CN112950512A - 基于dca算法的sar图像相干斑抑制方法 - Google Patents
基于dca算法的sar图像相干斑抑制方法 Download PDFInfo
- Publication number
- CN112950512A CN112950512A CN202110337914.7A CN202110337914A CN112950512A CN 112950512 A CN112950512 A CN 112950512A CN 202110337914 A CN202110337914 A CN 202110337914A CN 112950512 A CN112950512 A CN 112950512A
- Authority
- CN
- China
- Prior art keywords
- formula
- sar image
- convex
- solving
- speckle suppression
- 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 30
- 230000001629 suppression Effects 0.000 title claims abstract description 28
- 230000001427 coherent effect Effects 0.000 claims abstract description 6
- 230000001131 transforming effect Effects 0.000 claims abstract description 4
- 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
- 230000003416 augmentation Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 abstract description 4
- 238000011084 recovery Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm 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
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000004800 variational method 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
- G06T5/80—Geometric correction
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了基于DCA算法的SAR图像相干斑抑制方法,包括:构建新颖二阶算子;根据新颖二阶算子,构建具有自适应正则项的SAR图像相干斑抑制的非凸变分模型,模型包括一个新颖二阶算子、一个一阶项和一个数据项;将非凸变分模型进行变换,并采用DCA算法的求解,得到求解后的非凸变分模型;输入具有想干斑的SAR图像,利用求解后的非凸变分模型得到抑制相干斑噪音后的结果。本发明基于DCA算法的具有自适应正则项的SAR图像相干斑抑制方法,可以得到很好特征保持和光滑区域恢复的相干斑抑制结果,并且具有非常好的适用性、有效性、稳定性和扩展性。
Description
技术领域
本发明涉及图像处理领域,尤其涉及基于DCA算法的SAR图像相干斑抑制方法。
背景技术
SAR图像是通过搭载在飞机、卫星等移动平台上的传感器来对目标主动发射微波信号进行探测,从而以一定的技术手段接受回波信号进行成像。SAR系统可以全天候、全天时的发射微波信号,从而可以避免黑夜、恶劣天气等诸多外界条件的影响。因此,SAR图像应用场景非常广泛,尤其是对于一些需要时效性、长期定时观测的任务。例如:军事侦察、抢险救灾、地表科学研究等。随着SAR系统成像技术的提升,从而得到的SAR图像的空间分辨率也大幅度的提升,相应的应用场景也变得更加广泛。但是,由于SAR系统本身固有的相干成像的特性,所生成的SAR图像难免存在严重的相干斑噪音。不同于光学传感器产生的加性高斯噪音,相干斑噪音通常被认为是一种乘性噪音,在图像上的表现为像素间具有严重的明暗起伏。由于这种强烈的相干斑噪音,生成的SAR图像上一些非常有价值的信息被严重的丢失。例如,边界、纹理等信息。但是,这些信息对于SAR图像的后续解译工作以及相关应用是极为重要的。因此,对于SRA图像,对其开展相干斑噪声的去除工作是很有价值的。
目前抑制相干斑噪声的方法主要是基于非局部滤波的方法、变分的方法和数据驱动的方法。基于非局部滤波的方法,由于可以非常好的识别细节信息,所以通常可以得到非常好的抑制结果。但是由于其在没有特征的地方也会尝试去识别本该没有的特征,所以会出现一些令人烦恼的人造现象,例如笔刷(PPBit),鬼影(SARBM3D)。基于变分的方法的话,由于其较好的保边能力和更好的恢复均匀区域的效果,大量的研究在此基础上进行了大量的工作。但是也会不可避免地会引入一些人造现象,例如阶梯现象(TV),模糊边(TGV)等。数据驱动的方法,他们都可以非常好的抑制相干斑噪声,但是其结果会非常依赖所选择的训练数据集。正如上所示,以上提及的优秀的相干斑噪声抑制方法都会出现一些人造现象,例如鬼影、笔刷和边界模糊等。
发明内容
有鉴于此,针对以上技术问题,本发明提出具有自适应正则项的SAR图像相干斑抑制的非凸变分模型。该模型的正则项为一个新颖的二阶项和一个一阶项,数据项为AA数据项。通过自适应的二阶项,可以得到很好特征保持和光滑区域恢复的相干斑抑制结果。
本发明提供的一种基于DCA算法的SAR图像相干斑抑制方法,包括以下步骤:
S101:构建新颖二阶算子,具体如式(1):
S102:根据新颖二阶算子,构建具有自适应正则项的SAR图像相干斑抑制的非凸变分模型,模型包括一个新颖二阶算子、一个一阶项和一个数据项;
S103:将非凸变分模型进行变换,并采用DCA算法的求解,得到求解后的非凸变分模型;
S104:输入具有想干斑的SAR图像,利用求解后的非凸变分模型得到抑制相干斑噪音后的结果。
进一步地,步骤S102的非变凸分模型如式(2)所示:
进一步地,步骤S103中将非凸变分模型进行变换,得到变换后的非凸分模型如式(3):
式(3)中,G(u)和H(u)表达式分别如式(4)、(5)所示:
进一步地,步骤S103中,采用DCA算法求解非凸变分模型,具体为:将非凸变分模型转换成两个凸问题进行求解。
进一步地,第一个凸问题如式(6)所示:
k表示迭代过程次数;第一个凸问题的解的形式如式(7):
进一步地,第二个凸问题如式(8)所示:
第二个凸问题的求解具体如下:
将式(8)转换为式(9):
式(10)中,ζ1、ζ2为拉格朗日乘子;r1、r2为增广系数;
将式(10)转换为三个子问题进行求解:
对式(11)的求解,固定p,q,求解u,将式(11)简化为式(14):
对式(14)采用牛顿迭代法求解;
对式(12)的求解,固定u,q,求解p,将式(12)简化为式(15),并求解得到式(16):
对式(13)的求解,固定u,p,求解q,将式(13)简化为式(17),并求解得到式(18):
按式(19)、(20)更新拉格朗日乘子并迭代求解:
本发明提供的有益效果是:基于DCA算法具有自适应正则项的SAR图像相干斑抑制方法,可以得到很好特征保持和光滑区域恢复的相干斑抑制结果,并且具有非常好的适用性、有效性、稳定性和扩展性。
附图说明
图1是本发明基于DCA算法的SAR图像相干斑抑制方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
请参考图1,基于DCA算法的SAR图像相干斑抑制方法,包括以下:
S101:构建新颖二阶算子,具体如式(1):
S102:根据新颖二阶算子,构建具有自适应正则项的SAR图像相干斑抑制的非凸变分模型,模型包括一个新颖二阶算子、一个一阶项和一个数据项;
S103:将非凸变分模型进行变换,并采用DCA算法的求解,得到求解后的非凸变分模型;
S104:输入具有想干斑的SAR图像,利用求解后的非凸变分模型得到抑制相干斑噪音后的结果。
步骤S102的非变凸分模型如式(2)所示:
步骤S103中将非凸变分模型进行变换,得到变换后的非凸分模型如式(3):
式(3)中,G(u)和H(u)表达式分别如式(4)、(5)所示:
步骤S103中,采用DCA算法求解非凸变分模型,具体为:将非凸变分模型转换成两个凸问题进行求解。
第一个凸问题如式(6)所示:
k表示迭代过程次数;第一个凸问题的解的形式如式(7):
第二个凸问题如式(8)所示:
第二个凸问题的求解具体如下:
将式(8)转换为式(9):
式(10)中,ζ1、ζ2为拉格朗日乘子;r1、r2为增广系数;
将式(10)转换为三个子问题进行求解:
对式(11)的求解,固定p,q,求解u,将式(11)简化为式(14):
对式(14)采用牛顿迭代法求解;
对式(12)的求解,固定u,q,求解p,将式(12)简化为式(15),并求解得到式(16):
对式(13)的求解,固定u,p,求解q,将式(13)简化为式(17),并求解得到式(18):
按式(19)、(20)更新拉格朗日乘子并迭代求解:
本发明采用MATLAB进行算法的实现,提供以下实施例。
实施例一:
步骤(1)、使用imread函数读取具有噪声的遥感图像f。
步骤(2)、设置相关的参数,正则项参数λ、一阶项系数α1、二阶项系数α0、惩罚项系数r1和r2、正实数c、DCA算法的最大迭代次数K_dca、第二个凸问题求解的最大迭代次数K_2、迭代容差tol_out。
步骤(4)、开始DCA算法的循环,大于DCA算法的最大迭代次数K_dca,或者两次输出结果u之间的l2范数小于迭代容差tol_out,则退出迭代,输出噪声去除后的遥感图像。
步骤(6)、求解第二个凸问题。开始第二个凸问题求解算法的循环,大于第二个凸问题求解的最大迭代次数K_2,或者两次输出结果u之间的l2范数小于迭代容差tol_out,则退出迭代。
步骤(7)、在第二个凸问题求解算法的循环中,求解问题u。对该式(14)分别求一阶导和二阶导,使用牛顿迭代法进行求解。
本发明的有益效果是:基于DCA算法的具有自适应正则项的SAR图像相干斑抑制方法,可以得到很好特征保持和光滑区域恢复的相干斑抑制结果,并且具有非常好的适用性、有效性、稳定性和扩展性。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
4.如权利要求3所述的基于DCA算法的SAR图像相干斑抑制方法,其特征在于:步骤S103中,采用DCA算法求解非凸变分模型,具体为:将非凸变分模型转换成两个凸问题进行求解。
7.如权利要求6所述的基于DCA算法的SAR图像相干斑抑制方法,其特征在于:第二个凸问题的求解具体如下:
将式(8)转换为式(9):
式(10)中,ζ1、ζ2为拉格朗日乘子;r1、r2为增广系数;
将式(10)转换为三个子问题进行求解:
对式(11)的求解,固定p,q,求解u,将式(11)简化为式(14):
对式(14)采用牛顿迭代法求解;
对式(12)的求解,固定u,q,求解p,将式(12)简化为式(15),并求解得到式(16):
对式(13)的求解,固定u,p,求解q,将式(13)简化为式(17),并求解得到式(18):
按式(19)、(20)更新拉格朗日乘子并迭代求解直至达到预设的迭代次数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110337914.7A CN112950512B (zh) | 2021-03-30 | 2021-03-30 | 基于dca算法的sar图像相干斑抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110337914.7A CN112950512B (zh) | 2021-03-30 | 2021-03-30 | 基于dca算法的sar图像相干斑抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950512A true CN112950512A (zh) | 2021-06-11 |
CN112950512B CN112950512B (zh) | 2022-10-14 |
Family
ID=76227838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110337914.7A Active CN112950512B (zh) | 2021-03-30 | 2021-03-30 | 基于dca算法的sar图像相干斑抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950512B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217406A (zh) * | 2014-09-23 | 2014-12-17 | 重庆大学 | 一种基于剪切波系数处理的sar图像降噪方法 |
CN107705265A (zh) * | 2017-10-11 | 2018-02-16 | 青岛大学 | 一种基于总曲率的sar图像变分去噪方法 |
CN111553863A (zh) * | 2020-04-30 | 2020-08-18 | 河南大学 | 一种基于非凸全变分型正则化的图像增强方法 |
CN111598795A (zh) * | 2020-04-27 | 2020-08-28 | 浙江工业大学 | 一种基于张量环分解的高光谱图像去噪方法及装置 |
CN112288640A (zh) * | 2020-07-21 | 2021-01-29 | 中国地质大学(武汉) | 一种抑制sar图像相干斑噪声的方法、系统和终端设备 |
CN112488960A (zh) * | 2020-12-16 | 2021-03-12 | 中国人民解放军国防科技大学 | 基于边界和上下文约束的sar图像相干斑的抑制方法 |
-
2021
- 2021-03-30 CN CN202110337914.7A patent/CN112950512B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217406A (zh) * | 2014-09-23 | 2014-12-17 | 重庆大学 | 一种基于剪切波系数处理的sar图像降噪方法 |
CN107705265A (zh) * | 2017-10-11 | 2018-02-16 | 青岛大学 | 一种基于总曲率的sar图像变分去噪方法 |
CN111598795A (zh) * | 2020-04-27 | 2020-08-28 | 浙江工业大学 | 一种基于张量环分解的高光谱图像去噪方法及装置 |
CN111553863A (zh) * | 2020-04-30 | 2020-08-18 | 河南大学 | 一种基于非凸全变分型正则化的图像增强方法 |
CN112288640A (zh) * | 2020-07-21 | 2021-01-29 | 中国地质大学(武汉) | 一种抑制sar图像相干斑噪声的方法、系统和终端设备 |
CN112488960A (zh) * | 2020-12-16 | 2021-03-12 | 中国人民解放军国防科技大学 | 基于边界和上下文约束的sar图像相干斑的抑制方法 |
Non-Patent Citations (4)
Title |
---|
GUO, M.ET.AL: "A novel truncated nonconvex nonsmooth variational method for SAR image despeckling", 《REMOTE SENSING LETTERS》 * |
张敏辉等: "评价SAR图像去噪效果的无参考图像质量指标", 《重庆邮电大学学报(自然科学版)》 * |
张正鹏等: "一种快速的SAR影像相干斑抑制算法", 《中国矿业大学学报》 * |
王田芳等: "一种基于分数阶变分的乘性噪声图像去噪模型", 《测绘工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112950512B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537746B (zh) | 一种基于深度卷积网络的模糊可变图像盲复原方法 | |
Li et al. | Single image rain streak decomposition using layer priors | |
CN106920220B (zh) | 基于暗原色和交替方向乘子法优化的湍流图像盲复原方法 | |
CN110675347B (zh) | 一种基于组稀疏表示的图像盲复原方法 | |
US20100061642A1 (en) | Prediction coefficient operation device and method, image data operation device and method, program, and recording medium | |
JP6727642B2 (ja) | 学習型アルゴリズムによるフォーカス補正処理方法 | |
CN105100546A (zh) | 运动估计方法及装置 | |
CN112837245A (zh) | 一种基于多模态融合的动态场景去模糊方法 | |
CN112711995A (zh) | 一种基于图像的海上目标识别方法 | |
Nieuwenhuizen et al. | Deep learning for software-based turbulence mitigation in long-range imaging | |
CN110570361B (zh) | 声呐图像结构化噪声的抑制方法、系统、装置和存储介质 | |
CN112950512B (zh) | 基于dca算法的sar图像相干斑抑制方法 | |
Xue | Blind image deblurring: a review | |
CN117132490A (zh) | 一种面向通用光照条件的神经形态相机去噪方法 | |
Huebner | Software-based turbulence mitigation of short exposure image data with motion detection and background segmentation | |
Luo et al. | Real‐time digital image stabilization for cell phone cameras in low‐light environments without frame memory | |
CN113744355A (zh) | 一种脉冲信号的处理方法、装置及设备 | |
US11798139B2 (en) | Noise-adaptive non-blind image deblurring | |
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 | |
Vlahović et al. | Deep learning in video stabilization homography estimation | |
CN110517196B (zh) | 一种sar图像降噪方法及系统 | |
Jamieson et al. | DeepSeeColor: Realtime Adaptive Color Correction for Autonomous Underwater Vehicles via Deep Learning Methods | |
CN110443209B (zh) | 基于矩阵恢复的红外小目标检测方法 | |
Bertrand et al. | Infrared search and track with unbalanced optimal transport dynamics regularization | |
Thai et al. | Deep learning-based infrared image deblurring |
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 |