CN109285127B - 一种改进的PolSAR图像非局部均值滤波方法 - Google Patents

一种改进的PolSAR图像非局部均值滤波方法 Download PDF

Info

Publication number
CN109285127B
CN109285127B CN201811018989.3A CN201811018989A CN109285127B CN 109285127 B CN109285127 B CN 109285127B CN 201811018989 A CN201811018989 A CN 201811018989A CN 109285127 B CN109285127 B CN 109285127B
Authority
CN
China
Prior art keywords
pixel point
filtered
image
coefficient
calculating
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
Application number
CN201811018989.3A
Other languages
English (en)
Other versions
CN109285127A (zh
Inventor
韩萍
贾锟
卢晓光
张喆
韩斌斌
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.)
Civil Aviation University of China
Original Assignee
Civil Aviation University of China
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 Civil Aviation University of China filed Critical Civil Aviation University of China
Priority to CN201811018989.3A priority Critical patent/CN109285127B/zh
Publication of CN109285127A publication Critical patent/CN109285127A/zh
Application granted granted Critical
Publication of CN109285127B publication Critical patent/CN109285127B/zh
Expired - Fee Related 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
    • 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
    • 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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

一种改进的PolSAR图像非局部均值滤波方法。该方法结合图像子块的统计特性和目标点的极化散射特性筛选同质像素点，引入变异系数自适应选取平滑系数计算滤波所需的权重，对同质像素点进行非局部均值滤波，最后输出滤波后的PolSAR图像。本发明方法具有以下优点：1)可有效滤除相干斑噪声2)具有较强的自适应程度，本发明方法能够根据图像块的异质性来自适应选取平滑系数，在滤除噪声的前提下，更好地保持了图像的边缘特征3)利用极化筛选使滤波后图像点目标的极化散射特征得到了较好地保持。

Description

一种改进的PolSAR图像非局部均值滤波方法
技术领域
本发明属于PolSAR图像解译技术领域，特别是涉及一种PolSAR图像非局部均值滤波方法。
背景技术
极化合成孔径雷达(polarimetric synthetic aperture radar，PolSAR)具有全天时、全天候以及高穿透性的工作特性，在地物分类、积雪覆盖测量和灾情估计等遥感观测中起到了越来越广泛的作用。相干斑噪声是PolSAR成像系统所固有的，它的存在不仅会降低图像的视觉质量，而且也不利于分类、识别等对图像的后续处理。因此，相干斑抑制成为了PolSAR图像解译的前提条件。但目前尚缺少有效的方法。
发明内容
为了解决上述问题，本发明的目的在于提供一种在保证相干斑抑制效果的前提下，能够更有效地保持滤波后图像的纹理结构和目标点的极化散射特性的改进的PolSAR图像非局部均值滤波方法。
为了达到上述目的，本发明提供的改进的PolSAR图像非局部均值滤波方法包括按顺序进行的下列步骤：
1)输入PolSAR图像，确定该图像中待滤波像素点的搜索窗并在其中选取同质像素点，组成同质像素点集合；
2)利用变异系数计算PolSAR图像中待滤波像素点的自适应平滑系数；
3)对步骤1)获得的同质像素点集合进行非局部均值滤波，结合步骤1) 得到的相似度和步骤2)得到的自适应平滑系数计算出每个像素点的权重，并将权重进行归一化处理，得到归一化权重；
4)利用步骤3)得到的归一化权重对同质像素点进行加权平均，计算出滤波后的像素点的极化协方差矩阵，最后重构滤波后的PolSAR图像。
在步骤1)中，所述的输入PolSAR图像，确定该图像中待滤波像素点的搜索窗并在其中选取同质像素点，组成同质像素点集合的方法是：首先输入PolSAR 图像，根据所设搜索窗大小确定待滤波像素点的搜索窗，然后对搜索窗内的所有像素点进行极化筛选，选取满足极化筛选条件的像素点作为参考滤波像素点；计算每个参考滤波像素点与待滤波像素点之间的相似度，然后利用阈值判别法筛选像素点，满足筛选条件的像素点将组成同质像素点集合，不满足条件的像素点则舍弃。
在步骤2)中，所述的利用变异系数计算PolSAR图像中待滤波像素点的自适应平滑系数的方法是：根据极化协方差矩阵C计算每个像素点的散射功率，由计算出的每个像素点的散射功率得到散射功率图，在散射功率图上计算出每个像素点的变异系数，利用变异系数计算出待滤波像素点的自适应平滑系数。
在步骤3)中，所述的对步骤1)获得的同质像素点集合进行非局部均值滤波，结合步骤1)得到的相似度和步骤2)得到的自适应平滑系数计算出每个像素点的权重，并将权重进行归一化处理，得到归一化权重的方法是：在同质像素点集合中，利用相似度和自适应平滑系数计算每个像素点的权重，最后将这些权重累加并计算每个同质像素点的归一化权重。
在步骤4)中，所述的利用步骤3)得到的归一化权重对同质像素点进行加权平均，计算出滤波后的像素点的极化协方差矩阵，最后重构滤波后的PolSAR 图像的方法是：将待滤波像素点的同质像素点集合中每个像素点的极化协方差矩阵与其归一化权重相乘，最后再累加得到新的极化协方差矩阵；将待滤波像素点进行滑窗处理，直到遍历整幅PolSAR图像，得到PolSAR图像中每一个像素点滤波后的极化协方差矩阵，最后重构滤波后的PolSAR图像。
本发明提供的改进的PolSAR图像非局部均值滤波方法与现有方法相比具有以下优点：(1)本发明方法用极化筛选优化相似像素点的选取规则，将PolSAR 图像的统计特性和极化散射特性相结合，提高了相似像素点选取的准确性，同时也提高了滤波效率；(2)本发明方法利用图像块的变异系数得到可变的自适应平滑系数，使得其能够随着图像块的异质性自适应改变，在有效滤除噪声的基础上，可使PolSAR图像的边缘保持效果更佳。
附图说明
图1为本发明提供的改进的PolSAR图像非局部均值滤波方法流程图。
图2为非局部均值滤波搜索窗示意图。
图3(a)为San Francisco地区PolSAR数据PauliRGB图。
图3(b)为San Francisco地区对应的光学图。
图4(a)为Hayward Fault地区的PauliRGB图。
图4(b)为Hayward Fault地区区域对应的光学图。
图5(a)为San Francisco地区精致LEE滤波效果图。
图5(b)为San Francisco地区NL-Pretest滤波效果图。
图5(c)为San Francisco地区本发明方法滤波效果图。
图6(a)为Hayward Fault地区精致LEE滤波效果图。
图6(b)为Hayward Fault地区NL-Pretest滤波效果图。
图6(c)为Hayward Fault地区本发明方法滤波效果图。
图7为San Francisco地区图像中点(500,495)的同极化响应图。其中，(i)原始点目标(ii)精致LEE滤波方法(iii)NL-Pretest滤波方法(iv)本方法。
图8为San Francisco地区图像中点(500,495)的交叉极化响应图。其中，(i)原始点目标(ii)精致LEE滤波(iii)NL-Pretest滤波(iv)本方法。
图9为Hayward Fault地区图像中点(217,83)的同极化响应图。其中，(i)原始点目标(ii)精致LEE滤波(iii)NL-Pretest滤波(iv)本方法。
图10为Hayward Fault地区图像中点(217,83)的交叉极化响应图。其中， (i)原始点目标(ii)精致LEE滤波(iii)NL-Pretest滤波(iv)本方法。
具体实施方式
下面结合附图和具体实施例对本发明提供的改进的PolSAR图像非局部均值滤波方法进行详细说明。
如图1所示，本发明提供的改进的PolSAR图像非局部均值滤波方法包括按顺序进行的下列步骤：
1)输入PolSAR图像，确定该图像中待滤波像素点的搜索窗并在其中选取同质像素点，组成同质像素点集合；
具体步骤如下：
(a)首先输入PolSAR图像，如图2所示，设待滤波像素点为x，以该像素点为中心选取一定范围内的图像块作为待滤波像素点x的搜索窗S(x)；以待滤波像素点x为中心的3×3邻域像素块为待滤波像素点x的邻域窗，记为X；对搜索窗S(x)内像素点进行极化筛选：利用Yamaguchi分解方法将PolSAR图像的协方差矩阵C分解为以下四个分量：
C＝[PS PD PV PC] (1)
其中，PS、PD、PV、PC分别表示表面散射功率、二面散射功率、体散射功率以及螺旋散射功率。选取这四个散射功率中的最大散射功率对应的散射方式作为该像素点的主导散射机制，判断搜索窗S(x)中的像素点和待滤波像素点x的主导散射机制是否相同，若相同，将该像素点视为待滤波像素点x的同质像素点并作为参考滤波像素点加以保留；
(b)对于上一步保留的参考滤波像素点，如图2所示，以邻域窗为单位计算其与待滤波像素点x之间的相似度，公式如下：
Figure BDA0001786846660000051
其中，C(Xi)、C(Yi)分别表示以待滤波像素点x和像素点y为中心的邻域窗中第i个像素点的协方差矩阵；k表示邻域窗中包含的像素点个数。然后利用阈值判别法对第i个像素点进行相似度筛选，公式如下：
Figure BDA0001786846660000052
式中，H表示相似度阈值，计算公式为：
Figure BDA0001786846660000053
式中，k表示邻域窗中包含的像素点个数，l表示视数，K表示调整参数。调整参数K较大时表示更多的像素点将会参与滤波。在实验中，可以根据滤波需求对调整参数K进行适度调整。最后由筛选出的所有同质像素点组成同质像素点集合；
2)利用变异系数计算PolSAR图像中待滤波像素点的自适应平滑系数；
具体步骤如下：
(a)首先利用PolSAR图像的极化协方差矩阵C计算每个像素点的散射功率Span，公式如下：
Span＝C11+C22+C33 (5)
其中，C11、C22、C33表示极化协方差矩阵对角线上的元素；由计算出的每个像素点的散射功率Span可得到散射功率图。
(b)在散射功率图上计算出每个像素点的变异系数，公式如下：
Figure BDA0001786846660000061
其中，CV(x)表示以待滤波像素点x为中心的邻域窗X的变异系数，σ(·)表示对极化协方差矩阵取标准差运算，μ(·)表示取均值运算；
(c)利用上述变异系数计算待滤波像素点x的自适应平滑系数，公式如下：
Figure BDA0001786846660000062
其中，h(x)表示待滤波像素点x的自适应平滑系数，μ(CV)表示对整幅 PolSAR图像的变异系数CV值取均值运算；e(·)表示取指数运算。
3)对步骤1)获得的同质像素点集合进行非局部均值滤波，结合步骤1) 得到的相似度和步骤(2)得到的自适应平滑系数计算出每个像素点的权重，并将权重进行归一化处理，得到归一化权重；
如图2所示，如上所述，待滤波像素点为x，以该像素点为中心选取一定范围内的图像块为待滤波像素点x的搜索窗S(x)；以该像素点为中心的3×3邻域像素块为待滤波像素点x的邻域窗X；y为搜索窗S(x)中的像素点，以其为中心的 3×3的邻域像素块为像素点y的邻域窗，记为Y。
具体步骤如下：
1、判断像素点y是否在上述同质像素点集合内，如果是，转下一步；否则，令权重ω(x,y)＝0；
2、利用相似度d(X,Y)和自适应平滑系数h(x)计算权重ω(x,y)，公式如下：
Figure BDA0001786846660000063
3、对像素点y进行滑窗处理，步长为1，并重复上述步骤1和2，直到遍历整个搜索窗S(x)，得到每个同质像素点的权重；
4、将上述权重累加得到权重和，然后将每个像素点的权重除以权重和得到归一化权重；
4)利用步骤3)得到的归一化权重对同质像素点进行加权平均，计算出滤波后的像素点的极化协方差矩阵，最后重构滤波后的PolSAR图像。
具体步骤如下：
对待滤波像素点x按如下公式进行滤波：
Figure RE-GDA0001831764860000071
其中，
Figure RE-GDA0001831764860000072
为待滤波像素点x滤波后的协方差矩阵，C(y)为像素点y的协方差矩阵。
然后将待滤波像素点x进行滑窗处理，直到遍历整个PolSAR图像，得到 PolSAR图像中所有像素点滤波后的极化协方差矩阵，最后重构滤波后的PolSAR 图像。
本发明提供的改进的PolSAR图像非局部均值滤波方法的效果可以通过以下实验结果进一步说明。
本发明人将本发明方法和精致Lee滤波以及NL-Pretest滤波方法从相干斑抑制效果、边缘保持能力、极化特性保持效果等方面进行了比较和分析。
实验数据描述：实验数据包括AIRSAR系统在San Francisco地区采集的数据和UAVSAR系统在Hayward Fault地区采集的数据。San Francisco地区 PauliRGB图和谷歌地图上对应区域的光学图如图3所示。图3(a)为PauliRGB 图，数据大小为900×700像素点，等效视数4视；图3(b)为对应区域的光学图像。Hayward Fault地区PauliRGB图和对应光学图像如图4所示。图4(a) 为Hayward Fault地区的PauliRGB图，数据大小为700×500像素点，等效视数为4视；图4(b)为对应区域的光学图像。
实验参数描述：实验中，本发明方法的邻域窗大小为3×3像素点，搜索窗大小为15×15像素点；精致LEE滤波方法的窗口大小为7×7像素点；NL-Pretest滤波方法所设邻域窗大小为3×3像素点，搜索窗大小为15×15像素点。
图5、图6给出精致Lee滤波方法、NL-Pretest滤波方法以及本发明方法对 SanFrancisco和Hayward Fault地区的滤波结果。由图可以看出，精致Lee滤波方法滤波后PolSAR图像出现了斑块效应，NL-Pretest滤波方法在更精细的纹理区域出现过滤波，导致PolSAR图像轻微模糊。选取了两幅图中的匀质区域1、 2、3和边缘区域A、B、C分别计算其等效视数(ENL)和边缘保持指数(EPI)，得到的结果如表1和表2所示。结果说明本发明方法不仅有效滤除了噪声，而且更好地保持了PolSAR图像的边缘特性。
图7、图8给出了不同方法滤波后的两幅实验图像中点目标的同极化响应图和交叉极化响应图。可以很明显地看出，无论是同极化还是交叉极化响应图，本发明方法都更加接近原始目标，对于目标极化散射特性的保持明显强于对比方法。
表1不同滤波方法在两幅散射功率图上的ENL值
Figure BDA0001786846660000081
表2不同滤波方法在两幅散射功率图上的EPI值
Figure BDA0001786846660000082

Claims (1)

1.一种改进的PolSAR图像非局部均值滤波方法，所述的改进的PolSAR图像滤波方法包括按顺序进行的下列步骤：
1)输入PolSAR图像，确定该图像中待滤波像素点的搜索窗并在其中选取同质像素点，组成同质像素点集合；
2)利用变异系数计算PolSAR图像中待滤波像素点的自适应平滑系数；
3)对步骤1)获得的同质像素点集合进行非局部均值滤波，结合步骤1)得到的相似度和步骤2)得到的自适应平滑系数计算出每个像素点的权重，并将权重进行归一化处理，得到归一化权重；
4)利用步骤3)得到的归一化权重对同质像素点进行加权平均，计算出滤波后的像素点的极化协方差矩阵，最后重构滤波后的PolSAR图像；
其特征在于：在步骤2)中，所述的利用变异系数计算PolSAR图像中待滤波像素点的自适应平滑系数的方法是：
(a)首先利用PolSAR图像的极化协方差矩阵C计算每个像素点的散射功率Span，公式如下：
Span＝C11+C22+C33 (5)
其中，C11、C22、C33表示极化协方差矩阵对角线上的元素；由计算出的每个像素点的散射功率Span可得到散射功率图；
(b)在散射功率图上计算出每个像素点的变异系数，公式如下：
Figure FDA0003171691530000011
其中，CV(x)表示以待滤波像素点x为中心的邻域窗X的变异系数，σ(·)表示对极化协方差矩阵取标准差运算，μ(·)表示取均值运算；
(c)利用上述变异系数计算待滤波像素点x的自适应平滑系数，公式如下：
Figure FDA0003171691530000012
其中，h(x)表示待滤波像素点x的自适应平滑系数，μ(CV)表示对整幅PolSAR图像的变异系数CV值取均值运算；e(·)表示取指数运算。
CN201811018989.3A 2018-09-03 2018-09-03 一种改进的PolSAR图像非局部均值滤波方法 Expired - Fee Related CN109285127B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811018989.3A CN109285127B (zh) 2018-09-03 2018-09-03 一种改进的PolSAR图像非局部均值滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811018989.3A CN109285127B (zh) 2018-09-03 2018-09-03 一种改进的PolSAR图像非局部均值滤波方法

Publications (2)

Publication Number Publication Date
CN109285127A CN109285127A (zh) 2019-01-29
CN109285127B true CN109285127B (zh) 2021-08-31

Family

ID=65184048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811018989.3A Expired - Fee Related CN109285127B (zh) 2018-09-03 2018-09-03 一种改进的PolSAR图像非局部均值滤波方法

Country Status (1)

Country Link
CN (1) CN109285127B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201448568A (zh) * 2013-01-04 2014-12-16 Intel Corp 用於可縮放視訊編碼的層間預估的細化濾波器
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201448568A (zh) * 2013-01-04 2014-12-16 Intel Corp 用於可縮放視訊編碼的層間預估的細化濾波器
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Robust Polarimetric SAR Despeckling Based on nonlocal Means and Distributed Lee Filter";HuaZhong 等;《IEEE》;20130916;全文 *
"基于同质像素预选择的极化SAR图像非局部均值滤波";杨学志 等;《电子与信息学报》;20151215;全文 *
"改进的基于非局部均值的极化SAR相干斑抑制";赵忠民 等;《中国图像图形学报》;20130819;参见正文第1-3章 *

Also Published As

Publication number Publication date
CN109285127A (zh) 2019-01-29

Similar Documents

Publication Publication Date Title
CN108805835B (zh) 基于截断统计特征的sar图像双边滤波方法
Pan et al. Underwater image de-scattering and enhancing using dehazenet and HWD
CN109919870B (zh) 一种基于bm3d的sar图像相干斑抑制方法
CN109377450B (zh) 一种边缘保护的去噪方法
Guo et al. Automatic image haze removal based on luminance component
CN110516728B (zh) 基于去噪卷积神经网络的极化sar地物分类方法
CN108564597A (zh) 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法
Karalı et al. Adaptive image enhancement based on clustering of wavelet coefficients for infrared sea surveillance systems
Lai et al. Gaussian mixture modeling of histograms for contrast enhancement
CN112070717A (zh) 基于图像处理的输电线路覆冰厚度检测方法
CN104036461A (zh) 一种基于联合滤波的红外复杂背景抑制方法
Hazarika et al. A lapped transform domain enhanced lee filter with edge detection for speckle noise reduction in SAR images
CN111461999B (zh) 一种基于超像素相似性测量的sar图像相干斑抑制方法
CN109285127B (zh) 一种改进的PolSAR图像非局部均值滤波方法
CN109584192B (zh) 基于多光谱融合的目标特征增强方法、装置与电子设备
Smolka Robust sharpening vector median filter
CN107945142B (zh) 一种合成孔径雷达图像去噪方法
CN115393577A (zh) 一种红外海上小目标抗干扰的检测方法
CN112465845A (zh) 一种基于计算机视觉的图像模糊边缘信息分割方法
Tong et al. An improved non-local means filter for SAR image despeckle based on heterogeneity measurement
Liu et al. Image de-hazing based on optimal compression and histogram specification
Song et al. Underwater image enhancement method based on dark channel prior and guided filtering
Xu et al. Underwater Image Enhancement of Improved Retinex Base on Statistical Learning
Sun et al. Image segmentation algorithm based on top-hat transformation
Zhang et al. Contrast study of side scan sonar image enhancement methods

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210831