CN106875355A - 基于双特征聚类同质像素选择的极化sar非局部降噪方法 - Google Patents
基于双特征聚类同质像素选择的极化sar非局部降噪方法 Download PDFInfo
- Publication number
- CN106875355A CN106875355A CN201710043625.XA CN201710043625A CN106875355A CN 106875355 A CN106875355 A CN 106875355A CN 201710043625 A CN201710043625 A CN 201710043625A CN 106875355 A CN106875355 A CN 106875355A
- Authority
- CN
- China
- Prior art keywords
- pixel
- homogeneity
- polarization sar
- sigma
- scattering
- 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
- 230000010287 polarization Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001427 coherent effect Effects 0.000 abstract description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于双特征聚类同质像素选择的极化SAR非局部降噪方法,首先使用基于块的统计距离的mean shift聚类选择结构特征相似的像素,并且使用基于Freeman‑Durden散射模型的Wishart无监督分类器选择散射机制相似的像素。同质像素集合由同时含有相似结构特征和散射机制的像素构成;根据相似像素集合并结合原始极化SAR数据计算非局部权值加权求和实现极化SAR非局部均值滤波。本发明在有效抑制相干斑噪声的同时能进一步保持图像结构信息和极化散射信息,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,具体是一种基于双特征聚类同质像素选择的极化SAR非局部降噪方法。
背景技术
相干斑是极化电磁波和物理散射体之间内在的相互作用。这种相互影响引起了像素与像素之间的变化,表现为强度值上的斑点噪声。因此,相干斑抑制对于极化SAR数据的图像分割和特征分类尤其重要。
过去几十年科研人员提出了多种滤波算法。简单常用的boxcar滤波器因为在窗口内不加区分的平均而效果不佳。极化白化滤波器只适用于单视极化SAR散射矩阵。Liu等人将其发展适合多视数据。Lee等人使用边界对齐窗和最小均方误差准则进一步减少了相干斑。强度驱动的自适应邻域滤波通过阈值来选择同质像素。基于散射模型的滤波根据相同的散射机制来选择同质像素。然而,这些滤波器都忽视了把结构特征和散射机制结合起来提高同质像素选择的准确性。
近年来,非局部均值滤波成为研究热点。像素之间的相似性度量准则已由原来的像素本身扩展为像素块邻域。因此,可使用定义在图像块上的统计特性来选择同质像素。Deledalle等人基于块的统计距离使块的相似性度量适用于极化SAR数据并且提出了统一的非局部滤波框架。Chen等人和Torres等人分别使用Wishart分布和stochastic散度来选择同质像素。Liu和Zhong在相似性度量时将无噪信号和相干斑噪声信号区分开。Zhong等人基于分布式Refined Lee滤波器和非局部均值滤波器将局部统计特性和非局部统计特性结合在一起。然而,这些算法都有一个共同的问题,那就是同质像素的选择都是基于有监督的块匹配方法,该方法难以确定合适的相似性阈值。再者,对于结构特征和散射机制保持,只使用统计相似性也是有缺陷的。本文解决的是如何以无监督的方式来选择结构和散射相似的同质像素。
聚类以无监督的方式比较像素与不同聚类中心的接近程度来自适应确定相似性,而不需要预先定义阈值。因此,就同质像素选择而言,聚类相比块匹配展现出了更好的结果。
发明内容
本发明的目的是提供一种基于双特征聚类同质像素选择的极化SAR非局部降噪方法,以提高同质像素选择的准确性,解决现有技术极化SAR图像结构信息、散射信息保持不足的问题。
为了达到上述目的,本发明所采用的技术方案为:
基于双特征聚类同质像素选择的极化SAR非局部降噪方法,其特征在于:包括以下步骤:
(1)、对每个像素点选择同质像素,具体步骤如下:
1a)、计算极化SAR协方差矩阵数据的Span图;
1b)、对包含d维空间的第i个图像块向量,在Span图上计算含有块的统计距离(PPB)的mean shift向量Mh,g(xi):
式中:
P(x)=cp,dp(||x||2),
g(x)=-p′(x),
xi,k是第i个图像块矢量xi的第k个数据,xj,k是第j个图像块矢量xj的第k个数据,p(||x||2)是高斯核函数,cp,d是归一化常数,h是带宽;
1c)、在核函数窗口依次计算所有特征空间数据点的mean shift向量,沿meanshift梯度方向移动到新位置,然后将这个点作为一个新点,继续计算mean shift向量并移动,如果mh,g(xi)<δ,则停止聚类,mh,g(xi)就是该点处的模点;否则xi=mh,g(xi)且迭代计算Mh,g(xi);
1d)、每个极化SAR协方差矩阵进行Freeman-Durden分解:
FS=eS(1+|β|2),
FD=eD(1+|α|2),
FV=eV,
式中eS,eD,eV分别代表各自散射类别的贡献;β、α是参数。
1e)、使用Wishart无监督分类器对每个类别迭代合并成5个聚类:
式中Ci和Cj分别表示各自聚类的平均协方差矩阵;
类中心协方差矩阵Cc和像素点矩阵Cp之间的Wishart距离为
1f)、在搜索邻域内选择同时含有相似结构特征和散射机制的像素构成同质像素集合;
(2)、根据同质像素进行估计,具体步骤如下:
2a)、根据第一步选择出的同质像素,计算原始极化SAR数据的权值w(i,j):
其中:
式中H(k)是两个像素点的p×p协方差矩阵的相似性度量,S(i,j)是以像素点i,j为中心的图像块的协方差矩阵相似性度量;σ和Z分别是滤波参数和归一化因子,Q(i,k)意味着以i为中心的块的第k个像素的协方差矩阵,Q(j,k)同上,N是图像块的大小;
2b)、根据步骤2a)得到的权值w(i,j),对同质像素加权求和,得到中心像素的滤波估计值
与已有技术相比,本发明的有益效果体现在:
1)本发明推导出了基于Span图上PPB距离的mean shift聚类来选择结构特征相似像素并且通过基于散射模型的Wishart无监督分类器来自适应地将相似散射机制像素聚集在一起,解决散射机制保持不足的缺陷。克服了原有块匹配方法阈值选择带来的缺陷。
2)本发明将结构特征和散射机制结合在一起共同选择同质像素参与滤波,能够有效抑制相干斑,没有出现人造假目标和模糊效应,且有效保持了边缘、点目标和散射机制。
附图说明
图1是本发明的基于双特征聚类同质像素选择的极化SAR非局部降噪方法流程图。
图2是Refined Lee极化SAR滤波算法的结果图。
图3是本发明中基于双特征聚类同质像素选择的极化SAR非局部降噪方法结果图。
具体实施方式
基于双特征聚类同质像素选择的极化SAR非局部降噪方法,包括以下步骤:
(1)、对每个像素点选择同质像素,具体步骤如下:
1a)、计算极化SAR协方差矩阵数据的Span图;
1b)、对包含d维空间的第i个图像块向量,在Span图上计算含有块的统计距离(PPB)的mean shift向量Mh,g(xi):
式中:
P(x)=cp,dp(||x||2),
g(x)=-p′(x),
xi,k是第i个图像块矢量xi的第k个数据,xj,k是第j个图像块矢量xj的第k个数据,p(||x||2)是高斯核函数,cp,d是归一化常数,h是带宽;
1c)、在核函数窗口依次计算所有特征空间数据点的mean shift向量,沿meanshift梯度方向移动到新位置,然后将这个点作为一个新点,继续计算mean shift向量并移动,如果mh,g(xi)<δ,则停止聚类,mh,g(xi)就是该点处的模点;否则xi=mh,g(xi)且迭代计算Mh,g(xi);
1d)、每个极化SAR协方差矩阵进行Freeman-Durden分解:
FS=eS(1+|β|2),
FD=eD(1+|α|2),
FV=eV,
式中eS,eD,eV分别代表各自散射类别的贡献;β、α是参数。
1e)、使用Wishart无监督分类器对每个类别迭代合并成5个聚类:
式中Ci和Cj分别表示各自聚类的平均协方差矩阵;
类中心协方差矩阵Cc和像素点矩阵Cp之间的Wishart距离为
1f)、在搜索邻域内选择同时含有相似结构特征和散射机制的像素构成同质像素集合;
(2)、根据同质像素进行估计,具体步骤如下:
2a)、根据第一步选择出的同质像素,计算原始极化SAR数据的权值w(i,j):
其中:
式中H(k)是两个像素点的p×p协方差矩阵的相似性度量,S(i,j)是以像素点i,j为中心的图像块的协方差矩阵相似性度量;σ和Z分别是滤波参数和归一化因子,Q(i,k)意味着以i为中心的块的第k个像素的协方差矩阵,Q(j,k)同上,N是图像块的大小;
2b)、根据步骤2a)得到的权值w(i,j),对同质像素加权求和,得到中心像素的滤波估计值
如图1所示,本发明首先在Span图上使用基于PPB距离的mean shift聚类选择结构特征相似像素;然后使用基于散射模型的Wishart无监督分类器来自适应地选择相似散射机制像素;接着在搜索邻域内选择同时含有相似结构特征和散射机制的像素构成同质像素集合;最后根据选择出的同质像素,计算原始极化SAR数据的权值,加权求和,得到中心像素的滤波估计值。
至此,基于双特征聚类同质像素选择的极化SAR非局部降噪处理基本完成。
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Flevoland极化图像,图像视数是4视,分辨率为10m×10m,大小为512×512像素。对比实验分别实现了Refined Lee滤波,非局部均值的Pretest算法和NLM-DSM算法。在实验测试中,Refined Lee的搜索窗大小设定为7×7,NLPretest滤波、NLM-DSM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,Refined Lee算法对图像的平滑效果很好,但同时Flevoland图像中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,本发明提出的基于双特征聚类同质像素选择的极化SAR非局部降噪方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.基于双特征聚类同质像素选择的极化SAR非局部降噪方法,其特征在于:包括以下步骤:
(1)、对每个像素点选择同质像素,具体步骤如下:
1a)、计算极化SAR协方差矩阵数据的Span图;
1b)、对包含d维空间的第i个图像块向量,在Span图上计算含有块的统计距离(PPB)的mean shift向量Mh,g(xi):
式中:
P(x)=cp,dp(||x||2),
g(x)=-p′(x),
xi,k是第i个图像块矢量xi的第k个数据,xj,k是第j个图像块矢量xj的第k个数据,p(||x||2)是高斯核函数,cp,d是归一化常数,h是带宽;
1c)、在核函数窗口依次计算所有特征空间数据点的mean shift向量,沿mean shift梯度方向移动到新位置,然后将这个点作为一个新点,继续计算mean shift向量并移动,如果mh,g(xi)<δ,则停止聚类,mh,g(xi)就是该点处的模点;否则xi=mh,g(xi)且迭代计算Mh,g(xi);
1d)、每个极化SAR协方差矩阵进行Freeman-Durden分解:
FS=eS(1+|β|2),
FD=eD(1+|α2),
FV=eV,
式中eS,eD,eV分别代表各自散射类别的贡献;β、α是参数。
1e)、使用Wishart无监督分类器对每个类别迭代合并成5个聚类:
式中Ci和Cj分别表示各自聚类的平均协方差矩阵;
类中心协方差矩阵Cc和像素点矩阵Cp之间的Wishart距离为
1f)、在搜索邻域内选择同时含有相似结构特征和散射机制的像素构成同质像素集合;
(2)、根据同质像素进行估计,具体步骤如下:
2a)、根据第一步选择出的同质像素,计算原始极化SAR数据的权值w(i,j):
其中:
式中H(k)是两个像素点的p×p协方差矩阵的相似性度量,S(i,j)是以像素点i,j为中心的图像块的协方差矩阵相似性度量;σ和Z分别是滤波参数和归一化因子,Q(i,k)意味着以i为中心的块的第k个像素的协方差矩阵,Q(j,k)同上,N是图像块的大小;
2b)、根据步骤2a)得到的权值w(i,j),对同质像素加权求和,得到中心像素的滤波估计值
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710043625.XA CN106875355A (zh) | 2017-01-19 | 2017-01-19 | 基于双特征聚类同质像素选择的极化sar非局部降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710043625.XA CN106875355A (zh) | 2017-01-19 | 2017-01-19 | 基于双特征聚类同质像素选择的极化sar非局部降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106875355A true CN106875355A (zh) | 2017-06-20 |
Family
ID=59158473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710043625.XA Pending CN106875355A (zh) | 2017-01-19 | 2017-01-19 | 基于双特征聚类同质像素选择的极化sar非局部降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106875355A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909558A (zh) * | 2017-12-12 | 2018-04-13 | 成都信息工程大学 | 一种基于无监督学习的非局部均值图像去噪方法 |
CN109285127A (zh) * | 2018-09-03 | 2019-01-29 | 中国民航大学 | 一种改进的PolSAR图像非局部均值滤波方法 |
CN113466857A (zh) * | 2021-05-11 | 2021-10-01 | 中国地质大学(武汉) | 基于非局部平均的TomoSAR林下地形反演方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN104240200A (zh) * | 2014-09-02 | 2014-12-24 | 西安电子科技大学 | 基于散射模型和非局部均值相结合的极化sar相干斑抑制方法 |
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 |
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 |
-
2017
- 2017-01-19 CN CN201710043625.XA patent/CN106875355A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN104240200A (zh) * | 2014-09-02 | 2014-12-24 | 西安电子科技大学 | 基于散射模型和非局部均值相结合的极化sar相干斑抑制方法 |
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 |
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 |
Non-Patent Citations (4)
Title |
---|
FENGKAI LANG ET AL.: "Mean-Shift-Based Speckle Filtering of Polarimetric SAR Data", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
吴月珍: "基于散射模型和非局部滤波的极化SAR图像质量增强算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
巫兆聪 等: "四分量散射模型在极化SAR相干斑滤波中的应用", 《武汉大学学报•信息科学版》 * |
胡开洋,耿伯英: "基于聚类分析和旋转的改进的SAR图像PPB去斑", 《计算机科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909558A (zh) * | 2017-12-12 | 2018-04-13 | 成都信息工程大学 | 一种基于无监督学习的非局部均值图像去噪方法 |
CN109285127A (zh) * | 2018-09-03 | 2019-01-29 | 中国民航大学 | 一种改进的PolSAR图像非局部均值滤波方法 |
CN109285127B (zh) * | 2018-09-03 | 2021-08-31 | 中国民航大学 | 一种改进的PolSAR图像非局部均值滤波方法 |
CN113466857A (zh) * | 2021-05-11 | 2021-10-01 | 中国地质大学(武汉) | 基于非局部平均的TomoSAR林下地形反演方法及系统 |
CN113466857B (zh) * | 2021-05-11 | 2022-11-04 | 中国地质大学(武汉) | 基于非局部平均的TomoSAR林下地形反演方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | Robust polarimetric SAR despeckling based on nonlocal means and distributed Lee filter | |
Khan et al. | Automatic feature learning for robust shadow detection | |
CN108615027A (zh) | 一种基于长短期记忆-加权神经网络对视频人群计数的方法 | |
CN107895139B (zh) | 一种基于多特征融合的sar图像目标识别方法 | |
CN112509001A (zh) | 一种多尺度和多特征融合的特征金字塔网络盲复原方法 | |
CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN106875355A (zh) | 基于双特征聚类同质像素选择的极化sar非局部降噪方法 | |
CN106504222A (zh) | 一种基于仿生视觉机理的水下偏振图像融合系统 | |
CN103049751A (zh) | 一种改进的加权区域匹配高空视频行人识别方法 | |
CN104050685B (zh) | 基于粒子滤波视觉注意力模型的运动目标检测方法 | |
CN103514608B (zh) | 基于运动注意力融合模型的运动目标检测与提取方法 | |
Tang et al. | Noise estimation of natural images via statistical analysis and noise injection | |
CN107590427A (zh) | 基于时空兴趣点降噪的监控视频异常事件检测方法 | |
CN113095277B (zh) | 一种基于目标空间分布特征的无人机航拍车辆检测方法 | |
CN106210447A (zh) | 基于背景特征点匹配的视频稳像方法 | |
Gu et al. | A two-component deep learning network for SAR image denoising | |
Yang et al. | Spatial attention-based non-reference perceptual quality prediction network for omnidirectional images | |
Xu et al. | Remote sensing image denoising using patch grouping-based nonlocal means algorithm | |
Yu et al. | Fla-net: multi-stage modular network for low-light image enhancement | |
Junwu et al. | An infrared and visible image fusion algorithm based on LSWT-NSST | |
Ma et al. | Object-level proposals | |
Zhang et al. | Deformable deep convolutional generative adversarial network in microwave based hand gesture recognition system | |
CN103177428B (zh) | 基于非下采样方向波变换与融合的sar图像去噪方法 | |
Hoang et al. | Transer: Hybrid model and ensemble-based sequential learning for non-homogenous dehazing | |
CN106296602A (zh) | 一种三维小波变换的极化sar滤波方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170620 |