CN112308800A - 一种基于多视联合的合成孔径雷达图像去噪方法和装置 - Google Patents
一种基于多视联合的合成孔径雷达图像去噪方法和装置 Download PDFInfo
- Publication number
- CN112308800A CN112308800A CN202011248825.7A CN202011248825A CN112308800A CN 112308800 A CN112308800 A CN 112308800A CN 202011248825 A CN202011248825 A CN 202011248825A CN 112308800 A CN112308800 A CN 112308800A
- Authority
- CN
- China
- Prior art keywords
- matrix
- lagrangian
- iteration
- common structure
- synthetic aperture
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 178
- 230000003190 augmentative effect Effects 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 230000001131 transforming effect Effects 0.000 claims description 11
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 abstract description 5
- 238000000926 separation method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000001914 filtration Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000004088 simulation 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
- G06T5/70—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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于多视联合的合成孔径雷达图像去噪方法和装置，方法包括获取多幅合成孔径雷达图像，将每幅图像分别量化为输入向量，各向量依次排列构成输入矩阵；根据输入矩阵预设增广拉格朗日方程，其优化变量包括共性结构特征矩阵、噪声矩阵、辅助矩阵、第一拉格朗日算子和第二拉格朗日算子；对各优化变量进行迭代求解，获取最终的共性结构特征矩阵，变换为多幅二维矩阵图像，得到去噪后的多幅合成孔径雷达图像。与现有技术相比，本发明实现对多幅合成孔径雷达图像的联合去噪处理，并对多视图像中的共性结构特征实施低秩约束和连续性约束，进而完成了多视图像中共性结构特征空间和噪声子空间的分离，实现了对噪声的抑制作用。
Description
技术领域
本发明涉及成孔径雷达图像去噪方法领域，尤其是涉及一种基于多视联合的合成孔径雷达图像去噪方法和装置。
背景技术
合成孔径雷达系统的成像是地物目标散射信号经由相干处理后获得的。在回波相干的过程中会引起相干斑噪声，弱化成像目标的结构细节，对成像质量产生较大的影响。为了抑制合成孔径雷达图像的噪声干扰，国内外学者提出了许多基于滤波的方法用来自适应地平滑图像，例如Lee滤波、Kuan滤波、Frost滤波等。近年来，一些基于扩散和基于非局部的方法进一步被提出，例如speckle-reducing anisotropic diffusion(SRAD)方法和SARblock-matching 3-D(SAR-BM3D)方法。SRAD和SAR-BM3D方法在传统基于滤波方法的基础上，提高了对图像均质区域的平滑程度，同时对目标的边缘纹理细节具有更好的保护作用，实现了噪声抑制性能的增强。然而，上述方法均属于单视图像去噪的范畴，即分别对每一幅图像进行去噪，没有考虑到图像与图像之间的相关性，因此去噪效果不理想。
发明内容
本发明的目的就是为了克服上述现有技术存在只对每一幅图像进行去噪，没有考虑到图像与图像之间的相关性，因此去噪效果不理想的缺陷而提供一种基于多视联合的合成孔径雷达图像去噪方法和装置。
本发明的目的可以通过以下技术方案来实现：
一种基于多视联合的合成孔径雷达图像去噪方法，包括以下步骤：
获取多幅合成孔径雷达图像，将每幅图像分别量化为输入向量，将各向量依次排列构成输入矩阵；
根据所述输入矩阵预设增广拉格朗日方程，该增广拉格朗日方程中的优化变量包括共性结构特征矩阵、噪声矩阵、辅助矩阵、第一拉格朗日算子和第二拉格朗日算子；
对所述增广拉格朗日方程中的各优化变量进行迭代求解，直至满足预设的最大迭代次数，获取最终的共性结构特征矩阵；
将所述最终的共性结构特征矩阵变换为多幅二维矩阵图像，得到去噪后的多幅合成孔径雷达图像。
进一步地，所述增广拉格朗日方程的计算表达式为：
式中，X为共性结构特征矩阵，S为辅助矩阵，E为噪声矩阵，L1为第一拉格朗日算子，L2为第二拉格朗日算子，
为增广拉格朗日方程的计算结果，||·||*为矩阵的核范数计算式，||·||TV为矩阵的三维范数计算式，||·||1为矩阵的l1范数计算式，
为矩阵的F范数的平方，F范数为求取矩阵各元素平方和的算术根，λ1为第一惩罚参数，λ1＞0，λ2为第二惩罚参数，λ2＞0，μ为正则化参数，μ＞0。
进一步地，采用增广拉格朗日乘子法对所述增广拉格朗日方程中的各优化变量进行迭代求解。
进一步地，在每次迭代过程中，依次更新共性结构特征矩阵、噪声矩阵、辅助矩阵、第一拉格朗日算子和第二拉格朗日算子；
所述共性结构特征矩阵的更新表达式为：
式中，Xk+1为第k+1迭代求得的共性结构特征矩阵，Sk为第k迭代求得的辅助矩阵，Ek为第k迭代求得的噪声矩阵，
为第k迭代求得的第一拉格朗日算子，
为第k迭代求得的第二拉格朗日算子；
所述噪声矩阵的更新表达式为：
式中，Ek+1为第k+1迭代求得的噪声矩阵；
所述辅助矩阵的更新表达式为：
式中，Sk+1为第k+1迭代求得的辅助矩阵；
所述第一拉格朗日算子的更新表达式为：
式中，
为第k+1迭代求得的第一拉格朗日算子，Y为输入矩阵；
所述第二拉格朗日算子的更新表达式为：
式中，
为第k+1迭代求得的第二拉格朗日算子。
进一步地，将所述最终的共性结构特征矩阵变换为多幅二维矩阵图像具体为，将所述最终的共性结构特征矩阵的每一列向量依次变换为二维矩阵图像，从而获取多幅二维矩阵图像。
进一步地，所述增广拉格朗日方程根据预设的目标函数构建，该目标函数的表达式为：
式中，Y为输入矩阵。
本发明还提供一种基于多视联合的合成孔径雷达图像去噪装置，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行的方法包括以下步骤：
获取多幅合成孔径雷达图像，将每幅图像分别量化为输入向量，将各向量依次排列构成输入矩阵；
根据所述输入矩阵预设增广拉格朗日方程，该增广拉格朗日方程中的优化变量包括共性结构特征矩阵、噪声矩阵、辅助矩阵、第一拉格朗日算子和第二拉格朗日算子，所述辅助矩阵的初始值等于所述共性结构特征矩阵的初始值，所述共性结构特征矩阵和噪声矩阵组成所述输入矩阵；
对所述增广拉格朗日方程中的各优化变量进行迭代求解，直至满足预设的最大迭代次数，获取最终的共性结构特征矩阵；
将所述最终的共性结构特征矩阵变换为多幅二维矩阵图像，得到去噪后的多幅合成孔径雷达图像。
进一步地，所述增广拉格朗日方程的计算表达式为：
式中，X为共性结构特征矩阵，S为辅助矩阵，E为噪声矩阵，L1为第一拉格朗日算子，L2为第二拉格朗日算子，
为增广拉格朗日方程的计算结果，||·||*为矩阵的核范数计算式，||·||TV为矩阵的三维范数计算式，||·||1为矩阵的l1范数计算式，
为矩阵的F范数的平方，F范数为求取矩阵各元素平方和的算术根，λ1为第一惩罚参数，λ1＞0，λ2为第二惩罚参数，λ2＞0，μ为正则化参数，μ＞0。
进一步地，采用增广拉格朗日乘子法对所述增广拉格朗日方程中的各优化变量进行迭代求解。
进一步地，在每次迭代过程中，依次更新共性结构特征矩阵、噪声矩阵、辅助矩阵、第一拉格朗日算子和第二拉格朗日算子；
所述共性结构特征矩阵的更新表达式为：
式中，Xk+1为第k+1迭代求得的共性结构特征矩阵，Sk为第k迭代求得的辅助矩阵，Ek为第k迭代求得的噪声矩阵，
为第k迭代求得的第一拉格朗日算子，
为第k迭代求得的第二拉格朗日算子；
所述噪声矩阵的更新表达式为：
式中，Ek+1为第k+1迭代求得的噪声矩阵；
所述辅助矩阵的更新表达式为：
式中，Sk+1为第k+1迭代求得的辅助矩阵；
所述第一拉格朗日算子的更新表达式为：
式中，
为第k+1迭代求得的第一拉格朗日算子，Y为输入矩阵；
所述第二拉格朗日算子的更新表达式为：
式中，
为第k+1迭代求得的第二拉格朗日算子。
进一步地，将所述最终的共性结构特征矩阵变换为多幅二维矩阵图像具体为，将所述最终的共性结构特征矩阵的每一列向量依次变换为二维矩阵图像，从而获取多幅二维矩阵图像。
与现有技术相比，本发明具有以下优点：
本发明提出了一种基于多视联合的合成孔径雷达图像噪声抑制方法，采用该方法可以实现对多幅合成孔径雷达图像的联合去噪处理，克服了现有单视去噪技术忽视图像间相关信息的不足，并通过核范数和三维范数实现对多视图像中的共性结构特征实施低秩约束和连续性约束，进而完成了多视图像中共性结构特征空间和噪声子空间的分离，实现了对噪声的抑制作用。
附图说明
图1为本发明实施例中提供的合成孔径雷达图像去噪方法流程图；
图2为合成孔径雷达原始图像以及本发明实施后的图像噪声抑制结果对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
本实施例提供一种基于多视联合的合成孔径雷达图像去噪方法，包括以下步骤：
1)获取多幅合成孔径雷达图像，将每幅图像分别量化为输入向量，将各向量依次排列构成输入矩阵；
即输入n幅合成孔径雷达图像
将每幅图像
向量化为
进而将各向量依次排列构成输入矩阵
2)根据所述输入矩阵预设增广拉格朗日方程，该增广拉格朗日方程中的优化变量包括共性结构特征矩阵、噪声矩阵、辅助矩阵、第一拉格朗日算子和第二拉格朗日算子；
3)对所述增广拉格朗日方程中的各优化变量进行迭代求解，直至满足预设的最大迭代次数，获取最终的共性结构特征矩阵；
4)将所述最终的共性结构特征矩阵变换为多幅二维矩阵图像，得到去噪后的多幅合成孔径雷达图像。
步骤2)中所述增广拉格朗日方程的获取具体包括：
构建如下所示的目标函数将输入矩阵分解为共性结构特征矩阵
和噪声矩阵
其中，||X||*表示矩阵X的核范数，用来对多视图像实施低秩约束提取图像间的共性结构特征；||X||TV表示矩阵X的三维Total Variation(TV)范数，用来对多视图像实施连续性约束以剔除随机噪声点的干扰；||E||1表示矩阵E的l1范数，用来提取图像中的噪声成分；λ1＞0和λ2＞0代表惩罚参数。
将目标函数等价变换为公式(2)：
其中，
表示新引入的辅助变量，便于对原目标函数中的优化变量进行交替求解。
进一步地，构建公式(2)的增广拉格朗日方程：
其中，L1和L2表示拉格朗日乘子，μ＞0表示正则化参数。
步骤3)中采用Augmented Lagrange Multiplier(ALM，增广拉格朗日乘子法)对所述增广拉格朗日方程中的各优化变量进行迭代求解。
在每次迭代过程中，依次更新共性结构特征矩阵、噪声矩阵、辅助矩阵、第一拉格朗日算子和第二拉格朗日算子；
所述共性结构特征矩阵的更新表达式为：
式中，Xk+1为第k+1迭代求得的共性结构特征矩阵，Sk为第k迭代求得的辅助矩阵，Ek为第k迭代求得的噪声矩阵，
为第k迭代求得的第一拉格朗日算子，
为第k迭代求得的第二拉格朗日算子；式中的X指
函数对X进行更新求解，下式中的E和S同理。
所述噪声矩阵的更新表达式为：
式中，Ek+1为第k+1迭代求得的噪声矩阵；
所述辅助矩阵的更新表达式为：
式中，Sk+1为第k+1迭代求得的辅助矩阵；
所述第一拉格朗日算子的更新表达式为：
式中，
为第k+1迭代求得的第一拉格朗日算子，Y为输入矩阵；
所述第二拉格朗日算子的更新表达式为：
式中，
为第k+1迭代求得的第二拉格朗日算子。
步骤4)中将所述最终的共性结构特征矩阵变换为多幅二维矩阵图像具体为，将所述最终的共性结构特征矩阵的每一列向量依次变换为二维矩阵图像，从而获取多幅二维矩阵图像。
本实施例还提供一种基于多视联合的合成孔径雷达图像去噪装置，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行上述一种基于多视联合的合成孔径雷达图像去噪方法的步骤。
下面对本实施例基于多视联合的合成孔径雷达图像去噪方法的具体实施步骤进行描述。
本实施例的各实施步骤均在MATLAB2017仿真平台上进行。
如图1所示，本实施例的各实施步骤包括：
S1：输入n幅合成孔径雷达图像
将每幅图像
向量化为
进而将各向量依次排列构成输入矩阵
S2：构建式(1)中的目标函数，将输入矩阵分解为共性结构特征矩阵
和噪声矩阵
其中惩罚参数的取值为λ1＝2和λ2＝2。
S3：将目标函数等价变换为公式(2)并构建其增广拉格朗日方程，其中正则化参数的取值为μ＝0.01。
S4：采用Augmented Lagrange Multiplier(ALM)方法对增广拉格朗日方程(3)中的各优化变量进行迭代求解，迭代总次数为100次，迭代初始值设置为。在每一迭代次数E1＝S1＝L1 1＝L1 2＝0k(k＝1,2,…,100)中,依次实施以下分步骤：
S41：根据上一次迭代求得的变量Ek,Sk,
和
根据公式(4)推导出如下的最优化方程：
通过求解上述最优化方程更新获得Xk+1。
S42：根据上一分步骤求得的变量Xk+1,Sk,
和
根据公式(5)推导出如下的最优化方程：
通过求解上述最优化方程更新获得Ek+1。
S43：根据上一分步骤求得的变量Xk+1,Ek+1,
和
根据公式(6)推导出如下的最优化方程：
通过求解上述最优化方程更新获得Sk+1。
S44：根据上一分步骤求得的变量Xk+1,Ek+1,Sk+1和
按照公式(7)更新获得变量
S45：根据上一分步骤求得的变量Xk+1,Ek+1,Sk+1和
按照公式(8)更新获得变量
S5：将上一步骤获得的共性结构特征矩阵
中的每一列向量依次变换至二维矩阵图像，输出最终的去噪结果。
根据本发明获得的多视联合的合成孔径雷达图像去噪结果如图2所示。其中，图2第一行的四幅图像分别是公开数据集Moving and Stationary Target Acquisition andRecognition(MSTAR)中发布的四幅由相似方位角姿态空间拍摄获得的合成孔径雷达原始图像；图2第二行的四幅图像分别是实施本发明方法获得的去噪结果图像。由结果可知，利用本发明提供的方法能够对合成孔径雷达图像中的斑点噪声实现较为充分的抑制，同时对原始图像中的目标纹理边缘等细节实现了较为精准的保护。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于多视联合的合成孔径雷达图像去噪方法，其特征在于，包括以下步骤：
获取多幅合成孔径雷达图像，将每幅图像分别量化为输入向量，将各向量依次排列构成输入矩阵；
根据所述输入矩阵预设增广拉格朗日方程，该增广拉格朗日方程中的优化变量包括共性结构特征矩阵、噪声矩阵、辅助矩阵、第一拉格朗日算子和第二拉格朗日算子；
对所述增广拉格朗日方程中的各优化变量进行迭代求解，直至满足预设的最大迭代次数，获取最终的共性结构特征矩阵；
将所述最终的共性结构特征矩阵变换为多幅二维矩阵图像，得到去噪后的多幅合成孔径雷达图像。
2.根据权利要求1所述的一种基于多视联合的合成孔径雷达图像去噪方法，其特征在于，所述增广拉格朗日方程的计算表达式为：
式中，X为共性结构特征矩阵，S为辅助矩阵，E为噪声矩阵，L1为第一拉格朗日算子，L2为第二拉格朗日算子，
为增广拉格朗日方程的计算结果，||·||*为矩阵的核范数计算式，||·||TV为矩阵的三维范数计算式，||·||1为矩阵的l1范数计算式，
为矩阵的F范数的平方，F范数为求取矩阵各元素平方和的算术根，λ1为第一惩罚参数，λ1＞0，λ2为第二惩罚参数，λ2＞0，μ为正则化参数，μ＞0。
3.根据权利要求2所述的一种基于多视联合的合成孔径雷达图像去噪方法，其特征在于，采用增广拉格朗日乘子法对所述增广拉格朗日方程中的各优化变量进行迭代求解。
4.根据权利要求3所述的一种基于多视联合的合成孔径雷达图像去噪方法，其特征在于，在每次迭代过程中，依次更新所述共性结构特征矩阵、噪声矩阵、辅助矩阵、第一拉格朗日算子和第二拉格朗日算子；
所述共性结构特征矩阵的更新表达式为：
式中，Xk+1为第k+1迭代求得的共性结构特征矩阵，Sk为第k迭代求得的辅助矩阵，Ek为第k迭代求得的噪声矩阵，
为第k迭代求得的第一拉格朗日算子，
为第k迭代求得的第二拉格朗日算子；
所述噪声矩阵的更新表达式为：
式中，Ek+1为第k+1迭代求得的噪声矩阵；
所述辅助矩阵的更新表达式为：
式中，Sk+1为第k+1迭代求得的辅助矩阵；
所述第一拉格朗日算子的更新表达式为：
式中，
为第k+1迭代求得的第一拉格朗日算子，Y为输入矩阵；
所述第二拉格朗日算子的更新表达式为：
式中，
为第k+1迭代求得的第二拉格朗日算子。
5.根据权利要求1所述的一种基于多视联合的合成孔径雷达图像去噪方法，其特征在于，将所述最终的共性结构特征矩阵变换为多幅二维矩阵图像具体为，将所述最终的共性结构特征矩阵的每一列向量依次变换为二维矩阵图像，从而获取多幅二维矩阵图像。
6.一种基于多视联合的合成孔径雷达图像去噪装置，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行的方法包括以下步骤：
获取多幅合成孔径雷达图像，将每幅图像分别量化为输入向量，将各向量依次排列构成输入矩阵；
根据所述输入矩阵预设增广拉格朗日方程，该增广拉格朗日方程中的优化变量包括共性结构特征矩阵、噪声矩阵、辅助矩阵、第一拉格朗日算子和第二拉格朗日算子；
对所述增广拉格朗日方程中的各优化变量进行迭代求解，直至满足预设的最大迭代次数，获取最终的共性结构特征矩阵；
将所述最终的共性结构特征矩阵变换为多幅二维矩阵图像，得到去噪后的多幅合成孔径雷达图像。
7.根据权利要求6所述的一种基于多视联合的合成孔径雷达图像去噪装置，其特征在于，所述增广拉格朗日方程的计算表达式为：
式中，X为共性结构特征矩阵，S为辅助矩阵，E为噪声矩阵，L1为第一拉格朗日算子，L2为第二拉格朗日算子，
为增广拉格朗日方程的计算结果，||·||*为矩阵的核范数计算式，||·||TV为矩阵的三维范数计算式，||·||1为矩阵的l1范数计算式，
为矩阵的F范数的平方，F范数为求取矩阵各元素平方和的算术根，λ1为第一惩罚参数，λ1＞0，λ2为第二惩罚参数，λ2＞0，μ为正则化参数，μ＞0。
8.根据权利要求7所述的一种基于多视联合的合成孔径雷达图像去噪装置，其特征在于，采用增广拉格朗日乘子法对所述增广拉格朗日方程中的各优化变量进行迭代求解。
9.根据权利要求8所述的一种基于多视联合的合成孔径雷达图像去噪装置，其特征在于，在每次迭代过程中，依次更新共性结构特征矩阵、噪声矩阵、辅助矩阵、第一拉格朗日算子和第二拉格朗日算子；
所述共性结构特征矩阵的更新表达式为：
式中，Xk+1为第k+1迭代求得的共性结构特征矩阵，Sk为第k迭代求得的辅助矩阵，Ek为第k迭代求得的噪声矩阵，
为第k迭代求得的第一拉格朗日算子，
为第k迭代求得的第二拉格朗日算子；
所述噪声矩阵的更新表达式为：
式中，Ek+1为第k+1迭代求得的噪声矩阵；
所述辅助矩阵的更新表达式为：
式中，Sk+1为第k+1迭代求得的辅助矩阵；
所述第一拉格朗日算子的更新表达式为：
式中，
为第k+1迭代求得的第一拉格朗日算子，Y为输入矩阵；
所述第二拉格朗日算子的更新表达式为：
式中，
为第k+1迭代求得的第二拉格朗日算子。
10.根据权利要求6所述的一种基于多视联合的合成孔径雷达图像去噪装置，其特征在于，将所述最终的共性结构特征矩阵变换为多幅二维矩阵图像具体为，将所述最终的共性结构特征矩阵的每一列向量依次变换为二维矩阵图像，从而获取多幅二维矩阵图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011248825.7A CN112308800A (zh) | 2020-11-10 | 2020-11-10 | 一种基于多视联合的合成孔径雷达图像去噪方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011248825.7A CN112308800A (zh) | 2020-11-10 | 2020-11-10 | 一种基于多视联合的合成孔径雷达图像去噪方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112308800A true CN112308800A (zh) | 2021-02-02 |
Family
ID=74325595
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011248825.7A Pending CN112308800A (zh) | 2020-11-10 | 2020-11-10 | 一种基于多视联合的合成孔径雷达图像去噪方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112308800A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136732A (zh) * | 2013-02-19 | 2013-06-05 | 北京工业大学 | 一种基于矩阵填充的图像去噪方法 |
| US20130191425A1 (en) * | 2012-01-20 | 2013-07-25 | Fatih Porikli | Method for Recovering Low-Rank Matrices and Subspaces from Data in High-Dimensional Matrices |
| CN103606133A (zh) * | 2013-11-06 | 2014-02-26 | 南昌大学 | 一种基于解析稀疏表示的图像去噪方法 |
| CN111402173A (zh) * | 2020-03-24 | 2020-07-10 | 北京工业大学 | 一种混合噪声去除方法、装置、电子设备和存储介质 |
-
2020
- 2020-11-10 CN CN202011248825.7A patent/CN112308800A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130191425A1 (en) * | 2012-01-20 | 2013-07-25 | Fatih Porikli | Method for Recovering Low-Rank Matrices and Subspaces from Data in High-Dimensional Matrices |
| CN103136732A (zh) * | 2013-02-19 | 2013-06-05 | 北京工业大学 | 一种基于矩阵填充的图像去噪方法 |
| CN103606133A (zh) * | 2013-11-06 | 2014-02-26 | 南昌大学 | 一种基于解析稀疏表示的图像去噪方法 |
| CN111402173A (zh) * | 2020-03-24 | 2020-07-10 | 北京工业大学 | 一种混合噪声去除方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cai et al. | Degradation-aware unfolding half-shuffle transformer for spectral compressive imaging | |
| Sandić-Stanković et al. | DIBR synthesized image quality assessment based on morphological wavelets | |
| CN105931264B (zh) | 一种海面红外小目标检测方法 | |
| Xu et al. | A fast patch-dictionary method for whole image recovery | |
| CN112581378B (zh) | 基于显著性强度和梯度先验的图像盲去模糊方法和装置 | |
| CN112233046B (zh) | 一种柯西噪声下的图像复原方法及其应用 | |
| CN112634163A (zh) | 基于改进型循环生成对抗网络去图像运动模糊方法 | |
| CN109658340B (zh) | 基于rsvd与直方图保存的sar图像快速去噪方法 | |
| CN107301631B (zh) | 一种基于非凸加权稀疏约束的sar图像降斑方法 | |
| CN115082336A (zh) | 一种基于机器学习的sar图像相干斑抑制方法 | |
| CN101540039B (zh) | 单帧图象超分辨方法 | |
| CN116579943A (zh) | 基于生成对抗网络的遥感sar-光学图像融合去云方法 | |
| CN115526779A (zh) | 一种基于动态注意力机制的红外图像超分辨率重建方法 | |
| CN113793280B (zh) | 局部噪声方差估计与bm3d块匹配相结合的真实图像降噪方法 | |
| CN105931195B (zh) | 一种合成孔径雷达图像噪声抑制方法 | |
| CN106296583B (zh) | 基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法 | |
| Wen et al. | The power of complementary regularizers: Image recovery via transform learning and low-rank modeling | |
| CN111626943A (zh) | 基于一阶前向后向算法的全变分图像去噪方法 | |
| CN112308800A (zh) | 一种基于多视联合的合成孔径雷达图像去噪方法和装置 | |
| CN115937302A (zh) | 结合边缘保持的高光谱图像亚像元定位方法 | |
| CN115131226B (zh) | 一种基于小波张量低秩正则化的图像复原方法 | |
| CN107767342B (zh) | 一种基于积分平差模型的小波变换超分辨率图像重建方法 | |
| Truong et al. | Depth map inpainting and super-resolution with arbitrary scale factors | |
| CN115063320A (zh) | 一种基于最大后验概率估计的sar图像去斑方法及系统 | |
| CN108765350A (zh) | 一种面向航天光学遥感图像量子化滤波方法 |
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 |