CN112419198A - 一种用于sar干涉图滤波的非局部均值定权方法 - Google Patents

一种用于sar干涉图滤波的非局部均值定权方法 Download PDF

Info

Publication number
CN112419198A
CN112419198A CN202011361054.2A CN202011361054A CN112419198A CN 112419198 A CN112419198 A CN 112419198A CN 202011361054 A CN202011361054 A CN 202011361054A CN 112419198 A CN112419198 A CN 112419198A
Authority
CN
China
Prior art keywords
search window
interferogram
image
local mean
sar
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
Application number
CN202011361054.2A
Other languages
English (en)
Other versions
CN112419198B (zh
Inventor
庄会富
范洪冬
迟博文
邓喀中
彭磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202011361054.2A priority Critical patent/CN112419198B/zh
Publication of CN112419198A publication Critical patent/CN112419198A/zh
Application granted granted Critical
Publication of CN112419198B publication Critical patent/CN112419198B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于SAR干涉图滤波的非局部均值定权方法，适用于图像处理领域。首先设置非局部均值信息提取的搜索窗口大小和匹配窗口大小；计算非局部均值提取的噪声抑制参数；计算实部影像R0在搜索窗口SN内的中心像元和其它像元的相似性SR计算虚部影像J0在搜索窗口SN内的中心像元和其它像元的相似性SJ；基于实部影像R0和虚部影像J0的相似性，计算SAR复数干涉图I0在搜索窗口内的中心像元和其它像元的相似性并归一化，得到用于SAR干涉图滤波的非局部均值权重。其将实部和虚部的非局部权重计算合理，有效提高了非局部均值提取的可靠性，对SAR影像干涉图滤波中非局部均值提取效果好。

Description

一种用于SAR干涉图滤波的非局部均值定权方法
技术领域
本发明涉及一种非局部均值定权方法，尤其适用于图像处理领域中使用的一种用于SAR干涉图滤波的非局部均值定权方法。
背景技术
滤波属于图像处理领域，是指将图像信号中特定波段频率滤除的操作，是抑制和防止噪声干扰的一种重要技术，在图像分类、多时相影像变化检测、图像超分辨率重建、目标识别等图像处理领域得到广泛的应用。图像滤波器按照移除和保留的信息不同可以分为高通滤波器、低通滤波器和带通滤波器。需要滤波的图像既可以是实数域图像也可以是复数域图像。
SAR干涉测量技术利用干涉相位信息精确测量地表目标的数字高程模型以及雷达视线向的微小形变。由于SAR传感器获取数据不受天气影响，因此能够实现全天时、全天候对地连续观测，这就使得SAR干涉测量技术在山体滑坡、沉降监测、地震形变等诸多领域有着广泛的应用。但受到时空去相干、热噪声去相干等影响，导致从实际影像得到的复数干涉图中存在大量相位噪声，在形变信息提取和数字高程模型生成之前需要通过滤波抑制复数干涉图中的噪声。
均值信息是干涉图滤波中常用的一种关键邻域信息。与传统的局部均值信息相比，非局部均值考虑了搜索窗口内不同像元的相似性，提取的均值信息更加合理。然而，SAR干涉图是复数影像，非局部均值方法是为实数域影像滤波而提出的，把非局部均值中权重确定方法由实数域简单的扩展到复数域没有考虑复数影像实部和虚部之间的关联性和差异性，在干涉图滤波中效果不好，进而影响了形变信息提取的可靠性和数字高程模型的生成精度。
发明内容
本发明的目的在于针对上述已有技术的问题，提供一种步骤简单、定权合理、滤波效果好的用于SAR干涉图滤波的非局部均值定权方法。
为实现上述目的，本发明的一种用于SAR干涉图滤波的非局部均值定权方法，其步骤如下：
a获取一幅列数为w、行数为h的复数干涉图I0＝R0+J0×j，其中R0是复数干涉图I0的实部影像，J0是复数干涉图I0的虚部影像，j表示虚数单位；
b设置非局部均值信息提取的搜索窗口大小SN和匹配窗口大小M；
c计算非局部均值提取的噪声抑制参数hn；
d计算实部影像R0在搜索窗口SN内的中心像元和其它像元的相似性SR；
e计算虚部影像J0在搜索窗口SN内的中心像元和其它像元的相似性SJ；
f基于实部影像R0和虚部影像J0的相似性，融合计算SAR复数干涉图I0在搜索窗口内的像元相似性并归一化，得到用于SAR干涉图滤波的非局部均值权重W。
所述步骤a中分离复数干涉图I0的实部影像R0和虚部影像J0的方法包括：
使用Python中模块numpy中的real函数获取分离复数干涉图的实部影像R0，使用imag函数分离复数干涉图的虚部影像J0；或者使用Matlab中的real函数获取分离复数干涉图的实部影像R0，使用imag函数分离复数干涉图的虚部影像J0。
所述步骤b中搜索窗口SN∈N*，匹配窗口M∈N*，其中N*表示正整数，通常SN和M为奇数且SN>M。
所述步骤c中噪声抑制参数hn利用公式：
Figure BDA0002803938300000021
计算，式中σ是估计的图像噪声水平。
所述步骤d中的中心像元在搜索窗口的中心，中心像元的位置表示为i，其它像元在搜索窗口内位置表示为x，SR中表示位置i和x处像元相似性的SR(i,x)计算公式为：
Figure BDA0002803938300000022
其中V(i)表示实部影像R0的搜索窗口内中心像元位置i，窗口大小等于M的邻域内所有像元组成的向量，V(x)表示实部影像R0的搜索窗口内中心像元位置为x，窗口大小等于M的邻域内所有像元组成的向量，hn是噪声抑制参数，a＞0是高斯核的标准差，exp(·)表示以自然数e为底的指数计算符号。
所述步骤e中的中心像元在搜索窗口的中心，中心像元的位置表示为i，其它像元在搜索窗口内位置表示为x，SJ中表示位置i和x处像元相似性的SJ(i,x)的计算公式为：
Figure BDA0002803938300000023
其中V(i)表示虚部影像J0的搜索窗口内中心像元位置为i，窗口大小等于M的邻域内所有像元组成的向量，V(x)表示虚部影像J0的搜索窗口内中心像元位置为x，窗口大小等于M的邻域内所有像元组成的向量，hn是噪声抑制参数，a＞0是高斯核的标准差，exp(·)表示以自然数e为底的指数计算符号。
所述步骤f中SAR干涉图的非局部权重W在搜索窗口内位置x处的权重值W(x)的计算公式为：
Figure BDA0002803938300000031
其中SR(i,x)是实部影像R0的搜索窗口内位置i和x处像元的相似性，其中SJ(i,x)是虚部影像J0的搜索窗口内位置i和x处像元的相似性，
Figure BDA0002803938300000032
是归一化参数，Ωx表示位置x处像元的搜索窗口内像元组成的邻域。
利用非局部均值归一化权重W能够生成复数干涉图I0基于新的滤波后干涉图I0′；滤波后干涉图I0′在位置x处像元的实部值R0′(x)和虚部值J0′(x)的公式分别为：
Figure BDA0002803938300000033
Figure BDA0002803938300000034
其中，R(i)是实部影像中大小为SN的搜索窗口内位置i处的像元值，J(i)是虚部影像中大小为SN的搜索窗口内位置i处的像元值。
有益效果：本发明基于非局部均值提取理论，通过分析和利用复数干涉图实部影像和虚部影像之间的相关性，基于实部影像非局部像元相似性和虚部影像非局部像元相似性融合计算复数干涉图非局部权重，可以更好的表征复数干涉图非局部邻域内像元的相似性，权重值确定更合理，有效提高了SAR影像干涉图滤波结果的可靠性。
附图说明
图1是本发明用于SAR干涉图滤波的非局部均值定权方法的流程图；
图2是本发明实施例中含有噪声的需要滤波处理的复数干涉图I0；
图3是本发明实施例中用于和本发明方法进行比较的基于传统定权方法的非局部均值对含有噪声的复数干涉图I0进行滤波得到的干涉图；
图4是本发明实施例中采用本发明定权方法的非局部均值对含有噪声的复数干涉图I0进行滤波得到的干涉图。
具体实施方式
以下结合附图及实施例对本发明作进一步的详细描述：
如图1所示，本发明提供一种用于SAR干涉图滤波的非局部均值定权方法，包括如下步骤：
a获取一幅列数为w、行数为h的复数干涉图I0＝R0+J0×j，其中R0是复数干涉图I0的实部影像，J0是复数干涉图I0的虚部影像，j表示虚数单位；
分离复数干涉图I0的实部影像R0和虚部影像J0的方法包括：
使用Python中模块numpy中的real函数获取分离复数干涉图的实部影像R0，使用imag函数分离复数干涉图的虚部影像J0；或者使用Matlab中的real函数获取分离复数干涉图的实部影像R0，使用imag函数分离复数干涉图的虚部影像J0；
b设置非局部均值信息提取的搜索窗口大小SN和匹配窗口大小M；搜索窗口SN∈N*，匹配窗口M∈N*，其中N*表示正整数，通常SN和M为奇数且SN>M。
c计算非局部均值提取的噪声抑制参数hn；噪声抑制参数hn利用公式：
Figure BDA0002803938300000041
计算，式中σ是估计的图像噪声水平。
d计算实部影像R0在搜索窗口SN内的中心像元和其它像元的相似性SR；
所述中心像元在搜索窗口的中心，中心像元的位置表示为i，其它像元在搜索窗口内位置表示为x，SR中表示位置i和x处像元相似性的SR(i，x计算公式为：
Figure BDA0002803938300000042
其中V(i)表示实部影像R0的搜索窗口内中心像元位置i，窗口大小等于M的邻域内所有像元组成的向量，V(x)表示实部影像R0的搜索窗口内中心像元位置为x，窗口大小等于M的邻域内所有像元组成的向量，hn是噪声抑制参数，a＞0是高斯核的标准差，exp(·)表示以自然数e为底的指数计算符号；
e计算虚部影像J0在搜索窗口SN内的中心像元和其它像元的相似性SJ；
所述中心像元在搜索窗口的中心，中心像元的位置表示为i，其它像元在搜索窗口内位置表示为x，SJ中表示位置i和x处像元相似性的SJ(i,x)的计算公式为：
Figure BDA0002803938300000043
其中V(i)表示虚部影像J0的搜索窗口内中心像元位置为i，窗口大小等于M的邻域内所有像元组成的向量，V(x)表示虚部影像J0的搜索窗口内中心像元位置为x，窗口大小等于M的邻域内所有像元组成的向量，hn是噪声抑制参数，a＞0是高斯核的标准差，exp(·)表示以自然数e为底的指数计算符号。
f基于实部影像R0和虚部影像J0的相似性，融合计算SAR复数干涉图I0在搜索窗口内的像元相似性并归一化，得到用于SAR干涉图滤波的非局部均值权重W，如图3所示；
SAR干涉图的非局部权重W在搜索窗口内位置x处的权重值W(x)的计算公式为：
Figure BDA0002803938300000051
其中SR(i,x)是实部影像R0的搜索窗口内位置i和x处像元的相似性，其中SJ(i,x)是虚部影像J0的搜索窗口内位置i和x处像元的相似性，
Figure BDA0002803938300000052
是归一化参数，Ωx表示位置x处像元的搜索窗口内像元组成的邻域。
利用非局部均值归一化权重W能够生成复数干涉图I0基于新的滤波后干涉图I0′；滤波后干涉图I0′在位置x处像元的实部值R0′(x)和虚部值J0′(x)的公式分别为：
Figure BDA0002803938300000053
Figure BDA0002803938300000054
其中，R(i)是实部影像中大小为SN的搜索窗口内位置i处的像元值，J(i)是虚部影像中大小为SN的搜索窗口内位置i处的像元值，如图4所示。
实施例一、
步骤a：获取一幅如图2所示的列数w＝512、行数h＝512的复数干涉图I0＝R0+J0×j，其中R0是复数干涉图I0的实部，J0是复数干涉图I0的虚部，j表示虚数单位，使用Python中模块numpy中的real函数获取分离复数干涉图的实部R0，使用imag函数分离复数干涉图的虚部；
步骤b：根据经验设置非局部均值信息提取的搜索窗口大小SN＝21和匹配窗口大小M＝7；
步骤c：经验估计复数干涉图I0的噪声水平σ＝1，采用公式
Figure BDA0002803938300000055
计算非局部均值提取的噪声抑制参数hn≈1.414；
步骤d：针对SAR复数干涉图I0的实部影像R0，计算搜索窗口的中心像元和其它像元的相似性SR，搜索窗口中心像元的位置表示为i，其它像元在搜索窗口内位置表示为x，SR中表示位置i和x处像元相似性的SR(i,x)采用公式：
Figure BDA0002803938300000056
计算，其中V(i)表示实部影像R0的搜索窗口内中心像元位置为i，窗口大小等于M的邻域内所有像元组成的向量，V(x)表示实部影像R0的搜索窗口内中心像元位置为x，窗口大小等于M的邻域内所有像元组成的向量，hn是噪声抑制参数，高斯核的标准差设置为a＝2，exp(·)表示以自然数e为底的指数计算符号；
步骤e：计算SAR复数干涉图I0的虚部影像J0在搜索窗口内的中心像元和其它像元的相似性SJ，搜索窗口中心像元的位置表示为i，其它像元在搜索窗口内位置表示为x，SJ中表示位置i和x处像元相似性的SJ(i,x)采用公式：
Figure BDA0002803938300000061
计算，其中V(i)表示虚部影像J0的搜索窗口内中心像元位置为i，窗口大小等于M的邻域内所有像元组成的向量，V(x)表示虚部影像J0的搜索窗口内中心像元位置为x，窗口大小等于M的邻域内所有像元组成的向量，hn是噪声抑制参数，高斯核的标准差设置为a＝2，exp(·)表示以自然数e为底的指数计算符号；
步骤f：基于实部影像R0和虚部影像J0的相似性，融合计算SAR复数干涉图I0在搜索窗口内的像元相似性并归一化，得到用于SAR干涉图滤波的非局部均值权重W，采用公式
Figure BDA0002803938300000062
计算W在搜索窗口内位置x处的权重值W(x)，其中SR(i,x)是实部影像R0的搜索窗口内位置i和x处像元的相似性，SJ(i,x)是虚部影像J0的搜索窗口内位置i和x处像元的相似性，
Figure BDA0002803938300000063
是归一化参数，Ωx表示位置x处像元的搜索窗口内像元组成的邻域。

Claims (8)

1.一种用于SAR干涉图滤波的非局部均值定权方法，其特征在于步骤如下：
a获取一幅列数为w、行数为h的复数干涉图I0＝R0+J0×j，其中R0是复数干涉图I0的实部影像，J0是复数干涉图I0的虚部影像，j表示虚数单位；
b设置非局部均值信息提取的搜索窗口大小SN和匹配窗口大小M；
c计算非局部均值提取的噪声抑制参数hn；
d计算实部影像R0在搜索窗口SN内的中心像元和其它像元的相似性SR；
e计算虚部影像J0在搜索窗口SN内的中心像元和其它像元的相似性SJ；
f基于实部影像R0和虚部影像J0的相似性，融合计算SAR复数干涉图I0在搜索窗口内的像元相似性并归一化，得到用于SAR干涉图滤波的非局部均值权重W。
2.根据权利要求1所述的一种用于SAR干涉图滤波的非局部均值定权方法，其特征在于所述步骤a中分离复数干涉图I0的实部影像R0和虚部影像J0的方法包括：
使用Python中模块numpy中的real函数获取分离复数干涉图的实部影像R0，使用imag函数分离复数干涉图的虚部影像J0；或者使用Matlab中的real函数获取分离复数干涉图的实部影像R0，使用imag函数分离复数干涉图的虚部影像J0。
3.根据权利要求1所述的一种用于SAR干涉图滤波的非局部均值定权方法，其特征在于：所述步骤b中搜索窗口SN∈N*，匹配窗口M∈N*，其中N*表示正整数，通常SN和M为奇数且SN>M。
4.根据权利要求1所述的一种用于SAR干涉图滤波的非局部均值定权方法，其特征在于：所述步骤c中噪声抑制参数hn利用公式：
Figure FDA0002803938290000011
计算，式中σ是估计的图像噪声水平。
5.根据权利要求1所述的一种用于SAR干涉图滤波的非局部均值定权方法，其特征在于：所述步骤d中的中心像元在搜索窗口的中心，中心像元的位置表示为i，其它像元在搜索窗口内位置表示为x，SR中表示位置i和x处像元相似性的SR(i,x)计算公式为：
Figure FDA0002803938290000012
其中V(i)表示实部影像R0的搜索窗口内中心像元位置i，窗口大小等于M的邻域内所有像元组成的向量，V(x)表示实部影像R0的搜索窗口内中心像元位置为x，窗口大小等于M的邻域内所有像元组成的向量，hn是噪声抑制参数，a＞0是高斯核的标准差，exp(·)表示以自然数e为底的指数计算符号。
6.根据权利要求1所述的一种用于SAR干涉图滤波的非局部均值定权方法，其特征在于：所述步骤e中的中心像元在搜索窗口的中心，中心像元的位置表示为i，其它像元在搜索窗口内位置表示为x，SJ中表示位置i和x处像元相似性的SJ(i,x)的计算公式为：
Figure FDA0002803938290000021
其中V(i)表示虚部影像J0的搜索窗口内中心像元位置为i，窗口大小等于M的邻域内所有像元组成的向量，V(x)表示虚部影像J0的搜索窗口内中心像元位置为x，窗口大小等于M的邻域内所有像元组成的向量，hn是噪声抑制参数，a＞0是高斯核的标准差，exp(·)表示以自然数e为底的指数计算符号。
7.根据权利要求1所述的一种用于SAR干涉图滤波的非局部均值定权方法，其特征在于：所述步骤f中SAR干涉图的非局部权重W在搜索窗口内位置x处的权重值W(x)的计算公式为：
Figure FDA0002803938290000022
其中SR(i,x)是实部影像R0的搜索窗口内位置i和x处像元的相似性，其中SJ(i,x)是虚部影像J0的搜索窗口内位置i和x处像元的相似性，
Figure FDA0002803938290000023
是归一化参数，Ωx表示位置x处像元的搜索窗口内像元组成的邻域。
8.根据权利要求6所述的一种用于SAR干涉图滤波的非局部均值定权方法，其特征在于：利用非局部均值归一化权重W能够生成复数干涉图I0基于新的滤波后干涉图I0′；滤波后干涉图I0′在位置x处像元的实部值R0′(x)和虚部值J0′(x)的公式分别为：
Figure FDA0002803938290000024
Figure FDA0002803938290000025
其中，R(i)是实部影像中大小为SN的搜索窗口内位置i处的像元值，J(i)是虚部影像中大小为SN的搜索窗口内位置i处的像元值。
CN202011361054.2A 2020-11-27 2020-11-27 一种用于sar干涉图滤波的非局部均值定权方法 Active CN112419198B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011361054.2A CN112419198B (zh) 2020-11-27 2020-11-27 一种用于sar干涉图滤波的非局部均值定权方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011361054.2A CN112419198B (zh) 2020-11-27 2020-11-27 一种用于sar干涉图滤波的非局部均值定权方法

Publications (2)

Publication Number Publication Date
CN112419198A true CN112419198A (zh) 2021-02-26
CN112419198B CN112419198B (zh) 2024-02-02

Family

ID=74842314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011361054.2A Active CN112419198B (zh) 2020-11-27 2020-11-27 一种用于sar干涉图滤波的非局部均值定权方法

Country Status (1)

Country Link
CN (1) CN112419198B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
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
CN113537020A (zh) * 2021-07-07 2021-10-22 中国人民解放军国防科技大学 基于改进神经网络的复数sar图像目标识别方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008116058A1 (en) * 2007-03-22 2008-09-25 Harris Corporation Method and apparatus for processing complex interferometric sar data
CN103645476A (zh) * 2013-12-18 2014-03-19 中国国土资源航空物探遥感中心 一种合成孔径雷达差分干涉图序列的时空同质滤波方法
CN103823219A (zh) * 2014-03-14 2014-05-28 中国科学院电子学研究所 自适应迭代的非局部干涉合成孔径雷达干涉相位滤波方法
CN104637027A (zh) * 2015-02-26 2015-05-20 武汉大学 顾及非局部特性与时空变化的遥感数据时空定量融合方法
US20160033639A1 (en) * 2014-08-04 2016-02-04 University Of Seoul Industry Cooperation Foundation Method and apparatus for stacking multi-temporal mai interferograms
CN105374017A (zh) * 2015-11-30 2016-03-02 西安电子科技大学 一种结合极化分解向量统计分布的极化sar图像滤波方法
CN107909558A (zh) * 2017-12-12 2018-04-13 成都信息工程大学 一种基于无监督学习的非局部均值图像去噪方法
CN109212522A (zh) * 2018-05-28 2019-01-15 中国科学院电子学研究所 一种获取数字地图的方法和装置
CN110058237A (zh) * 2019-05-22 2019-07-26 中南大学 面向高分辨率SAR影像的InSAR点云融合及三维形变监测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008116058A1 (en) * 2007-03-22 2008-09-25 Harris Corporation Method and apparatus for processing complex interferometric sar data
CN103645476A (zh) * 2013-12-18 2014-03-19 中国国土资源航空物探遥感中心 一种合成孔径雷达差分干涉图序列的时空同质滤波方法
CN103823219A (zh) * 2014-03-14 2014-05-28 中国科学院电子学研究所 自适应迭代的非局部干涉合成孔径雷达干涉相位滤波方法
US20160033639A1 (en) * 2014-08-04 2016-02-04 University Of Seoul Industry Cooperation Foundation Method and apparatus for stacking multi-temporal mai interferograms
CN104637027A (zh) * 2015-02-26 2015-05-20 武汉大学 顾及非局部特性与时空变化的遥感数据时空定量融合方法
CN105374017A (zh) * 2015-11-30 2016-03-02 西安电子科技大学 一种结合极化分解向量统计分布的极化sar图像滤波方法
CN107909558A (zh) * 2017-12-12 2018-04-13 成都信息工程大学 一种基于无监督学习的非局部均值图像去噪方法
CN109212522A (zh) * 2018-05-28 2019-01-15 中国科学院电子学研究所 一种获取数字地图的方法和装置
CN110058237A (zh) * 2019-05-22 2019-07-26 中南大学 面向高分辨率SAR影像的InSAR点云融合及三维形变监测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZHUANG HUIFU: "an improved neighborhood-based ratio approach for change detection in sar images", EUROPEAN JOURNAL OF REMOTE SENSING *
师黎;许晓辉;陈立伟;: "核磁共振图像归一化互相关非局部自适应去噪", 计算机应用, no. 12 *
范洪冬: "INsar若干关键算法及其在地表沉降监测中的应用研究", 中国知网博士学位论文 *
行晓黎;陈启浩;徐乔;杨帅;刘修国;: "顾及目标异质性的极化SAR图像非局部均值滤波", 遥感学报, no. 03 *
陈善学;周艳发;漆若兰;: "基于核函数的联合稀疏表示高光谱图像分类", 系统工程与电子技术, no. 03 *

Cited By (3)

* Cited by examiner, † Cited by third party
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
CN113537020A (zh) * 2021-07-07 2021-10-22 中国人民解放军国防科技大学 基于改进神经网络的复数sar图像目标识别方法

Also Published As

Publication number Publication date
CN112419198B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
WO2018024030A1 (zh) 一种夜视红外图像中的基于显著性的道路目标提取方法
CN109345472B (zh) 一种复杂场景的红外运动小目标检测方法
Song et al. Improving the spatial resolution of landsat TM/ETM+ through fusion with SPOT5 images via learning-based super-resolution
CN108765476B (zh) 一种偏振图像配准方法
CN109712112B (zh) 基于局部特征的航拍绝缘子图像的定位方法
CN102122359B (zh) 一种图像配准方法及装置
CN107403134B (zh) 基于局部梯度三边的图域多尺度红外弱小目标检测方法
CN112419198B (zh) 一种用于sar干涉图滤波的非局部均值定权方法
CN104463911A (zh) 基于复杂背景估计的红外运动小目标检测方法
CN107301420A (zh) 一种基于显著性分析的热红外影像目标探测方法
CN102222322A (zh) 基于多尺度非局部均值的红外图像背景抑制方法
Yang et al. Automated high-resolution satellite image registration using supraglacial rivers on the Greenland Ice Sheet
CN113191979B (zh) 一种分区域sar图像非局部均值去噪方法
CN110827262B (zh) 一种基于连续有限帧红外图像的弱小目标检测方法
WO2019215819A1 (ja) 合成開口レーダ画像解析システム、合成開口レーダ画像解析方法および合成開口レーダ画像解析プログラム
CN111062972B (zh) 基于图像频率域转换的图像跟踪方法
Ye et al. Optical and SAR image fusion based on complementary feature decomposition and visual saliency features
CN113763274A (zh) 一种联合局部相位锐度定向描述的多源图像匹配方法
CN112669332A (zh) 一种基于双向局部极大值和峰值局部奇异性判断海天条件和检测红外目标的方法
CN112150474A (zh) 一种水下气泡图像特征分割提取方法
CN112419206B (zh) 一种基于多尺度分解-重构的sar干涉图滤波方法
CN114429593A (zh) 基于快速导向滤波的红外小目标检测方法及其应用
Ansari et al. Texture based identification of informal settlements in contourlet feature space
CN110033415B (zh) 一种基于Retinex算法的图像去模糊方法
CN113222924A (zh) 基于fpga的高光谱图像异常检测系统

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