CN107945142A - 一种合成孔径雷达图像去噪方法 - Google Patents
一种合成孔径雷达图像去噪方法 Download PDFInfo
- Publication number
- CN107945142A CN107945142A CN201711498074.2A CN201711498074A CN107945142A CN 107945142 A CN107945142 A CN 107945142A CN 201711498074 A CN201711498074 A CN 201711498074A CN 107945142 A CN107945142 A CN 107945142A
- Authority
- CN
- China
- Prior art keywords
- image
- denoising
- block group
- singular value
- block
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000002156 mixing Methods 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 230000008439 repair process Effects 0.000 claims abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000001914 filtration Methods 0.000 description 9
- 230000001427 coherent effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011946 reduction process Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 101100043438 Mus musculus Srsf10 gene Proteins 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 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)
Abstract
本发明公开了一种合成孔径雷达图像去噪方法,通过对待处理的SAR原始图像先用两种去噪算法进行去噪,得到两幅去噪图像;然后对两幅去噪图像分别进行分块重叠,得到块组矩阵XA和XB;然后对XA和XB求共享相似块在共享相似块中对XA和XB进行奇异值分解,选择较大的奇异值作为融合图像的奇异值,重构融合图像的块组矩阵XF;根据XF通过核范数最小化算法进行图像修复,得到融合后的去噪图像。本发明的方法不仅有效的改善了去噪图像的视觉效果,还有效的保存了图像的局部结构,能够较好的保持图像的结构信息,还提高了去噪图像的客观指标。
Description
技术领域
本发明涉及图像处理技术,具体的说涉及一种合成孔径雷达图像去噪 方法。
背景技术
合成孔径雷达(SAR)具有全天候、全天时工作,精度高、信息丰富、 直观真实等优点,SAR图像的质量和视觉特性也是众多学者的研究热点, 近年来,在国土、水文、军事等领域都有广泛应用,但由于相干成像机制, 合成孔径雷达图像中含有相干斑噪声,有必要进行去噪处理。
SAR图像的去噪方法主要分为以下两类:空域去噪算法和变换域去噪 算法,空域去噪算法是基于图像的局部统计特性,在平滑区域有着较好的 去噪效果,但对于图像的边缘及一些纹理信息比较丰富的区域,容易发生 过度平滑,导致丢失图像细节信息;变换域去噪算法主要包括基于小波变 换的图像去噪算法和基于多尺度几何变换的图像去噪算法,但是这些去噪 算法大都是针对整幅SAR图像进行去噪的,从而导致去噪图像产生人造纹 理或边缘模糊。可见,已有的去噪方法多均有诸多不足,无法满足对SAR 图像去噪要求。
发明内容
本发明的目的是提供一种合成孔径雷达图像去噪方法,以克服现有去 噪方法会丢失图像细节或导致去噪图像产生人造纹理、边缘模糊的问题。
本发明的目的是这样实现的:
一种合成孔径雷达图像去噪方法,该方法具体包括以下步骤:
(1)对待处理的合成孔径雷达图像原始图像先分别利用BSSR和 NSST-GNL去噪算法进行去噪,得到两幅去噪图像,图像A和图像B;
(2)对图像A和图像B分别进行分块重叠,得到块组矩阵XA和XB;
(3)对XA和XB求共享相似块
(4)在共享相似块中对XA和XB进行奇异值分解,选择较大的 奇异值作为融合图像的奇异值,相对应的特征向量作为融合图像所对应的 特征向量,并重构融合图像的块组矩阵XF;
(5)将含有噪声的图像模型转化为Yj=Xj+Nj,其中Yj为步骤(4) 所得块组矩阵XF,Xj表示清晰图像所对应的块组矩阵,Nj表示噪声所对应 的块组矩阵,通过核范数最小化算法进行图像修复,得到融合后的去噪图 像。
本发明的方法不仅有效的改善了去噪图像的视觉效果,还有效的保存 了图像的局部结构,能够较好的保持图像的结构信息,还提高了去噪图像 的客观指标。
附图说明
图1是本发明方法的流程结构框图。
图2中,(a)是原始SAR图像,(b)是手动加入方差0.05的乘性 噪声的噪声图像。
图3是对图2中(b)滤波后的图像。
图3中,(a)是采用Lee滤波算法的结果,(b)是采用NSST-GNL 滤波算法的结果,(c)是BSSR滤波算法的结果,(d)是本发明算法的 结果。
图4是一幅电力线路设计的真实遥感图像原始图像。
图5是对图4中的原始图像滤波后的图像。
图5中,(a)是采用Lee滤波算法的结果,(b)是采用NSST-GNL 滤波算法的结果,(c)是BSSR滤波算法的结果,(d)是本发明算法的 结果。
具体实施方式
下面结合附图对本发明作进一步详细的说明,图1是本发明方法的结 构框图。
实施例1
Step1:对需要进行降噪处理的SAR原始图像(如图2中(a)所示) 进行对数变换,手动加入方差0.05的乘性噪声,以将相干噪声抑制模型 转换为类似高斯噪声模型,结果如图2中(b)所示。
Step2:对Step1处理后的图像利用BSSR去噪算法(即非下采样剪切 波域稀疏表示去噪算法)进行去噪,得到去噪后的图像A(见图3中(c) 所示)。
Step3:对Step1处理后的图像利用NSST-GNL去噪算法(即非下采样 剪切波域广义非局部均值去噪算法)进行去噪,得到去噪后的图像B(见 图3中(b)所示)。
Step4:
对图像A进行分块,分成11×11的块组,然后通过块匹配算法搜索 块组中的每个参考块的非局部相似块,再将这些非局部相似块堆叠成一 组,从而形成块组矩阵XA;对图像B进行分块,分成11×11的块组,然 后通过块匹配算法搜索块组中的每个参考块的非局部相似块,再将这些非 局部相似块堆叠成一组,从而形成块组矩阵XB。
Step5:
对XA和XB求共享相似块为其中r表示共享相似块的个数,这 里选择值为7;
然后在共享相似块中对XA和XB进行奇异值分解:
定义XA(r)是中属于XA的相似块构造的块组矩阵,XB(r)是中属于XB的相似块构造的块组矩阵,则XA(r)的奇异值分解为 XB(r)的奇异值分解为
Step6:
根据Step5中XA和XB进行奇异值分解的计算结果,选择较大的奇异 值作为融合图像的奇异值,并以相对应的特征向量作为融合图像所对应的 特征向量,重构融合图像的块组矩阵XF:
用XF(r)表示中属于XF的相似块构造的块组矩阵,则:
其中i=1,2,...,r。
Step7:
根据Step6的计算结果,将含有噪声的图像转化为Yj=Xj+Nj,其中, Yj为Step6所得到的块组矩阵XF,Xj表示清晰图像所对应的块组矩阵,Nj表 示噪声所对应的块组矩阵。
由于Xj具应有低秩性,因此可以通过核范数最小化算法进行图像修 复,即运用加权核范数最小化算法可得到融合后的图像,为了方便描述, Yj=Xj+Nj可简写为Y=X+N,则加权核范数最小化算法具体步骤如下:
其中:λ为正则参数,取值为0.6,Y是已知矩阵,X是要得到的近似 Y的低秩矩阵,是Frobenius范数,||X||*是X的核范数;
上述计算公式的全局最优解为:其中Y=U∑VT表示 矩阵Y的奇异值分解,矩阵U和V满足UUT=I,VVT=I,∑是矩阵Y的奇 异值构成的对角阵,并且∑ii的值按大小降序排列,Sλ(∑)是矩 阵∑的软阈值操作,即对任一∑中的对角元素∑ii都有Sλ(∑)ii=max(∑ii- λ,0)。
Step8:将融合后的图像进行对数变化,得到去噪后的图像,如图3 中(d)所示。
实施例2
对需要进行降噪处理的SAR原始图像行对数变换,手动加入方差0.1 的乘性噪声,以将相干噪声抑制模型转换为类似高斯噪声模型,然后按照 与实施例1中Step2~Step8相同的处理方法进行计算。
实施例3
对需要进行降噪处理的SAR原始图像行对数变换,手动加入方差0.02 的乘性噪声,以将相干噪声抑制模型转换为类似高斯噪声模型,然后按照 与实施例1中Step2~Step8相同的处理方法进行计算。
对比例1
对实施例1中Step1处理后的图像(图2(b))采利用Lee滤波算 法进行处理,结果如图3中(a)所示。
从图3中四个图像去噪结果对比可以看出,采用Lee滤波去噪后的图 像比较模糊且丢失了大量的细节,NSST-GNL去噪算法虽然有效地抑制了 图像的相干噪声,但是去噪图像中存在人造纹理,BSSR去噪算法模糊了 SAR图像的边缘,而本发明的算法与NSST-GNL和NSSR算法相比具有更好 的视觉效果,充分的说明了本文算法的优势。
为进一步体现本发明方法的优越性,下面通过峰值信噪比(PSNR)、 等效视数(ENL)、边缘保持指数(EPI)三个指标来加以说明,该三个指标 中,PSNR越大表明算法的去噪能力越强,ENL越大表明算法的去噪后的视 觉效果越好,而EPI越大表明算法的边界保持能力越强。
表1给出了对含有不同噪声方差的含噪图像进行去噪后各算法的客 观评价数值。
表1:
从表1中评价结果对比可以看出,本发明的算法能够较好的保持图像 的结构信息,优于其它去噪方法。
实施例4
采用本发明的方法对真实遥感图像,进行去噪处理,如图4所示,其 为陕西省物理网实验研究中心电力线路设计SAR图像,图像大小为256× 256。
对图4中原始图像按照实施例1中Step2~Step8的方法进行去噪处 理,结果如图5中(d)所示。
同时,图5中还给出了本发明方法实施过程中的NSST-GNL去噪算法 和BSSR去噪算法的处理结果,如图5中(b)和(c)所示,以及给出了 采用Lee去噪算法的处理结果,如图5中(a)所示。
从图5所示的实验结果来看,图5(a)的效果最差,这也说明Lee 滤波对SAR图像的相干噪声处理的效果不佳。对比图5(b)、(c)和(d), NSST-GNL去噪算法引入了人造纹理,在左下角的电线明显的有一些线状 纹理,而BSSR去噪算法则模糊了SAR图像的边缘,很明显在图5(c)左 下角的电线被模糊的很厉害,几乎看不出是几条线了,而图5(d)所显 示的本发明的去噪算法的视觉效果最好。
另外,在表2中给出了SAR图像各去噪算法去噪后的客观评价标准。
表2:
去噪算法 | PSNR | ENL | EPI |
Lee滤波 | 19.33 | 11.04 | 0.85 |
NSST-GNL | 21.85 | 13.45 | 0.96 |
BSSR | 22.55 | 12.54 | 0.94 |
实施例4 | 23.01 | 17.16 | 0.96 |
从表2可以看到本文算法所有指标是所有算法中最高的。
Claims (1)
1.一种合成孔径雷达图像去噪方法,其特征在于,所述方法具体包括以下步骤:
(1)对待处理的合成孔径雷达图像原始图像先分别利用BSSR和NSST-GNL去噪算法进行去噪,得到两幅去噪图像,图像A和图像B;
(2)对图像A和图像B分别进行分块重叠,得到块组矩阵XA和XB;
(3)对XA和XB求共享相似块
(4)在共享相似块中对XA和XB进行奇异值分解,选择较大的奇异值作为融合图像的奇异值,相对应的特征向量作为融合图像所对应的特征向量,并重构融合图像的块组矩阵XF;
(5)将含有噪声的图像模型转化为Yj=Xj+Nj,其中Yj为步骤(4)所得块组矩阵XF,Xj表示清晰图像所对应的块组矩阵,Nj表示噪声所对应的块组矩阵,通过核范数最小化算法进行图像修复,得到融合后的去噪图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711498074.2A CN107945142B (zh) | 2017-12-29 | 2017-12-29 | 一种合成孔径雷达图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711498074.2A CN107945142B (zh) | 2017-12-29 | 2017-12-29 | 一种合成孔径雷达图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107945142A true CN107945142A (zh) | 2018-04-20 |
CN107945142B CN107945142B (zh) | 2020-08-11 |
Family
ID=61938316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711498074.2A Active CN107945142B (zh) | 2017-12-29 | 2017-12-29 | 一种合成孔径雷达图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107945142B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765330A (zh) * | 2018-05-21 | 2018-11-06 | 西北大学 | 基于全局和局部先验联合约束的图像去噪方法和装置 |
CN115115553A (zh) * | 2022-08-26 | 2022-09-27 | 华伦医疗用品(深圳)有限公司 | 一种内窥镜图像降噪处理方法、电子设备及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049892A (zh) * | 2013-01-27 | 2013-04-17 | 西安电子科技大学 | 基于相似块矩阵秩最小化的非局部图像去噪方法 |
US20130156340A1 (en) * | 2011-12-20 | 2013-06-20 | Fatih Porikli | Image Filtering by Sparse Reconstruction on Affinity Net |
US20160202336A1 (en) * | 2015-01-12 | 2016-07-14 | The Board Of Trustees Of The University Of Illinois | System and method for high-resolution spectroscopic imaging |
CN105894476A (zh) * | 2016-04-21 | 2016-08-24 | 重庆大学 | 基于字典学习融合的sar图像降噪处理方法 |
CN107085835A (zh) * | 2017-05-10 | 2017-08-22 | 五邑大学 | 基于四元数加权核范数最小的彩色图像去噪方法 |
-
2017
- 2017-12-29 CN CN201711498074.2A patent/CN107945142B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130156340A1 (en) * | 2011-12-20 | 2013-06-20 | Fatih Porikli | Image Filtering by Sparse Reconstruction on Affinity Net |
CN103049892A (zh) * | 2013-01-27 | 2013-04-17 | 西安电子科技大学 | 基于相似块矩阵秩最小化的非局部图像去噪方法 |
US20160202336A1 (en) * | 2015-01-12 | 2016-07-14 | The Board Of Trustees Of The University Of Illinois | System and method for high-resolution spectroscopic imaging |
CN105894476A (zh) * | 2016-04-21 | 2016-08-24 | 重庆大学 | 基于字典学习融合的sar图像降噪处理方法 |
CN107085835A (zh) * | 2017-05-10 | 2017-08-22 | 五邑大学 | 基于四元数加权核范数最小的彩色图像去噪方法 |
Non-Patent Citations (5)
Title |
---|
CONG WEIHUA等: "An Improved Three-Dimensional Block Matching Image De-noise Algorithm and Its Application in a 3D Imaging Sonar", 《2016 IEEE/OES CHINA OCEAN ACOUSTICS (COA)》 * |
JING FANG等: "SAR image de-noising based on texture strength and weighted nuclear norm minimization", 《JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS》 * |
李娜等: "基于稀疏表示和加权核范数极小化的图像去噪", 《南开大学学报(自然科学版)》 * |
赵杰等: "基于NSST变换域WNNM和KAD算法的SAR图像去噪", 《郑州大学学报(理学版)》 * |
马爽等: "块关联匹配与低秩矩阵超分辨融合的图像修复", 《计算机辅助设计与图形学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765330A (zh) * | 2018-05-21 | 2018-11-06 | 西北大学 | 基于全局和局部先验联合约束的图像去噪方法和装置 |
CN115115553A (zh) * | 2022-08-26 | 2022-09-27 | 华伦医疗用品(深圳)有限公司 | 一种内窥镜图像降噪处理方法、电子设备及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107945142B (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ellmauthaler et al. | Multiscale image fusion using the undecimated wavelet transform with spectral factorization and nonorthogonal filter banks | |
Liu et al. | Image fusion with convolutional sparse representation | |
CN108921800B (zh) | 基于形状自适应搜索窗口的非局部均值去噪方法 | |
Cho et al. | Weakly-and self-supervised learning for content-aware deep image retargeting | |
CN104715461B (zh) | 图像去噪方法 | |
CN103473740B (zh) | 基于稀疏表示和低秩双重约束的非局部去噪方法 | |
CN101944230B (zh) | 基于多尺度的自然图像非局部均值去噪方法 | |
Xie et al. | Single depth image super resolution and denoising via coupled dictionary learning with local constraints and shock filtering | |
DE102016011380A1 (de) | Bildsynthese unter Verwendung einer Aktivmaske | |
CN110097617B (zh) | 基于卷积神经网络与显著性权重的图像融合方法 | |
Shi et al. | Translation invariant directional framelet transform combined with Gabor filters for image denoising | |
Tan et al. | Multipoint filtering with local polynomial approximation and range guidance | |
CN109919870A (zh) | 一种基于bm3d的sar图像相干斑抑制方法 | |
CN107689038A (zh) | 一种基于稀疏表示和循环引导滤波的图像融合方法 | |
Xu et al. | A denoising algorithm via wiener filtering in the shearlet domain | |
Gopinathan et al. | Wavelet and FFT Based Image Denoising Using Non-Linear Filters. | |
CN106504207A (zh) | 一种图像数据处理方法 | |
CN107945142A (zh) | 一种合成孔径雷达图像去噪方法 | |
CN107451986B (zh) | 一种基于融合技术的单幅红外图像增强方法 | |
He et al. | An improved image filtering algorithm for mixed noise | |
CN105528772B (zh) | 一种基于指导性滤波的图像融合方法 | |
CN102801983A (zh) | 一种基于dct的去噪方法及装置 | |
CN106530238B (zh) | 一种散乱点云的保特征滤波方法 | |
CN108921785A (zh) | 基于小波包的超分辨率重建方法 | |
Chen et al. | Low-contrast microscopic image enhancement based on multi-technology fusion |
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 |