CN107730463B - 基于变尺度空陷斩波和背景滤波的sar图像增强方法 - Google Patents

基于变尺度空陷斩波和背景滤波的sar图像增强方法 Download PDF

Info

Publication number
CN107730463B
CN107730463B CN201710920104.8A CN201710920104A CN107730463B CN 107730463 B CN107730463 B CN 107730463B CN 201710920104 A CN201710920104 A CN 201710920104A CN 107730463 B CN107730463 B CN 107730463B
Authority
CN
China
Prior art keywords
time domain
matrix
domain matrix
image
output
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
Application number
CN201710920104.8A
Other languages
English (en)
Other versions
CN107730463A (zh
Inventor
熊涛
武玉娟
焦李成
王蓉芳
黄宇
王爽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201710920104.8A priority Critical patent/CN107730463B/zh
Publication of CN107730463A publication Critical patent/CN107730463A/zh
Application granted granted Critical
Publication of CN107730463B publication Critical patent/CN107730463B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration by non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/94—
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20048—Transform domain processing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开了一种基于变尺度空陷斩波和背景滤波的SAR图像增强方法，主要解决现有技术在多目标场景中旁瓣抑制效果较差，及部分图像信息丢失的问题。其实现方案是：1.输入一幅有强旁瓣的SAR图像，并获取其图像矩阵；2.对输入图像矩阵依次进行二维傅里叶变换和四周补零扩展；3.对扩展后的频域矩阵依次进行二维傅里叶逆变换和变尺度空陷斩波处理，得到变尺度空陷斩波处理后的时域矩阵XVS‑SVA；4.对时域矩阵XVS‑SVA进行中值滤波，得到滤波后的时域矩阵XF‑VS；5.对滤波后的时域矩阵XF‑VS进行背景滤波处理，得到修正后的图像时域矩阵XR‑VS，并输出图像。本发明能在多个强散射点场景中有效抑制旁瓣，保留更多的图像信息，可用于图像检测与识别。

Description

基于变尺度空陷斩波和背景滤波的SAR图像增强方法
技术领域
本发明涉及图像处理技术领域，特别涉及一种SAR图像增强方法，可用于目标检测与识别。
背景技术
SAR图像由许多sinc函数组成，单个sinc函数看起来像一个主瓣和旁瓣组成的十字，这些十字通常存在长边或旁瓣。对于附近较弱的目标可能被旁瓣遮蔽，如果许多强大的目标位于一个小的场景，他们也可能相互影响。在极端情况下，整个图像模糊，SAR图像的质量大大降低。因此，有效的抑制旁瓣可以很大程度上提高SAR图像的质量。
现有广泛使用的抑制旁瓣方法主要有两种：第一种是在最终生成SAR图像之前，在频域中应用汉明窗、汉宁窗，或者布莱克曼窗这三种权重的线性技术来削弱旁瓣，但线性加权，通常导致主瓣变宽或图像分辨率下降；另一种是使用非线性技术，空陷斩波算法SVA，将不同的权重应用于图像域中的SAR图像的每个样本，每个权重根据自己的样本和两个相邻采样点的值计算得到，尽管SVA算法在单点sinc函数情况下，旁瓣抑制的效果令人较为满意，但在多个强散射点的场景中，通过传统SVA的一阶多项式函数除法来抑制图像的旁瓣其效果并不理想，处理后的图像旁瓣能量仍比较强，并且丢失了部分图像信息。
发明内容
本发明的目的在于针对上述现有技术的不足，提出了一种基于变尺度空陷斩波和背景滤波的SAR图像增强方法，以有效抑制SAR图像旁瓣，且最大程度的保留图像信息。
为实现上述目的，本发明的技术方案包括如下：
(1)输入一幅带有明显旁瓣的SAR图像，得到该图像矩阵的方位向点数N和距离向点数M；
(2)定义输入的SAR图像函数为：g(n)＝I(n)+jQ(n)，其中g(n)代表第n行复数元素，I(n)为其实部，Q(n)为其虚部，j代表虚数单位；
(3)对输入的SAR图像进行二维傅里叶变换，得到图像的频域矩阵，并对该频域矩阵进行四周补零，使其大小变为
Figure GDA0002707911350000021
得到扩展后图像的频域矩阵，其中
Figure GDA0002707911350000022
为扩展倍数，
Figure GDA0002707911350000023
的取值为2或4；
(4)对扩展后图像的频域矩阵进行二维逆傅里叶变换，得到扩展后图像的时域矩阵XEP；
(5)对扩展后图像的时域矩阵XEP进行变尺度空陷斩波处理：
5a)沿距离向对时域矩阵的实部和虚部分别进行变尺度空陷斩波处理，得到扩展后图像的时域矩阵的实部输出IRa(n)和虚部输出为QRa(n)；
5b)沿方位向对距离向处理后的时域矩阵XRa的实部和虚部分别进行变尺度空陷斩波处理，得到扩展后图像的时域矩阵的实部输出IAz(m)和虚部输QAz(m)；
(6)对变尺度空陷斩波处理后的时域矩阵XVS-SVA进行中值滤波处理，得到滤波后的时域矩阵XF-VS；
(7)对滤波后的时域矩阵XF-VS进行背景滤波处理：
7a)构造背景矩阵XBG；
7b)对背景矩阵进行加权，得到加权后的背景矩阵XW-BG；
7c)对加权后的背景矩阵XW-BG进行中值滤波，得到滤波后的背景矩阵XF-BG；
7d)对滤波后的时域矩阵XF-VS取模值，并将其中的零值替换为加权后的背景矩阵XW-BG中与该零值相同位置的模值，得到修正后的图像时域矩阵XR-VS；
(8)对修正后的图像时域矩阵XR-VS进行
Figure GDA0002707911350000024
倍下采样，得到大小为M×N的图像增强后矩阵XVS-BG，并输出图像。
本发明与现有技术相比具有以下优点：
第一，本发明选用变化的偏移量来计算输出值和权重函数，并且权重函数的上下限的确定与偏移量有关，突破了原有空陷斩波算法偏移量单一，以及权重函数上下限固定的局限性，取得了更好的旁瓣抑制效果。
第二，本发明加入了背景滤波处理，对图像矩阵被置零部分用加权后的背景矩阵进行了替换，更多的保留了图像信息，得到的图像更完整。
第三，本发明在构造背景矩阵时进行了加权处理，由于该加权值是依次根据图像的局部特性得到，因此得到的图像对比度更高。
附图说明
图1是本发明的实现流程图；
图2为变尺度空陷斩波方法实现流程图；
图3为一幅4096×5888像素的SAR图像的原始图像；
图4为用现有空陷斩波方法对一幅4096×5888像素处理后的SAR图像；
图5为用本发明对一幅4096×5888像素处理过的SAR图像。
具体实施方式
参考图1，本发明的具体实施方案如下：
步骤1，获取SAR图像矩阵。
从公开数据库或者飞行试验的SAR图像中选取一幅旁瓣较强的SAR图像作为输入，并获取SAR图像矩阵距离向点数M，方位向点数N，得到一个M×N的SAR图像矩阵。
步骤2，定义SAR图像矩阵函数。
将输入的SAR图像矩阵函数定义为：g(n)＝I(n)+jQ(n)，其中g(n)代表第n行复数元素，I(n)为其实部，Q(n)为其虚部，j代表虚数单位。
步骤3，对SAR图像矩阵进行扩展，得到扩展后图像的时域矩阵XEP。
3a)对SAR图像矩阵进行频域补零扩展，即对输入的SAR图像矩阵进行二维傅里叶变换，得到图像的频域矩阵，并对该频域矩阵进行四周补零，使其大小变为
Figure GDA0002707911350000031
得到扩展后的图像频域矩阵，其中
Figure GDA0002707911350000032
为扩展倍数，
Figure GDA0002707911350000033
的取值为2或4；
3b)对扩展后的频域矩阵进行二维傅里叶逆变换，得到扩展后图像的时域矩阵XEP。
步骤4，对扩展后图像的时域矩阵XEP进行变尺度空陷斩波处理。
参照图2，本步骤的具体实现如下：
4a)沿距离向对扩展后图像的时域矩阵XEP的实部和虚部分别进行变尺度空陷斩波处理，得到距离向处理后的时域矩阵XRa：
4a1)取出扩展后图像时域矩阵XEP的实部，并计算出扩展后图像时域矩阵XEP中每个实部对应的加权函数w1(n)的值：
Figure GDA0002707911350000041
其中I(n)代表时域矩阵XEP的第n行元素的实部，I(n-R)代表I(n)上偏移量为R的时域矩阵XEP的实部，I(n+R)代表I(n)下偏移量为R的时域矩阵XEP的实部；
4a2)根据扩展后图像时域矩阵XEP中每个实部对应的加权函数w1(n)，得到时域矩阵XEP的实部输出为：
Figure GDA0002707911350000042
其中γmin,γmax分别对应于w1(n)的下限和上限，即当w1(n)≤γmin时，其输出与输入相同；当γmin＜w1(n)≤γmax时，其输出为0；当w1(n)＞γmax时，输出值为输入位置上下偏移分别为R的值加和后进行1/2的加权再与输入本身的和；
4a3)取出扩展后图像的时域矩阵XEP的虚部，并计算出扩展后图像时域矩阵XEP中每个虚部对应的加权函数w2(n)的值：
Figure GDA0002707911350000043
其中Q(n)代表矩阵XEP的第n行元素的虚部，Q(n-R)代表Q(n)上偏移量为R的时域矩阵XEP的虚部，Q(n+R)代表Q(n)下偏移量为R的时域矩阵XEP的虚部；
4a4)根据扩展后图像时域矩阵XEP中每个虚部对应的加权函数w2(n)，得到时域矩阵XEP的虚部输出为：
Figure GDA0002707911350000044
其中δmin,δmax分别对应于w2(n)的下限和上限，即当w2(n)≤δmin时，其输出与输入相同；当δmin＜w2(n)≤δmax时，其输出为0；当w2(n)＞δmax时，输出值为输入位置上下偏移分别为R的值加和后进行1/2的加权再与输入本身的和；
4b)沿方位向对距离向处理后的时域矩阵XRa的实部和虚部分别进行变尺度空陷斩波处理，得到变尺度空陷斩波处理后的时域矩阵XVS-SVA：
4b1)取出距离向处理后的时域矩阵XRa的实部，并计算出距离向处理后的时域矩阵XRa中每个实部对应的加权函数w3(m)的值：
Figure GDA0002707911350000051
其中IRa(m)代表时域矩阵XRa的第m列元素的实部，IRa(m-L)代表IRa(m)左偏移量为L的时域矩阵XRa的实部，IRa(m+L)代表IRa(m)右偏移量为L的时域矩阵XRa的实部；
4b2)根据距离向处理后的时域矩阵XRa中每个实部对应的加权函数w3(m)，得到时域矩阵XRa的实部输出为：
Figure GDA0002707911350000052
其中βmin,βmax分别对应于w3(m)的下限和上限，即当w3(m)≤βmin时，其输出与输入相同；当βmin＜w3(m)≤βmax时，其输出为0；当w3(m)＞βmax时，输出值为输入位置左右偏移分别为L的值加和后进行1/2的加权再与输入本身的和；
4b3)取出距离向处理后的时域矩阵XRa的虚部，并计算出距离向处理后的时域矩阵XRa中每个虚部对应的加权函数w4(m)的值：
Figure GDA0002707911350000053
其中QRa(m)代表时域矩阵XRa的第m列元素的虚部，QRa(m-L)代表QRa(m)左偏移量为L的时域矩阵XRa的虚部，QRa(m+L)代表QRa(m)右偏移量为L的时域矩阵XRa的虚部；
4b4)根据距离向处理后的时域矩阵XRa中每个虚部对应的加权函数w4(m)，得到时域矩阵XRa的虚部输出为：
Figure GDA0002707911350000054
其中χmin,χmax分别对应于w4(m)的下限和上限，即当w4(m)≤χmin时，其输出与输入相同；当χmin＜w4(m)≤χmax时，其输出为0；当w4(m)＞χmax时，输出值为输入位置左右偏移分别为L的值加和后进行1/2的加权再与输入本身的和。
步骤5，对变尺度空陷斩波处理后的时域矩阵XVS-SVA进行中值滤波处理，得到滤波后的时域矩阵XF-VS。
步骤6，对滤波后的时域矩阵XF-VS进行背景滤波，得到修正后的图像时域矩阵XR-VS。
6a)构造背景矩阵XBG：
6a1)在扩展后图像的时域矩阵XEP中，通过一个大小为m×m的滑动窗，其步长为m，沿距离向将扩展后图像的时域矩阵XEP的每m行分成一组，在每一组内沿方位向依次取出一个m×m的矩阵，并找出每个窗中最小模值，m为一个正整数；
6a2)创建一个
Figure GDA0002707911350000061
大小的全零矩阵，将每个窗中的最小模值，依次赋值给创建矩阵中的每个窗的中心位置，再对该矩阵进行同规模的Spline插值操作，得到背景矩阵XBG；
6b)对背景矩阵进行加权，得到加权后的背景矩阵XW-BG：
6b1)在扩展后图像的时域矩阵XEP中，通过一个大小为m×m的滑动窗，其步长为m，沿距离向将时域矩阵XEP的每m行分成一组，在每一组内沿方位向依次取出一个m×m的矩阵，并找出每个窗中的最大模值σi，其中i为窗的序号,i＝1,2...K,K为窗的个数，其数值由矩阵大小确定；
6b2)在滤波后的时域矩阵XF-VS中，通过一个大小为m×m的滑动窗，其步长为m，沿距离向将滤波后的时域矩阵XF-VS的每m行分成一组，在每一组内沿方位向依次取出一个m×m的矩阵，并找出每个窗中最大模值ηi；
6b3)计算每个窗的权重系数
Figure GDA0002707911350000062
6b4)在背景矩阵XBG中，将每个窗中的元素乘以其对应窗的权重系数αi，得到加权后的背景矩阵XW-BG；
6c)对加权后的背景矩阵XW-BG进行中值滤波，得到滤波后的背景矩阵XF-BG；
6d)对滤波后的时域矩阵XF-VS取模值，并将其中的零值替换为滤波后的背景矩阵XF-BG中与该零值相同位置的模值，得到修正后的图像时域矩阵XR-VS。
步骤7，对修正后的图像时域矩阵XR-VS进行
Figure GDA0002707911350000071
倍下采样，得到大小为M×N的图像增强后矩阵XVS-BG，并输出图像。
本发明的效果可以通过以下实验进一步说明:
1.实验条件：
仿真实验环境为：MATLAB R2012b，CPU intel Core i5-3470 3.20GHz,内存12G,Windows7专业版。
2.实验内容：
实验1，用现有的行空陷斩波方法对图3所示的原始SAR图像进处理，结果如图4。
实验2，对本发明方法对图3所示的原始SAR图像进行处理，结果如图5。
从图5和图4的对比可以看出，现有方法在多目标场景中旁瓣抑制效果并不理想，并且丢失了部分图像信息，而本发明提出的基于变尺度空陷斩波和背景滤波的SAR图像增强方法，能够更为有效的抑制旁瓣，并保留更多的图像信息，图像对比度更高。

Claims (5)

1.基于变尺度空陷斩波和背景滤波的SAR图像增强方法，包含：
(1)输入一幅带有明显旁瓣的SAR图像，得到该图像的方位向点数N和距离向点数M；
(2)定义输入的SAR图像函数为：g(n)＝I(n)+jQ(n)，其中g(n)代表第n行复数元素，I(n)为其实部，Q(n)为其虚部，j代表虚数单位；
(3)对输入的SAR图像进行二维傅里叶变换，得到图像的频域矩阵，并对该频域矩阵进行四周补零，使其大小变为
Figure FDA0002707911340000011
得到扩展后图像的频域矩阵，其中
Figure FDA0002707911340000012
为扩展倍数，
Figure FDA0002707911340000013
的取值为2或4；
(4)对扩展后图像的频域矩阵进行二维逆傅里叶变换，得到扩展后图像的时域矩阵XEP；
(5)对扩展后图像的时域矩阵XEP进行变尺度空陷斩波处理：
5a)沿距离向对时域矩阵的实部和虚部分别进行变尺度空陷斩波处理，得到扩展后图像的时域矩阵的实部输出IRa(n)和虚部输出为QRa(n)；
5b)沿方位向对距离向处理后的时域矩阵XRa的实部和虚部分别进行变尺度空陷斩波处理，得到扩展后图像的时域矩阵的实部输出IAz(m)和虚部输QAz(m)；
(6)对变尺度空陷斩波处理后的时域矩阵XVS-SVA进行中值滤波处理，得到滤波后的时域矩阵XF-VS；
(7)对滤波后的时域矩阵XF-VS进行背景滤波处理：
7a)构造背景矩阵XBG；
7b)对背景矩阵进行加权，得到加权后的背景矩阵XW-BG；
7c)对加权后的背景矩阵XW-BG进行中值滤波，得到滤波后的背景矩阵XF-BG；
7d)对滤波后的时域矩阵XF-VS取模值，并将其中的零值替换为滤波后的背景矩阵XF-BG中与该零值相同位置的模值，得到修正后的图像时域矩阵XR-VS；
(8)对修正后的图像时域矩阵XR-VS进行
Figure FDA0002707911340000021
倍下采样，得到大小为M×N的图像增强后矩阵XVS-BG，并输出图像。
2.根据权利要求1所述的方法，其中步骤5a)中沿距离向对时域矩阵的实部和虚部分别进行变尺度空陷斩波处理，按如下步骤进行：
5a1)取出扩展后图像时域矩阵XEP的实部，并计算出扩展后图像时域矩阵XEP中每个实部对应的加权函数w1(n)的值：
Figure FDA0002707911340000022
其中I(n)代表时域矩阵XEP的第n行元素的实部，I(n-R)代表I(n)上偏移量为R的时域矩阵XEP的实部，I(n+R)代表I(n)下偏移量为R的时域矩阵XEP的实部；
5a2)根据扩展后图像时域矩阵XEP中每个实部对应的加权函数w1(n)，得到时域矩阵XEP的实部输出为：
Figure FDA0002707911340000023
其中γmin,γmax分别对应于w1(n)的下限和上限，即当w1(n)≤γmin时，其输出与输入相同；当γmin＜w1(n)≤γmax时，其输出为0；当w1(n)＞γmax时，输出值为输入位置上下偏移分别为R的值加和后进行1/2的加权再与输入本身的和；
5a3)取出扩展后图像的时域矩阵XEP的虚部，并计算出扩展后图像时域矩阵XEP中每个虚部对应的加权函数w2(n)的值：
Figure FDA0002707911340000024
其中Q(n)代表矩阵XEP的第n行元素的虚部，Q(n-R)代表Q(n)上偏移量为R的时域矩阵XEP的虚部，Q(n+R)代表Q(n)下偏移量为R的时域矩阵XEP的虚部；
5a4)根据扩展后图像时域矩阵XEP中每个虚部对应的加权函数w2(n)得到时域矩阵XEP的虚部输出为：
Figure FDA0002707911340000031
其中δmin,δmax分别对应于w2(n)的下限和上限，即当w2(n)≤δmin时，其输出与输入相同；当δmin＜w2(n)≤δmax时，其输出为0；当w2(n)＞δmax时，输出值为输入位置上下偏移分别为R的值加和后进行1/2的加权再与输入本身的和。
3.根据权利要求1所述的方法，其中步骤5b)中沿方位向对距离向处理后的时域矩阵XRa的实部和虚部分别进行变尺度空陷斩波处理，按如下步骤进行：
5b1)取出距离向处理后的时域矩阵XRa的实部，并计算出距离向处理后的时域矩阵XRa中每个实部对应的加权函数w3(m)的值：
Figure FDA0002707911340000032
其中IRa(m)代表时域矩阵XRa的第m列元素的实部，IRa(m-L)代表IRa(m)左偏移量为L的时域矩阵XRa的实部，IRa(m+L)代表IRa(m)右偏移量为L的时域矩阵XRa的实部；
5b2)根据距离向处理后的时域矩阵XRa中每个实部对应的加权函数w3(m)，得到时域矩阵XRa的实部输出为：
Figure FDA0002707911340000033
其中βmin,βmax分别对应于w3(m)的下限和上限，即当w3(m)≤βmin时，其输出与输入相同；当βmin＜w3(m)≤βmax时，其输出为0；当w3(m)＞βmax时，输出值为输入位置左右偏移分别为L的值加和后进行1/2的加权再与输入本身的和；
5b3)取出距离向处理后的时域矩阵XRa的虚部，并计算出距离向处理后的时域矩阵XRa中每个虚部对应的加权函数w4(m)的值：
Figure FDA0002707911340000034
其中QRa(m)代表时域矩阵XRa的第m列元素的虚部，QRa(m-L)代表QRa(m)左偏移量为L的时域矩阵XRa的虚部，QRa(m+L)代表QRa(m)右偏移量为L的时域矩阵XRa的虚部；
5b4)根据距离向处理后的时域矩阵XRa中每个虚部对应的加权函数w4(m)，得到时域矩阵XRa的虚部输出为：
Figure FDA0002707911340000041
其中χmin,χmax分别对应于w4(m)的下限和上限，即当w4(m)≤χmin时，其输出与输入相同；当χmin＜w4(m)≤χmax时，其输出为0；当w4(m)＞χmax时，输出值为输入位置左右偏移分别为L的值加和后进行1/2的加权再与输入本身的和。
4.根据权利要求1所述的方法，其中步骤7a)中的构造背景矩阵XBG，按如下步骤进行：
7a1)在扩展后图像的时域矩阵XEP中，通过一个大小为m×m的滑动窗，其步长为m，沿距离向将扩展后图像的时域矩阵XEP的每m行分成一组，在每一组内沿方位向依次取出一个m×m的矩阵，并找出每个窗中最小模值，m为一个正整数；
7a2)创建一个
Figure FDA0002707911340000042
大小的全零矩阵，将每个窗中的最小模值，依次赋值给创建矩阵中的每个窗的中心位置，再对该矩阵进行同规模的Spline插值操作，得到背景矩阵XBG。
5.根据权利要求1所述的方法，其中步骤7b)中对背景矩阵进行加权，按如下步骤进行：
7b1)在扩展后图像的时域矩阵XEP中，通过一个大小为m×m的滑动窗，其步长为m，沿距离向将时域矩阵XEP的每m行分成一组，在每一组内沿方位向依次取出一个m×m的矩阵，并找出每个窗中的最大模值σi，其中i为窗的序号,i＝1,2...K,K为窗的个数，其数值由矩阵大小确定；
7b2)在滤波后的时域矩阵XF-VS中，通过一个大小为m×m的滑动窗，其步长为m，沿距离向将滤波后的时域矩阵XF-VS的每m行分成一组，在每一组内沿方位向依次取出一个m×m的矩阵，并找出每个窗中最大模值ηi；
7b3)计算每个窗的权重系数
Figure FDA0002707911340000051
7b4)在背景矩阵XBG中，将每个窗中的元素乘以其对应窗的权重系数αi，得到加权后的背景矩阵XW-BG。
CN201710920104.8A 2017-09-30 2017-09-30 基于变尺度空陷斩波和背景滤波的sar图像增强方法 Active CN107730463B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710920104.8A CN107730463B (zh) 2017-09-30 2017-09-30 基于变尺度空陷斩波和背景滤波的sar图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710920104.8A CN107730463B (zh) 2017-09-30 2017-09-30 基于变尺度空陷斩波和背景滤波的sar图像增强方法

Publications (2)

Publication Number Publication Date
CN107730463A CN107730463A (zh) 2018-02-23
CN107730463B true CN107730463B (zh) 2021-02-12

Family

ID=61208537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710920104.8A Active CN107730463B (zh) 2017-09-30 2017-09-30 基于变尺度空陷斩波和背景滤波的sar图像增强方法

Country Status (1)

Country Link
CN (1) CN107730463B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113296097A (zh) * 2021-06-28 2021-08-24 中国人民解放军国防科技大学 一种sar图像旁瓣抑制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7245250B1 (en) * 2005-08-16 2007-07-17 Itt Manufacturing Enterprises, Inc. Synthetic aperture radar image compression
CN101950413A (zh) * 2010-08-30 2011-01-19 西安电子科技大学 基于非下采样Contourlet域MRF模型的SAR图像降斑方法
CN102368332A (zh) * 2011-11-17 2012-03-07 西安电子科技大学 基于nsct域局部高斯模型的sar图像降斑方法
CN102854504A (zh) * 2011-06-30 2013-01-02 中国科学院电子学研究所 基于回波模拟算子的稀疏合成孔径雷达成像方法
KR101522474B1 (ko) * 2013-12-20 2015-05-21 한국항공우주연구원 영상 해상도 개선 방법 및 영상 해상도 개선 장치
CN105044719A (zh) * 2015-06-23 2015-11-11 电子科技大学 一种基于圆周sar的太赫兹高精度垂直曲面成像方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7245250B1 (en) * 2005-08-16 2007-07-17 Itt Manufacturing Enterprises, Inc. Synthetic aperture radar image compression
CN101950413A (zh) * 2010-08-30 2011-01-19 西安电子科技大学 基于非下采样Contourlet域MRF模型的SAR图像降斑方法
CN102854504A (zh) * 2011-06-30 2013-01-02 中国科学院电子学研究所 基于回波模拟算子的稀疏合成孔径雷达成像方法
CN102368332A (zh) * 2011-11-17 2012-03-07 西安电子科技大学 基于nsct域局部高斯模型的sar图像降斑方法
KR101522474B1 (ko) * 2013-12-20 2015-05-21 한국항공우주연구원 영상 해상도 개선 방법 및 영상 해상도 개선 장치
CN105044719A (zh) * 2015-06-23 2015-11-11 电子科技大学 一种基于圆周sar的太赫兹高精度垂直曲面成像方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Feature Fusion for Classification Enhancement of Ground Vehicle SAR Images;Pouya Bolourchi 等;《2017 UKSim-AMSS 19th International Conference on Computer Modelling & Simulation (UKSim)》;20170407;第111-115页 *
曹海洋;SAR自聚焦算法研究及其FPGA实现;《中国优秀硕士学位论文全文数据库信息科技辑》;20150115;正文第1-52页 *

Also Published As

Publication number Publication date
CN107730463A (zh) 2018-02-23

Similar Documents

Publication Publication Date Title
CN109754391B (zh) 一种图像质量评价方法、装置及电子设备
Yang et al. Rethinking low-light enhancement via transformer-GAN
CN112446419A (zh) 基于注意力机制的时空神经网络雷达回波外推预报方法
CN109886937B (zh) 基于超像素分割图像识别的绝缘子缺陷检测方法
CN109410149B (zh) 一种基于并行特征提取的cnn去噪方法
CN111738954B (zh) 一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法
CN111127360B (zh) 一种基于自动编码器的灰度图像迁移学习方法
CN111105068B (zh) 基于序回归学习的数值模式订正的方法
CN107506792B (zh) 一种半监督的显著对象检测方法
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
CN109146891B (zh) 一种应用于mri的海马体分割方法、装置及电子设备
Kryjak et al. Real-time implementation of the ViBe foreground object segmentation algorithm
CN114612715A (zh) 基于本地差分隐私的边缘联邦图像分类方法
CN113538374A (zh) 一种面向高速运动物体的红外图像模糊校正方法
Okarma Combined visual quality metric of remote sensing images based on neural network
CN111179196A (zh) 一种基于分而治之的多分辨率深度网络图像去高光方法
CN107730463B (zh) 基于变尺度空陷斩波和背景滤波的sar图像增强方法
CN114359724B (zh) 一种基于色彩-参数迁移的遥感建筑物震害信息提取方法
CN111563849A (zh) 一种观测图像去噪方法及系统
CN111027508A (zh) 一种基于深层神经网络的遥感图像覆被变化检测方法
CN111369449A (zh) 基于生成式对抗网络的红外盲元补偿方法
CN113158860B (zh) 基于深度学习多维度输出人脸质量评估方法与电子设备
CN102903104B (zh) 一种基于减法聚类的快速图像分割方法
CN110827223B (zh) 结合分数阶全变差的cs高噪声天文图像去噪重建方法
CN113327205A (zh) 基于卷积神经网络的相位去噪网络及方法

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
GR01 Patent grant
GR01 Patent grant