CN110335214B - 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
- CN110335214B CN110335214B CN201910614075.1A CN201910614075A CN110335214B CN 110335214 B CN110335214 B CN 110335214B CN 201910614075 A CN201910614075 A CN 201910614075A CN 110335214 B CN110335214 B CN 110335214B
- Authority
- CN
- China
- Prior art keywords
- pixel
- context
- covariance matrix
- fully
- filtering
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 121
- 238000001914 filtration Methods 0.000 title claims abstract description 97
- 239000011159 matrix material Substances 0.000 title claims abstract description 88
- 239000013598 vector Substances 0.000 claims abstract description 117
- 230000001427 coherent effect Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims description 63
- 230000017105 transposition Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 230000005855 radiation Effects 0.000 claims 1
- 238000003708 edge detection Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 26
- 230000010287 polarization Effects 0.000 description 11
- 230000001629 suppression Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001189642 Theroa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing 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
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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 using localstatistics,”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,and A.J.Chen,“Improved sigma filter for specklefiltering 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 Image DenoisingAlgorithm Based on LLMMSE Wavelet Shrinkage,”IEEE Trans.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:
根据上下文散射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,各个矢量构建方向的上下文散射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,所述各个矢量构建方向上的上下文散射矢量维度一致,每个上下文散射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散射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个方向上的上下文散射矢量;
步骤2.2:每个矢量构建方向上的上下文散射矢量与自身的共轭转置相乘,得到与上下文散射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为所构建的上下文散射矢量总数,上标表示共轭转置。
进一步地,所述上下文散射矢量构建规则是指上下文散射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,上下文散射矢量表示为:
并需要满足下列约束条件:
i1≥j1,i2≥j2,...,id≥jd (4)
i1,j1;i2,j2;...;id,jd不同时为零 (5)
D为上下文散射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,上下文散射矢量表示为:
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,上下文散射矢量表示为:
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分别表示各上下文散射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:
lnQij-nm=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,滑窗I×J中I、J的取值为15~25。
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,上下文散射矢量的维度为3,中心米字状+对称型的上下文散射矢量构建示意图,图(a)表示取点规则,图(b)~(e)为该构建方式下4个上下文散射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,上下文散射矢量的维度为3,端点放射状的上下文散射矢量构建示意图;图(a)表示取点规则,图(b)~(d)为该构建方式下3个上下文散射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,上下文散射矢量的维度为3,中心米字状+对称型的上下文散射矢量构建示意图,图(a)表示取点规则,图(b)~(m)为该构建方式下12个上下文散射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,上下文散射矢量的维度为3,中心米字状+非对称型的上下文散射矢量构建示意图,图(a)表示取点规则,图(b)~(i)为该构建方式下8个上下文散射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,上下文散射矢量的维度为5,中心米字状+对称型的上下文散射矢量构建示意图;图(a)表示取点规则,图(b)~(e)为该构建方式下4个上下文散射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,上下文散射矢量的维度为5,端点放射状的上下文散射矢量构建示意图;图(a)表示取点规则,图(b)~(d)为该构建方式下3个上下文散射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,构建上下文散射矢量和上下文协方差矩阵的方法是:
步骤2.1:根据上下文散射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,各个矢量构建方向的上下文散射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,所述各个矢量构建方向上的上下文散射矢量维度一致,每个上下文散射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散射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个方向上的上下文散射矢量;本实施例中所述上下文散射矢量构建规则是指上下文散射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:每个矢量构建方向上的上下文散射矢量与自身的共轭转置相乘,得到与上下文散射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为所构建的上下文散射矢量总数,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散射矢量就可以构建上下文协方差矩阵,上下文散射矢量越多,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个上下文散射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,上下文散射矢量的维度为3,中心米字状+对称型的上下文散射矢量构建示意图。图4(a)表示取点规则,图4(b)~(m)为该构建方式下12个上下文散射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,上下文散射矢量的维度为5,中心米字状+对称型的上下文散射矢量构建示意图;图6(a)表示取点规则,图6(b)~(e)为该构建方式下4个上下文散射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,上下文散射矢量表示为:
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为上下文散射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,上下文散射矢量的维度为3,中心米字型+非对称型的上下文散射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个上下文散射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,上下文散射矢量表示为:
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散射矢量的构建示意图,图3给出了构建邻域大小为3×3,上下文散射矢量的维度为3,端点放射状的上下文散射矢量构建示意图;图3(a)表示取点规则,图3(b)~(d)为该构建方式下3个上下文散射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,上下文散射矢量的维度为5,端点放射状的上下文散射矢量构建示意图;图7(a)表示取点规则,图7(b)~(d)为该构建方式下3个上下文散射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,上下文散射矢量表示为:
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分别表示各上下文散射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,上下文散射矢量构建方向取中心米字状,像素点的选取规则为对称型,则所构建的上下文散射矢量为:
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
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:
lnQij-nm=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,各方向上下文散射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}。
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(EquivalentNumber 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)边缘真值图,图10(g1)9×9改进Sigma方法滤波结果图,图10(h1)11×11改进Sigma方法滤波结果图,图10(i1)SAR-BM3D方法滤波结果图,图10(j1)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)边缘真值图,图10(g2)基于9×9改进Sigma方法滤波图像的边缘检测结果图,图10(h2)基于11×11改进Sigma方法滤波图像的边缘检测结果图,图10(i2)基于SAR-BM3D方法滤波图像的边缘检测结果图,图10(j2)基于本发明方法滤波图像的边缘检测结果图。从图10(a1)-(j1)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10(a2)-(j2)是采用常用的ROA边缘检测方法(R.Touzi,A.Lopes,andP.Bousquet,“A statistical and geometrical edge detector for SAR images,”IEEETrans.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全极化SAR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:根据上下文散射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,各个矢量构建方向的上下文散射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,所述各个矢量构建方向上的上下文散射矢量维度一致,每个上下文散射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散射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个上下文散射矢量;
3.根据权利要求2所述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,其特征在于:
所述上下文散射矢量构建规则是指上下文散射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全极化SAR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,上下文散射矢量表示为:
并需要满足下列约束条件:
i1≥j1,i2≥j2,...,id≥jd (4)
i1,j1;i2,j2;...;id,jd不同时为零 (5)
D为上下文散射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,上下文散射矢量表示为:
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,上下文散射矢量表示为:
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分别表示各上下文散射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全极化SAR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:
lnQij-nm=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。
7.根据权利要求6所述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,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}。
9.根据权利要求5所述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,其特征在于:滑窗I×J的大小为I、J的取值为15~25。
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 CN110335214A (zh) | 2019-10-15 |
CN110335214B true 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) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (10)
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 |
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 |
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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102641155B (zh) * | 2011-02-16 | 2014-11-26 | 中国康复研究中心 | 一种骨科手术中实时定位导航仪器 |
CN105528767B (zh) * | 2015-12-05 | 2018-02-09 | 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 |
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 (10)
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 |
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 |
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 |
Non-Patent Citations (1)
Title |
---|
噪声抑制的多极化SAR海冰图像分割;夏梦琴等;《遥感学报》;20151231(第5期);第856-863页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110335214A (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108389188B (zh) | 一种稀疏高光谱异常目标检测方法 | |
Liu et al. | Change detection of multilook polarimetric SAR images using heterogeneous clutter models | |
CN107037417B (zh) | 雷达真假目标一维像非线性最近邻子空间特征提取方法 | |
CN107729926B (zh) | 一种基于高维空间变换的数据扩增方法、机器识别系统 | |
CN106909939B (zh) | 一种结合旋转域极化零角特征的极化sar地物分类方法 | |
CN107358214A (zh) | 基于卷积神经网络的极化sar地物分类方法 | |
CN107680061A (zh) | 基于相似性检验的双极化sar图像相干斑滤波方法 | |
CN110335214B (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 | |
CN110349105B (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 | |
CN110297241B (zh) | 一种用于图像处理的上下文协方差矩阵构建方法 | |
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 | |
CN110321904B (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 | |
Zhu et al. | Hierarchical attention for ship detection in SAR images | |
CN111047616B (zh) | 一种遥感图像滑坡目标约束性主动轮廓特征提取方法 | |
CN109948520B (zh) | 一种基于多时相双极化sar特征曲线的农作物分类方法 | |
CN111458689A (zh) | 基于极化散射中心的多径散射特征分类方法 | |
CN104732190B (zh) | 一种基于正交纹理相关分析的合成孔径声纳目标检测方法 | |
CN107403136B (zh) | 基于结构保持字典学习的sar目标型号识别方法 | |
CN109145945B (zh) | 一种非局部加权联合稀疏表示的高光谱图像分类方法 | |
Ersahin et al. | Classification of polarimetric SAR data using spectral graph partitioning | |
Huang et al. | Polsar Image Feature Extraction Based on Co-Regularization | |
Lee et al. | Plant Leaf Area estimation via image segmentation | |
Elenean et al. | Unsupervised multi-level segmentation framework for PolSAR data using H-alpha features and the combined edge-region based segmentation | |
Wang et al. | An adaptive SAR and optical images registration approach based on SOI-SIFT | |
Yang et al. | Structure preserving bilateral filtering for PolSAR data |
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 |