很多细节,但未能很好地去除斑点噪声。表1中区域B和表2中区域2的评价指标也从客观上说明了本发明的结果是最优的。
图6,从视觉上可以看出,本发明的结果拥有更清晰的效果且点目标亮而明显。Pretest、精致Lee的结果丢失了很多上方海洋区域的细节,且下方的道路线条明显断续不清晰。改进的Sigma的结果仍然噪声保留太多。表1区域C和表2区域3的评价指标可以看出,本发明的结果对于其他三种方法依然具有优势。
表1中的区域D与表2中区域4的指标对应着图7中四组结果的降斑效果。从同质区域D的结果我们可以看出,本发明的结果平滑而无杂点,要远优于其他三种方法。在纹理区域4,本发明的结果线条清晰,很好的保护了细节。
综上,本发明基于同质性显著度和方向选择来进行降斑处理,充分利用极化SAR图像的地表纹理特征,自适应的调节滤波参数,在同质区域的相干斑抑制效果和结构纹理、边缘保持上的效果都很理想,相比于传统经典方法优势明显,因此对于极化SAR数据相干斑噪声抑制的效果显著。
本实施方式中没有详细叙述的部分属本行业的公知的常用手段,这里不一一叙述。以上例举仅仅是对本发明的举例说明,并不构成对本发明的保护范围的限制,凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (3)
1.一种基于同质性显著度和方向选择的极化SAR相干斑噪声抑制方法,其特征在于,包括如下步骤:
(1)读入相干矩阵格式的极化SAR数据得到图像O,计算O的SPAN系数图像S,计算方法如下:
SPAN=|Shh|2+2|Shv|2+|Svv|2,
其中Shh,Shv和Svv分别代表极化SAR数据三个通道HH、HV、VV的强度;
(2)利用Wishart距离计算O中以每一像素点为中心的局部匀质度M1,利用局部方差系数计算S上每一像素点的系数M2,联合M1与M2得到极化SAR图像对应的同质性显著图Z;
该步骤(2)中的极化SAR图像对应的同质性显著图Z,具体按如下步骤进行计算:
2a)以像素点x为中心取一个3×3大小的图像块,计算x为中心的局部匀质度,即图像块中每一像素点的相干矩阵与x的相似度之和M1:
其中,Tx表示像素点x的相干矩阵,Ty表示图像块中第y个像素点的相干矩阵,k=9;同时,在SPAN系数图像S上同样取x的3×3大小的图像块,计算该图像块的方差M2,即x的局部方差系数:
其中,μx表示图像块的均值,Py表示图像块中第y个点的值,k=9;
2b)联合M1与M2,得到像素点x的局域同质性显著度:
遍历每一像素点后,得到一幅与原始极化SAR同样尺寸大小的同质性显著图Z;
(3)判断O中每个像素点的方向:
3a)定义8个3×3的方向窗d1~d8:
3b)对于O上某一像素点x,取SPAN系数图像S上对应的以x为中心的3×3图像块并与8个方向窗d1~d8分别进行卷积,得到8个卷积结果矩阵;
3c)在8个卷积结果矩阵中,选择矩阵中心点值最大的结果对应的方向窗为该像素点x的方向d;
(4)在S中,以x为中心取一个5×5的搜索窗,以窗内每一像素点为中心取图像块与d进行卷积,选择结果大于0的像素点组成x的相似邻域D;
(5)对极化SAR图像O进行双边滤波:
5a)在相似邻域D中对x进行滤波,用x对应的步骤(2)中得到的显著图Z上的值来自适应的调节双边滤波的空域参数hs与极化域参数hd,即对像素点x进行了降斑处理;
5b)遍历所有像素点,得到滤波结果;
(6)将搜索窗尺寸扩大到17×17,对上一步得到的滤波结果重复步骤(3)~(5)的操作再进行一次滤波,得到最终滤波结果;
(7)用Pauli向量法将滤波后的相干矩阵合成伪彩图进行输出,得到滤波结果。
2.根据权利要求1所述的一种基于同质性显著度和方向选择的极化SAR相干斑噪声抑制方法,其特征在于,其中步骤5a)所述的在相似邻域D中对x进行双边滤波,具体计算公式如下:
其中,表示滤波后像素点x的相干矩阵,Txj表示x的相似邻域D中第j个点的相干矩阵,分别表示空间域和极化散射域的权重,它们的表达式如下:
这里(m,n)和(p,q)分别表示点xj和点x的空间坐标;hs和hd分别是空间域和极化域的滤波参数,控制着和的衰减程度;计算hs和hd的表达式为:
Zp,q代表点x在显著图Z上对应点的显著度值;K1是一个手动设定的参数,这里取K1=2。
3.根据权利要求1所述的一种基于同质性显著度和方向选择的极化SAR相干斑噪声抑制方法,其特征在于,其中步骤(7)所述的用Pauli向量法将滤波后的相干矩阵合成伪彩图,按如下步骤进行:
7a)将滤波后的相干矩阵的第二行第二列元素T22=|Shh-Svv|2作为待合成伪彩图的红色分量R;
7b)将滤波后的相干矩阵的第三行第三列元素T33=|Shv|2作为待合成伪彩图的绿色分量G;
7c)将滤波后的相干矩阵的第一行第一列元素T11=|Shh+Svv|2作为待合成伪彩图的蓝色分量B;
7d)用R、G、B三个分量合成伪彩图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410782610.1A CN104463805B (zh) | 2014-12-16 | 2014-12-16 | 一种基于同质性显著度和方向选择的极化sar相干斑噪声抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410782610.1A CN104463805B (zh) | 2014-12-16 | 2014-12-16 | 一种基于同质性显著度和方向选择的极化sar相干斑噪声抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463805A CN104463805A (zh) | 2015-03-25 |
CN104463805B true CN104463805B (zh) | 2017-03-15 |
Family
ID=52909793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410782610.1A Expired - Fee Related CN104463805B (zh) | 2014-12-16 | 2014-12-16 | 一种基于同质性显著度和方向选择的极化sar相干斑噪声抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463805B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574829A (zh) * | 2016-01-13 | 2016-05-11 | 合肥工业大学 | 针对极化sar图像的自适应双边滤波算法 |
CN106355625B (zh) * | 2016-08-31 | 2019-12-24 | 甘宗平 | 一种单极化sar假彩色影像生成方法 |
CN110335214B (zh) * | 2019-07-09 | 2021-02-26 | 中国人民解放军国防科技大学 | 结合上下文协方差矩阵的全极化sar图像相干斑滤波方法 |
CN110516698B (zh) * | 2019-07-15 | 2022-03-11 | 中国科学院电子学研究所 | 全极化图像极化分解方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2157544A1 (en) * | 2008-08-01 | 2010-02-24 | Julius-Maximilians-Universität Würzburg | System for adaptive removal of speckle noise in digital images and generation of a colour composite product based on automated analysis of speckle characteristics |
CN101976433A (zh) * | 2010-09-09 | 2011-02-16 | 西安电子科技大学 | 一种对极化sar数据相干斑噪声的抑制方法 |
CN103020919A (zh) * | 2013-01-09 | 2013-04-03 | 西安电子科技大学 | 基于非局部Lee的极化SAR相干斑噪声抑制方法 |
CN103927551A (zh) * | 2014-04-21 | 2014-07-16 | 西安电子科技大学 | 基于超像素相关矩阵的极化sar图像半监督分类方法 |
CN104182945A (zh) * | 2014-08-30 | 2014-12-03 | 西安电子科技大学 | 基于非局部双边滤波的极化sar相干斑噪声抑制方法 |
-
2014
- 2014-12-16 CN CN201410782610.1A patent/CN104463805B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2157544A1 (en) * | 2008-08-01 | 2010-02-24 | Julius-Maximilians-Universität Würzburg | System for adaptive removal of speckle noise in digital images and generation of a colour composite product based on automated analysis of speckle characteristics |
CN101976433A (zh) * | 2010-09-09 | 2011-02-16 | 西安电子科技大学 | 一种对极化sar数据相干斑噪声的抑制方法 |
CN103020919A (zh) * | 2013-01-09 | 2013-04-03 | 西安电子科技大学 | 基于非局部Lee的极化SAR相干斑噪声抑制方法 |
CN103927551A (zh) * | 2014-04-21 | 2014-07-16 | 西安电子科技大学 | 基于超像素相关矩阵的极化sar图像半监督分类方法 |
CN104182945A (zh) * | 2014-08-30 | 2014-12-03 | 西安电子科技大学 | 基于非局部双边滤波的极化sar相干斑噪声抑制方法 |
Non-Patent Citations (1)
Title |
---|
基于统计建模和块相似性的SAR图像降斑;马兆峰;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131215;第12,34,35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104463805A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104463805B (zh) | 一种基于同质性显著度和方向选择的极化sar相干斑噪声抑制方法 | |
CN101661611B (zh) | 基于贝叶斯非局部均值滤波器的实现方法 | |
CN106960436A (zh) | 一种光学遥感图像处理性能评估方法 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN109919870B (zh) | 一种基于bm3d的sar图像相干斑抑制方法 | |
CN106504222A (zh) | 一种基于仿生视觉机理的水下偏振图像融合系统 | |
CN103020919B (zh) | 基于非局部Lee的极化SAR相干斑噪声抑制方法 | |
CN107229933A (zh) | 自适应体散射模型的freeman/特征值分解方法 | |
CN104463808B (zh) | 基于空间相关性的高光谱数据降噪方法及系统 | |
CN103020922A (zh) | 基于pca变换的sar图像相干斑抑制方法 | |
CN102982517A (zh) | 基于光谱与空间局部相关的遥感影像融合方法 | |
CN103839234A (zh) | 一种基于可控核的双几何非局部均值图像去噪方法 | |
CN105894013A (zh) | 基于cnn和smm的极化sar图像分类方法 | |
CN103093432B (zh) | 基于极化分解和图像块相似性的极化sar图像降斑方法 | |
CN107590785A (zh) | 一种基于sobel算子的布里渊散射谱图像识别方法 | |
CN103020959A (zh) | 一种基于引力模型的海洋锋信息提取方法 | |
CN103955934A (zh) | 一种结合图像显著性区域分割的图像模糊检测算法 | |
CN111861905A (zh) | 基于Gamma-Lee滤波的SAR影像斑点噪声抑制方法 | |
CN112505701B (zh) | 积分图数近半下降非局部均值相干斑抑制方法 | |
CN106056115A (zh) | 一种非均匀背景下的红外小目标检测方法 | |
CN106296602A (zh) | 一种三维小波变换的极化sar滤波方法 | |
Sun et al. | Hyperspectral restoration employing low rank and 3d total variation regularization | |
CN109509201A (zh) | 一种sar图像质量评价方法和装置 | |
CN102289800B (zh) | 基于Treelet的Contourlet域图像去噪方法 | |
CN105260992B (zh) | 基于鲁棒主成分分解和特征空间重构的交通图像去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170315 Termination date: 20171216 |
|
CF01 | Termination of patent right due to non-payment of annual fee |