CN111461999A - 一种基于超像素相似性测量的sar图像相干斑抑制方法 - Google Patents
一种基于超像素相似性测量的sar图像相干斑抑制方法 Download PDFInfo
- Publication number
- CN111461999A CN111461999A CN202010175341.8A CN202010175341A CN111461999A CN 111461999 A CN111461999 A CN 111461999A CN 202010175341 A CN202010175341 A CN 202010175341A CN 111461999 A CN111461999 A CN 111461999A
- Authority
- CN
- China
- Prior art keywords
- pixel
- similarity
- sar image
- window
- value
- 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
- 230000001629 suppression Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005259 measurement Methods 0.000 title claims abstract description 21
- 238000001914 filtration Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 230000014759 maintenance of location Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000001564 chemical vapour infiltration Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于超像素相似性测量的SAR图像相干斑抑制方法,包括如下步骤:步骤1:在平台上输入带有乘性相干斑噪声的SAR图像;步骤2:计算图像中表征边缘、细节等信息起伏程度的变差系数CV;步骤3:设置滤波参数,包括搜索窗S、相似窗T、衰减指数α;步骤4:根据步骤3设定的参数对输入的SAR图像进行非局部平均抑斑处理;步骤5:输出滤波后的SAR图像。与现有的方法相比,本发明采用加入结构信息的超像素分块相似性作为相似性测量参量的非局部平均抑斑算法对SAR图像进行处理,增加了靠近边缘区像素点与同质区像素点的区分度,在能够保证抑斑效果的前提下,获得了较高的边缘保持指数。
Description
技术领域
本发明属于图像处理技术领域,涉及一种基于超像素相似性测量的SAR 图像相干斑抑制方法。
背景技术
SAR图像具有全天候、全天时、高分辨率和强大的穿透能力等特点,其中含有丰富的特征信号,包括幅度、相位和极化等多种信息。由于上述优点, SAR图像被广泛应用于民用和军事领域。但因为其成像系统的限制,SAR 图像中具有大量随机分布的相干斑噪声,对SAR图像后续的解译及应用产生了很大的影响。因此,在使用SAR图像之前必须进行相干斑抑制处理。
SAR图像的相干斑抑制方法大致分为3类:空域滤波方法、变换域滤波方法和偏微分扩散滤波方法。空域滤波方法对图像同质区的抑斑效果较好,但是对其边缘保护效果不理想;变换域滤波方法的处理结果中容易产生伪吉布斯条纹;偏微分扩散方法能较好的平衡抑斑与边缘保持之间的矛盾,但容易产生块效应且消耗的计算量大。可见,不论是哪一类方法,找寻尽可能彻底去除噪声的同时有效保留边缘和结构等细节信息的平衡一直是研究SAR 图像抑斑算法的目的。
发明内容
本发明的目的是提供一种基于超像素相似性测量的SAR图像相干斑抑制方法,解决了现有相关算法在抑斑过程中容易模糊或丢失图像纹理、细节信息的问题。
本发明所采用的技术方案是:一种基于超像素相似性测量的SAR图像相干斑抑制方法,包括如下步骤:
步骤1:在平台上输入带有乘性相干斑噪声的SAR图像;
步骤2:计算图像中表征边缘、细节等信息起伏程度的变差系数CV;
步骤3:设置滤波参数,包括搜索窗S、相似窗T、衰减指数α;
步骤4:根据步骤3设定的参数对输入的SAR图像进行非局部平均抑斑处理;
步骤5:输出滤波后的SAR图像。
本发明的特点还在于:
步骤1的过程为:
y(i)=x(i)n(i) (1)
其中,i表示SAR图像中任一像素点,x(i)为有用回波信号,n(i)为具有乘性特性的相干斑噪声。
步骤2计算图像中表征边缘、细节等信息起伏程度的变差系数CV的具体过程为:
步骤3的搜索窗S、相似窗T、衰减指数α分别为[17,25]、[5,11]、[1,9]。
步骤4的过程为:
步骤4.1:从SAR图像中选择以待处理位置i像素为中心的大尺度搜索窗S(i);
步骤4.2:从搜索窗S(i)中提取以待处理位置i像素为中心的小尺度相似窗范围内对应的像素块T(i)和以其他位置j像素为中心的小尺度相似窗范围内对应的像素块T(j);
步骤4.3:采用加入结构信息的超像素分块相似性测量参量来计算T(i)与 T(j)的相似性矩阵Mi,j:
公式(3)中,dc表示像素点对应像素值之间的距离,即灰度相似性,取值越大相似程度越小,取值越小相似程度越大;ds表示其他像素点与待处理像素点的位置距离,即空间邻近性,取值越大距离越远,取值越小距离越近; dCV表示像素点之间结构信息的距离;a为相似窗的尺度;m表示空间邻近性较灰度相似性的重要性,取值范围为[1,40];t表示结构信息相似性较空间邻近性和灰度相似性的重要性,t为10;
dc的表达式如公式(4)所示,其中T(j)和T(i)分别表示在搜索窗中以其他像素为中心的相似窗和以待处理像素为中心的相似窗中对应位置上像素值的距离;ds的表达式如公式(5)所示,其中xj、xi分别表示位置j像素和位置i像素的行坐标,yj、yi分别表示在搜索窗中以其他像素为中心的相似窗和以待处理像素为中心的相似窗中对应位置上像素点的位置距离;dCV的表达式如公式(6)所示,其中CVT(j)和CVT(i)分别表示在搜索窗中以其他像素点为中心的相似窗和以待处理像素点为中心的相似窗中对应位置上结构信息CV的距离;
步骤4.4:计算相似性矩阵Mi,j中所有元素的平均值,并将该值作为位置 j像素与位置i像素的相似性测量值Di,j,表达式如下:
Di,j=∑Mi,j/a (7)
其中,a表示相似窗的尺度;
步骤4.5:计算S(i)中所有像素与待处理位置i像素的相似性测量值Di,j;
步骤4.6:根据步骤2估计的图像变差系数CV和设置的衰减指数α构建自适应衰减因子,表达式如下:
h(i)=α/CV(i) (8)
步骤4.7:计算S(i)内每个像素的加权系数及正则化因子,表达式如下所示:
公式(9)中,wi,j表示位置j像素相对于待处理位置i像素的归一化加权系数,B(i)表示正则化因子,表达式如公式(10)所示;
步骤4.8:重复步骤4b)~4g),直至S(i)内其他像素点的加权系数计算完毕;
步骤4.9:根据加权系数计算出待处理像素点的滤波值,如公式(11)所示:
步骤4.10:重复步骤4a)~4h),直至SAR图像中所有像素点的滤波值估计完毕。
平台为MATLAB平台。
本发明的有益效果是:
与现有的方法相比,本发明采用加入结构信息的超像素分块相似性作为相似性测量参量的非局部平均抑斑算法对SAR图像进行处理,增加了靠近边缘区像素点与同质区像素点的区分度,在能够保证抑斑效果的前提下,获得了较高的边缘保持指数。
附图说明
图1是本发明一种基于超像素相似性测量的SAR图像相干斑抑制方法的流程图;
图2是对比算法与本发明算法对5视农田SAR图像的抑斑结果图;
图3是对比算法与本发明算法对8视机场SAR图像的抑斑结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种基于超像素相似性测量的SAR图像相干斑抑制方法,如图1所示,包括如下步骤:
步骤1:在MATLAB平台上输入带有乘性相干斑噪声的SAR图像;
步骤1的过程为:
y(i)=x(i)n(i) (1)
其中,i表示SAR图像中任一像素点,x(i)为有用回波信号,n(i)为具有乘性特性的相干斑噪声。
步骤2:计算图像中表征边缘、细节等信息起伏程度的变差系数CV;
步骤2计算图像中表征边缘、细节等信息起伏程度的变差系数CV的具体过程为:
步骤3:设置滤波参数,包括搜索窗S、相似窗T、衰减指数α;
步骤3的搜索窗S、相似窗T、衰减指数α分别为[17,25]、[5,11]、[1, 9]。
步骤4:根据步骤3设定的参数对输入的SAR图像进行非局部平均抑斑处理;
步骤4的过程为:
步骤4.1:从SAR图像中选择以待处理位置i像素为中心的大尺度搜索窗S(i);
步骤4.2:从搜索窗S(i)中提取以待处理位置i像素为中心的小尺度相似窗范围内对应的像素块T(i)和以其他位置j像素为中心的小尺度相似窗范围内对应的像素块T(j);
步骤4.3:采用加入结构信息的超像素分块相似性测量参量来计算T(i)与T(j)的相似性矩阵Mi,j:
公式(3)中,dc表示像素点对应像素值之间的距离,即灰度相似性,取值越大相似程度越小,取值越小相似程度越大;ds表示其他像素点与待处理像素点的位置距离,即空间邻近性,取值越大距离越远,取值越小距离越近; dCV表示像素点之间结构信息的距离;a为相似窗的尺度;m表示空间邻近性较灰度相似性的重要性,取值范围为[1,40],经过大量实验,本发明算法取值为30;t表示结构信息相似性较空间邻近性和灰度相似性的重要性,经过大量实验验证,本发明算法取值为10;
dc的表达式如公式(4)所示,其中T(j)和T(i)分别表示在搜索窗中以其他像素为中心的相似窗和以待处理像素为中心的相似窗中对应位置上像素值的距离;ds的表达式如公式(5)所示,其中xj、xi分别表示位置j像素和位置 i像素的行坐标,yj、yi分别表示在搜索窗中以其他像素为中心的相似窗和以待处理像素为中心的相似窗中对应位置上像素点的位置距离;dCV的表达式如公式(6)所示,其中CVT(j)和CVT(i)分别表示在搜索窗中以其他像素点为中心的相似窗和以待处理像素点为中心的相似窗中对应位置上结构信息CV的距离;
步骤4.4:计算相似性矩阵Mi,j中所有元素的平均值,并将该值作为位置 j像素与位置i像素的相似性测量值Di,j,表达式如下:
Di,j=∑Mi,j/a (7)
其中,a表示相似窗的尺度;
步骤4.5:计算S(i)中所有像素与待处理位置i像素的相似性测量值Di,j;
步骤4.6:根据步骤2估计的图像变差系数CV和设置的衰减指数α构建自适应衰减因子,表达式如下:
h(i)=α/CV(i) (8)
步骤4.7:计算S(i)内每个像素的加权系数及正则化因子,表达式如下所示:
公式(9)中,wi,j表示位置j像素相对于待处理位置i像素的归一化加权系数,B(i)表示正则化因子,表达式如公式(10)所示;
步骤4.8:重复步骤4b)~4g),直至S(i)内其他像素点的加权系数计算完毕;
步骤4.9:根据加权系数计算出待处理像素点的滤波值,如公式(11)所示:
步骤4.10:重复步骤4a)~4h),直至SAR图像中所有像素点的滤波值估计完毕。
步骤5:输出滤波后的SAR图像。
为此,本发明实验如下:
对选定的两幅SAR图像分别采用4种SAR图像抑斑算法和本发明算法进行处理,比较本发明算法与其他4种算法的性能,主要从视觉效果和参数指标两方面进行比较,参数指标包括等效视数VENL和边缘保持指数VEPI,等效视数VENL的值越大表明抑斑效果越好,边缘保持指数VEPI的值越大表明边缘保持效果越好。
(1)图2为实验结果中现有SAR图像抑斑算法与本发明算法对5视农田 SAR图像的抑斑效果对比图,其中图2(a)是待处理的原图,图像大小为 400×400。图2(b)是对图2(a)采用SAR-BM3D算法处理的抑斑图像,图2(c) 是对图2(a)采用NL-CV算法处理的抑斑图像,图2(d)是对图2(a)采用IDPAD 算法处理的抑斑图像,图2(e)是对图2(a)采用MR-NLM算法处理的抑斑图像,图2(f)是对图2(a)采用本发明算法处理的抑斑图像。
对图2(a)处理时各算法的参数设置:SAR-BM3D算法的视数设置为5; NL-CV算法的搜索窗尺度为21×21像素,相似窗尺度为7×7像素,衰减常数为85,高斯核标准差为8;IDPAD算法的局域窗尺度为5×5像素,时间步长为0.05,迭代运算20次;MR-NLM算法的搜索窗尺度为21×21像素,相似窗尺度为7×7像素,衰减指数为1.5;本发明算法的搜索窗尺度为21×21像素,相似窗尺度为9×9像素,衰减指数为3。
(2)图3为实验结果中现有SAR图像抑斑算法与本发明算法对8视机场 SAR图像的抑斑效果对比图,其中图3(a)是待处理的原图,图像大小为 400×400,图3(b)是对图3(a)采用SAR-BM3D算法处理的抑斑图像,图3(c) 是对图3(a)采用NL-CV算法处理的抑斑图像,图3(d)是对图3(a)采用IDPAD 算法处理的抑斑图像,图3(e)是对图3(a)采用MR-NLM算法处理的抑斑图像,图3(f)是对图3(a)采用本发明算法处理的抑斑图像。
对图2(b)处理时各算法的参数设置:SAR-BM3D算法的视数设置为8; NL-CV算法的搜索窗尺度为21×21像素,相似窗尺度为7×7像素,衰减常数为50,高斯核标准差为8;IDPAD算法的局域窗尺度为5×5像素,时间步长为0.05,迭代运算20次;MR-NLM算法的搜索窗尺度为21×21像素,相似窗尺度为7×7像素,衰减指数为3.6;本发明算法的搜索窗尺度为21×21像素,相似窗尺度为11×11像素,衰减指数为3。
实验结果及分析:
根据图2和图3的各方法抑斑结果图,可以看出SAR-BM3D算法的抑斑结果中存在明显的伪吉布斯条纹,NL-CV算法的抑斑结果中边缘较模糊, IDPAD算法的抑斑结果中存在块效应,MR-NLM算法的抑斑结果与本发明算法的抑斑结果相对较理想,而本发明算法抑斑结果的同质区更平滑且边缘保持效果更好。
对图2(a)和图3(a)的各算法参数比较如表1所示:
表1 5算法对真实SAR图像抑斑参数比较
由上表的比较结果得出,本发明算法的抑斑指数和边缘保持指数均是中最优的,充分说明了本算法的优势。
Claims (6)
1.一种基于超像素相似性测量的SAR图像相干斑抑制方法,其特征在于,包括如下步骤:
步骤1:在平台上输入带有乘性相干斑噪声的SAR图像;
步骤2:计算图像中表征边缘、细节等信息起伏程度的变差系数CV;
步骤3:设置滤波参数,包括搜索窗S、相似窗T、衰减指数α;
步骤4:根据步骤3设定的参数对输入的SAR图像进行非局部平均抑斑处理;
步骤5:输出滤波后的SAR图像。
2.如权利要求1所述的一种基于超像素相似性测量的SAR图像相干斑抑制方法,其特征在于,所述步骤1的过程为:
y(i)=x(i)n(i) (1)
其中,i表示SAR图像中任一像素点,x(i)为有用回波信号,n(i)为具有乘性特性的相干斑噪声。
4.如权利要求1所述的一种基于超像素相似性测量的SAR图像相干斑抑制方法,其特征在于,所述步骤3的搜索窗S、相似窗T、衰减指数α分别为[17,25]、[5,11]、[1,9]。
5.如权利要求1所述的一种基于超像素相似性测量的SAR图像相干斑抑制方法,其特征在于,所述步骤4的过程为:
步骤4.1:从SAR图像中选择以待处理位置i像素为中心的大尺度搜索窗S(i);
步骤4.2:从搜索窗S(i)中提取以待处理位置i像素为中心的小尺度相似窗范围内对应的像素块T(i)和以其他位置j像素为中心的小尺度相似窗范围内对应的像素块T(j);
步骤4.3:采用加入结构信息的超像素分块相似性测量参量来计算T(i)与T(j)的相似性矩阵Mi,j:
公式(3)中,dc表示像素点对应像素值之间的距离,即灰度相似性,取值越大相似程度越小,取值越小相似程度越大;ds表示其他像素点与待处理像素点的位置距离,即空间邻近性,取值越大距离越远,取值越小距离越近;dCV表示像素点之间结构信息的距离;a为相似窗的尺度;m表示空间邻近性较灰度相似性的重要性,取值范围为[1,40];t表示结构信息相似性较空间邻近性和灰度相似性的重要性,t为10;
dc的表达式如公式(4)所示,其中T(j)和T(i)分别表示在搜索窗中以其他像素为中心的相似窗和以待处理像素为中心的相似窗中对应位置上像素值的距离;ds的表达式如公式(5)所示,其中xj、xi分别表示位置j像素和位置i像素的行坐标,yj、yi分别表示在搜索窗中以其他像素为中心的相似窗和以待处理像素为中心的相似窗中对应位置上像素点的位置距离;dCV的表达式如公式(6)所示,其中CVT(j)和CVT(i)分别表示在搜索窗中以其他像素点为中心的相似窗和以待处理像素点为中心的相似窗中对应位置上结构信息CV的距离;
步骤4.4:计算相似性矩阵Mi,j中所有元素的平均值,并将该值作为位置j像素与位置i像素的相似性测量值Di,j,表达式如下:
Di,j=∑Mi,j/a (7)
其中,a表示相似窗的尺度;
步骤4.5:计算S(i)中所有像素与待处理位置i像素的相似性测量值Di,j;
步骤4.6:根据步骤2估计的图像变差系数CV和设置的衰减指数α构建自适应衰减因子,表达式如下:
h(i)=α/CV(i) (8)
步骤4.7:计算S(i)内每个像素的加权系数及正则化因子,表达式如下所示:
公式(9)中,wi,j表示位置j像素相对于待处理位置i像素的归一化加权系数,B(i)表示正则化因子,表达式如公式(10)所示;
步骤4.8:重复步骤4b)~4g),直至S(i)内其他像素点的加权系数计算完毕;
步骤4.9:根据加权系数计算出待处理像素点的滤波值,如公式(11)所示:
步骤4.10:重复步骤4a)~4h),直至SAR图像中所有像素点的滤波值估计完毕。
6.如权利要求1所述的一种基于超像素相似性测量的SAR图像相干斑抑制方法,其特征在于,所述平台为MATLAB平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010175341.8A CN111461999B (zh) | 2020-03-13 | 2020-03-13 | 一种基于超像素相似性测量的sar图像相干斑抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010175341.8A CN111461999B (zh) | 2020-03-13 | 2020-03-13 | 一种基于超像素相似性测量的sar图像相干斑抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461999A true CN111461999A (zh) | 2020-07-28 |
CN111461999B CN111461999B (zh) | 2023-02-14 |
Family
ID=71680746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010175341.8A Active CN111461999B (zh) | 2020-03-13 | 2020-03-13 | 一种基于超像素相似性测量的sar图像相干斑抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461999B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150386A (zh) * | 2020-09-29 | 2020-12-29 | 西安工程大学 | 基于对比度均值的sar图像相干斑非局部平均抑制方法 |
CN113191979A (zh) * | 2021-04-30 | 2021-07-30 | 云南师范大学 | 一种分区域sar图像非局部均值去噪方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5461655A (en) * | 1992-06-19 | 1995-10-24 | Agfa-Gevaert | Method and apparatus for noise reduction |
WO2005098473A1 (fr) * | 2004-04-09 | 2005-10-20 | National University Of Defense Technology Of People's Liberation Army | Procede de correlation d'imagerie reelle permettant la generation d'un interferogramme sans tache de rso |
EP2146315A1 (en) * | 2008-07-16 | 2010-01-20 | Galileian Plus s.r.l. | Method of filtering SAR images from speckle noise and related device. |
CN103377465A (zh) * | 2013-03-21 | 2013-10-30 | 西安电子科技大学 | 基于素描图和核选择的sar图像降斑方法 |
CN103886563A (zh) * | 2014-04-18 | 2014-06-25 | 中南民族大学 | 基于非局部平均和异质性测量的sar图像斑点噪声抑制方法 |
CN104182945A (zh) * | 2014-08-30 | 2014-12-03 | 西安电子科技大学 | 基于非局部双边滤波的极化sar相干斑噪声抑制方法 |
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 |
CN109919870A (zh) * | 2019-03-05 | 2019-06-21 | 西安电子科技大学 | 一种基于bm3d的sar图像相干斑抑制方法 |
-
2020
- 2020-03-13 CN CN202010175341.8A patent/CN111461999B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5461655A (en) * | 1992-06-19 | 1995-10-24 | Agfa-Gevaert | Method and apparatus for noise reduction |
WO2005098473A1 (fr) * | 2004-04-09 | 2005-10-20 | National University Of Defense Technology Of People's Liberation Army | Procede de correlation d'imagerie reelle permettant la generation d'un interferogramme sans tache de rso |
EP2146315A1 (en) * | 2008-07-16 | 2010-01-20 | Galileian Plus s.r.l. | Method of filtering SAR images from speckle noise and related device. |
CN103377465A (zh) * | 2013-03-21 | 2013-10-30 | 西安电子科技大学 | 基于素描图和核选择的sar图像降斑方法 |
CN103886563A (zh) * | 2014-04-18 | 2014-06-25 | 中南民族大学 | 基于非局部平均和异质性测量的sar图像斑点噪声抑制方法 |
CN104182945A (zh) * | 2014-08-30 | 2014-12-03 | 西安电子科技大学 | 基于非局部双边滤波的极化sar相干斑噪声抑制方法 |
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 |
CN109919870A (zh) * | 2019-03-05 | 2019-06-21 | 西安电子科技大学 | 一种基于bm3d的sar图像相干斑抑制方法 |
Non-Patent Citations (3)
Title |
---|
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》 * |
朱磊等: "一种抑制SAR图像相干斑的空域滤波算法", 《计算机工程与应用》 * |
胡晓等: "基于非局部平均的SAR图像相干斑抑制算法", 《西安工程大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150386A (zh) * | 2020-09-29 | 2020-12-29 | 西安工程大学 | 基于对比度均值的sar图像相干斑非局部平均抑制方法 |
CN112150386B (zh) * | 2020-09-29 | 2023-03-21 | 西安工程大学 | 基于对比度均值的sar图像相干斑非局部平均抑制方法 |
CN113191979A (zh) * | 2021-04-30 | 2021-07-30 | 云南师范大学 | 一种分区域sar图像非局部均值去噪方法 |
CN113191979B (zh) * | 2021-04-30 | 2022-06-24 | 云南师范大学 | 一种分区域sar图像非局部均值去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111461999B (zh) | 2023-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Image denoising using nonsubsampled shearlet transform and twin support vector machines | |
Yu et al. | Image denoising using trivariate shrinkage filter in the wavelet domain and joint bilateral filter in the spatial domain | |
CN109919870B (zh) | 一种基于bm3d的sar图像相干斑抑制方法 | |
CN112233026A (zh) | 一种基于多尺度残差注意力网络的sar图像去噪方法 | |
CN101847257A (zh) | 基于非局部均值与多级定向图像的图像降噪方法 | |
CN111768350B (zh) | 一种红外图像增强方法及系统 | |
CN109685730B (zh) | 一种基于自适应非局域均值的小波去噪方法 | |
Teng et al. | Modified pyramid dual tree direction filter‐based image denoising via curvature scale and nonlocal mean multigrade remnant filter | |
Ding et al. | U 2 D 2 Net: Unsupervised unified image dehazing and denoising network for single hazy image enhancement | |
Li et al. | Research on wavelet-based contourlet transform algorithm for adaptive optics image denoising | |
CN111861905B (zh) | 基于Gamma-Lee滤波的SAR影像斑点噪声抑制方法 | |
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 | |
CN111242854A (zh) | 一种图像去噪方法 | |
CN103971345A (zh) | 一种基于改进双边滤波的图像去噪方法 | |
CN112150386A (zh) | 基于对比度均值的sar图像相干斑非局部平均抑制方法 | |
CN115082336A (zh) | 一种基于机器学习的sar图像相干斑抑制方法 | |
Feng et al. | BM3D‐GT&AD: an improved BM3D denoising algorithm based on Gaussian threshold and angular distance | |
CN108805845A (zh) | 小波包与偏微分方程相结合的图像去噪方法 | |
Wang et al. | A new method of denoising crop image based on improved SVD in wavelet domain | |
CN110830043B (zh) | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 | |
CN111340741A (zh) | 基于四元数与l1范数的粒子群优化灰度图像增强方法 | |
CN116051444A (zh) | 一种有效的红外与可见光图像自适应融合方法 | |
Sun et al. | Color image denoising based on guided filter and adaptive wavelet threshold | |
CN113160069B (zh) | 一种基于图信号的高光谱图像去噪方法 | |
Gantenapalli et al. | Selective mean filtering for reducing impulse noise in digital color images |
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 |