CN110335214A - 结合上下文协方差矩阵的全极化sar图像相干斑滤波方法 - Google Patents
结合上下文协方差矩阵的全极化sar图像相干斑滤波方法 Download PDFInfo
- Publication number
- CN110335214A CN110335214A CN201910614075.1A CN201910614075A CN110335214A CN 110335214 A CN110335214 A CN 110335214A CN 201910614075 A CN201910614075 A CN 201910614075A CN 110335214 A CN110335214 A CN 110335214A
- Authority
- CN
- China
- Prior art keywords
- pixel
- context
- covariance matrix
- sar
- ccm
- 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 100
- 239000011159 matrix material Substances 0.000 title claims abstract description 85
- 238000001914 filtration Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 101
- 230000001427 coherent effect Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000003018 immunoassay Methods 0.000 claims description 36
- 238000005191 phase separation Methods 0.000 claims description 36
- 230000010287 polarization Effects 0.000 claims description 26
- 241000209094 Oryza Species 0.000 claims description 18
- 235000007164 Oryza sativa Nutrition 0.000 claims description 18
- 235000009566 rice Nutrition 0.000 claims description 18
- 230000017105 transposition Effects 0.000 claims description 11
- 239000003102 growth factor Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims 1
- 238000003708 edge detection Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 14
- 230000006872 improvement Effects 0.000 description 7
- 230000009467 reduction Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 101100379079 Emericella variicolor andA gene Proteins 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种结合上下文协方差矩阵的全极化SAR图像相干斑滤波方法,包括1、输入待滤波的全极化SAR图像;2、对全极化SAR图像中的像素点,在其邻域内构建上下文散射矢量,并构建上下文协方差矩阵;3、求取相似度参数;4、计算相似度参数的判决门限;5、选取相似样本像素集,并对待滤波像素点进行滤波处理;步骤6:遍历待滤波的全极化SAR图像中的每一个像素,重复步骤2至5,得到滤波结果图。本发明通构建上下文协方差矩阵,有效利用了每个像素的上下文信息,通过计算每一个像素与其邻域内像素的上下文协方差矩阵来计算相似度,提高了相似像素的选取精度,因此,相似像素样本集的相似度更高,从而对图像进行相干斑滤波,滤波器性能优越。
Description
技术领域
本发明属于全极化SAR(Synthetic Aperture Radar,合成孔径雷达)成像遥感技术领域, 涉及一种结合上下文协方差矩阵的全极化SAR图像相干斑滤波方法。
背景技术
全极化SAR成像系统通过一组正交的收发天线,可以获取观测对象的极化散射矩阵,能 够更全面地描述目标的散射特性。相干斑现象广泛存在于全极化SAR等相干成像系统所获得 的图像中。相干斑的存在给全极化SAR图像理解和解译带来了困难和挑战。在进行诸如目标 检测、分类和识别等处理时,通常需要对全极化SAR图像进行相干斑滤波预处理。性能优良 的相干斑滤波方法要求在充分抑制相干斑的同时很好地保护地物细节。作为全极化SAR图像 预处理,相干斑滤波性能直接影响后续各种处理和应用的效果。因此,发展具有高精度的全 极化SAR相干斑自适应滤波方法具有重要意义。
相干斑滤波主要包含两个步骤:一是相似候选样本像素的选取,二是无偏估计器的构建。 其中,相似候选样本像素的选取是决定相干斑滤波性能的关键,成为该领域的研究重点。从 上世纪80年代开始,国内外对相干斑滤波方法进行了广泛研究,代表性的滤波器包括:对滑 窗内像素不加区分进行平均处理的Boxcar滤波器、利用8种边缘窗进行相似样本像素选取的 改进Lee滤波器(J.S.Lee,“Refined filtering of image noise usinglocal statistics,”Computer Graphics and Image Processing,vol.15,pp.380-389,1981.)、利用滑窗内样本散射起伏特性并引 入强点保护的改进型Sigma滤波器(J.S.Lee,J.H.Wen,T.L.Ainsworth,K.S.Chen,andA.J. Chen,“Improved sigma filter forspeckle filtering of SAR imagery,”IEEE Trans.Geosci.Remote Sens.,vol.47,pp.202-213,Jan 2009.)、以及结合非邻域滤波和小波分解的SAR-BM3D滤波器(S.Parrilli,M.Poderico,C.V.Angelino,and L.Verdoliva,“A Nonlocal SAR ImageDenoising Algorithm Based on LLMMSE Wavelet Shrinkage,”IEEETrans.Geosci.Remote Sens.,vol.50,pp. 606-616,Feb 2012.)等。在相似样本选取过程中,上述方法主要利用每个像素或每个小区块 内像素的幅度信息,没有充分考虑像素点与周边邻近像素的上下文信息,在相似样本选取的 数量和准确性方面存在不足,进而导致相干斑滤波性能不足。因此,通过构建一种充分考虑 目标散射上下文信息的上下文协方差矩阵,并建立上下文协方差矩阵的相似性检验因子,用 于相似性样本刻画与选取,进而构建一种结合上下文协方差矩阵的全极化SAR图像相干斑滤 波方法具有重要意义。
发明内容
本发明要解决的技术是,提供一种充分利用目标散射上下文信息,准确选取候选样本像 素集,提高全极化SAR图像的自适应相干斑滤波性能的结合上下文协方差矩阵的全极化SAR 图像相干斑滤波方法。
本发明的基本思路是:根据全极化SAR成像原理,SAR图像中每个像素的取值与其周围 邻域像素是密切相关的。这种相关性中蕴含着丰富的信息,即上下文信息。有效利用这种上 下文信息能够提高相似像素的选取精度,进而提升相干斑滤波性能。具体而言,针对全极化 SAR图像中每一个像素,本发明首先在一个win×win的邻域内构建上下文散射矢量和上下 文协方差矩阵。在此基础上,根据矩阵相似性检验原理,建立上下文协方差矩阵相似度参数。 进而,利用上下文协方差矩阵相似度参数,依据门限判决,在一个滑窗内准确选取相似样本 像素集,实现对全极化SAR图像的自适应相干斑滤波。
本发明的技术方案是:一种结合上下文协方差矩阵的全极化SAR图像相干斑滤波方法。 具体包括下述步骤:
一种结合上下文协方差矩阵的全极化SAR图像相干斑滤波方法,包括下述步骤:
步骤1:输入待滤波的全极化SAR图像;
步骤2:对全极化SAR图像中的像素点Sn,m,在该像素点Sn,m的win×win邻域内构建上 下文散射矢量,根据上下文散射矢量构建该像素点的上下文协方差矩阵CCCM-(n,m), n=1,2,…,N,m=1,2,…,M,N,M分别表示全极化SAR图像的行、列像素点总数,win为大 于等于3的奇数;
步骤3:根据像素点Sn,m的上下文协方差矩阵CCCM-(n,m),计算像素点Sn,m的上下文协方差 矩阵CCCM-(n,m)与以像素点Sn,m为中心的滑窗I×J内每个像素点的上下文协方差矩阵CCCM-(i,j)的相似度参数lnQij-nm,得到相似度参数矩阵lnQnm-IJ,i=1,2,…,I,j=1,2,…,J,I、J分别 表示滑窗的行、列像素点总数,I、J为奇数;
步骤4:计算相似度参数的判决门限;
步骤5:根据相似度参数的判决门限,在以像素点Sn,m为中心的滑窗I×J内选取相似样 本像素集,并对待滤波像素Sn,m进行滤波处理;
步骤6:遍历待滤波的全极化SAR图像中的每一个像素,重复步骤2至5,得到SAR相干斑 滤波结果图。
为进一步优化方案,还做了以下改进:
进一步地,步骤2中所述构建上下文散射矢量和上下文协方差矩阵的方法为:
根据上下文矢量构建规则在以种子像素点Sn,m为核心的邻域内,在各个矢量构建方向上 选取一定数量的像素点,这些像素点包含种子像素点Sn,m及其邻域像素点,各方向的上下文 矢量中的元素由从各矢量构建方向上所选取的各像素点在全极化图像数据各通道上的像 素值组成,所述各个方向上的上下文矢量维度一致,每个上下文矢量选取的像素中都含有种 子像素点Sn,m,所有方向上的上下文矢量中除种子像素点Sn,m外,其它邻域像素均不重复使 用,表示种子像素点Sn,m第v个方向上的上下文矢量;
步骤2.2:每个方向上的上下文矢量与自身的共轭转置相乘,得到与上下文矢量数量 对应的上下文协方差矩阵,将得到的上下文协方差矩阵进行平均,得到种子像素点Sn,m在该 构建方式下的上下文协方差矩阵,V为所构建的上下文矢量总数, 上标表示共轭转置。
进一步地,所述上下文矢量构建规则是指上下文矢量的构建方向按照以像素点Sn,m为种 子像素呈中心米字状和端点放射状两类,在这两类构建规则中各方向上邻域像素点的选取按 照邻域像素点相对于像素点Sn,m的位置分为对称型、非对称型两类。
进一步地,当构建方向为中心米字状,且各构建方向上像素选取为对称型时,上下文矢 量表示为:
并需要满足下列约束条件:
i1≥j1,i2≥j2,...,id≥jd (4)
i1,j1;i2,j2;...;id,jd且不同时为零 (5)
D为上下文矢量构建方向上选取的像素点的数量,上标T表示转置,channel-1、channel-2、 channel-n分别表示全极化SAR图像的第1、第2、第n通道,分别表示位于全极化SAR 图像第n+id行,第m+jd列的像素Sn+id,m+jd在第channel-n通道上的像素值,i1,i2,...id表示 在像素点Sn,m的坐标(n,m)基础上行的步长值,j1,j2,...jd表示在像素点Sn,m的坐标(n,m) 基础上列的步长值,d为整数。
当构建方向为中心米字状,且各构建方向上像素选取为非对称型时,上下文矢量表示为:
并需要满足下列约束条件:
i1≥j1,...id1≥jd1,i2≥j2,...id2≥jd2 (10)
i1,j1…id1,jd1以及i2,j2…id2,jd2不同时为零 (11)
i1=i2,...,id1=id2,j1=j2,...,jd1=jd2不同时成立 (12)
1≤d1≤D-2,1≤d2≤D-2,d1+d2≤D-2 (13)
i1,...id1;i2,...id2表示在像素点Sn,m的坐标(n,m)基础上行的步长值,j1,...jd1;j2,...jd2表示 在像素点Sn,m的坐标(n,m)基础上列的步长值,d1、d2为整数;
当构建方向为端点放射状时,上下文矢量表示为:
还需要满足下列约束条件:
i=0,1,2,···,(win-1) (15)
j=0,1,2,···,(win-1) (16)
0<k1<k2<...<kd≤1 (17)
i,j,k1·i,k1·j,…kd·i,kd·j均为整数 (18)
i+j-(win-1)>0 (19)
i,j不同时为零 (20)
d=D-1 (21)
k1·i,k1·j,…kd·i,kd·j分别表示在像素点Sn,m的坐标(n,m)基础上行、列的步长值, k1...kd为行、列的步长增长系数,i、j分别表示各上下文矢量构建方向上所选取的第D个像 素点的横纵坐标相对于像素点Sn,m的坐标(n,m)偏移量。
进一步地,步骤3中计算相似度参数lnQij-nm和相似度参数矩阵lnQnm-IJ的方法是:
1)计算CCCM-(n,m)和CCCM-(i,j)的相似度参数lnQij-nm:
lnQnm-ij=2qln2+ln[Det(CCCM-(i,j))]+ln[Det(CCCM-(n,m))]-2ln[Det(CCCM-(i,j)+CCCM-(n,m))] (22)
其中,q为上下文协方差矩阵CCCM-(n,m)的维度,Det(·)表示取矩阵的行列式,符号ln表示 自然对数,当CCCM-(i,j)=CCCM-(n,m)时,lnQij-nm=0;而当CCCM-(i,j)≠CCCM-(n,m)时,lnQij-nm<0;
2)相似度参数矩阵lnQnm-IJ
遍历滑窗I×J内每一个像素的上下文协方差矩阵CCCM-(i,j),通过式(22)计算得到滑窗 I×J内每一个像素Si,j的上下文协方差矩阵与待滤波像素点Sn,m的上下文协方差矩阵的相似 度参数lnQij-nm,滑窗I×J内每个像素与待滤波像素Sn,m的相似度参数组成相似度参数矩阵 lnQnm-IJ,lnQij-nm为相似度参数矩阵lnQnm-IJ中第i行第j列的元素。
进一步地,步骤4中判决门限的计算方法是其中,E为调节参数,平衡相干 斑的抑制和图像细节保持,L为SAR图像的多视视数,q为上下文协方差矩阵CCCM-(n,m)的维度。
进一步地,步骤5中选取相似样本像素集的方法是:在待滤波像素Sn,m的滑窗I×J内, 将相似度参数矩阵lnQnm-IJ中的每一个相似度参数与判决门限Th进行比较,相似度参数矩阵 lnQnm-IJ中取值大于门限Th所对应的像素确定为候选样本像素集,记为:
{SCCM-g}={Si,j|lnQnm-IJ≥Th}。
进一步地,步骤5中对待滤波像素进行滤波处理的方法是:设{SCCM-g}中元素数目为G, 则对待滤波像素Sn,m的滤波处理结果为:
进一步地,滑窗I×J中I、J的取值为15~25。
进一步地,所述判决门限Th的参数,对于win=3,q=9,当图像为ADTS数据时,L取
值为1,E取值为当图像为Radarsat2数据,L取值为2,E取值为
采用本发明可取得以下技术效果:
本发明所述的基于全极化SAR数据相似性检验的相干斑滤波方法,利用了全极化SAR 图像中相邻位置的像素值之间的关系,构建上下文协方差矩阵,由于上下文协方差矩阵充分 利用了全极化图像中各通道之间的信息,因此在根据滑窗内各像素的上下文矩阵之间的相似 度参数,选择出相似性更高的像素样本集,从而使得对权极化SAR数据的真值的估计值准确 率更高,从而使得对图像进行相干斑滤波的滤波性能更好。本发明作为全极化SAR图像信息 处理的预处理环节,将在目标分类识别等应用领域提供重要的技术支撑。
附图说明
图1本发明的实施流程图;
图2为邻域大小3×3,上下文矢量的维度为3,中心米字状+对称型的上下文矢量构建示 意图,图(a)表示取点规则,图(b)~(e)为该构建方式下4个上下文矢量中三个元素对应的邻域像素位置;其中黑色像素表示选定的种子像素;
图3为邻域大小3×3,上下文矢量的维度为3,端点放射状的上下文矢量构建示意图; 图(a)表示取点规则,图(b)~(d)为该构建方式下3个上下文矢量中三个元素对应的邻域像素位置;其中黑色像素表示选定的种子像素;
图4为邻域大小为5×5,上下文矢量的维度为3,中心米字状+对称型的上下文矢量构建 示意图,图(a)表示取点规则,图(b)~(m)为该构建方式下12个上下文矢量中三个元素对应的邻域像素位置;其中黑色像素表示选定的种子像素;
图5为邻域大小为5×5,上下文矢量的维度为3,中心米字状+非对称型的上下文矢量构 建示意图,图(a)表示取点规则,图(b)~(i)为该构建方式下8个上下文矢量中三个元素对应的邻域像素位置;其中黑色像素表示选定的种子像素;
图6为邻域大小为5×5,上下文矢量的维度为5,中心米字状+对称型的上下文矢量构建 示意图;图(a)表示取点规则,图(b)~(e)为该构建方式下4个上下文矢量中三个元素对应的邻域像素位置;其中黑色像素表示选定的种子像素;
图7为邻域大小为5×5,上下文矢量的维度为5,端点放射状的上下文矢量构建示意图; 图(a)表示取点规则,图(b)~(d)为该构建方式下3个上下文矢量中三个元素对应的邻 域像素位置;其中黑色像素表示选定的种子像素;
图8为星载Radarsat2全极化SAR数据能量图相干斑滤波结果对比图,(a)原始图像, (b)7×7Boxcar方法滤波结果图,(c)9×9Boxcar方法滤波结果图,(d)7×7改进Lee 方法滤波结果图,(e)9×9改进Lee方法滤波结果图,(f)SAR-BM3D方法滤波结果图,(g) 9×9改进Sigma方法滤波结果图,(h)11×11改进Sigma方法滤波结果图,(i)本发明方法 滤波结果图。
图9为机载ADTS全极化SAR数据相干斑滤波结果对比图,(a)原始图像,(b) 7×7Boxcar方法滤波结果图,(c)9×9Boxcar方法滤波结果图,(d)7×7改进Lee方法滤 波结果图,(e)9×9改进Lee方法滤波结果图,(f)9×9改进Sigma方法滤波结果图,(g) 11×11改进Sigma方法滤波结果图,(h)SAR-BM3D方法滤波结果图,(i)本发明方法滤波 结果图。
图10为机载ADTS全极化SAR数据中边缘检测结果图,(a1)原始图像,(b1) 7×7Boxcar方法滤波结果图,(c1)9×9Boxcar方法滤波结果图,(d1)7×7改进Lee方法 滤波结果图,(e1)9×9改进Lee方法滤波结果图,(f1)边缘真值图,(g1)9×9改进Sigma 方法滤波结果图,(h1)11×11改进Sigma方法滤波结果图,(i1)SAR-BM3D方法滤波结果 图,(j1)本发明方法滤波结果图;(a2)基于原始图像的边缘检测结果图,(b2)基于7×7Boxcar 方法滤波图像的边缘检测结果图,(c2)基于9×9Boxcar方法滤波图像的边缘检测结果图, (d2)基于7×7改进Lee方法滤波图像的边缘检测结果图,(e2)基于9×9改进Lee方法滤 波图像的边缘检测结果图,(f2)边缘真值图,(g2)基于9×9改进Sigma方法滤波图像的边 缘检测结果图,(h2)基于11×11改进Sigma方法滤波图像的边缘检测结果图,(i2)基于 SAR-BM3D方法滤波图像的边缘检测结果图,(j2)基于本发明方法滤波图像的边缘检测结果 图。
具体实施方式
为了更好地理解本发明的技术方案,图1至图10示出了本发明结合上下文协方差矩阵的 全极化SAR图像相干斑滤波方法的一种具体实施例,如图1所示流程图,包括以下步骤:
步骤1:输入待滤波的全极化SAR图像;
步骤2:对全极化SAR图像中的像素点Sn,m,在该像素点Sn,m的win×win邻域内构建上 下文散射矢量,根据上下文散射矢量构建该像素点的上下文协方差矩阵CCCM-(n,m), n=1,2,…,N,m=1,2,…,M,N,M分别表示全极化SAR图像的行、列像素点总数,win为大 于等于3的奇数;
本实施例中,构建上下文矢量和上下文协方差矩阵的方法是:
步骤2.1:根据上下文矢量构建规则在以种子像素点Sn,m为核心的邻域内,在各个矢量构 建方向上选取一定数量的像素点,这些像素点包含种子像素点Sn,m及其邻域像素点,各方向 的上下文矢量中的元素由从各矢量构建方向上所选取的各像素点在全极化图像数据各通 道上的像素值组成,所述各个方向上的上下文矢量维度一致,每个上下文矢量选取的像素中 都含有种子像素点Sn,m,所有方向上的上下文矢量中除种子像素点Sn,m外,其它邻域像素均 不重复使用,表示种子像素点Sn,m第v个方向上的上下文矢量;本实施例中所述上下文矢 量构建规则是指上下文矢量的构建方向按照以像素点Sn,m为种子像素呈中心米字状和端点放 射状两类,在这两类构建规则中各方向上邻域像素点的选取按照邻域像素点相对于像素点 Sn,m的位置分为对称型、非对称型两类。
步骤2.2:每个方向上的上下文矢量与自身的共轭转置相乘,得到与上下文矢量数量 对应的上下文协方差矩阵,将得到的上下文协方差矩阵进行平均,得到种子像素点Sn,m在该 构建方式下的上下文协方差矩阵,V为所构建的上下文矢量总数, 上标表示共轭转置,本实施例中取V≥3,即取3个以上方向的上下文矢量就可以构建上下文 协方差矩阵,上下文矢量越多,种子像素点Sn,m邻域信息越丰富,滤波精度越高。
图2、图4、图6给出了构建方向为中心米字状,且各构建方向上像素选取为对称型时的 像素点取点规则以及构建方向的示意图,图2(a)表示取点规则,图2(b)~(e)为该构建 方式下4个上下文矢量中三个元素对应的邻域像素位置;其中黑色像素表示选定的种子像素;
图4给出了邻域大小为5×5,上下文矢量的维度为3,中心米字状+对称型的上下文矢量构建 示意图。图4(a)表示取点规则,图4(b)~(m)为该构建方式下12个上下文矢量中三个 元素对应的邻域像素位置;其中黑色像素表示选定的种子像素;图6给出了邻域大小为5×5, 上下文矢量的维度为5,中心米字状+对称型的上下文矢量构建示意图;图6(a)表示取点规 则,图6(b)~(e)为该构建方式下4个上下文矢量中三个元素对应的邻域像素位置;其中 黑色像素表示选定的种子像素;因此,当构建方向为中心米字状,且各构建方向上像素点的 选取为对称型时,上下文矢量表示为:
此外还需要满足以下约束条件:
i1≥j1,i2≥j2,...,id≥jd (4)
i1,j1;i2,j2;...;id,jd不同时为零 (5)
D为上下文矢量各构建方向上所选取的像素点的数量,上标T表示转置,channel-1、 channel-2、channel-n分别表示全极化SAR图像的第1、第2、第n通道,分别表示位于 全极化SAR图像第n+id行,第m+jd列的像素Sn+id,m+jd在第n通道上的像素值,i1,i2,...id表 示在像素点Sn,m的坐标(n,m)基础上行的步长值,j1,j2,...jd表示在像素点Sn,m的坐标(n,m) 基础上列的步长值,d为整数。对于全极化图像来说,全极化SAR图像的数据通道数通常为 3(满足互易性条件),分别为HH通道、HV通道、VV通道,当不满足互易性条件时,通道 数为4。
图5给出了邻域大小为5×5,上下文矢量的维度为3,中心米字型+非对称型的上下文矢 量的取点规则以及构建方向的示意图。图5(a)表示取点规则,图5(b)~(i)为该构建方 式下8个上下文矢量中三个元素对应的邻域像素位置;其中黑色像素表示选定的种子像素。 因此当构建方向为中心米字状,且各构建方向上像素选取为非对称型时,上下文矢量表示为:
此外还需要满足以下约束条件:
i1≥j1,...id1≥jd1,i2≥j2,...id2≥jd2 (10)
i1,j1…id1,jd1以及i2,j2…id2,jd2不同时为零 (11)
i1=i2,...,id1=id2,j1=j2,...,jd1=jd2不同时成立 (12)
1≤d1≤D-2,1≤d2≤D-2,d1+d2≤D-2 (13)
i1,...id1;i2,...id2表示在像素点Sn,m的坐标(n,m)基础上行的步长值,j1,...jd1;j2,...jd2表示 在像素点Sn,m的坐标(n,m)基础上列的步长值,d1、d2为整数;
图3和图7给出了构建方向为端点放射状时上下文矢量的构建示意图,图3给出了构建 邻域大小为3×3,上下文矢量的维度为3,端点放射状的上下文矢量构建示意图;图3(a) 表示取点规则,图3(b)~(d)为该构建方式下3个上下文矢量中三个元素对应的邻域像素 位置;其中黑色像素表示选定的种子像素。图7为邻域大小为5×5,上下文矢量的维度为5, 端点放射状的上下文矢量构建示意图;图7(a)表示取点规则,图7(b)~(d)为该构建方式下3个上下文矢量中三个元素对应的邻域像素位置;其中黑色像素表示选定的种子像素。因此当构建方向为端点放射状时,上下文矢量表示为:
还需要满足下列约束条件:
i=0,1,2,···,(win-1) (15)
j=0,1,2,···,(win-1) (16)
0<k1<k2<...<kd≤1 (17)
i,j,k1·i,k1·j,…kd·i,kd·j均为整数 (18)
i+j-(win-1)>0 (19)
i,j不同时为零 (20)
d=D-1 (21)
k1·i,k1·j,…kd·i,kd·j分别表示在像素点Sn,m的坐标(n,m)基础上行、列的步长值, k1、...kd为行列的步长增长系数,i、j分别表示各上下文矢量构建方向上所选取的第D个像 素点的横纵坐标相对于像素点Sn,m的坐标(n,m)偏移量。
本实施例中,对像素点Sn,m取邻域win×win=3×3时,上下文矢量构建方向取中心米字状, 像素点的选取规则为对称型,则所构建的上下文矢量为:
其中上标HH表示全极化图像中的HH极化通道,HV全极化图像中的HV极化通道,VV全极化图像中的VV极化通道。
在此基础上,可以构建上下文协方差矩阵,为
其中,win=3时,V取值为4。上标T表示转置,上标表示共轭转置。
步骤3:根据上下文协方差矩阵,计算待滤波像素点Sn,m的上下文协方差矩阵CCCM-(n,m)与 以像素点Sn,m为中心的滑窗I×J内每个像素点的上下文协方差矩阵CCCM-(i,j)之间的相似度参 数lnQij-nm,得到相似度参数矩阵lnQnm-IJ,i=1,2,…,I,j=1,2,…,J,I、J分别表示滑窗的 行、列像素点总数,I、J为奇数;本实施例中,I、J的取值为15-25。
1)相似度参数lnQij-nm:
lnQnm-ij=2qln2+ln[Det(CCCM-(i,j))]+ln[Det(CCCM-(n,m))]-2ln[Det(CCCM-(i,j)+CCCM-(n,m))] (22)
其中,q为上下文协方差矩阵为CCCM-(n,m)的维度,Det(·)表示取矩阵的行列式,符号ln 表示自然对数,当CCCM-(i,j)=CCCM-(n,m)时,lnQij-nm=0;而当CCCM-(i,j)≠CCCM-(n,m)时,lnQij-nm<0;
2)相似度参数矩阵lnQnm-IJ:
遍历滑窗I×J内每一个像素点,通过式(22)计算得到待滤波像素Sn,m与滑窗I×J内所 有像素的相似度参数lnQij-nm,形成一个大小为I×J相似性参数矩阵lnQnm-IJ,lnQij-nm为相似 度参数矩阵lnQnm-IJ中第i行第j列的元素。
步骤4:计算相似度参数的判决门限;
其中,E为调节参数,平衡相干斑的抑制和图像细节保持,L为SAR图像的多视视数。q为上下文协方差矩阵为CCCM-(n,m)的维度,本实施例中对于win=3,各方向上下文矢量所取的像素点数D为3,对于全极化图像来说,通道数c为3,则上下文协方差矩阵的维度q=9,当图像为ADTS数据时,L取值为1,E取值为当图像为Radarsat2数据,L 取值为2,E取值为当然,判决门限根据滤波效果需要,也可直接赋值,范围通常在(-20, -0.1)之间,判决门限的典型值可取-0.5,-1,-1.5,-2,-2.5和-3。
步骤5:根据相似度参数的判决门限,在以像素点Sn,m为中心的滑窗I×J内选取相似样 本像素集,并对待滤波像素Sn,m进行滤波处理;
选取相似样本像素集的方法是:
遍历相似度参数矩阵lnQnm-IJ中的每一个元素,如果相似度参数的值大于判决门限Th,则 判定该相似度参数所对应的像素为待滤波像素的相似性样本,由此确定邻域内与待滤波像素 相似的相似性样本集。
{SCCM-g}={Si,j|lnQnm-IJ≥Th}
对待滤波像素进行滤波处理的方法是:设{SCCM-g}中元素数目为G,则对待滤波像素Sn,m的滤波处理结果为:
步骤6:遍历待滤波的单极化SAR图像中的每一个像素,重复步骤2至5,得到SAR相干斑 滤波结果图。
图8-图10为利用星载Radarsat2的全极化SAR数据和机载ADTS全极化SAR数据的相干斑 滤波结果对比图。其中,选取了7×7Boxcar方法、9×9Boxcar方法、7×7改进Lee方法、9×9 改进Lee方法、9×9改进Sigma方法、11×11改进Sigma方法和SAR-BM3D方法7种当前最常用 的SAR相干斑滤波方法作为对比方法。
图8为星载Radarsat2全极化SAR数据能量图相干斑滤波结果对比图。其中,(a)原始 图像,(b)7×7Boxcar方法滤波结果图,(c)9×9Boxcar方法滤波结果图,(d)7×7改进Lee方法滤波结果图,(e)9×9改进Lee方法滤波结果图,(f)SAR-BM3D方法滤波结果图, (g)9×9改进Sigma方法滤波结果图,(h)11×11改进Sigma方法滤波结果图,(i)本发明 方法滤波结果图。从视觉上可以看到,对全极化SAR数据,本发明在相干斑抑制和目标细节 保护等方面的综合性能优于其它方法。
表1-3为星载Radarsat2全极化SAR数据相干斑滤波结果定量对比。为客观和定量对比 这些相干斑滤波方法的性能,任意选取了3块杂波区域进行分析。选取的区域如图8(a)所 示,分别记为ROI-1、ROI-2和ROI-3。选取的定量评价指标为等效视数ENL(Equivalent Number of Looks),其定义式为:
其中:μ表示ROI区域内所有像素幅度的均值,σ表示ROI区域内所有像素幅度的标准差。
表1星载Radarsat2全极化SAR数据相干斑滤波结果定量对比(HH通道)
表2星载Radarsat2全极化SAR数据相干斑滤波结果定量对比(HV通道)
表3星载Radarsat2全极化SAR数据相干斑滤波结果定量对比(VV通道)
等效视数ENL取值越大说明相干斑抑制性能越好。从表1-3可以看出,对全极化SAR数据,对3个ROI区域,本发明相干斑滤波后HH通道的ENL分别为130.33、106.25和213.79;HV通道的ENL分别为347.01、195.07和163.92;VV通道的ENL分别为149.22、212.91和122.83。本发明的ENL指标均显著优于其它对比方法,从客观评价上也证实了本发明的优势。
图9为机载ADTS全极化SAR数据相干斑滤波结果对比图。其中,图9(a)原始图像,图9(b)7×7Boxcar方法滤波结果图,图9(c)9×9Boxcar方法滤波结果图,图9(d)7×7 改进Lee方法滤波结果图,图9(e)9×9改进Lee方法滤波结果图,图9(f)9×9改进Sigma 方法滤波结果图,图9(g)11×11改进Sigma方法滤波结果图,图9(h)SAR-BM3D方法 滤波结果图,图9(i)本发明方法滤波结果图。从视觉上可以看到,对机载全极化SAR数据, 本发明在相干斑抑制和目标细节保护等方面的综合性能也显著优于其它方法。
图10为机载ADTS全极化SAR数据中边缘检测结果图。图10(a1)原始图像,图10(b1)7×7Boxcar方法滤波结果图,图10(c1)9×9Boxcar方法滤波结果图,图10(d1)7×7 改进Lee方法滤波结果图,图10(e1)9×9改进Lee方法滤波结果图,图10(f1)9×9改进 Sigma方法滤波结果图,图10(g1)11×11改进Sigma方法滤波结果图,图10(h1)SAR-BM3D 方法滤波结果图,图10(i1)本发明方法滤波结果图。图10(a2)基于原始图像的边缘检测 结果图,图10(b2)基于7×7Boxcar方法滤波图像的边缘检测结果图,图10(c2)基于 9×9Boxcar方法滤波图像的边缘检测结果图,图10(d2)基于7×7改进Lee方法滤波图像 的边缘检测结果图,图10(e2)基于9×9改进Lee方法滤波图像的边缘检测结果图,图10 (f2)基于9×9改进Sigma方法滤波图像的边缘检测结果图,图10(g2)基于11×11改进Sigma 方法滤波图像的边缘检测结果图,图10(h2)基于SAR-BM3D方法滤波图像的边缘检测结 果图,图10(i2)基于本发明方法滤波图像的边缘检测结果图。从图图10(a1)-(i1)可以 看出,对边缘型目标,本发明在相干斑抑制和目标细节保护等方面的综合性能也是显著优于 其它方法。图图10(a2)-(i2)是采用常用的ROA边缘检测方法(R.Touzi,A.Lopes,and P. Bousquet,“Astatistical and geometrical edge detector for SAR images,”IEEE Trans.Geosci.Remote Sens.,vol.26,pp.764-773,Nov 1988.)得到的边缘检测结果图。其中,边缘检测门限 为0.5。与真值图对比可知,基于本发明方法滤波图像的边缘检测结果是最好的。
表4、表5为机载ADTS全极化SAR数据HH、HV、VV相干斑滤波结果定量对比。为 客观和定量对比这些相干斑滤波方法的性能,任意选取了1块杂波区域进行等效视数ENL分 析。选取的区域如图9(a)所示,记为ROI。等效视数ENL取值越大说明相干斑抑制性能越 好。从图9可以看出,对ROI区域,本发明相干斑滤波后的三个通道ENL分别为62.24、100.16 和176.29,其中HV和VV通道均显著优于其它对比方法,从客观评价上也证实了本发明的 优势。在此基础上,引入边缘保护指标FOM对边缘检测结果进行定量分析。其中,FOM的 定义为:
其中,Nground-truth为边缘真值图中边缘像素的数目,Ndetection为边缘检测结果图中边缘像素的数 目。为检测到的边缘像素与真值图中与其最近的边缘像素的欧式距离。α为调节参数,并 取α=1。从上述定义可知,FOM取值越大,边缘检测性能越好。当检测结果与真值图完全 吻合时,FOM取值为1。
表4机载ADTS全极化SAR数据HH、HV、VV相干斑滤波结果定量对比(ENL指标)
表5机载ADTS全极化SAR数据HH、HV、VV相干斑滤波结果定量对比(FOM指标)
为更好的对比性能,考虑了ROA边缘检测器的检测门限分别取0.1、0.2和0.3的情形。 对比可知,基于本发明方法滤波图像的边缘检测结果的FOM均优于其它方法,进一步证实 了本发明的性能优势。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于 本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术 人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (10)
1.一种结合上下文协方差矩阵的全极化SAR图像相干斑滤波方法,其特征在于,包括以下步骤:
步骤1:输入待滤波的全极化SAR图像;
步骤2:对全极化SAR图像中的像素点Sn,m,在该像素点Sn,m的win×win邻域内构建上下文散射矢量,根据上下文散射矢量构建该像素点的上下文协方差矩阵CCCM-(n,m),n=1,2,…,N,m=1,2,…,M,N,M分别表示全极化SAR图像的行、列像素点总数,win为大于等于3的奇数;
步骤3:计算像素点Sn,m的上下文协方差矩阵CCCM-(n,m)与以像素点Sn,m为中心的滑窗I×J内每个像素点的上下文协方差矩阵CCCM-(i,j)的相似度参数lnQij-nm,得到相似度参数矩阵lnQnm-IJ,i=1,2,…,I,j=1,2,…,J,I、J分别表示滑窗的行、列像素点总数,I、J为奇数;
步骤4:计算相似度参数的判决门限;
步骤5:根据相似度参数的判决门限,在以像素点Sn,m为中心的滑窗I×J内选取相似样本像素集,并对待滤波像素Sn,m进行滤波处理;
步骤6:遍历全极化SAR图像中的每一个像素,重复步骤2至5,得到SAR相干斑滤波结果图。
2.根据权利要求1所述的结合上下文协方差矩阵的SAR全极化图像相干斑滤波方法,其特征在于:步骤2中所述构建上下文散射矢量和上下文协方差矩阵的方法为:
步骤2.1:根据上下文矢量构建规则在以种子像素点Sn,m为核心的邻域内,在各个矢量构建方向上选取一定数量的像素点,这些像素点包含种子像素点Sn,m及其邻域像素点,各方向的上下文矢量中的元素由从各矢量构建方向上所选取的各像素点在全极化图像数据各通道上的像素值组成,所述各个方向上的上下文矢量维度一致,每个上下文矢量选取的像素中都含有种子像素点Sn,m,所有方向上的上下文矢量中除种子像素点Sn,m外,其它邻域像素均不重复使用,表示种子像素点Sn,m第v个上下文矢量;
步骤2.2:每个方向上的上下文矢量与自身的共轭转置相乘,得到与上下文矢量数量对应的上下文协方差矩阵,将得到的上下文协方差矩阵进行平均,得到种子像素点Sn,m在该构建方式下的上下文协方差矩阵,V为所构建的上下文矢量总数,上标表示共轭转置。
3.根据权利要求2所述的结合上下文协方差矩阵的SAR全极化图像相干斑滤波方法,其特征在于:
所述上下文矢量构建规则是指上下文矢量的构建方向按照以像素点Sn,m为核心呈中心米字状和端点放射状两类,在这两类构建规则中各方向上邻域像素点的选取按照邻域像素点相对于像素点Sn,m的位置分为对称型、非对称型两类。
4.根据权利要求3所述的结合上下文协方差矩阵的SAR全极化图像相干斑滤波方法,其特征在于:
当构建方向为中心米字状,且各构建方向上像素选取为对称型时,上下文矢量表示为:
并需要满足下列约束条件:
i1≥j1,i2≥j2,...,id≥jd (4)
i1,j1;i2,j2;...;id,jd且不同时为零 (5)
D为上下文矢量构建方向上选取的像素点数量,上标T表示转置,channel-1、channel-2、channel-n分别表示全极化SAR图像的第1、第2、第n通道,分别表示位于全极化SAR图像第n+id行,第m+jd列的像素Sn+id,m+jd在第n通道上的像素值,i1,i2,...id表示在像素点Sn,m的坐标(n,m)基础上行的步长值,j1,j2,...jd表示在像素点Sn,m的坐标(n,m)基础上列的步长值,d为整数;
当构建方向为中心米字状,且各构建方向上像素选取为非对称型时,上下文矢量表示为:
并需要满足下列约束条件:
i1≥j1,...id1≥jd1,i2≥j2,...id2≥jd2 (10)
i1,j1…id1,jd1以及i2,j2…id2,jd2不同时为零 (11)
i1=i2,...,id1=id2,j1=j2,...,jd1=jd2不同时成立 (12)
1≤d1≤D-2,1≤d2≤D-2,d1+d2≤D-2 (13)
i1,...id1;i2,...id2表示在像素点Sn,m的坐标(n,m)基础上行的步长值,j1,...jd1;j2,...jd2表示在像素点Sn,m的坐标(n,m)基础上列的步长值,d1、d2为整数;
当构建方向为端点放射状时,上下文矢量表示为:
还需要满足下列约束条件:
i=0,1,2,···,(win-1) (15)
j=0,1,2,···,(win-1) (16)
0<k1<k2<...<kd≤1 (17)
i,j,k1·i,k1·j,…kd·i,kd·j均为整数 (18)
i+j-(win-1)>0 (19)
i,j不同时为零 (20)
d=D-1 (21)
k1·i,k1·j,…kd·i,kd·j分别表示在像素点Sn,m的坐标(n,m)基础上行、列的增长值,k1、...kd为行列的步长增长系数,i、j分别表示各上下文矢量构建方向上所选取的第D个像素点的横纵坐标相对于像素点Sn,m的坐标(n,m)偏移量。
5.根据权利要求1至4中任一项所述的结合上下文协方差矩阵的SAR全极化图像相干斑滤波方法,其特征在于:步骤3中计算相似度参数lnQij-nm和相似度参数矩阵lnQnm-IJ的方法是:
1)计算CCCM-(n,m)和CCCM-(i,j)的相似度参数lnQij-nm:
lnQnm-ij=2qln2+ln[Det(CCCM-(i,j))]+ln[Det(CCCM-(n,m))]-2ln[Det(CCCM-(i,j)+CCCM-(n,m))] (22)
其中,q为上下文协方差矩阵CCCM-(n,m)的维度,Det(·)表示取矩阵的行列式,符号ln表示自然对数,当CCCM-(i,j)=CCCM-(n,m)时,lnQij-nm=0;而当CCCM-(i,j)≠CCCM-(n,m)时,lnQij-nm<0;
2)相似度参数矩阵lnQnm-IJ:
遍历滑窗I×J内每一个像素点,通过式(22)计算得到待滤波像素点Sn,m与滑窗I×J内所有像素的相似度参数lnQij-nm,形成一个大小为I×J相似性参数矩阵lnQnm-IJ,lnQij-nm为相似度参数矩阵lnQnm-IJ中第i行第j列的元素。
6.根据权利要求5所述的结合上下文协方差矩阵的SAR全极化图像相干斑滤波方法,其特征在于:步骤4中判决门限的计算方法是其中,E为调节参数,平衡相干斑的抑制和图像细节保持,L为SAR图像的多视视数,q为上下文协方差矩阵CCCM-(n,m)的维度。
7.根据权利要求6所述的结合上下文协方差矩阵的SAR全极化图像相干斑滤波方法,其特征在于:步骤5中选取相似样本像素集的方法是:在待滤波像素Sn,m的滑窗I×J内,将相似度参数矩阵lnQnm-IJ中的每一个相似度参数lnQij-nm与判决门限Th进行比较,相似度参数矩阵lnQnm-IJ中取值大于门限Th的相似度参数所对应的像素确定为候选样本像素集,记为:
{SCCM-g}={Si,j|lnQnm-IJ≥Th}
8.根据权利要求7所述的结合上下文协方差矩阵的SAR全极化图像相干斑滤波方法,其特征在于:步骤5中对待滤波像素进行滤波处理的方法是:设{SCCM-g}中元素数目为G,则对待滤波像素Sn,m的滤波处理结果为:
9.根据权利要求5所述的结合上下文协方差矩阵的SAR全极化图像相干斑滤波方法,其特征在于:滑窗I×J的大小为I、J的取值为15~25。
10.根据权利要求6所述的结合上下文协方差矩阵的SAR全极化图像相干斑滤波方法,其特征在于:所述判决门限Th的参数,对于win=3,q=9,当图像为ADTS数据时,L取值为1,E取值为当图像为Radarsat2数据,L取值为2,E取值为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910614075.1A CN110335214B (zh) | 2019-07-09 | 2019-07-09 | 结合上下文协方差矩阵的全极化sar图像相干斑滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910614075.1A CN110335214B (zh) | 2019-07-09 | 2019-07-09 | 结合上下文协方差矩阵的全极化sar图像相干斑滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110335214A true CN110335214A (zh) | 2019-10-15 |
CN110335214B CN110335214B (zh) | 2021-02-26 |
Family
ID=68144421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910614075.1A Active CN110335214B (zh) | 2019-07-09 | 2019-07-09 | 结合上下文协方差矩阵的全极化sar图像相干斑滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110335214B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051415A (zh) * | 2023-01-31 | 2023-05-02 | 西安电子科技大学杭州研究院 | 一种基于超像素分割的视频sar序贯图像相干斑滤波方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6381363B1 (en) * | 1999-03-15 | 2002-04-30 | Grass Valley (U.S.), Inc. | Histogram-based segmentation of images and video via color moments |
CN102446350A (zh) * | 2011-09-16 | 2012-05-09 | 西安电子科技大学 | 基于各向异性非局部均值的极化sar数据相干斑抑制方法 |
CN102609933A (zh) * | 2011-12-16 | 2012-07-25 | 电子科技大学 | 一种极化sar图像的自适应相干变化检测方法 |
CN102641155A (zh) * | 2011-02-16 | 2012-08-22 | 中国康复研究中心 | 一种骨科手术中实时定位导航仪器 |
CN103020922A (zh) * | 2013-01-10 | 2013-04-03 | 西安电子科技大学 | 基于pca变换的sar图像相干斑抑制方法 |
CN104050486A (zh) * | 2014-07-04 | 2014-09-17 | 西安电子科技大学 | 基于图和Wishart距离的极化SAR图像分类方法 |
CN104103046A (zh) * | 2014-07-11 | 2014-10-15 | 中国人民解放军信息工程大学 | 一种极化sar图像的快速滤波处理方法 |
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 |
CN104574308A (zh) * | 2014-12-30 | 2015-04-29 | 北京工业大学 | 一种基于采样矩阵方向优化的sar图像去噪方法 |
CN105404897A (zh) * | 2015-11-23 | 2016-03-16 | 昆明理工大学 | 一种清洗天文图像中太阳光球亮点的方法 |
CN105528767A (zh) * | 2015-12-05 | 2016-04-27 | 中国人民解放军国防科学技术大学 | 极化sar图像中目标极化相干特征的增强方法 |
CN107239757A (zh) * | 2017-05-23 | 2017-10-10 | 西安电子科技大学 | 一种基于深度阶梯网的极化sar影像目标检测方法 |
CN107680061A (zh) * | 2017-10-10 | 2018-02-09 | 中国人民解放军国防科技大学 | 基于相似性检验的双极化sar图像相干斑滤波方法 |
CN108387898A (zh) * | 2018-02-27 | 2018-08-10 | 河海大学 | 基于同质点选取的极化特征参数提取方法 |
-
2019
- 2019-07-09 CN CN201910614075.1A patent/CN110335214B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6381363B1 (en) * | 1999-03-15 | 2002-04-30 | Grass Valley (U.S.), Inc. | Histogram-based segmentation of images and video via color moments |
CN102641155A (zh) * | 2011-02-16 | 2012-08-22 | 中国康复研究中心 | 一种骨科手术中实时定位导航仪器 |
CN102446350A (zh) * | 2011-09-16 | 2012-05-09 | 西安电子科技大学 | 基于各向异性非局部均值的极化sar数据相干斑抑制方法 |
CN102609933A (zh) * | 2011-12-16 | 2012-07-25 | 电子科技大学 | 一种极化sar图像的自适应相干变化检测方法 |
CN103020922A (zh) * | 2013-01-10 | 2013-04-03 | 西安电子科技大学 | 基于pca变换的sar图像相干斑抑制方法 |
CN104050486A (zh) * | 2014-07-04 | 2014-09-17 | 西安电子科技大学 | 基于图和Wishart距离的极化SAR图像分类方法 |
CN104103046A (zh) * | 2014-07-11 | 2014-10-15 | 中国人民解放军信息工程大学 | 一种极化sar图像的快速滤波处理方法 |
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 |
CN104574308A (zh) * | 2014-12-30 | 2015-04-29 | 北京工业大学 | 一种基于采样矩阵方向优化的sar图像去噪方法 |
CN105404897A (zh) * | 2015-11-23 | 2016-03-16 | 昆明理工大学 | 一种清洗天文图像中太阳光球亮点的方法 |
CN105528767A (zh) * | 2015-12-05 | 2016-04-27 | 中国人民解放军国防科学技术大学 | 极化sar图像中目标极化相干特征的增强方法 |
CN107239757A (zh) * | 2017-05-23 | 2017-10-10 | 西安电子科技大学 | 一种基于深度阶梯网的极化sar影像目标检测方法 |
CN107680061A (zh) * | 2017-10-10 | 2018-02-09 | 中国人民解放军国防科技大学 | 基于相似性检验的双极化sar图像相干斑滤波方法 |
CN108387898A (zh) * | 2018-02-27 | 2018-08-10 | 河海大学 | 基于同质点选取的极化特征参数提取方法 |
Non-Patent Citations (1)
Title |
---|
夏梦琴等: "噪声抑制的多极化SAR海冰图像分割", 《遥感学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051415A (zh) * | 2023-01-31 | 2023-05-02 | 西安电子科技大学杭州研究院 | 一种基于超像素分割的视频sar序贯图像相干斑滤波方法 |
CN116051415B (zh) * | 2023-01-31 | 2023-07-04 | 西安电子科技大学杭州研究院 | 基于超像素分割的视频sar序贯图像相干斑滤波方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110335214B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105137498B (zh) | 一种基于特征融合的地下目标探测识别系统及方法 | |
CN108389188B (zh) | 一种稀疏高光谱异常目标检测方法 | |
CN108133232A (zh) | 一种基于统计字典学习的雷达高分辨距离像目标识别方法 | |
CN101963662B (zh) | 基于短时分数阶傅里叶域滤波的自聚焦预处理方法 | |
CN110097014B (zh) | 一种基于测量轨迹的量子比特读取信号处理方法 | |
CN106897679A (zh) | 一种基于改进模糊c均值聚类的语义变化检测方法及系统 | |
CN102609701A (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN107680061A (zh) | 基于相似性检验的双极化sar图像相干斑滤波方法 | |
CN102721952A (zh) | 基于超分辨多普勒谱的地面运动目标稳健分类方法 | |
CN105807241B (zh) | 一种利用先验信息的指数信号去噪方法 | |
CN106874841A (zh) | 基于正则化局部保持投影的sar变形目标识别方法 | |
CN103777189A (zh) | 一种基于信息几何复自回归模型的雷达弱目标检测方法 | |
CN102208017A (zh) | 基于高分辨率合成孔径雷达图像的舰船检测方法 | |
CN103400383A (zh) | 基于nsct和压缩投影的sar图像变化检测方法 | |
CN106203522A (zh) | 基于三维非局部均值滤波的高光谱图像分类方法 | |
CN111222442A (zh) | 一种电磁信号分类方法和装置 | |
CN101957993A (zh) | 自适应红外小目标检测方法 | |
CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
CN110335214A (zh) | 结合上下文协方差矩阵的全极化sar图像相干斑滤波方法 | |
CN106199544B (zh) | 基于核鉴别局部切空间排列的雷达目标距离像识别方法 | |
CN106296697A (zh) | 一种基于二维滑动窗dft快速计算的图像篡改检验方法 | |
CN110349105A (zh) | 结合上下文协方差矩阵的双极化sar图像相干斑滤波方法 | |
CN110321904A (zh) | 结合上下文协方差矩阵的单极化sar图像相干斑滤波方法 | |
Gudnason et al. | HRR automatic target recognition from superresolution scattering center features | |
CN110297241A (zh) | 一种用于图像处理的上下文协方差矩阵构建方法 |
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 |