CN113191979B - 一种分区域sar图像非局部均值去噪方法 - Google Patents
一种分区域sar图像非局部均值去噪方法 Download PDFInfo
- Publication number
- CN113191979B CN113191979B CN202110486169.2A CN202110486169A CN113191979B CN 113191979 B CN113191979 B CN 113191979B CN 202110486169 A CN202110486169 A CN 202110486169A CN 113191979 B CN113191979 B CN 113191979B
- Authority
- CN
- China
- Prior art keywords
- image
- sar
- pixel
- area
- filtering
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000001914 filtration Methods 0.000 claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 239000000654 additive Substances 0.000 claims abstract description 9
- 230000000996 additive effect Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 19
- 230000000694 effects Effects 0.000 description 14
- 238000004088 simulation Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 9
- 230000003628 erosive effect Effects 0.000 description 7
- 238000009499 grossing Methods 0.000 description 6
- 230000010339 dilation Effects 0.000 description 5
- 238000013441 quality evaluation Methods 0.000 description 5
- 238000005429 filling process Methods 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 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 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种分区域SAR图像非局部均值去噪方法,包括:S1:对SAR图像进行预处理,将其噪声转变为加性噪声,得到SAR预处理图像;S2:对SAR预处理图像进行目标边缘提取,并根据提取得到的目标边缘轮廓,得到封闭的目标填充区域;S3:对目标填充区域进行标记,根据标记结果将SAR预处理图像,分为标记区域和未标记区域;S4:采用第一加权函数对标记区域进行滤波处理,采用第二加权函数对未标记区域进行滤波处理,得到SAR滤波图像;S5:对SAR滤波图像进行指数函数变换处理,得到SAR去噪图像;本发明的方法,在保留目标的细节纹理信息的同时,可以将非标记区域的噪声很大程度地平滑掉,既去除了噪声,又更好的保留了目标的细节以及纹理信息。
Description
技术领域
本发明属于SAR图像处理技术领域,具体涉及一种分区域SAR图像非局部均值去噪方法。
背景技术
合成孔径雷达(synthetic aperture radar,SAR)是一种能够发射和接收电磁波并对物体连续跟踪监测成像的系统,能够全天时、全天候工作,常被用于军事和民用方面。由于其成像机理的限制,地面环境的复杂性通常使得目标附近杂物对电磁波的反射会将目标对电磁波的反射湮没掉,因此,SAR图像的相干斑抑制是极其重要的步骤,对后面的图像特征提取以及目标识别起着至关重要的作用。
为提高图像识别的效率,需要对图像进行去噪处理。MSTAR数据集图像去噪主要有两个目的:一是使被噪声污染的背景区域变得更加平滑,二是保留目标区域更多的纹理和细节信息。常用的SAR图像去噪方法分为空域滤波、变换域滤波以及偏微分各向异性扩散滤波。
其中,空域滤波以LEE滤波以及Frost滤波为主,这种方法通过滑动固定大小的窗口以及事先定义好的滤波器系数对相应的像素值进行处理,但是滤波效果受限于窗口的大小且存在滤波不充分的缺点。近年来变换域滤波例如小波变换或BM3D及其各种改进方法也取得了不错的效果,但是这些方法容易人为地引入干扰。各向异性扩散滤波是将图像看作热量场,根据周围像素与当前像素的关系来确定是否要向周围扩散,但是这种方法需要进行多次的迭代,计算量较大且效果不明显。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种分区域SAR图像非局部均值去噪方法。本发明要解决的技术问题通过以下技术方案实现:
本发明提供了一种分区域SAR图像非局部均值去噪方法,包括:
S1:对SAR图像进行预处理,将其噪声转变为加性噪声,得到SAR预处理图像;
S2:对所述SAR预处理图像进行目标边缘提取,并根据提取得到的目标边缘轮廓,得到封闭的目标填充区域;
S3:对所述目标填充区域进行标记,根据标记结果将所述SAR预处理图像,分为标记区域和未标记区域;
S4:采用第一加权函数对所述标记区域进行滤波处理,采用第二加权函数对所述未标记区域进行滤波处理,得到SAR滤波图像;
S5:对所述SAR滤波图像进行指数函数变换处理,得到SAR去噪图像;
式中,Z(i)表示标记区域归一化因子,h表示标记区域滤波参数, 表示标准差为σ的高斯加权2范数,Ni表示标记区域中以像素i为中心的固定相似窗,Nj表示标记区域中以像素j为中心的滑动相似窗,v(Ni)表示Ni的灰度值向量,v(Nj)表示Nj的灰度值向量;
式中,Z'(i)表示非标记区域归一化因子,h'表示未标记区域滤波参数,N'i表示非标记区域中以像素i为中心的固定相似窗,N'j表示非标记区域中以像素j为中心的滑动相似窗,表示N'i的平均灰度值,表示N'j的平均灰度值。
在本发明的一个实施例中,所述S1包括:
对所述SAR图像进行对数函数变换处理,以将所述SAR图像的乘性噪声转变为加性噪声,得到所述SAR预处理图像。
在本发明的一个实施例中,所述S2包括:
S21:通过canny边缘检测算法对于所述SAR预处理图像的目标进行边缘提取,得到初始目标边缘轮廓图像;
S22:对所述初始目标边缘轮廓图像依次进行膨胀和腐蚀处理,得到具有封闭的目标边缘轮廓的SAR目标边缘图像;
S23:对所述SAR目标边缘图像进行孔洞填充处理,得到封闭的目标填充区域。
在本发明的一个实施例中,所述S4包括:
S41:根据预设的第一搜索窗尺寸对所述标记区域进行搜索,根据第一加权函数计算得到所述标记区域内每个像素的第一加权系数,根据所述第一加权系数计算得到所述标记区域内每个像素的像素滤波值,得到标记区域滤波图像;
S42:根据预设的第二搜索窗尺寸对所述非标记区域进行搜索,根据第二加权函数计算得到所述非标记区域内每个像素的第二加权系数,根据所述第二加权系数计算得到所述非标记区域内每个像素的像素滤波值,得到非标记区域滤波图像;
S43:根据所述标记区域滤波图像和所述非标记区域滤波图像,得到SAR滤波图像。
在本发明的一个实施例中,所述S41包括:
S411:根据预设的第一搜索窗尺寸在所述标记区域内形成以像素i为中心的第一搜索区域;
S412:在所述第一搜索区域,根据预设的第一相似窗尺寸,选取以像素i为中心的固定相似窗Ni和以像素j为中心的滑动相似窗Nj,并计算得到固定相似窗Ni与滑动相似窗Nj之间的加权欧式距离d(i,j),以及所述第一搜索区域的标记区域滤波参数h,其中,
h=β*CV,
S413:根据所述加权欧式距离d(i,j)以及所述标记区域滤波参数h,按照下式计算得到所述第一搜索区域的标记区域归一化因子,
S414:根据所述标记区域归一化因子,计算得到所述第一搜索区域每个像素的第一加权系数,根据所述第一加权系数,计算得到所述第一搜索区域每个像素的像素滤波值;
S415:重复步骤S411-S414,以完成对所述标记区域的搜索,得到所述标记区域滤波图像。
在本发明的一个实施例中,所述S42包括:
S421:根据预设的第二搜索窗尺寸在所述非标记区域内形成以像素i为中心的第二搜索区域;
S422:在所述第二搜索区域,根据预设的第二相似窗尺寸,选取以像素i为中心的固定相似窗N'i和以像素j为中心的滑动相似窗N'j,并计算得到固定相似窗N'i与滑动相似窗N'j之间的平均像素灰度值的差D(i,j),以及所述第二搜索区域的非标记区域滤波参数h',其中,
h'=α*CV',
S423:根据所述平均像素灰度值的差D(i,j)以及所述非标记区域滤波参数h',按照下式计算得到所述第二搜索区域的非标记区域归一化因子,
S424:根据所述非标记区域归一化因子,计算得到所述第二搜索区域每个像素的第二加权系数,根据所述第二加权系数,得到所述第二搜索区域每个像素的像素滤波值;
S425:重复步骤S421-S424,以完成对所述非标记区域的搜索,得到所述非标记区域滤波图像。
与现有技术相比,本发明的有益效果在于:
本发明的分区域SAR图像非局部均值去噪方法,考虑到目标区域和背景区域在噪声程度的不同,将SAR图像进行标记,将其分为标记区域和未标记区域,然后对两个区域采用不同的加权函数和不同大小的滤波窗口进行NLM(non-local means,非局部均值)滤波,在保留目标的细节纹理信息的同时,可以将非标记区域的噪声很大程度地平滑掉,既去除了噪声,又更好的保留了目标的细节以及纹理信息。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1是本发明实施例提供的一种分区域SAR图像非局部均值去噪方法的示意图;
图2是本发明实施例提供的一种分区域SAR图像非局部均值去噪方法的流程图;
图3是本发明实施例提供的一种图像膨胀过程示意图;
图4是本发明实施例提供的一种图像腐蚀过程示意图;
图5是本发明实施例提供的一种孔洞填充过程示意图;
图6是本发明实施例提供的一种图像边缘提取、膨胀、腐蚀以及孔洞填充的过程示意图;
图7是本发明实施例提供的一种像素加权系数分析示意图;
图8是本发明实施例提供的一种仿真实验图;
图9是本发明实施例提供的另一种仿真实验图;
图10是本发明实施例提供的又一种仿真实验图。
具体实施方式
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及具体实施方式,对依据本发明提出的一种分区域SAR图像非局部均值去噪方法进行详细说明。
有关本发明的前述及其他技术内容、特点及功效,在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明,可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解,然而所附附图仅是提供参考与说明之用,并非用来对本发明的技术方案加以限制。
实施例一
需要说明的是,本实施例的分区域SAR图像非局部均值去噪方法,主要是针对只有中心位置有一个目标的单目标SAR图像,例如,MSTAR数据集图像,在对该SAR图像去噪后,方便进行目标识别与分类。
MSTAR数据集是采用实测SAR地面静止目标数据,无论是在国内还是国际上,针对SAR图像目标识别的研究基本上是基于该数据集而展开的。该数据大多是静止车辆的SAR切片图像,包含多种车辆目标在各个方位角下获取到的目标图像。
请结合参见图1和图2,图1是本发明实施例提供的一种分区域SAR图像非局部均值去噪方法的示意图;图2是本发明实施例提供的一种分区域SAR图像非局部均值去噪方法的流程图。如图所示,本实施例的方法,包括:
S1:对SAR图像进行预处理,得到SAR预处理图像,其中,SAR预处理图像的噪声为加性噪声;
非局部均值算法是在对加性噪声图像滤波时,在大的搜索窗内选择两个相似块,通过衡量两个相似块的相似度来定义权重,最后通过加权平均来计算目标点的像素值。由于SAR图像特殊的成像机理,其噪声是一种典型的乘性噪声,假设一幅SAR图像在位置i处的观测值为Y(i),其真实信号为X(i),相干斑噪声为N(i),则其噪声模型为:
Y(i)=N(i)*X(i) (1),
所以,非局部均值算法并不能直接适用于SAR图像去噪,因此,需要对SAR图像进行预处理,得到噪声为加性噪声的SAR预处理图像。
具体地,对SAR图像进行对数函数变换处理,以将SAR图像的乘性噪声转变为加性噪声,得到SAR预处理图像。
需要说明的是,在对SAR图像进行对数函数变换处理之前,需要将SAR图像的数据格式uint8格式转换为double格式。
S2:对SAR预处理图像进行目标边缘提取,并根据提取得到的目标边缘轮廓,得到封闭的目标填充区域;
请结合参见图6,图6是本发明实施例提供的一种图像边缘提取、膨胀、腐蚀以及孔洞填充的过程示意图,图6种(a)图为SAR预处理图像,(b)图为初始目标边缘轮廓图像,(c)图为膨胀处理后的图像,(d)图为腐蚀处理后的图像,(e)图为孔洞填充处理后的图像。
具体地,S2包括:
S21:通过canny边缘检测算法对于SAR预处理图像的目标进行边缘提取,得到初始目标边缘轮廓图像;
其中,canny边缘检测算法首先对图像经过高斯滤波平滑处理,利用固定大小的卷积模板计算图像的梯度,通过设置阈值将图像分为两个部分,用最大值抑制法进行处理,然后将图像的两部分连接起来。常用的卷积模板为Soble算子、Rober算子和Prewitt算子,根据相关算子得到图像某点的梯度值和角度值,根据非最大值抑制的方法确定目标的边缘。
在本实施例中,采用Soble算子分别计算水平和垂直梯度,Soble算子如下式所示:
S22:对初始目标边缘轮廓图像依次进行膨胀和腐蚀处理,得到具有封闭的目标边缘轮廓的SAR目标边缘图像;
由于canny边缘检测算法得到的目标边缘轮廓未必是封闭的,因此,需要对其进行膨胀和腐蚀处理,以得到封闭的目标边缘轮廓。
具体地,请参见图3,图3是本发明实施里提供的一种图像膨胀过程示意图。图3中(a)图为原图,假设白色区域像素值为0,黑色区域像素值为1,设定一个结构元素如图3中(b)图所示,求得该结构元素关于原点的映射如图3中(c)图所示,膨胀的过程是使(c)遍历原图(a)中的每一个像素,当(c)与(a)存在交集的时候,(c)的中心像素便由结构中的最大值替换,图3中(d)图为(a)图的膨胀图。膨胀的数学表达式为:
式中,A表示原图,B表示结构元素。
进一步地,经过膨胀处理后,使得目标边缘轮廓膨胀,但是此时边缘曲线比较宽,因此,需要再经过腐蚀处理,经过腐蚀处理后,目标边缘轮廓变为封闭。其中,腐蚀过程是膨胀的逆过程。具体地,请参见图4,图4是本发明实施例提供的一种图像腐蚀过程示意图,如图所示,图3中(a)图为原图,使图4中(b)遍历原图(a)中的每一个像素,当(b)包含于(a)的时候,便保留(b)的中心像素,当仅存在交集或者没有交集的时候,则不保留像素。图4中(d)图为(a)图的腐蚀图。腐蚀的数学表达式为:
式中,A表示原图,B表示结构元素。
S23:对SAR目标边缘图像进行孔洞填充处理,得到封闭的目标填充区域。
一个孔洞可以理解为有前景像素相连接的边界所包围的一个背景区域,孔洞填充的基础也是图像的膨胀,在得到目标边缘轮廓后,通过孔洞填充将目标区域从图像中分离出来。请参见图5,图5是本发明实施例提供的一种孔洞填充过程示意,结合图5对孔洞填充的过程进行说明。
如图所示,图5中A图是边缘图,孔洞填充的过程首先是对边缘图取反得到Ac图,用一张全白加上孔洞中一个黑点的O图作为初始图像,用B图来进行填充,如果膨胀的结果超过了孔洞的大小,就用Ac对其求交集将其限制在孔洞内部,其中,C图是填充二次以后的结果,假设膨胀操作的次数为k,第k次膨胀得到的结果为Xk,当Xk与Xk-1相同时,得到如D图所示的孔洞填充图像,与原图即边缘图求并集得到就是最后的结果,如图E所示。
S3:对目标填充区域进行标记,根据标记结果将SAR预处理图像,分为标记区域和未标记区域;
在本实施例中,对SAR预处理图像依次经过膨胀、腐蚀和孔洞填充处理后,形成目标填充区域,通过该目标填充区域对SAR预处理图像进行标记,利用该标记区域标记中心目标。因此,SAR预处理图像分为标记区域和未标记区域两部分。需要说明的是,标记区域也就是目标区域,噪声较少,未标记区域也就是背景区域,存在有大量的孤立噪声点,由于两者在噪声程度上不同,为了保留目标信息的同时对噪声有效去噪,在本实施例中,对两个区域采取不同的加权函数以及滤波参数进行滤波。
S4:采用第一加权函数对标记区域进行滤波处理,采用第二加权函数对未标记区域进行滤波处理,得到SAR滤波图像;
具体地,S4包括:
S41:根据预设的第一搜索窗尺寸对标记区域进行搜索,根据第一加权函数计算得到标记区域内每个像素的第一加权系数,根据第一加权系数计算得到标记区域内每个像素的像素滤波值,得到标记区域滤波图像;
在本实施例中,第一加权函数为:
式中,Z(i)表示标记区域归一化因子,h表示标记区域滤波参数;
式中,表示标准差为σ的高斯加权2范数,Ni表示标记区域中以像素i为中心的固定相似窗,Nj表示标记区域中以像素j为中心的滑动相似窗,v(Ni)表示Ni的灰度值向量,v(Nj)表示Nj的灰度值向量,d(i,j)表示Ni与Nj之间的加权欧式距离。
具体地,S41包括:
S411:根据预设的第一搜索窗尺寸在标记区域内形成以像素i为中心的第一搜索区域;
S412:在第一搜索区域,根据预设的第一相似窗尺寸,选取以像素i为中心的固定相似窗Ni和以像素j为中心的滑动相似窗Nj,并计算得到固定相似窗Ni与滑动相似窗Nj之间的加权欧式距离d(i,j),以及第一搜索区域的标记区域滤波参数h,其中,
h=β*CV (7),
滤波参数的选择对滤波效果起着至关重要的作用,滤波参数的大小直接决定了去噪的效果。传统的NLM滤波过程中采用的滤波参数都是常数,数值较大时容易丢失细节信息,数值较小时又会残留较多的噪声。因此,在本实施例中,将变差系数引入到滤波参数中,变差系数可以很好的评估图像像素的起伏程度。
S413:根据加权欧式距离d(i,j)以及标记区域滤波参数h,按照下式计算得到第一搜索区域的标记区域归一化因子,
S414:根据标记区域归一化因子,利用公式(5)计算得到第一搜索区域每个像素的第一加权系数,根据第一加权系数,计算得到第一搜索区域每个像素的像素滤波值;
S415:重复步骤S411-S414,以完成对标记区域的搜索,得到标记区域滤波图像。
S42:根据预设的第二搜索窗尺寸对非标记区域进行搜索,根据第二加权函数计算得到非标记区域内每个像素的第二加权系数,根据第二加权系数计算得到非标记区域内每个像素的像素滤波值,得到非标记区域滤波图像;
在本实施例中,第二加权函数为:
式中,Z'(i)表示非标记区域归一化因子,h'表示未标记区域滤波参数;
式中,N'i表示非标记区域中以像素i为中心的固定相似窗,N'j表示非标记区域中以像素j为中心的滑动相似窗,表示N'i的平均灰度值,表示N'j的平均灰度值,D(i,j)表示N'i与N'j之间的平均像素灰度值的差。
请参见图7,图7是本发明实施例提供的一种像素加权系数分析示意图。如图所示,图7中a图表示搜索窗中心像素的相似窗,其中白色像素表示噪声,b图和c图分别表示两个不同的滑动窗,根据公式(6)可得d(a,c)>d(a,b),进而根据公式(5)可得w(a,c)<w(a,b)。但是对于a图来说中心位置的白色像素属于噪声,是应该被清除的,因此理想的加权情况应该是w(a,b)<w(a,c),借用邻域滤波的思想,此处采用相似窗的平均像素灰度值的差值作为相似性函数如公式(11),从而对加权函数重新进行定义,得到第二加权函数如公式(10)。当两者的灰度值的差越小时得到相对较大的权重,孤立点噪声的平滑效果与窗口的大小有关,窗口越大则噪声的平滑效果越好,但是相应的计算量也会增加。
具体地,S42包括:
S421:根据预设的第二搜索窗尺寸在非标记区域内形成以像素i为中心的第二搜索区域;
S422:在第二搜索区域,根据预设的第二相似窗尺寸,选取以像素i为中心的固定相似窗N'i和以像素j为中心的滑动相似窗N'j,并计算得到固定相似窗N'i与滑动相似窗N'j之间的平均像素灰度值的差D(i,j),以及第二搜索区域的非标记区域滤波参数h',其中,
h'=α*CV' (12),
与标记区域的滤波过程类似的,将变差系数引入到滤波参数中。
S423:根据平均像素灰度值的差D(i,j)以及非标记区域滤波参数h',按照下式计算得到第二搜索区域的非标记区域归一化因子,
S424:根据非标记区域归一化因子,利用公式(10)计算得到第二搜索区域每个像素的第二加权系数,根据第二加权系数,计算得到第二搜索区域每个像素的像素滤波值;
S425:重复步骤S421-S424,以完成对非标记区域的搜索,得到非标记区域滤波图像。
需要说明的是,在搜索窗和相似窗半径的选择上,由于标记区域需保持细节,而未标记区域需要平滑噪声,因此,第一搜索窗尺寸小于第二搜索窗尺寸,第一相似窗尺寸小于第二相似窗尺寸。
在本实施例中,按照下式计算得到各像素的像素滤波值:
其中,Ω(i)表示以像素i为中心的搜索区域,U(i)表示滤波后的像素,V(j)表示搜索区域中任意一点的像素,W(i,j)表示搜索区域中像素j对像素i的加权系数。
S43:根据标记区域滤波图像和非标记区域滤波图像,得到SAR滤波图像。
S5:对SAR滤波图像进行指数函数变换处理,得到SAR去噪图像;
在本实施例中,指数函数变换为对数函数变换的逆变换,由于,在步骤S1中对SAR图像进行了对数函数处理,因此,需要对SAR滤波图像进行指数函数变换处理,同时将数据格式double格式转换为uint8格式,再输出。
本实施例的分区域SAR图像非局部均值去噪方法,考虑到目标区域和背景区域在噪声程度的不同,将SAR图像进行标记,将其分为标记区域和未标记区域,然后对两个区域采用不同的加权函数和不同大小的滤波窗口进行NLM(non-local means,非局部均值)滤波,在保留目标的细节纹理信息的同时,可以将非标记区域的噪声很大程度地平滑掉,既去除了噪声,又更好的保留了目标的细节以及纹理信息。
实施例二
在本实施例中,分别采用MSTAR数据集内装甲车SAR图像、火炮SAR图像和坦克的SAR图像对实施例一的去噪方法进行仿真实验。
一、实验参数设置
SAR图像大小为100×100,分辨率为0.3×0.3,位深度为8bit,设置的对比实验为Frost、MR-NLM、SSIM-NLM以及BM3D去噪方法,实验过程中MR-NLM滤波窗口大小设置为1和2,滤波参数设置为1/(1.5*CV),SSIM-NLM算法中滤波窗口大小设置为1和2,滤波参数设置为22σ,σ表示标准差,BM3D算法中视数L设置为3。
本发明的分区域SAR图像非局部均值去噪方法中,标记区域搜索窗(第一搜索窗)半径设置为2,标记区域相似窗(第一相似窗)半径设置为1;常系数α设置为0.25。为了验证本发明提出的加权算法更有利于平滑噪声,非标记区域搜索窗(第二搜索窗)半径和非标记区域相似窗(第二相似窗)半径取值设置为5和2,以及10和3,常系数β设置为0.2,Canny算子边缘检测的阈值设置为0.8。
二、去噪质量评价指标
主观的去噪质量评价使用肉眼去观察图像的去噪程度,客观质量评价采用等效视数(ENL)、边缘保持指数(EPI)和结构相似性指数(SSLM)进行评价。需要说明的是,只针对标记区域计算其边缘保持指数和结构性相似性指数,未标记区域为噪声区域,无此指标。
三、实验结果分析
请参见图8-图9,图8是本发明实施例提供的一种仿真实验图;图9是本发明实施例提供的另一种仿真实验图。其中,图8为装甲车SAR图像的仿真实验图,图8中(a)图为装甲车SAR图像;(b)图为MR-NLM实验结果图;(c)图为SSIM-NLM实验结果图;(d)图为Frost实验结果图;(e)图为BM3D实验结果图;(f)图为本发明方法实验结果图,其中第二搜索窗半径为5,第二相似窗的半径为2;(g)图为本发明方法实验结果图,其中第二搜索窗半径为10,第二相似窗的半径为3。图9是火炮SAR图像的仿真实验图,图9中(a)图为火炮SAR图像;(b)图为MR-NLM实验结果图;(c)图为SSIM-NLM实验结果图;(d)图为Frost实验结果图;(e)图为BM3D实验结果图;(f)图为本发明方法实验结果图,其中第二搜索窗半径为5,第二相似窗的半径为2;(g)图为本发明方法实验结果图,其中第二搜索窗半径为10,第二相似窗的半径为3。请结合参见表1和表2的不同方法的去噪质量评价指标结果。
表1不同方法在图8上的性能比较
表2不同方法在图9上的性能比较
从图8和图9以及表1和表2,可以看出,对噪声平滑程度最好的是SSIM-NLM算法,但是其等效视数在大幅度提升的同时也将边缘和细节等一些微小的信息严重平滑掉,边缘保持指数仅仅不到0.5。Frost算法的去噪程度也是比较好的,其边缘和细节的保持程度相比较SSIM-NLM算法也有了一定的提升,但是在去噪后的图像中还存在一些干扰条纹,对后期的目标识别有着强烈的干扰。从主观上评价,以上两种方法其去噪后的图像都变得比较模糊,清晰度不高。MR-NLM算法与BM3D算法效果几乎相同,两者都比较重视目标的边缘和细节信息,但是噪声的平滑程度也是最低的。而本发明方法在保持较高的等效视数的同时,其边缘指数等也是比较高的,从评价指标和效果图来看,本发明方法相比较于其他算法,效果都是最优的。其次本发明方法分别采用不同大小的搜索窗和相似窗对图像进行处理,从最后两组的实验数据上来分析,较大的窗口可以更好地平滑噪声,ENL数值明显增大,但是当窗口变大时运算量将会成倍增加,导致运算时间变长,由于窗口大小的改变是在未标记区域,而EPI和SSIM指数是用来衡量标记区域的,因此,不同参数对应的EPI和SSIM指数不变。
请参见图10,图10是本发明实施例提供的又一种仿真实验图,图10是坦克SAR图像的仿真实验图,图10中(a)图为坦克SAR图像;(b)图为MR-NLM实验结果图;(c)图为SSIM-NLM实验结果图;(d)图为Frost实验结果图;(e)图为BM3D实验结果图;(f)图为本发明方法实验结果图,其中第二搜索窗半径为5,第二相似窗的半径为2;(g)图为本发明方法实验结果图,其中第二搜索窗半径为10,第二相似窗的半径为3。请结合参见表3的不同方法的去噪质量评价指标结果。
表3不同方法在图10上的性能比较
从图10和表3,可以看出,SSIM-NLM算法噪声的大幅度平滑也使得细节信息严重消失,特别是在炮管的位置,其边缘保持指数只有不到0.5,Frost算法相比较于SSIM-NLM算法有了一定的提升,从视觉上判断图片的清晰度提高了许多,但是这种算法引入了干扰条纹,不利于目标特征的识别,BM3D算法和MR-NLM算法效果较好,但是在细节保持和噪声平滑的效果上无法兼顾,两者等效视数都比较低,本发明方法在保留中心目标的细节纹理信息的同时,将非标记区域的噪声很大程度地平滑掉,既去除了噪声,又保持了目标的细节。
本发明的方法在NLM滤波的基础上,采用边缘提取、填充和标记的方法将图像分成不同的区域,在滤波的过程中各区域分开滤波,并针对存在严重噪声的背景区域采用一种新的NLM滤波加权算法,通过设置较大的窗口实现对噪声的平滑,而且不会影响中心目标区域的滤波。从上述仿真实验,可以看出,本发明的方法能够很大程度地保留中心目标的特征,并且能够较大程度地去除背景噪声。
应当说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (6)
1.一种分区域SAR图像非局部均值去噪方法,其特征在于,包括:
S1:对SAR图像进行预处理,将其噪声转变为加性噪声,得到SAR预处理图像;
S2:对所述SAR预处理图像进行目标边缘提取,并根据提取得到的目标边缘轮廓,得到封闭的目标填充区域;
S3:对所述目标填充区域进行标记,根据标记结果将所述SAR预处理图像,分为标记区域和未标记区域;
S4:采用第一加权函数对所述标记区域进行滤波处理,采用第二加权函数对所述未标记区域进行滤波处理,得到SAR滤波图像;
S5:对所述SAR滤波图像进行指数函数变换处理,得到SAR去噪图像;
式中,Z(i)表示标记区域归一化因子,h表示标记区域滤波参数, 表示标准差为σ的高斯加权2范数,Ni表示标记区域中以像素i为中心的固定相似窗,Nj表示标记区域中以像素j为中心的滑动相似窗,v(Ni)表示Ni的灰度值向量,v(Nj)表示Nj的灰度值向量;
2.根据权利要求1所述的分区域SAR图像非局部均值去噪方法,其特征在于,所述S1包括:
对所述SAR图像进行对数函数变换处理,以将所述SAR图像的乘性噪声转变为加性噪声,得到所述SAR预处理图像。
3.根据权利要求1所述的分区域SAR图像非局部均值去噪方法,其特征在于,所述S2包括:
S21:通过canny边缘检测算法对于所述SAR预处理图像的目标进行边缘提取,得到初始目标边缘轮廓图像;
S22:对所述初始目标边缘轮廓图像依次进行膨胀和腐蚀处理,得到具有封闭的目标边缘轮廓的SAR目标边缘图像;
S23:对所述SAR目标边缘图像进行孔洞填充处理,得到封闭的目标填充区域。
4.根据权利要求1所述的分区域SAR图像非局部均值去噪方法,其特征在于,所述S4包括:
S41:根据预设的第一搜索窗尺寸对所述标记区域进行搜索,根据第一加权函数计算得到所述标记区域内每个像素的第一加权系数,根据所述第一加权系数计算得到所述标记区域内每个像素的像素滤波值,得到标记区域滤波图像;
S42:根据预设的第二搜索窗尺寸对所述非标记区域进行搜索,根据第二加权函数计算得到所述非标记区域内每个像素的第二加权系数,根据所述第二加权系数计算得到所述非标记区域内每个像素的像素滤波值,得到非标记区域滤波图像;
S43:根据所述标记区域滤波图像和所述非标记区域滤波图像,得到SAR滤波图像。
5.根据权利要求4所述的分区域SAR图像非局部均值去噪方法,其特征在于,所述S41包括:
S411:根据预设的第一搜索窗尺寸在所述标记区域内形成以像素i为中心的第一搜索区域;
S412:在所述第一搜索区域,根据预设的第一相似窗尺寸,选取以像素i为中心的固定相似窗Ni和以像素j为中心的滑动相似窗Nj,并计算得到固定相似窗Ni与滑动相似窗Nj之间的加权欧式距离d(i,j),以及所述第一搜索区域的标记区域滤波参数h,其中,
h=β*CV,
S413:根据所述加权欧式距离d(i,j)以及所述标记区域滤波参数h,按照下式计算得到所述第一搜索区域的标记区域归一化因子,
S414:根据所述标记区域归一化因子,计算得到所述第一搜索区域每个像素的第一加权系数,根据所述第一加权系数,计算得到所述第一搜索区域每个像素的像素滤波值;
S415:重复步骤S411-S414,以完成对所述标记区域的搜索,得到所述标记区域滤波图像。
6.根据权利要求4所述的分区域SAR图像非局部均值去噪方法,其特征在于,所述S42包括:
S421:根据预设的第二搜索窗尺寸在所述非标记区域内形成以像素i为中心的第二搜索区域;
S422:在所述第二搜索区域,根据预设的第二相似窗尺寸,选取以像素i为中心的固定相似窗N'i和以像素j为中心的滑动相似窗N'j,并计算得到固定相似窗N'i与滑动相似窗N'j之间的平均像素灰度值的差D(i,j),以及所述第二搜索区域的非标记区域滤波参数h',其中,
h'=α*CV',
S423:根据所述平均像素灰度值的差D(i,j)以及所述非标记区域滤波参数h',按照下式计算得到所述第二搜索区域的非标记区域归一化因子,
S424:根据所述非标记区域归一化因子,计算得到所述第二搜索区域每个像素的第二加权系数,根据所述第二加权系数,得到所述第二搜索区域每个像素的像素滤波值;
S425:重复步骤S421-S424,以完成对所述非标记区域的搜索,得到所述非标记区域滤波图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110486169.2A CN113191979B (zh) | 2021-04-30 | 2021-04-30 | 一种分区域sar图像非局部均值去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110486169.2A CN113191979B (zh) | 2021-04-30 | 2021-04-30 | 一种分区域sar图像非局部均值去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191979A CN113191979A (zh) | 2021-07-30 |
CN113191979B true CN113191979B (zh) | 2022-06-24 |
Family
ID=76983422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110486169.2A Active CN113191979B (zh) | 2021-04-30 | 2021-04-30 | 一种分区域sar图像非局部均值去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191979B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113759375B (zh) * | 2021-09-15 | 2024-02-09 | 云南师范大学 | 基于统计特性的sar图像非局部均值去噪方法 |
CN114419081B (zh) * | 2022-03-28 | 2022-06-21 | 南昌工程学院 | 一种图像语义分割方法、系统及可读存储介质 |
CN116630447B (zh) * | 2023-07-24 | 2023-10-20 | 成都海风锐智科技有限责任公司 | 一种基于图像处理的天气预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
CN112419198A (zh) * | 2020-11-27 | 2021-02-26 | 中国矿业大学 | 一种用于sar干涉图滤波的非局部均值定权方法 |
-
2021
- 2021-04-30 CN CN202110486169.2A patent/CN113191979B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
CN112419198A (zh) * | 2020-11-27 | 2021-02-26 | 中国矿业大学 | 一种用于sar干涉图滤波的非局部均值定权方法 |
Non-Patent Citations (4)
Title |
---|
Overview of Speckle Noise Suppression Methods in SAR Image Based on NLM;Wei Ma等;《3D Imaging Technologies—Multi-dimensional Signal Processing and Deep Learning》;20211002;59-67 * |
一种基于像素选择的SAR图像非局部均值滤波方法;朱正为 等;《仪表技术与传感器》;20200930(第9期);117-120,126 * |
基于变差系数的SAR图像非局部均值滤波算法;高飞 等;《信息通信》;20191031(第202期);42-44 * |
基于图像区域分割的SAR图像去噪算法;于俊朋 等;《现代雷达》;20160930;第38卷(第09期);37-40 * |
Also Published As
Publication number | Publication date |
---|---|
CN113191979A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191979B (zh) | 一种分区域sar图像非局部均值去噪方法 | |
CN105894476B (zh) | 基于字典学习融合的sar图像降噪处理方法 | |
CN109146890B (zh) | 基于滤波器的高光谱图像的异常目标检测方法 | |
CN111783583B (zh) | 基于非局部均值算法的sar图像相干斑抑制方法 | |
CN107610074B (zh) | 一种提高遥感图像质量的方法 | |
CN102222322A (zh) | 基于多尺度非局部均值的红外图像背景抑制方法 | |
CN111161222A (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN116152115B (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
CN113436124B (zh) | 一种应用于海洋雾天环境下的单图像去雾方法 | |
CN106940782B (zh) | 基于变差函数的高分sar新增建设用地提取软件 | |
CN115272306B (zh) | 利用梯度运算的太阳能电池板栅线增强方法 | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
CN115937231B (zh) | 一种频谱结构约束的红外图像迭代去噪方法及系统 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN112070717A (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
CN115797374B (zh) | 基于图像处理的机场跑道提取方法 | |
Wu et al. | Research on crack detection algorithm of asphalt pavement | |
CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
CN112927169B (zh) | 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法 | |
CN113759375B (zh) | 基于统计特性的sar图像非局部均值去噪方法 | |
CN112734666B (zh) | 基于相似值的sar图像相干斑非局部均值抑制方法 | |
CN114429593A (zh) | 基于快速导向滤波的红外小目标检测方法及其应用 | |
CN114240990A (zh) | Sar图像点目标分割方法 | |
CN116563136B (zh) | 一种侧扫声呐图像去噪方法、系统、存储介质和执行系统 | |
CN113487496B (zh) | 一种基于像素类型推断的图像去噪方法、系统及装置 |
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 | ||
OL01 | Intention to license declared |