CN112150386A - 基于对比度均值的sar图像相干斑非局部平均抑制方法 - Google Patents
基于对比度均值的sar图像相干斑非局部平均抑制方法 Download PDFInfo
- Publication number
- CN112150386A CN112150386A CN202011052348.7A CN202011052348A CN112150386A CN 112150386 A CN112150386 A CN 112150386A CN 202011052348 A CN202011052348 A CN 202011052348A CN 112150386 A CN112150386 A CN 112150386A
- Authority
- CN
- China
- Prior art keywords
- image
- contrast
- mean
- processed
- window
- 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 46
- 230000005764 inhibitory process Effects 0.000 title claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000001629 suppression Effects 0.000 claims abstract description 31
- 238000003708 edge detection Methods 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 3
- 230000002401 inhibitory effect Effects 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000007704 transition Effects 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于对比度均值的SAR图像相干斑非局部平均抑制方法，步骤为：步骤1，对待检测的SAR图像做算术平均处理以获得处理图像；步骤2，对处理图像进行对比度均值计算，获得对比度均值图像；步骤3，对对比度均值图像分别进行阈值分割与非极大值抑制处理，分别得到图像Ir和Ig，根据图像Ir和Ig尺度窗内是否包含边缘区的情况设置不同的衰减常数；步骤4，在处理图像中计算搜索窗内的均值比、变差系数和对比度均值，构建相似性测量参量和自适应衰减因子；步骤5，在处理图像中计算非局部加权滤波系数，获得待处理像素的滤波估计图像与边缘检测图像。本发明解决了现有技术中存在的一套衰减常数不能理想的调节同质区和边缘区滤波强度的问题。
Description
技术领域
本发明属于图像处理技术领域，涉及一种基于对比度均值的SAR图像相干斑非局部平均抑制方法。
背景技术
合成孔径雷达是一种相干成像系统，被广泛应用在军事、民用和海洋监测等领域，其成像具有全天时、全天候、高分辨率、大幅宽和强穿透能力等特点。然而，由于相干斑的存在会严重降低SAR图像的质量，导致图像的后续解译处理难以进行，因此SAR图像相干斑抑制方法研究一直以来都是科学家们的重点及热点研究对象。
SAR图像滤波算法可分为3类，分别是空域滤波算法、变换域滤波算法及偏微分扩散滤波。早期空域滤波算法均比较简单，但是这类算法受窗口尺度选择影响大，容易造成滤波不彻底和边缘区域的过渡平滑；变换域滤波算法被应用到SAR图像的相干斑抑制中，虽取得了较好的滤波效果，但是由于小波变换方向的有限性，造成不能有效表达SAR图像边缘信息的问题；到21世纪初，经典各向异性扩散滤波及改进算法自适应的控制扩散滤波的方向和强度，获得较好的滤波效果和边缘细节信息，但迭代次数多容易造成图像模糊等问题。随着数字图像处理技术的发展，非局部平均滤波方法及其改进算法先后被提出，这类算法虽在性能上有了较大的提升，但这类算法均采用一套衰减常数来控制同质区和边缘区的加权滤波系数，而一套衰减常数很难对SAR图像的同质区和边缘区都实现理想的滤波强度调节，进而限制了SAR图像相干斑抑制和边缘区域保护性能的提升。
发明内容
本发明的目的是提供一种基于对比度均值的SAR图像相干斑非局部平均滤波方法，解决了现有技术中存在的一套衰减常数不能理想的调节同质区和边缘区滤波强度的问题。
本发明所采用的技术方案是，
基于对比度均值的SAR图像相干斑非局部平均抑制方法，具体步骤为：
步骤1，输入待检测的SAR图像，对待检测的SAR图像做算术平均处理步骤，获得减少乘性噪声的处理图像；
步骤2，对处理图像进行对比度均值计算，获得对比度均值图像；
步骤3，对对比度均值图像分别进行阈值分割与非极大值抑制处理，分别得到图像Ir和Ig，分别判断图像Ir和Ig尺度窗内是否包含边缘区，根据包含边缘区的情况，对不同区域设置不同的衰减常数；
步骤4，在处理图像中选择以待处理像素为中心的大尺度搜索窗，计算搜索窗内的均值比、变差系数和对比度均值，利用衰减常数分别构建相似性测量参量和自适应衰减因子；
步骤5，在处理图像中，利用相似性测量参量和自适应衰减因子计算非局部加权滤波系数，获得待处理像素的滤波估计图像，并对滤波估计图像进行边缘检测，得到滤波估计图像的边缘检测图像。
本发明的特点还在于，
其中步骤1中算数平均处理的计算公式为：
其中i为当前中心像素，I(i)为待检测的SAR图像，
为获得减少乘性噪声的处理图像，b表示小尺度相似窗wp,i的尺度大小，j为小尺度相似窗wp,i内的任意像素。
步骤2中计算对比度均值公式如下：
其中，(x1,y1),(x2,y2)为处理图像中的像素对S为目标区域中具有特定空间联系的像素对的集合，p(i,j)为满足一定距离和方向关系的灰度共生矩阵图像，Icon(i,j)为在灰度共生矩阵p(i,j)中距离为1，方向分别为0、45、90、135四个方向下的对比度图像，Icon_mean(i,j)为对比度均值图像。
步骤3中在不同区域设置不同的衰减常数，具体按照以下步骤实施：
步骤3.1，对对比度均值图像Icon_mean分别进行阈值分割与非极大值抑制处理，分别得到图像Ir和Ig；
步骤3.2，分别判断图像Ir和Ig小尺度窗wp,i内是否包含边缘区，根据包含边缘区的情况，对不同区域设置不同的衰减常数，公式如下：
其中Ir(z)为小尺度窗下的阈值分割图像，Ig(z)为小尺度窗下的非极大值抑制图像，α1为同质区的衰减常数，α2为靠近边缘区的衰减常数，α3为边缘区的衰减常数。
步骤4中具体步骤为：从处理图像中选择以待处理像素为中心的大尺度搜索窗Ωp,i，计算搜索窗Ωp,i内的均值比、变差系数和对比度均值，分别构建相似性测量参量和自适应衰减因子，公式如下：
hCV(i)＝1/α*ICV(i)*Icon_mean(i) (8)
其中IMR(i,j)为相似性测量参数，
与
分别在搜索窗内以位置i与位置j为中心的小尺度相似窗wp,i与wp,j下的均值矩阵，ICV(i)为搜索窗Ωp,i内位置i为中心的变差系数，
分别为小尺度相似窗wp,i内像素的标准差与均值，hCV(i)为搜索窗Ωp,i内的自适应衰减因子，α代表衰减常数，可取值为α1，α2，α3。
步骤5中待处理像素的滤波估计值的计算公式为：
其中，WMR(i,j)为搜索窗内位置j像素对位置i像素的NLM滤波系数，BMR(i)为正则化因子，为
输入图像中待处理像素的滤波估计图像，利用Canny算子对滤波估计图像进行边缘检测，阈值设置为0.08。
本发明的有益效果是
一、本发明利用能较好检测SAR图像同质区和边缘区的对比度均值与变差系数的乘积替换改进NLM算法中构建自适应衰减因子的变差系数，，提高了提取SAR图像弱边缘的准确性。
二、为避免使用一套衰减常数来控制SAR图像不同区域的滤波程度调节，，利用待处理图像计算对比度均值，获得对比度均值图像，对对比度均值图像分别进行阈值分割与非极大值抑制处理，分别得到图像Ir和Ig，分别判断图像Ir和Ig尺度窗内是否包含边缘区，根据包含边缘区的情况，对不同区域设置不同的衰减常数；进行区域划分，划分为同质区、靠近边缘区和边缘区，分别设置衰减常数，进一步提升了SAR图像相干斑抑制与边缘细节保护性能。
附图说明
图1是本发明基于对比度均值的SAR图像相干斑非局部平均抑制方法的流程图；
图2是本发明基于对比度均值的SAR图像相干斑非局部平均抑制方法实施例1中的待检测的农田SAR图像；
图3是本发明基于对比度均值的SAR图像相干斑非局部平均抑制方法实施例1中的处理图像；
图4是本发明基于对比度均值的SAR图像相干斑非局部平均抑制方法实施例1中的对比度均值图像；
图5是本发明基于对比度均值的SAR图像相干斑非局部平均抑制方法实施例1中的阈值分割图像；
图6是本发明基于对比度均值的SAR图像相干斑非局部平均抑制方法实施例1中的非极大值抑制处理图像；
图7是本发明基于对比度均值的SAR图像相干斑非局部平均抑制方法实施例1中的滤波估计图像；
图8是对图7进行边缘检测后的图像；
图9是用SAR-BM3D算法对图2处理后的滤波估计图像；
图10是用SAR-BM3D算法对图9进行边缘检测后的图像；
图11是用NL-CV算法对图2处理后的滤波估计图像；
图12是用NL-CV算法对图11进行边缘检测后的图像；
图13是用MSAR-BM3D算法对图2处理后的滤波估计图像；
图14是用MSAR-BM3D算法对图13进行边缘检测后的图像；
图15是本发明基于对比度均值的SAR图像相干斑非局部平均抑制方法实施例2中的待检测的机场SAR图像；
图16是为本发明基于对比度均值的SAR图像相干斑非局部平均抑制方法实施例2中的处理图像；
图17是本发明基于对比度均值的SAR图像相干斑非局部平均抑制方法实施例2中的对比度均值图像；
图18是本发明基于对比度均值的SAR图像相干斑非局部平均抑制方法实施例2中的阈值分割图像；
图19是本发明基于对比度均值的SAR图像相干斑非局部平均抑制方法实施例2中的非极大值抑制处理图像；
图20是本发明基于对比度均值的SAR图像相干斑非局部平均抑制方法实施例2中的滤波估计图像；
图21是对图20进行边缘检测后的图像；
图22是用SAR-BM3D算法对图15处理后的滤波估计图像；
图23是用SAR-BM3D算法对图22进行边缘检测后的图像；
图24是用NL-CV算法对图15处理后的滤波估计图像；
图25是用NL-CV算法对图24进行边缘检测后的图像；
图26是用MSAR-BM3D算法对图15处理后的滤波估计图像；
图27是用MSAR-BM3D算法对图26进行边缘检测后的图像。
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。
如图1，本发明基于对比度均值的SAR图像相干斑非局部平均抑制方法，具体步骤为：
步骤1，输入待检测的SAR图像，对待检测的SAR图像做算术平均处理步骤，获得减少乘性噪声的处理图像；
步骤2，对处理图像进行对比度均值计算，获得对比度均值图像；
步骤3，对对比度均值图像分别进行阈值分割与非极大值抑制处理，分别得到图像Ir和Ig，分别判断图像Ir和Ig尺度窗内是否包含边缘区，根据包含边缘区的情况，对不同区域设置不同的衰减常数；
步骤4，在处理图像中选择以待处理像素为中心的大尺度搜索窗，计算搜索窗内的均值比、变差系数和对比度均值，利用衰减常数分别构建相似性测量参量和自适应衰减因子；
步骤5，在处理图像中，利用相似性测量参量和自适应衰减因子计算非局部加权滤波系数，获得待处理像素的滤波估计图像，并对滤波估计图像进行边缘检测，得到滤波估计图像的边缘检测图像。
其中步骤1中算数平均处理的计算公式为：
其中i为当前中心像素，I(i)为待检测的SAR图像，
为获得减少乘性噪声的处理图像，b表示小尺度相似窗wp,i的尺度大小，j为小尺度相似窗wp,i内的任意像素。
步骤2中计算对比度均值公式如下：
其中，(x1,y1),(x2,y2)为处理图像中的像素对S为目标区域中具有特定空间联系的像素对的集合，p(i,j)为满足一定距离和方向关系的灰度共生矩阵图像，Icon(i,j)为在灰度共生矩阵p(i,j)中距离为1，方向分别为0、45、90、135四个方向下的对比度图像，Icon_mean(i,j)为对比度均值图像。
步骤3中在不同区域设置不同的衰减常数，具体按照以下步骤实施：
步骤3.1，对对比度均值图像Icon_mean分别进行阈值分割与非极大值抑制处理，分别得到图像Ir和Ig；
步骤3.2，分别判断图像Ir和Ig小尺度窗wp,i内是否包含边缘区，根据包含边缘区的情况，对不同区域设置不同的衰减常数，公式如下：
其中Ir(z)为小尺度窗下的阈值分割图像，Ig(z)为小尺度窗下的非极大值抑制图像，α1为同质区的衰减常数，α2为靠近边缘区的衰减常数，α3为边缘区的衰减常数。
步骤4中具体步骤为：从处理图像中选择以待处理像素为中心的大尺度搜索窗Ωp,i，计算搜索窗Ωp,i内的均值比、变差系数和对比度均值，分别构建相似性测量参量和自适应衰减因子，公式如下：
hCV(i)＝1/α*ICV(i)*Icon_mean(i) (8)
其中IMR(i,j)为相似性测量参数，
与
分别在搜索窗内以位置i与位置j为中心的小尺度相似窗wp,i与wp,j下的均值矩阵，ICV(i)为搜索窗Ωp,i内位置i为中心的变差系数，
分别为小尺度相似窗wp,i内像素的标准差与均值，hCV(i)为搜索窗Ωp,i内的自适应衰减因子，α代表衰减常数，可取值为α1，α2，α3。
步骤5中待处理像素的滤波估计值的计算公式为：
其中，WMR(i,j)为搜索窗内位置j像素对位置i像素的NLM滤波系数，BMR(i)为正则化因子，为
输入图像中待处理像素的滤波估计值，利用Canny算子对滤波估计图像进行边缘检测，阈值设置为0.08。
实施例1
执行步骤1，其中待检测的SAR图像为图2，获得的减少乘性噪声的处理图像为图3；
执行步骤2，获得的对比度均值图像为图4；
执行步骤3，获得阈值分割图像和非极大值抑制处理图像分别为图5和图6；
执行步骤4～步骤5，图7和图8分别为最终得到的SAR图像滤波估计图像和边缘检测效果。
图9是对图2进行SAR-BM3D算法的滤波估计图像，图10是对图9进行SAR-BM3D算法的边缘检测结果图，图11是对图2进行NL-CV算法算法的滤波估计图像，图12是对图11进行NL-CV算法的边缘检测结果图，图13是对图2进行MSAR-BM3D算法算法的滤波估计图像，图14是对图13进行MSAR-BM3D算法的边缘检测结果图，用本发明方法与其他方法进行对比可知，使用SAR-BM3D算法和MSAR-BM3D算法，在滤波估计图像中存在大量的伪吉布斯条纹，NL-CV算法中虽滤波较平滑，但存在边缘模糊问题，且在边缘检测图像中都存在较多的虚假边缘，本发明方法在同质区滤波更加平滑，边缘细节信息得到保护，在边缘检测图像中，虚假边缘较少。因此，本发明方法在滤波估计、相干斑抑制和边缘细节保护方面均优于其它算法。
实施例2
执行步骤1，待检测的SAR图像为图15，获得的减少乘性噪声的处理图像为图16；
执行步骤2，获得的对比度均值图像为图17；
执行步骤3，获得阈值分割图像和非极大值抑制处理图像分别为图18和图19；
执行步骤4～步骤5，图20和图21分别为最终得到的SAR图像滤波估计图像和边缘检测结果图。
图22是对图15进行SAR-BM3D算法的滤波估计图像，图23是对图22进行SAR-BM3D算法的边缘检测结果图，图24是对图15进行NL-CV算法算法的滤波估计图像，图25是对图24进行NL-CV算法的边缘检测结果图，图26是对图15进行MSAR-BM3D算法算法的滤波估计图像，图27是对图26进行MSAR-BM3D算法的边缘检测结果图，可以得出其中SAR-BM3D算法、NL-CV算法和MSAR-BM3D算法在同质区滤波不平滑，存在块状起伏，在边缘检测图像中存在大量的虚假边缘，用本发明方法与其他方法进行对比可知，本发明方法在同质区滤波比较彻底，弱边缘保护方面均优于其它算法。
为更加客观的评价本方法相干斑抑制与边缘保护的性能，实验引入等效视数和边缘保持指数等指标来评价方法的滤波能力和边缘保持能力强弱，结果如表1。等效视数VENL和边缘保持指数VEPI定义如下：
VENL＝M2/S2 (12)
其中M和S为滤波视觉效果相同位置的同质区的均值与标准差，F(i)和G(i)分别为SAR图像边缘像素集合N中任意像素在滤波视觉图像与原输入图像边缘两侧的比值。
表1不同方法对实施例1和2中两幅SAR图像的滤波参数比较
如表1为不同方法对实施例1和2中两幅SAR图像的滤波参数比较。从表1中可以看出，本文明方法对实例1和2中两幅SAR图像的滤波能力和边缘保持能力均优于其它三种方法。
本发明在针对经典NLM和改进NLM算法大多使用一套参数来控制SAR图像相干斑滤波强度的调节的基础上，提出了一种基于对比度均值的SAR图像相干斑非局部平均抑制方法，引入对比度参量，进行区域划分，分别设置衰减常数来调节不同区域的滤波程度，进一步提升了在同质区相干斑抑制彻底同时较好的保护边缘细节信息的能力。该方法对SAR图像的相干斑抑制表现出较好的效果。
Claims (6)
1.基于对比度均值的SAR图像相干斑非局部平均抑制方法，其特征在于，具体步骤为：
步骤1，输入待检测的SAR图像，对待检测的SAR图像做算术平均处理步骤，获得减少乘性噪声的处理图像；
步骤2，对处理图像进行对比度均值计算，获得对比度均值图像；
步骤3，对对比度均值图像分别进行阈值分割与非极大值抑制处理，分别得到图像Ir和Ig，分别判断图像Ir和Ig尺度窗内是否包含边缘区，根据包含边缘区的情况，对不同区域设置不同的衰减常数；
步骤4，在处理图像中选择以待处理像素为中心的大尺度搜索窗，计算搜索窗内的均值比、变差系数和对比度均值，利用衰减常数分别构建相似性测量参量和自适应衰减因子；
步骤5，在处理图像中，利用相似性测量参量和自适应衰减因子计算非局部加权滤波系数，获得待处理像素的滤波估计图像，并对滤波估计图像进行边缘检测，得到滤波估计图像的边缘检测图像。
2.如权利要求1所述的基于对比度均值的SAR图像相干斑非局部平均抑制方法，其特征在于，所述步骤1中算数平均处理的计算公式为：
其中i为当前中心像素，I(i)为待检测的SAR图像，
为获得减少乘性噪声的处理图像，b表示小尺度相似窗wp,i的尺度大小，j为小尺度相似窗wp,i内的任意像素。
3.如权利要求1所述的基于对比度均值的SAR图像相干斑非局部平均抑制方法，其特征在于，步骤2中计算对比度均值公式如下：
其中，(x1,y1),(x2,y2)为处理图像中的像素对S为目标区域中具有特定空间联系的像素对的集合，p(i,j)为满足一定距离和方向关系的灰度共生矩阵图像，Icon(i,j)为在灰度共生矩阵p(i,j)中距离为1，方向分别为0、45、90、135四个方向下的对比度图像，Icon_mean(i,j)为对比度均值图像。
4.如权利要求1所述的基于对比度均值的SAR图像相干斑非局部平均抑制方法，其特征在于，所述步骤3中在不同区域设置不同的衰减常数，具体按照以下步骤实施：
步骤3.1，对对比度均值图像分别进行阈值分割与非极大值抑制处理，分别得到图像Ir和Ig；
步骤3.2，分别判断图像Ir和Ig小尺度窗wp,i内是否包含边缘区，根据包含边缘区的情况，对不同区域设置不同的衰减常数，公式如下：
其中Ir(z)为小尺度窗下的阈值分割图像，Ig(z)为小尺度窗下的非极大值抑制图像，α1为同质区的衰减常数，α2为靠近边缘区的衰减常数，α3为边缘区的衰减常数。
5.如权利要求1所述的基于对比度均值的SAR图像相干斑非局部平均抑制方法，其特征在于，所述步骤4中具体步骤为：从处理图像中选择以待处理像素为中心的大尺度搜索窗Ωp,i，计算搜索窗Ωp,i内的均值比、变差系数和对比度均值，分别构建相似性测量参量和自适应衰减因子，公式如下：
hCV(i)＝1/α*ICV(i)*Icon_mean(i) (8)
其中IMR(i,j)为相似性测量参数，
与
分别在搜索窗内以位置i与位置j为中心的小尺度相似窗wp,i与wp,j下的均值矩阵，ICV(i)为搜索窗Ωp,i内位置i为中心的变差系数，
分别为小尺度相似窗wp,i内像素的标准差与均值，hCV(i)为搜索窗Ωp,i内的自适应衰减因子，α代表衰减常数，可取值为α1，α2，α3。
6.如权利要求1所述的基于对比度均值的SAR图像相干斑非局部平均抑制方法，其特征在于，所述步骤5中待处理像素的滤波估计值的计算公式为：
其中IMR(i,j)为相似性测量参数，hCV(i)为搜索窗Ωp,i内的自适应衰减因子，WMR(i,j)为搜索窗内位置j像素对位置i像素的NLM滤波系数，BMR(i)为正则化因子，为
输入图像中待处理像素的滤波估计值，利用Canny算子对滤波估计图像进行边缘检测，阈值设置为0.08。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011052348.7A CN112150386B (zh) | 2020-09-29 | 2020-09-29 | 基于对比度均值的sar图像相干斑非局部平均抑制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011052348.7A CN112150386B (zh) | 2020-09-29 | 2020-09-29 | 基于对比度均值的sar图像相干斑非局部平均抑制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112150386A true CN112150386A (zh) | 2020-12-29 |
| CN112150386B CN112150386B (zh) | 2023-03-21 |
Family
ID=73895319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011052348.7A Active CN112150386B (zh) | 2020-09-29 | 2020-09-29 | 基于对比度均值的sar图像相干斑非局部平均抑制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112150386B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114612327A (zh) * | 2022-03-09 | 2022-06-10 | 湘潭大学 | 一种基于sar影像非局部高斯加权中值滤波算法 |
| CN116030014A (zh) * | 2023-01-06 | 2023-04-28 | 浙江伟众科技有限公司 | 空调软硬管的智能化加工方法及其系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101980286A (zh) * | 2010-11-12 | 2011-02-23 | 西安电子科技大学 | 结合双树复小波与双变量模型的sar图像降斑方法 |
| CN102073992A (zh) * | 2010-12-09 | 2011-05-25 | 国网电力科学研究院 | 一种高分辨率sar卫星图像相干斑去噪方法 |
| US20120063694A1 (en) * | 2010-09-15 | 2012-03-15 | Segall Christopher A | Methods and Systems for Estimation of Compression Noise |
| CN102460067A (zh) * | 2009-05-16 | 2012-05-16 | 拉皮斯坎系统股份有限公司 | 用于高原子数材料的自动快速检测的系统和方法 |
| CN103473759A (zh) * | 2013-06-24 | 2013-12-25 | 南京理工大学 | 一种WKPCA同质度校正nCRF抑制的微光图像显著轮廓提取方法 |
| 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 |
| 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 |
| CN105513085A (zh) * | 2016-01-13 | 2016-04-20 | 合肥工业大学 | 采用srgb-rmrf的sar海冰图像分割方法 |
| CN105574829A (zh) * | 2016-01-13 | 2016-05-11 | 合肥工业大学 | 针对极化sar图像的自适应双边滤波算法 |
| CN107103591A (zh) * | 2017-03-27 | 2017-08-29 | 湖南大学 | 一种基于图像雾霾浓度估计的单幅图像去雾方法 |
| EP3220386A1 (en) * | 2016-03-18 | 2017-09-20 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Apparatus and method for harmonic-percussive-residual sound separation using a structure tensor on spectrograms |
| CN110837802A (zh) * | 2019-11-06 | 2020-02-25 | 齐鲁工业大学 | 一种基于灰度共生矩阵的面部图像特征提取方法 |
| CN111461999A (zh) * | 2020-03-13 | 2020-07-28 | 西安工程大学 | 一种基于超像素相似性测量的sar图像相干斑抑制方法 |
-
2020
- 2020-09-29 CN CN202011052348.7A patent/CN112150386B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102460067A (zh) * | 2009-05-16 | 2012-05-16 | 拉皮斯坎系统股份有限公司 | 用于高原子数材料的自动快速检测的系统和方法 |
| US20120063694A1 (en) * | 2010-09-15 | 2012-03-15 | Segall Christopher A | Methods and Systems for Estimation of Compression Noise |
| CN101980286A (zh) * | 2010-11-12 | 2011-02-23 | 西安电子科技大学 | 结合双树复小波与双变量模型的sar图像降斑方法 |
| CN102073992A (zh) * | 2010-12-09 | 2011-05-25 | 国网电力科学研究院 | 一种高分辨率sar卫星图像相干斑去噪方法 |
| CN103473759A (zh) * | 2013-06-24 | 2013-12-25 | 南京理工大学 | 一种WKPCA同质度校正nCRF抑制的微光图像显著轮廓提取方法 |
| 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 |
| 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 |
| CN105513085A (zh) * | 2016-01-13 | 2016-04-20 | 合肥工业大学 | 采用srgb-rmrf的sar海冰图像分割方法 |
| CN105574829A (zh) * | 2016-01-13 | 2016-05-11 | 合肥工业大学 | 针对极化sar图像的自适应双边滤波算法 |
| EP3220386A1 (en) * | 2016-03-18 | 2017-09-20 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Apparatus and method for harmonic-percussive-residual sound separation using a structure tensor on spectrograms |
| CN107103591A (zh) * | 2017-03-27 | 2017-08-29 | 湖南大学 | 一种基于图像雾霾浓度估计的单幅图像去雾方法 |
| CN110837802A (zh) * | 2019-11-06 | 2020-02-25 | 齐鲁工业大学 | 一种基于灰度共生矩阵的面部图像特征提取方法 |
| CN111461999A (zh) * | 2020-03-13 | 2020-07-28 | 西安工程大学 | 一种基于超像素相似性测量的sar图像相干斑抑制方法 |
Non-Patent Citations (4)
| Title |
|---|
| YANTING WANG 等: "On Characterizing High-Resolution SAR Imagery Using Kernel-Based Mixture Speckle Models", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
| 曲长文 等: "基于改进Frost滤波的SAR图像斑噪抑制算法", 《火力与指挥控制》 * |
| 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》 * |
| 高飞 等: "基于变差系数的SAR图像非局部均值滤波算法", 《信息通信》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114612327A (zh) * | 2022-03-09 | 2022-06-10 | 湘潭大学 | 一种基于sar影像非局部高斯加权中值滤波算法 |
| CN114612327B (zh) * | 2022-03-09 | 2022-11-15 | 湘潭大学 | 一种基于sar影像非局部高斯加权中值滤波算法 |
| CN116030014A (zh) * | 2023-01-06 | 2023-04-28 | 浙江伟众科技有限公司 | 空调软硬管的智能化加工方法及其系统 |
| CN116030014B (zh) * | 2023-01-06 | 2024-04-09 | 浙江伟众科技有限公司 | 空调软硬管的智能化加工方法及其系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112150386B (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112150386B (zh) | 基于对比度均值的sar图像相干斑非局部平均抑制方法 | |
| CN109636766B (zh) | 基于边缘信息增强的偏振差分与光强图像多尺度融合方法 | |
| CN109377450B (zh) | 一种边缘保护的去噪方法 | |
| CN101901476A (zh) | 基于NSCT域边缘检测和Bishrink模型的SAR图像去噪方法 | |
| CN106991661B (zh) | 融合kl变换与灰色关联度的非局部均值去噪方法 | |
| CN115937231B (zh) | 一种频谱结构约束的红外图像迭代去噪方法及系统 | |
| Leng | An improved non-local means algorithm for image denoising | |
| CN108038856B (zh) | 基于改进多尺度分形增强的红外小目标检测方法 | |
| CN107451986B (zh) | 一种基于融合技术的单幅红外图像增强方法 | |
| Han et al. | Edge-preserving filtering-based dehazing for remote sensing images | |
| CN106097292B (zh) | 一种用于遥感影像处理的时空邻域高斯加权中值滤波方法 | |
| CN111899200B (zh) | 一种基于3d滤波的红外图像增强方法 | |
| 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 | |
| CN113759375B (zh) | 基于统计特性的sar图像非局部均值去噪方法 | |
| CN111401195B (zh) | 一种基于多波段红外图像的海面目标检测方法 | |
| CN113592727A (zh) | 基于nsst域的电力设备红外图像增强方法 | |
| Zhu et al. | Experimental study on image filtering algorithm | |
| Zeng et al. | Noise suppression by discontinuity indicator controlled non-local means method | |
| Hu et al. | Maritime video defogging based on spatial-temporal information fusion and an improved dark channel prior | |
| Hu et al. | An infrared dim and small target image preprocessing algorithm based on improved bilateral filtering | |
| Ning et al. | Ship detection of infrared image in complex scene based on bilateral filter enhancement | |
| CN112734666A (zh) | 基于相似值的sar图像相干斑非局部均值抑制方法 | |
| Tang et al. | Single image dehazing algorithm based on sky segmentation | |
| Chen et al. | A Denoising Method of Remote Sensing Images Based on Improved BM3D | |
| Ma et al. | An overview of digital image analog noise removal based on traditional filtering |
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 |