CN105574829A - 针对极化sar图像的自适应双边滤波算法 - Google Patents
针对极化sar图像的自适应双边滤波算法 Download PDFInfo
- Publication number
- CN105574829A CN105574829A CN201610025152.6A CN201610025152A CN105574829A CN 105574829 A CN105574829 A CN 105574829A CN 201610025152 A CN201610025152 A CN 201610025152A CN 105574829 A CN105574829 A CN 105574829A
- Authority
- CN
- China
- Prior art keywords
- filtering
- image
- variance
- bilateral filtering
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种针对极化SAR图像的自适应双边滤波算法,主要解决在极化SAR图像双边滤波时滤波参数根据图像的结构特征和噪声情况自适应取值的问题。其实现过程是:(1)提取极化总功率图;(2)自适应选择空间方差;(3)估计图像的噪声方差;(4)根据噪声方差计算灰度方差;(5)极化双边滤波;(6)对滤波结果利用pauli?RGB分解得到伪彩色图。本发明不仅省去了人工设置滤波参数的工作,而且得到的滤波参数相比传统的极化滤波算法更加优化和可靠,可用于极化SAR图像滤波处理。
Description
技术领域
本发明涉及图像滤波算法领域,具体是一种针对极化SAR图像的自适应双边滤波算法。
背景技术
极化合成孔径雷达具有全天时、全天候和高分辨率等成像优势,在军事侦察、资源探测和灾害监测等领域得到广泛应用。相干斑噪声的存在是SAR成像系统固有的原理性缺陷,它严重影响了图像内容的人工目视判读和计算机自动解译。因此,相干斑噪声的抑制一直是极化SAR图像处理的基础问题之一。
当前,PolSAR图像的降噪方法主要分为空域滤波、变换域滤波和极化域滤波三类。空间域的滤波方法大部分借鉴以往针对普通图像和合成孔径雷达图像的去噪方法。早期的Lee滤波、Kuan滤波、Frost滤波和近几年兴起的双边滤波、非局部均值(Nonlocalmeans,NLM)滤波等空间域滤波算法都已经被成功地应用于PolSAR图像的相干斑抑制。然而由于噪声模型不同和PolSAR成像系统多通道的特点,这些方法虽然取得了一定的去噪效果,但破坏了图像的结构信息和极化信息。变换域的滤波方法采用小波变换、傅里叶变换等手段将噪声和无噪信号分离,去除噪声部分来重构图像。由于算法实现复杂并且容易丢失图像细节及造成Gibbs现象,相比于空域滤波,其取得的滤波效果并没有多大优势。极化白化滤波寻找各个极化通道的最优加权组合,能取得相当于多视的相干斑抑制效果,但只能获得单通道的滤波图像,损失了极化信息。最优加权滤波利用乘性噪声模型和最小均方误差(MinimumMeanSquareError,MMSE)准则思想,输出多幅强度或幅度图像。虽然这两种极化域方法较好地保持了图像分辨率,但是极化通道的融合处理破坏了通道间相关性,造成极化信息的损失。
双边滤波作为一种经典的空域滤波,能够有效去除数字图像和单极化SAR图像的噪声,随后被扩展应用到PolSAR图像滤波中。与NLM滤波相比,双边滤波具有计算复杂度更低,耗时少等优点,有利于大规模极化数据处理。极化双边滤波通过加权平均邻域像素来估计每个像素点,权重受到像素的空间位置相似性与像素点对应的协方差矩阵相似性影响。近几年提出的交叉迭代滤波(CrossBilateralFilter,CBLF)和迭代双边滤波分别利用Wishart分布距离和Kullback-Leibler距离来描述极化域中协方差矩阵之间相似性,获得较好的滤波效果。结构保持双边滤波(StructurePreservingBilateralFilter,SPBF)结合边缘结构特征和地物散射特性,滤波后图像边缘结构保持更好。但在这三种极化双边滤波中,用于控制滤波程度的空间方差(σd)和灰度方差(σr)由经验值设定,不能根据实际场景和噪声程度自适应调节。σd和σr的不合理设置会导致滤波后图像均质区域过度平滑或者结构特征丰富的异质区域相干斑抑制不足。
发明内容
本发明的目的是提供一种针对极化SAR图像的自适应双边滤波算法,以更优化和可靠的参数获得更好的滤波效果,以解决现有技术存在的问题。
为了达到上述目的,本发明所采用的技术方案为:
针对极化SAR图像的自适应双边滤波算法,其特征在于:包括以下步骤:
(1)提取极化总功率图即span图:
span=|Shh|2+2|Shv|2+|Svv|2,
其中,Shh表示水平发射、水平接受极化方式的散射强度,Shv表示水平发射、垂直接受极化方式的散射强度,Svv表示垂直发射、垂直接受极化方式的散射强度;
(2)自适应选择空间方差:
以变差系数CoV为自变量,根据图像结构特征实现σd的自适应调整,函数形式为:
其中,T、Kd分别表示函数的上限和函数的衰减速率,Cd表示以CoV为自变量函数σd的对称中心,以上参数的计算公式如下:S是滤波搜索窗口大小,V[I(i)]和M[I(i)]是像素点i在大小为S×S搜索窗中的方差和均值,L是图像视数;
(3)自适应选择灰度方差,过程如下:
3a)估计图像的噪声方差:
噪声方差σn可以通过与拉普拉斯模板卷积的方式来估计,计算公式为:
其中,W和H是图像的宽和高,I(x,y)是极化SAR图像的极化总功率图,M是拉普拉斯变换模板,I(x,y)*M表示极化总功率图与拉普拉斯变换模板M进行卷积运算;
3b)根据噪声方差计算灰度方差:
以最小均方误差为标准,σn为自变量,σr为因变量进行曲线拟合,计算σr的最优值,得出σn与σr之间为线性关系,取σr=3σn;
(4)极化双边滤波,定义如下:
其中,是滤波后像素点i的协方差矩阵,Ni是以像素点i为中心的邻域像素集合,C(j)是邻域中像素点j的协方差矩阵,为归一化函数,wd(i,j)和wr(i,j)分别表示空间域和极化域的滤波权重;
(5)对由步骤(4)得到的极化双边滤波结果利用pauliRGB分解得到伪彩色图。
本发明与现有技术相比具有如下优点:
1)本发明是针对极化SAR图像滤波参数需要凭经验设置提出的一种自适应极化双边滤波算法,充分考虑到了经验设置参数不能保证最优值的问题,有效地简化了极化SAR图像滤波的处理流程。
2)本发明建立了空间域方差与变差系数,极化域方差与噪声方差之间的联系,根据图像均质性和噪声程度计算滤波方差,有效地抑制了极化SAR图像的相干斑噪声,并获得了良好的细节保持结果。
附图说明
图1是本发明的极化SAR图像自适应双边滤波算法流程图。
图2是RefinedLee极化SAR滤波算法的结果图。
图3是本发明中自适应双边算法得到的极化SAR滤波结果图。
具体实施方式
如图1所示,针对极化SAR图像的自适应双边滤波算法,其特征在于:包括以下步骤:
(1)提取极化总功率图即span图:
span=|Shh|2+2|Shv|2+|Svv|2,
其中,Shh表示水平发射、水平接受极化方式的散射强度,其他类似;
(2)自适应选择空间方差:
以变差系数CoV为自变量,根据图像结构特征实现σd的自适应调整,函数形式为:
其中,T、Kd分别表示函数的上限和函数的衰减速率,Cd表示以CoV为自变量函数σd的对称中心,以上参数的计算公式如下:S是滤波搜索窗口大小,V[I(i)]和M[I(i)]是像素点i在大小为S×S搜索窗中的方差和均值,L是图像视数;
(3)自适应选择灰度方差,过程如下:
3a)估计图像的噪声方差:
噪声方差σn可以通过与拉普拉斯模板卷积的方式来估计,计算公式为:
其中,W和H是图像的宽和高,I(x,y)是极化SAR图像的极化总功率图,M是拉普拉斯变换模板,I(x,y)*M表示极化总功率图与模板M进行卷积运算;
3b)根据噪声方差计算灰度方差:
以最小均方误差为标准,σn为自变量,σr为因变量进行曲线拟合,计算σr的最优值,得出σn与σr之间为线性关系,取σr=3σn;
(4)极化双边滤波,定义如下:
其中,是滤波后像素点i的协方差矩阵,Ni是以像素点i为中心的邻域像素集合,C(j)是邻域中像素点j的协方差矩阵,为归一化函数,wd(i,j)和wr(i,j)分别表示空间域和极化域的滤波权重;
(5)对由(4)得到的极化双边滤波结果利用pauliRGB分解得到伪彩色图。
至此,针对极化SAR图像自适应双边滤波处理基本完成。
以下通过机载极化SAR图像实验进一步说明本发明的有效性。
机载极化SAR图像对比实验:
1.实验设置:
实验数据是AIRSAR系统获取的L波段SanFrancisco海湾极化强度图像,图像视数是4视,分辨率为10m×10m,大小为300×300像素。对比实验分别实现了对比实验实现了RefinedLee滤波,结构保持的双边滤波SPBF,非局部均值的Pretest算法和DSM算法。在实验测试中,RefinedLee,SPBF的搜索窗大小设定为7×7,NLPretest滤波、NLDSM滤波均选择15×15的搜索窗和3×3的相似窗。
2.结果分析:
从图2可以看出,RefinedLee算法对图像的平滑效果很好,但同时SanFrancisco图像中森林和城市区域的纹理结构也被平滑,造成了图像细节信息丢失。
从图3可以看出,本发明提出的针对极化SAR图像的双边滤波算法不仅在均质区域抑制了相干斑噪声,而且在图像细节信息丰富的区域结构特征保持更好。
Claims (1)
1.针对极化SAR图像的自适应双边滤波算法,其特征在于:包括以下步骤:
(1)提取极化总功率图即span图:
span=|Shh|2+2|Shv|2+|Svv|2,
其中,Shh表示水平发射、水平接受极化方式的散射强度,Shv表示水平发射、垂直接受极化方式的散射强度,Svv表示垂直发射、垂直接受极化方式的散射强度;
(2)自适应选择空间方差:
以变差系数CoV为自变量,根据图像结构特征实现σd的自适应调整,函数形式为:
其中,T、Kd分别表示函数的上限和函数的衰减速率,Cd表示以CoV为自变量函数σd的对称中心,以上参数的计算公式如下:S是滤波搜索窗口大小,V[I(i)]和M[I(i)]是像素点i在大小为S×S搜索窗中的方差和均值,L是图像视数;
(3)自适应选择灰度方差,过程如下:
3a)估计图像的噪声方差:
噪声方差σn可以通过与拉普拉斯模板卷积的方式来估计,计算公式为:
其中,W和H是图像的宽和高,I(x,y)是极化SAR图像的极化总功率图,M是拉普拉斯变换模板,I(x,y)*M表示极化总功率图与拉普拉斯变换模板M进行卷积运算;
3b)根据噪声方差计算灰度方差:
以最小均方误差为标准,σn为自变量,σr为因变量进行曲线拟合,计算σr的最优值,得出σn与σr之间为线性关系,取σr=3σn;
(4)极化双边滤波,定义如下:
其中,是滤波后像素点i的协方差矩阵,Ni是以像素点i为中心的邻域像素集合,C(j)是邻域中像素点j的协方差矩阵,为归一化函数,wd(i,j)和wr(i,j)分别表示空间域和极化域的滤波权重;
(5)对由步骤(4)得到的极化双边滤波结果利用pauliRGB分解得到伪彩色图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610025152.6A CN105574829A (zh) | 2016-01-13 | 2016-01-13 | 针对极化sar图像的自适应双边滤波算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610025152.6A CN105574829A (zh) | 2016-01-13 | 2016-01-13 | 针对极化sar图像的自适应双边滤波算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105574829A true CN105574829A (zh) | 2016-05-11 |
Family
ID=55884924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610025152.6A Pending CN105574829A (zh) | 2016-01-13 | 2016-01-13 | 针对极化sar图像的自适应双边滤波算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574829A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296602A (zh) * | 2016-08-03 | 2017-01-04 | 合肥工业大学 | 一种三维小波变换的极化sar滤波方法 |
CN106815821A (zh) * | 2017-01-23 | 2017-06-09 | 上海兴芯微电子科技有限公司 | 近红外图像的去噪方法和装置 |
CN106875355A (zh) * | 2017-01-19 | 2017-06-20 | 合肥工业大学 | 基于双特征聚类同质像素选择的极化sar非局部降噪方法 |
CN107239797A (zh) * | 2017-05-23 | 2017-10-10 | 西安电子科技大学 | 基于全卷积神经网络的极化sar地物分类方法 |
CN108345899A (zh) * | 2018-01-11 | 2018-07-31 | 西北工业大学 | 一种利用结构保持滤波的遥感图像融合方法 |
CN108564098A (zh) * | 2017-11-24 | 2018-09-21 | 西安电子科技大学 | 基于散射全卷积模型的极化sar分类方法 |
CN108805835A (zh) * | 2018-05-30 | 2018-11-13 | 合肥工业大学 | 基于截断统计特征的sar图像双边滤波方法 |
CN109961102A (zh) * | 2019-03-30 | 2019-07-02 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN110415191A (zh) * | 2019-07-31 | 2019-11-05 | 西安第六镜网络科技有限公司 | 一种基于连续视频帧的图像去模糊算法 |
CN112150386A (zh) * | 2020-09-29 | 2020-12-29 | 西安工程大学 | 基于对比度均值的sar图像相干斑非局部平均抑制方法 |
CN117934474A (zh) * | 2024-03-22 | 2024-04-26 | 自贡市第一人民医院 | 一种肠胃镜检影像增强处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886563A (zh) * | 2014-04-18 | 2014-06-25 | 中南民族大学 | 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 |
CN104463805A (zh) * | 2014-12-16 | 2015-03-25 | 西安电子科技大学 | 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 |
-
2016
- 2016-01-13 CN CN201610025152.6A patent/CN105574829A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886563A (zh) * | 2014-04-18 | 2014-06-25 | 中南民族大学 | 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 |
CN104463805A (zh) * | 2014-12-16 | 2015-03-25 | 西安电子科技大学 | 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 |
Non-Patent Citations (4)
Title |
---|
余博,郭雷,钱晓亮,赵天云: "一种新的自适应双边滤波算法", 《应用科学学报》 * |
李光廷;禹卫东: "基于自适应Bilateral滤波的SAR图像相干斑抑制", 《电子与信息学报》 * |
杨学志;徐勇;方静;卢洁;左美霞: "结合区域分割和双边滤波的图像去噪新算法", 《中国图象图形学报》 * |
杨学志;沈晶;范良欢;: "基于非局部均值滤波的结构保持相干斑噪声抑制方法", 《中国图象图形学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296602A (zh) * | 2016-08-03 | 2017-01-04 | 合肥工业大学 | 一种三维小波变换的极化sar滤波方法 |
CN106875355A (zh) * | 2017-01-19 | 2017-06-20 | 合肥工业大学 | 基于双特征聚类同质像素选择的极化sar非局部降噪方法 |
CN106815821A (zh) * | 2017-01-23 | 2017-06-09 | 上海兴芯微电子科技有限公司 | 近红外图像的去噪方法和装置 |
CN107239797A (zh) * | 2017-05-23 | 2017-10-10 | 西安电子科技大学 | 基于全卷积神经网络的极化sar地物分类方法 |
CN108564098A (zh) * | 2017-11-24 | 2018-09-21 | 西安电子科技大学 | 基于散射全卷积模型的极化sar分类方法 |
CN108345899A (zh) * | 2018-01-11 | 2018-07-31 | 西北工业大学 | 一种利用结构保持滤波的遥感图像融合方法 |
CN108805835A (zh) * | 2018-05-30 | 2018-11-13 | 合肥工业大学 | 基于截断统计特征的sar图像双边滤波方法 |
CN108805835B (zh) * | 2018-05-30 | 2021-08-10 | 合肥工业大学 | 基于截断统计特征的sar图像双边滤波方法 |
CN109961102A (zh) * | 2019-03-30 | 2019-07-02 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN110415191A (zh) * | 2019-07-31 | 2019-11-05 | 西安第六镜网络科技有限公司 | 一种基于连续视频帧的图像去模糊算法 |
CN112150386A (zh) * | 2020-09-29 | 2020-12-29 | 西安工程大学 | 基于对比度均值的sar图像相干斑非局部平均抑制方法 |
CN112150386B (zh) * | 2020-09-29 | 2023-03-21 | 西安工程大学 | 基于对比度均值的sar图像相干斑非局部平均抑制方法 |
CN117934474A (zh) * | 2024-03-22 | 2024-04-26 | 自贡市第一人民医院 | 一种肠胃镜检影像增强处理方法 |
CN117934474B (zh) * | 2024-03-22 | 2024-06-11 | 自贡市第一人民医院 | 一种肠胃镜检影像增强处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574829A (zh) | 针对极化sar图像的自适应双边滤波算法 | |
CN105913393B (zh) | 一种自适应小波阈值图像去噪方法及装置 | |
CN103295204B (zh) | 一种基于非下采样轮廓波变换的图像自适应增强方法 | |
Zhang et al. | Joint image denoising using adaptive principal component analysis and self-similarity | |
CN102063708B (zh) | 基于Treelet和非局部均值的图像去噪 | |
CN109636766B (zh) | 基于边缘信息增强的偏振差分与光强图像多尺度融合方法 | |
CN107292852B (zh) | 一种基于低秩理论的图像去噪算法 | |
CN111080522B (zh) | 一种基于双向对抗网络的图像超分辨率重建方法 | |
CN103854264A (zh) | 一种基于改进型阈值函数的小波变换图像去噪方法 | |
CN103093441A (zh) | 基于变换域的非局部均值和双变量模型的图像去噪方法 | |
CN105046664A (zh) | 一种基于自适应epll算法的图像去噪方法 | |
CN105957054A (zh) | 一种图像变化检测方法 | |
CN104036465A (zh) | 基于边缘检测的自适应非局部均值去噪方法 | |
CN105427264A (zh) | 一种基于群稀疏系数估计的图像重构方法 | |
CN103020919A (zh) | 基于非局部Lee的极化SAR相干斑噪声抑制方法 | |
CN105894476A (zh) | 基于字典学习融合的sar图像降噪处理方法 | |
CN105913382B (zh) | 阈值寻优的高保真各向异性滤波方法 | |
CN103888638A (zh) | 基于引导滤波和非局部平均滤波的时空域自适应去噪方法 | |
CN111369458B (zh) | 基于多尺度滚动引导滤波平滑的红外弱小目标背景抑制方法 | |
CN113808042A (zh) | 一种基于小波变换和生成对抗网络的sar图像去噪方法 | |
CN103871031A (zh) | 基于核回归的sar图像相干斑抑制 | |
CN101957984B (zh) | 基于非局部萎缩因子参数估计的图像去噪方法 | |
CN104978716A (zh) | 一种基于线性最小均方误差估计的sar图像降噪方法 | |
CN102314675B (zh) | 基于小波高频的贝叶斯去噪方法 | |
Emadi et al. | Illumination normalization using 2D wavelet |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160511 |
|
RJ01 | Rejection of invention patent application after publication |