CN110852975B - 变异系数与局部熵联合驱动雷达图像非局部均值方法 - Google Patents
变异系数与局部熵联合驱动雷达图像非局部均值方法 Download PDFInfo
- Publication number
- CN110852975B CN110852975B CN201911121675.0A CN201911121675A CN110852975B CN 110852975 B CN110852975 B CN 110852975B CN 201911121675 A CN201911121675 A CN 201911121675A CN 110852975 B CN110852975 B CN 110852975B
- Authority
- CN
- China
- Prior art keywords
- search window
- pixel
- value
- image
- algorithm
- 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 27
- 230000014759 maintenance of location Effects 0.000 abstract description 17
- 230000001629 suppression Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012800 visualization Methods 0.000 abstract description 3
- 230000000052 comparative effect Effects 0.000 description 29
- 238000009499 grossing Methods 0.000 description 12
- 238000004321 preservation Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000006467 substitution reaction 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)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种变异系数与局部熵联合驱动雷达图像非局部均值方法,根据当前像素权重值以及搜索窗中的各个像素的值求取当前像素点的像素值,所述当前像素权重值根据每个像素点所对应的比值距离与衰减系数确定。本发明与现有的相干斑抑制方法相比,在均匀区域具有更好的平滑性能,在边缘区域还能有很好的边缘保持特性,同时在图像可视化方面也具有较佳效果。
Description
技术领域
本发明涉及合成孔径雷达图像提取技术领域,具体而言,尤其涉及一种变异系数与局部熵联合驱动雷达图像非局部均值方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)由于具有全天候工作特点,已广泛应用于环境监测、国土资源监测和灾害评估等领域。然而,由于SAR图像固有的相干成像机制,导致SAR图像存在相干斑,而相干斑给SAR图像解译造成困难。在相干斑抑制方法中,非局部均值(Nonlocal–Means,NLM)作为一种有效方法引起了国内外学者的广泛关注。
目前在非局部均值算法中的一个关键问题是参数自适应,其核心是衰减系数。Hu和Zeng根据区域特性使用结构张量选择自适应块和衰减系数[1],但结构张量梯度计算对噪声敏感,在高噪声水平下会导致NLM算法性能下降。Ville等提出了一种基于SURE(Stein’sunbiased risk estimate,SURE)估计图像去噪框架来确定h[2],认为h与图像中噪声标准差a之间呈线性关系,将h设定为h=h*a(k为常数),但其参数k仍然需要凭经验选取。
专利[3]利用衰减系数和全局均方误差的关系,利用迭代算法获得衰减系数的最优值,并根据该值确定最优预降噪图像,然后利用最优预降噪图像估计降噪图像的像素级均方误差,再利用最陡下降法获得像素级均方误差取得最小值时对应的最终降噪图像。
上述方法虽然能在一定程度上使得NLM具有自适应性,但对整幅图像仍然需要经验选取一些参数,很难保证对SAR图像中的边缘区和平滑区皆具有较好的相干斑抑制性能。因此,研究衰减系数h,使其具有自适应性对于非局部均值算法的发展具有重要意义。
参考文献:
[1]W.L.Zeng,Y.J.Du,C.H.Hu,"Noise Suppression by DiscontinuityIndicator Controlled Non-local Means Method,"Multimedia Tools andApplications,vol.76,no.11,pp:,Nov.2017.
[2]D.Van De Ville and M.Kocher,"SURE-Based Non-Local Means"IEEESignal Processing Letters,vol.16,no.11,pp.973-976,Nov.2009.
[3]张旭明,詹轶.一种衰减参数自适应非局部均值的图像降噪方法[P].湖北省:CN109191391A,2019。
[4]史晓非,马海洋,张敏,基于比值距离的非局部均值雷达图像相干斑抑制方法[P],CN201610810707.8,2016。
[5]M.Hebar,D.Gleich,Z.Cucej."Autobinomial model for SAR imagedespeckling and information extraction,"IEEE Transactions on Geoscience andRemote Sensing,vol.47,no.8,pp.2818-2835,Nov.2009.
[6]F.Sattar,L.Floreby,G.Salomonsson et al."Image enhancement based onanonlinear multiscale method,"IEEE Transactions on Image Processing,vol.6,no.6,pp.888-895,Nov.1997.
发明内容
根据上述提出上述SAR图像相干斑抑制算法中的不足,而提供一种衰减系数自适应的非局部均值相干斑抑制算法,通过构建变异系数与局部熵乘积作为衰减系数,从而解决单极化SAR图像非局部均值算法中衰减系数的自适应问题。
本发明采用的技术手段如下:
一种变异系数与局部熵联合驱动雷达图像非局部均值方法,其特征在于,根据当前像素权重值以及搜索窗中的各个像素的值求取当前像素点的像素值,所述当前像素权重值根据每个像素点所对应的比值距离与衰减系数确定。
进一步地,根据公式:
h=H(x)*(1-M(x))
对所述衰减系数进行计算,其中h为衰减系数,H(x)为搜索窗的局部熵,M(x)为归一化变异系数。
进一步地,根据公式:
对所述归一化变异系数进行计算,其中M(x)为归一化变异系数,Cvx为以x位置为中心的当前搜索窗的变异系数,Cvmax是整幅图像中所有变异系数的最大值,Cvmin是整幅图像中所有变异系数的最小值。
进一步地,根据公式:
对所述搜索窗的局部熵进行计算,其中H(x)为搜索窗的局部熵,pij为搜索窗中坐标为(i,j)的像素的概率,且所述搜索窗的大小为M×N。
进一步地,根据公式
对所述变异系数进行计算,其中Cv为变异系数,σ为搜索窗的标准差,μ为搜索窗的均值。
较现有技术相比,本发明具有以下优点:
本发明与现有的相干斑抑制方法相比,通过构建变异系数与局部熵乘积作为衰减系数,从而解决单极化SAR图像非局部均值算法中衰减系数的自适应问题。在均匀区域具有更好的平滑性能,在边缘区域还能有很好的边缘保持特性,同时在图像可视化方面也具有不错的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中方法执行流程图。
图2为本发明实施例中相似块半径与搜索窗尺寸对平滑性能影响示意图。
图3为本发明实施例中相似块半径与搜索窗尺寸对边缘保持性能影响示意图。
图4a为本发明第一对比例中的原图。
图4b为本发明第一对比例中的Lee算法识别图像。
图4c为本发明第一对比例中的Frost算法识别图像。
图4d为本发明第一对比例中的SRAD算法识别图像。
图4e为本发明第一对比例中的Nonit-ppb算法识别图像。
图4f为本发明第一对比例中的It-ppb算法识别图像。
图4g为本发明第一对比例中的BM3D算法识别图像。
图4h为本发明第一对比例中的本发明算法第一参数设定识别图像。
图4i为本发明第一对比例中的本发明算法第二参数设定识别图像。
图5a为本发明第二对比例中的原图。
图5b为本发明第二对比例中的Lee算法识别图像。
图5c为本发明第二对比例中的Frost算法识别图像。
图5d为本发明第二对比例中的SRAD算法识别图像。
图5e为本发明第二对比例中的Nonit-ppb算法识别图像。
图5f为本发明第二对比例中的It-ppb算法识别图像。
图5g为本发明第二对比例中的BM3D算法识别图像。
图5h为本发明第二对比例中的本发明算法第一参数设定识别图像。
图5i为本发明第二对比例中的本发明算法第二参数设定识别图像。
图6a为本发明第三对比例中的原图。
图6b为本发明第三对比例中的Lee算法识别图像。
图6c为本发明第三对比例中的Frost算法识别图像。
图6d为本发明第三对比例中的SRAD算法识别图像。
图6e为本发明第三对比例中的Nonit-ppb算法识别图像。
图6f为本发明第三对比例中的It-ppb算法识别图像。
图6g为本发明第三对比例中的BM3D算法识别图像。
图6h为本发明第三对比例中的本发明算法第一参数设定识别图像。
图6i为本发明第三对比例中的本发明算法第二参数设定识别图像。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,利用本发明提供的变异系数与局部熵联合驱动雷达图像非局部均值方法提取单极化SAR图像的步骤包括:
(1)读取合成孔径雷达相干斑图像。
(2)设定搜索窗半径和相似块窗口大小。
(3)根据比值距离公式计算出每个像素点所对应的比值距离d,本实施例中采用的比值距离[4]为
(4)根据以下公式求得每个搜索窗所对应的局部熵值H(x):
其中f(i,j)为SAR图像搜索窗中坐标为(i,j)的像素值,pij为搜索窗中坐标为(i,j)的像素的概率。局部熵反映了图像灰度的离散程度,在局部熵大的地方,图像灰度相对较均匀;局部熵小的地方,图像灰度不均匀性较大。
(5)根据以下公式分别计算每个搜索窗的变异系数(Coefficient of Variance)Cvx:
其中σ为搜索窗的标准差,μ为搜索窗的均值。变异系数又称“标准差率”,即:标准差与平均数的比值。
(6)得到搜索窗中所有变异系数的最大值Cvmax和最小值Cvmin。
(7)通过以下公式计算归一化变异系数:
其中Cvx为以x位置为中心的当前搜索窗的变异系数,Cvmax、Cvmin是整幅图像中所有变异系数的最大值和最小值。变异系数反映了单位均值上的各指标观测值的离散程度,常用在两个总体均值不等或量纲不同的指标的离散程度的比较上。若两个总体的均值相等,则比较标准差系数与比较标准差是等价的。在图像均匀区域时变异系数较小,在图像的边缘区域或者说是异质区时变异系数较小。
(8)采用计算出的当前像素权重值,根据以下公式估计当前像素点的像素值:
其中NLv(i)为像素i的估计值,W(i,j)为像素块i与搜索窗中像素块j的权重,v(j)为搜索窗中的各个像素的值,这里W(i,j)可以表示为
其中d为像素块i与搜索窗中像素块j的相似性距离,h为衰减系数,且
(9)重复上述(3)-(8),直到计算出图像中每个像素点的估计值得到相干斑抑制后的图像。
本发明与现有的相干斑抑制方法相比,在均匀区域具有更好的平滑性能,在边缘区域还能有很好的边缘保持特性,同时在图像可视化方面也具有不错的效果。
下面通过具体的应用实例,对本发明的效果作进一步说明。
为了验证本专利方法在SAR图像的有效性,采用三幅SAR图像作为实验数据,第一个图像为卫星British DRA SAR X-波段,3.2视,分辨率为3米,来自Bedfordshire的乡村,图像大小256×256。第二个与第三个图像来自于卫星TerraSAR,X-波段,4视,分辨率为1米,来自临近德国Nordlinger Ries的乡村,图像大小为512×512。对比算法分别是Lee算法,Frost算法,SRAD算法,Nonit-ppb算法,It-ppb算法,SAR-BM3D算法。各算法参数设置为:Frost滤波器的窗口大小为7*7,SRAD滤波器的滤波窗口大小为3*3,Nonit-ppb滤波器,It-ppb滤波器的迭代次数为100,步长为0.1,本专利算法命名为CE-NLM。
为了定量分析,在实验中使用了两个数值指标。
(1)等效示数ENL[5]
其中σ和μ分别为经过相干斑抑制之后的图像均匀区域的标准差和均值.等效视数反映了去噪算法在图像上的去噪能力,其值越大表示算法的平滑能力越强。
(2)边缘保持指数EPI[6]
其中ps为平滑后的像素值,psm为ps相邻像素。po为原始图像的像素值,pom为po相邻像素。EPI的取值范围为0-1,EPI的值为1时图像的边缘得到了完全保持,EPI值为0时,图像已经变为了一个平面,没有任何变化。EPI的值越大,滤波器的边缘保持能力越强。
在本专利算法中需要考虑的参数为两个:相似块大小和搜索窗大小。为了分析两者对SAR图像平滑与边缘保持的影响,选择上述三幅SAR图像中的第一个图像并采用式(8)和(9)分别计算本专利算法的性能,分别如图2-3所示。相似块大小和搜索窗均采用正方形窗,相似块半径选择1、2、3、4和5个像素,搜索窗半径选择7、8、9和10个像素。从图2可以看出在相似块半径相同时,等效视数随着搜索窗变大而变大,在搜索窗不变时,等效视数随着相似块变大而减小。这意味着在较大的搜索窗下,具有较小的相似块,会得到较高的等效视数,也就是较好的平滑性能。从图3可以看出在相似块半径相同时,边缘保持度随着搜索窗变大而变小,在搜索窗不变时,边缘保持度随着相似块变大而变大。这意味着在较小的搜索窗下,具有较大的相似块,会得到较高的边缘保持度,也就是较好的边缘保持性能。
因此要获得较好的平滑性能,建议采用搜索窗半径为10,相似块半径为3。而要获得较好的边缘保持性能,建议采用搜索窗半径为10,相似块半径为5。
这里给出经验公式为:
这里R为搜索窗半径,r为相似块半径。
SAR图像实验对比与分析
图4a、图5a、图6a原始图像,图4b-图4i、图5b-图5i、图6b-图6i分别为Lee算法,Frost算法,SRAD算法,Nonit-ppb算法,It-ppb算法,BM3D算法,以及CE-NLM算法在搜索窗半径10个像素,相似块半径分别为5和3个像素的结果。表1-表3分别对应图3-图5的性能对比,在三幅图像(a)中设定两个窗口,分别计算ENL,如表1-表3中1区和2区,边缘保持通过EPD_ROA计算,分别计算水平方向HD和垂直方向VD的值。从图3-图5可以看出,Nonit-ppb,It-ppb,BM3D和CE-NLM算法具有较好的相干斑抑制性能,平滑与边缘保持特性优于Lee,Frost和SRAD算法。
表1第一对比例中的抑斑算法性能对比
从表1可以看出,CE-NLM在相似块半径为5个像素时,在边缘保持上,性能最佳,在HD上优于SAR-BM3D 0.0016,在VD上优于SAR-BM3D0.0384,即SAR-BM3D边缘保持仅次于CE-NLM,其后是It-ppb,Nonit-ppb,Frost,Lee和SRAD算法。在平滑性能上,在1区算法性能从高到低依次为Nonit-ppb,It-ppb,CE-NLM,SRAD,Lee,Frost和SAR-BM3D,在2区上算法性能由高到低依次为It-ppb,Nonit-ppb,CE-NLM,SAR-BM3D,SRAD,Lee和Frost算法。
CE-NLM在相似块半径为3个像素时,在平滑性能最佳,在1区优于第二位Nonit-ppb约17,其它算法性能紧随其后,由高到低依次为It-ppb,SRAD,Lee,Frost,SAR-BM3D。在2区CE-NLM优于第二位的It-ppb约217,其它算法性能紧随其后,依次为Nonit-ppb,SRAD,Lee,Frost和SAR-BM3D算法。在边缘保持上,性能由高到低依次排序为SAR-BM3D,It-ppb,CE-NLM,Nonit-ppb,Frost,Lee和SRAD算法。
可以看出搜索窗半径在10个像素时,CE-NLM在相似块半径5个像素时,从边缘保持性能上可以优于其它算法,但平滑性能处于第三位。CE-NLM在相似块半径3个像素时,平滑特性优于其它算法,边缘保持特性弱于It-ppb,SAR-BM3D算法,优于其它算法。
表2第二对比例中的抑斑算法性能对比
从表2,CE-NLM在相似块半径为5个像素时,在边缘保持上,性能最佳,在HD上优于It-ppb0.0229,在VD上优于It-ppb0.0163,即It-ppb边缘保持仅次于CE-NLM,其后是SAR-BM3D,Nonit-ppb,Frost,Lee和SRAD算法。在平滑性能上,在1区算法性能从高到低依次为It-ppb,Nonit-ppb,CE-NLM,SRAD,Lee,Frost和SAR-BM3D,在2区上算法性能由高到低依次为CE-NLM,Nonit-ppb,It-ppb,SAR-BM3D,SRAD,Frost和Lee算法。
CE-NLM在相似块半径为3个像素时,在平滑性能最佳,在1区优于第二位It-ppb约34,其它算法性能紧随其后,由高到低依次为Nonit-ppb,SRAD,Lee,Frost,SAR-BM3D。在2区CE-NLM优于第二位的Nonit-ppb约220,其它算法性能紧随其后,依次为It-ppb,SAR-BM3D,SRAD,Frost和Lee算法。在边缘保持上,性能由高到低依次排序为It-ppb,SAR-BM3D,CE-NLM,Nonit-ppb,Frost,Lee和SRAD算法。
可以看出搜索窗半径在10个像素时,CE-NLM在相似块半径5个像素时,从边缘保持性能上可以优于其它算法,但平滑有时最佳有时处于第三位,边缘保持特性好。CE-NLM在相似块半径3个像素时,平滑特性优于其它算法,边缘保持特性弱于It-ppb,SAR-BM3D算法,优于其它算法。
表3图像3抑斑算法性能对比
从表3,CE-NLM在相似块半径为5个像素时,在边缘保持上,性能最佳,在HD上优于It-ppb0.0059,在VD上优于It-ppb0.0048,即It-ppb边缘保持仅次于CE-NLM,其后是SAR-BM3D,Nonit-ppb,Lee,Frost和SRAD算法。在平滑性能上,在1区算法性能从高到低依次为It-ppb,Nonit-ppb,CE-NLM,SRAD,Lee,Frost和SAR-BM3D,在2区上算法性能由高到低依次为CE-NLM,It-ppb,Nonit-ppb,SRAD,SAR-BM3D,Lee和Frost算法。
CE-NLM在相似块半径为3个像素时,在平滑性能最佳,在1区优于第二位It-ppb约24,其它算法性能紧随其后,由高到低依次为Nonit-ppb,SRAD,Lee,Frost,SAR-BM3D。在2区CE-NLM优于第二位的It-ppb约140,其它算法性能紧随其后,依次为Nonit-ppb,SRAD,SAR-BM3D,Lee和Frost算法。在边缘保持上,性能由高到低依次排序为It-ppb,SAR-BM3D,CE-NLM与Nonit-ppb性能相近,Lee,Frost和SRAD算法。
可以看出搜索窗半径在10个像素时,CE-NLM在相似块半径5个像素时,从边缘保持性能上可以优于其它算法,但平滑有时最佳有时处于第三位,边缘保持特性好。CE-NLM在相似块半径3个像素时,平滑特性优于其它算法,边缘保持特性弱于It-ppb,SAR-BM3D算法,与Nonit-ppb性能相近,优于其它算法。
综上所述,本专利提出一种基于变异系数与局部熵联合驱动的单极化SAR图像自适应非局部均值算法,将归一化变异系数与局部熵的乘积作为衰减系数,其优势可以提高边缘保持性能,也可以提高平滑性能。通过五幅SAR图像的实验,用等效视数和边缘保持度为衡量平滑与边缘保持指标,在搜索窗为10,相似块为3,本专利算法比对比算法在平滑性能上至少提高了17,在搜索窗为10,相似块为5,本专利算法比对比算法在边缘保持性能上至少提高了0.0016。实验结果表明本专利算法可以在边缘保持或平滑上具有较好的性能,而且在搜索窗和相似块尺寸确定下,算法具有全自动特点。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (1)
1.一种变异系数与局部熵联合驱动雷达图像非局部均值方法,其特征在于,根据当前像素权重值以及搜索窗中的各个像素的值求取当前像素点的像素值,所述当前像素权重值根据每个像素点所对应的比值距离与衰减系数确定;具体包括以下步骤:
(1)读取合成孔径雷达相干斑图像;
(2)设定搜索窗半径和相似块窗口大小;
(3)根据比值距离公式计算出每个像素点所对应的比值距离d;
(4)根据以下公式求得每个搜索窗所对应的局部熵值H(x):
其中f(i,j)为SAR图像搜索窗中坐标为(i,j)的像素值,pij为搜索窗中坐标为(i,j)的像素的概率;
(5)根据以下公式分别计算每个搜索窗的变异系数Cvx:
其中σ为搜索窗的标准差,μ为搜索窗的均值;
(6)得到搜索窗中所有变异系数的最大值Cvmax和最小值Cvmin;
(7)通过以下公式计算归一化变异系数:
其中Cvx为以x位置为中心的当前搜索窗的变异系数,Cvmax、Cvmin是整幅图像中所有变异系数的最大值和最小值;
(8)采用计算出的当前像素权重值,根据以下公式估计当前像素点的像素值:
其中NLv(i)为像素i的估计值,W(i,j)为像素块i与搜索窗中像素块j的权重,v(j)为搜索窗中的各个像素的值,这里W(i,j)可以表示为
其中d为像素块i与搜索窗中像素块j的相似性距离,h为衰减系数,且
(9)重复上述(3)-(8),直到计算出图像中每个像素点的估计值得到相干斑抑制后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911121675.0A CN110852975B (zh) | 2019-11-15 | 2019-11-15 | 变异系数与局部熵联合驱动雷达图像非局部均值方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911121675.0A CN110852975B (zh) | 2019-11-15 | 2019-11-15 | 变异系数与局部熵联合驱动雷达图像非局部均值方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852975A CN110852975A (zh) | 2020-02-28 |
CN110852975B true CN110852975B (zh) | 2023-10-17 |
Family
ID=69600344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911121675.0A Active CN110852975B (zh) | 2019-11-15 | 2019-11-15 | 变异系数与局部熵联合驱动雷达图像非局部均值方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852975B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160084B (zh) * | 2021-04-19 | 2022-07-01 | 新疆大学 | 多孔硅生物传感器表面量子点荧光图像的去噪方法及装置 |
CN113780364A (zh) * | 2021-08-18 | 2021-12-10 | 西安电子科技大学 | 一种模型与数据联合驱动的sar图像目标识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2146315A1 (en) * | 2008-07-16 | 2010-01-20 | Galileian Plus s.r.l. | Method of filtering SAR images from speckle noise and related device. |
CN109035152A (zh) * | 2018-05-23 | 2018-12-18 | 电子科技大学 | 一种合成孔径雷达图像非局部均值滤波方法 |
-
2019
- 2019-11-15 CN CN201911121675.0A patent/CN110852975B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2146315A1 (en) * | 2008-07-16 | 2010-01-20 | Galileian Plus s.r.l. | Method of filtering SAR images from speckle noise and related device. |
CN109035152A (zh) * | 2018-05-23 | 2018-12-18 | 电子科技大学 | 一种合成孔径雷达图像非局部均值滤波方法 |
Non-Patent Citations (4)
Title |
---|
Liu Chang 等."Study of Data Fusion of AIS and Radar".《IEEE》.2009,全文. * |
朱磊 等."SAR图像相干斑的非局部平均滤波算法".《西安交通大学学报》.2018,第52卷(第4期),全文. * |
李光鑫."基于小波变换的像素级图像融合算法的研究".《中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑》.2005,全文. * |
高敬礼."面向低空慢速小目标的协检测方法研究".《中国博士学位论文全文数据库 信息科技辑》.2018,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110852975A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109964222B (zh) | 用于处理具有多个点的输入点云的系统和方法 | |
Liang et al. | Sensitivity encoding reconstruction with nonlocal total variation regularization | |
Cozzolino et al. | Fast adaptive nonlocal SAR despeckling | |
JP6723247B2 (ja) | ターゲット取得の方法及び装置 | |
Zhang et al. | Joint image denoising using adaptive principal component analysis and self-similarity | |
CN112132959B (zh) | 数字岩心图像处理方法、装置、计算机设备及存储介质 | |
Tso et al. | A contextual classification scheme based on MRF model with improved parameter estimation and multiscale fuzzy line process | |
CN110852975B (zh) | 变异系数与局部熵联合驱动雷达图像非局部均值方法 | |
WO2019182520A1 (en) | Method and system of segmenting image of abdomen of human into image segments corresponding to fat compartments | |
CN108805057B (zh) | 一种基于联合显著性分析的sar图像油库区检测方法 | |
Hachicha et al. | On the SAR change detection review and optimal decision | |
Aksam Iftikhar et al. | Brain MRI denoizing and segmentation based on improved adaptive nonlocal means | |
Kim et al. | Rician nonlocal means denoising for MR images using nonparametric principal component analysis | |
CN115100048A (zh) | 一种图像处理方法、设备及装置 | |
Jidesh et al. | Adaptive non-local level-set model for despeckling and deblurring of synthetic aperture radar imagery | |
CN114648547A (zh) | 用于反无人机红外探测系统的弱小目标检测方法和装置 | |
Abramova | A blind method for additive noise variance evaluation based on homogeneous region detection using the fourth central moment analysis | |
Almira et al. | Performance analysis of Gaussian and bilateral filter in case of determination the fetal length | |
Martin-Fernandez et al. | The EM Method in a Probabilistic Wavelet‐Based MRI Denoising | |
CN105662412A (zh) | 一种磁共振系统的一阶匀场方法、装置及设备 | |
Sun et al. | Fusion of noisy images based on joint distribution model in dual‐tree complex wavelet domain | |
KR101154355B1 (ko) | 좌심실 자동 분할 방법 | |
Ma et al. | PolSAR anisotropic diffusion filter with a refined similarity measure and an adaptive fidelity constraint | |
CN112734666B (zh) | 基于相似值的sar图像相干斑非局部均值抑制方法 | |
Kakoolvand et al. | Unsupervised change detection in SAR images based on generalized likelihood ratio test and a two-stage morphological filter |
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 |