CN113379625B - 基于区域与像素耦合相似性度量的图像相干斑抑制方法 - Google Patents

基于区域与像素耦合相似性度量的图像相干斑抑制方法 Download PDF

Info

Publication number
CN113379625B
CN113379625B CN202110609524.0A CN202110609524A CN113379625B CN 113379625 B CN113379625 B CN 113379625B CN 202110609524 A CN202110609524 A CN 202110609524A CN 113379625 B CN113379625 B CN 113379625B
Authority
CN
China
Prior art keywords
constructing
coefficient
image
pixel
value
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
Application number
CN202110609524.0A
Other languages
English (en)
Other versions
CN113379625A (zh
Inventor
史晓非
李光鑫
吕苗
邓志宇
倪魁元
张新鹏
申自洋
陈方圆
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN202110609524.0A priority Critical patent/CN113379625B/zh
Publication of CN113379625A publication Critical patent/CN113379625A/zh
Application granted granted Critical
Publication of CN113379625B publication Critical patent/CN113379625B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T2207/10044—Radar image

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于区域与像素耦合相似性度量的图像相干斑抑制方法，包括：获取单极化SAR图像并构建所述SAR图像的均值图和标准差图；基于3×3的邻域窗构建所述SAR图像的变差系数图；基于所述均值图与标准差图构建相似性度量；将所述变差系数图构建伽马函数衰减系数；基于所述变差系数图自适应选取相似块尺寸；根据相似性度量计算以目标点为中心的搜索窗中的所有相似性距离并进行加权，联合伽马函数衰减系数共同构建出非局部均值算法中的权重值，进而计算目标点的估计值；循环计算每一像素点的权重并估计出最终的像素值，从而获得抑制图像。

Description

基于区域与像素耦合相似性度量的图像相干斑抑制方法
技术领域
本发明涉及遥感图像处理技术领域，具体而言，尤其涉及一种基于区域与像素耦合相似性度量的图像相干斑抑制方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)以其全天时、全天候的能力而在目标识别、地物分类、船舶监测等多个领域得到了广泛的应用。然而由于合成孔径雷达相干成像本身机理的原因，每个地面分辨单元的回波是由多个散射点的回波相干叠加的结果，这会导致振幅和相位产生随机衰落，而这种现象在合成孔径雷达图像上会表现或明或暗的斑点，这种斑点称为相干斑，而这种相干斑的存在对后续图像解译带来困难，这使得研究SAR图像相干斑抑制具有重要的意义。
非局部均值可以表示为
其中NLv(i)为像素i的估计值,W(i,j)为像素块i与搜索窗中像素块j的权重，v(j)为搜索窗中的各个像素的值,这里W(i,j)可以表示为：
其中d为像素块i与搜索窗中像素块j的相似性距离，h为衰减系数。
基于SAR图像的非局部均值方法仍存在以下问题：1)针对FI距离在后向散射系数较高时相邻的不同同质区域的相似性度量差异较小，导致非相似同质区域对同质区域加重平滑的问题，2)光学的方法或者因图像成像机理差异并不适用SAR图像，导致衰减系数确定困难。
发明内容
鉴于现有技术的不足，本申请提供了一种基于区域与像素耦合相似性度量的图像相干斑抑制方法。通过构建相似性距离克服了非相似同质区域对同质区域加重平滑的问题。同时基于伽马分布演变的自适应衰减系数方法，降低了衰减系数的计算难度。
本发明采用的技术手段如下：
一种基于区域与像素耦合相似性度量的图像相干斑抑制方法，包括：
获取单极化SAR图像并构建所述SAR图像的均值图和标准差图；
基于3×3的邻域窗构建所述SAR图像的变差系数图；
基于所述均值图与标准差图构建相似性度量；
将所述变差系数图构建伽马函数衰减系数；
基于所述变差系数图自适应选取相似块尺寸；
根据相似性度量计算以目标点为中心的搜索窗中的所有相似性距离并进行加权，联合伽马函数衰减系数共同构建出非局部均值算法中的权重值，进而计算目标点的估计值；
循环计算每一像素点的权重并估计出最终的像素值，从而获得抑制图像。
进一步地，构建所述SAR图像的变差系数图，包括分别计算每个搜索窗的变差系数，并对所述变差系数做归一化处理，得到变差系数图。
进一步地，基于所述均值图与标准差图构建相似性距离，包括：根据以下公式求取相似性度量：
其中，d(s,t)表示以s和t为中心的方形像素块之间的相似性距离，As,k为以s为中心的方形邻域块，Bt,k为以t为中心的方形邻域块，N表示方形邻域块的数目，k表示方形邻域块中的任意位置，μs为方形邻域块As,k的均值，σs为方形邻域块As,k的标准，μt为方形邻域块Bt,k的均值，σt为方形邻域块Bt,k的标准差。
进一步地，将所述变差系数图构建伽马函数衰减系数，包括根据以下公式求取伽马函数衰减系数：
其中cv(m,n)表示以当前后向散射系数坐标(m,n)为中心的3×3的方形邻域块的变异系数，L为图像等效视数，x为归一化后向散射系数值。
进一步地，将所述变差系数图构建伽马函数衰减系数，还包括取伽马函数衰减系数的最大值作为最优的衰减系数。
进一步地，基于所述变差系数图自适应选取相似块尺寸，包括：根据以下公式求取相似块尺寸：
其中，f(m,n)为以目标像素为中心的邻域半径，cv(m,n)是以(m,n)为中心点的变异系数，p为变差图像的标准差，L为等效视数，T为搜索块尺寸半径。
较现有技术相比，本发明具有以下优点：
本发明给出一种新的相似性距离，同时给出了基于伽马分布演变的自适应衰减系数方法，相比于半自适应衰减系数算法，专利实现了完全自适应，并且计算复杂度低。本发明还构建了自适应相似块窗准则即通过区分不同的结构区域以适应不同的相似块尺寸，相比于传统算法凭经验选取相似块效率更高同时在抑制相干斑的同时有更好的边缘保持。
基于上述理由本发明可在遥感图像处理领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于区域与像素耦合相似性度量的图像相干斑抑制方法流程图。
图2为本发明原图与最优衰减系数对比图，其中(a)为原图，(b)为最优衰减系数图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，本发明提供了一种基于区域与像素耦合相似性度量的图像相干斑抑制方法，包括：
S1、获取单极化SAR图像并构建所述SAR图像的均值图和标准差图。
S2、基于3×3的邻域窗构建所述SAR图像的变异系数图。
S3、基于所述均值图与标准差图构建相似性度量。
具体来说，针对于FI距离在后向散射系数较高时相邻的不同同质区域的相似性度量差异较小而导致非相似同质区域对同质区域加重平滑的问题，论文综合考虑了相似块的均值与标准差和邻域像素块三者之间的影响，给出了一种基于区域与像素耦合的相似性度量(RAPC),该度量准则如下式表示：
其中As,k与Bt,k分别为以s和t为中心的方形邻域块，N表示方形邻域块的数目，k表示方形邻域块中的任意位置，μs,σs与μt,σt分别为方形邻域块As,k与Bt,k的均值与标准差。
S4、根据所述变差系数图构建伽马函数衰减系数。
具体来说，针对于已有算法衰减系数自适应算法计算复杂度高同时有些局部自适应算法仍需要手动设置初始经验值而无法完全自适应从而导致SAR图像过平滑或欠平滑的问题，论文给出了一种基于变异系数的伽马函数衰减系数。因为在非局部均值算法中，衰减系数h的作用是控制指数函数的衰减程度。由3.1节中分析可知当h取值偏大时，算法就对相干斑的就拥有较强的抑制能力，同时被抑制的还有边缘纹理信息。同理，当h取值偏小时，算法对边缘纹理的保持较好，然而此时对同质区域的相干斑抑制较弱。故论文结合两者的优势，即在疑似边缘纹理处选取较小的衰减系数h以保持图像的边缘纹理，而在相应的同质区域选取较大的衰减系数h以获得更好的抑斑效果。受伽马概率密度函数启发，同时针对于以上想法论文给出了一种基于变异系数的伽马函数衰减系数。
其中cv(m,n)表示以当前后向散射系数坐标(m,n)为中心的3×3的方形邻域块的变异系数，L为图像等效视数，x为归一化后向散射系数值。其中变异系数与等效示数可以表示为
其中σ为搜索窗的标准差，μ为搜索窗的均值；而后向散射系数值即原始图像像素值。
本申请中当函数取得最大值时得到最优的衰减系数Z＝max(f(x))。从实验的角度说明论文给出的衰减系数具有合理性。论文采用合成4视SAR图像。首先利用3×3的滑动窗口计算合成图像中任意中心点的变异系数值，随后将其作为参数代入式求得任意中心点的最大值即为最优的衰减系数f(x)。实验结果图2所示。本发明实施例还给出了本方法在不同块区域下衰减系数值，如表1所示。
表1本发明方法在不同块区域下衰减系数值
如图表所示：该衰减系数图反应了衰减系数于不同区域的强度变化，可以看到对于同质区域1，2,3与疑似边缘区域4，5之间相比，其都具有较大的衰减系数用以抑制相干斑。由于同质区域之间的后向散射系数强度也是不同的，故同质区域之间的抑斑强度也应是不相同的。对于拥有较低的后向散射系数值的同质区域应具有相对小的衰减系数，防止出现该同质区域出现过平滑问题，反之，对于拥有较高的后向散射系数值的同质区域应具有相对大的衰减系数，防止出现欠平滑问题。从表中可以看出，对于同质区域来说区域1具有最低的衰减系数，区域2具有最高的衰减系数，该结论与理论分析相符合。由于区域1与区域2之间的后向散射系数均值差要大于区域2与区域3之间的后向散射系数均值差，故可知区域4的边缘强度要强于区域5，为了更好的保持两个区域边缘，那么两区域的衰减系数应尽可能的小，同时区域4的衰减系数与区域5相比应更小。从表中可以看出区域4的衰减系数要低于区域5的衰减系数，该结论与理论分析相符。综上所述，本申请构建的基于变异系数的伽马函数衰减系数对同质区域的相干斑抑制与疑似边缘纹理区域的结构保持都具有较好的性能。
S5、基于所述变差系数图自适应选取相似块尺寸。
具体来说，针对于相似块尺寸选取不当而导致同质区域过平滑和欠平滑的问题，本申请给出了一种自适应搜索窗准则的构建。若当抑斑的目标点是疑似边缘点时则需要对目标中心点进行纹理保持，那么在选择相似块尺寸时应选取较小的尺寸；若目标点属于疑似同质区域点则需要对目标点进行平滑，那么在选择相似块尺寸时就需要较大的尺寸。故本申请结合上述信息首先给出了一种判断目标点属于疑似边缘点或是疑似同质区域点的判定准则，随后对分类后的目标点采取不同的相似块尺寸以更好的抑制相干斑或进行边缘纹理保持。本申请给出的分类准则如下式所示：
其中，其中，f(m,n)为以目标像素为中心的邻域半径，cv(m,n)是以(m,n)为中心点的变异系数，p为变差图像的标准差，L为等效视数，T为搜索块尺寸半径，据已有文献可知，当搜索窗尺寸为21×21时非局部均值算法有最佳的平滑性能，因此专利在此处建议采用搜索窗半径为T＝10。随后专利选取一块同质区域与一块边缘区域对合成5视图像采用RAPC距离d与衰减系数h构建出非局部均值算法计算等效视数与边缘保持指数，不同的是专利通过比较不同相似块半径与自适应相似块准则之间的抑斑性能与边缘保持说明上述准则的合理性。故实验结果如下表所示：
表2 RAPC-NLM算法在不同相似块尺寸下等效视数与边缘保持系数
其中相似块大小和搜索窗均采用正方形窗，相似块半径选择1、2、3、4和5个像素。而创新准则依据T＝10的最优搜索窗尺寸计算出相似块半径在不同区域分别为6、7、8个像素。对于固定半径大小的非局部均值算法来说当在搜索窗大小固定时，所选区域的等效视数随着相似块尺寸的变大而变大，对于所选纹理区域的边缘保持指数则随着相似块尺寸的变大而减小。然而创新准则却与之不同，创新准则算法不仅在同质区域的等效视数远高于固定相似块大小的算法，同时在所选定的边缘区域仍有较好的边缘保持性能，其并未随着相似块的增加而快速减小。综上所述，论文构建的自适应搜索窗准则可以在同质区域加速平滑也同时可以在边缘纹理区域进行较好的边缘保持，所以创新准则优于传统的固定大小的相似块。
S6、根据相似性度量计算以目标点为中心的搜索窗中的所有相似性距离并进行加权，联合伽马函数衰减系数共同构建出非局部均值算法中的权重值，进而计算目标点的估计值。具体来说，将公式(3)、(4)结合由公式(5)、(6)求解的相似块尺寸带入公式(1)和(2)中，即可求得目标点的估计值。
S7、循环计算每一像素点的权重并估计出最终的像素值，从而获得抑制图像。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (3)

1.一种基于区域与像素耦合相似性度量的图像相干斑抑制方法，其特征在于，包括：
获取单极化SAR图像并构建所述SAR图像的均值图和标准差图；
基于3×3的邻域窗构建所述SAR图像的变差系数图；
基于所述均值图与标准差图构建相似性度量，包括根据以下公式求取相似性度量：
其中，d(s,t)表示以s和t为中心的方形像素块之间的相似性距离，As,k为以s为中心的方形邻域块，Bt,k为以t为中心的方形邻域块，N表示方形邻域块的数目，k表示方形邻域块中的任意位置，μs为方形邻域块As,k的均值，σs为方形邻域块As,k的标准，μt为方形邻域块Bt,k的均值，σt为方形邻域块Bt,k的标准差；
根据所述变差系数图构建伽马函数衰减系数，包括根据以下公式求取伽马函数衰减系数：
其中cv(m,n)表示以当前后向散射系数坐标(m,n)为中心的3×3的方形邻域块的变异系数，L为图像等效视数，x为归一化后向散射系数值；
基于所述变差系数图自适应选取相似块尺寸，包括根据以下公式求取相似块尺寸：
其中，f(m,n)为以目标像素为中心的邻域半径，cv(m,n)是以(m,n)为中心点的变异系数，p为变差图像的标准差，L为等效视数，T为搜索块尺寸半径；
根据相似性度量计算以目标点为中心的搜索窗中的所有相似性距离并进行加权，联合伽马函数衰减系数共同构建出非局部均值算法中的权重值，进而计算目标点的估计值；
循环计算每一像素点的权重并估计出最终的像素值，从而获得抑制图像。
2.根据权利要求1所述的一种基于区域与像素耦合相似性度量的图像相干斑抑制方法，其特征在于，构建所述SAR图像的变差系数图，包括分别计算每个搜索窗的变差系数，并对所述变差系数做归一化处理，得到变差系数图。
3.根据权利要求1所述的一种基于区域与像素耦合相似性度量的图像相干斑抑制方法，其特征在于，将所述变差系数图构建伽马函数衰减系数，还包括取伽马函数衰减系数的最大值作为最优的衰减系数。
CN202110609524.0A 2021-06-01 2021-06-01 基于区域与像素耦合相似性度量的图像相干斑抑制方法 Active CN113379625B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110609524.0A CN113379625B (zh) 2021-06-01 2021-06-01 基于区域与像素耦合相似性度量的图像相干斑抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110609524.0A CN113379625B (zh) 2021-06-01 2021-06-01 基于区域与像素耦合相似性度量的图像相干斑抑制方法

Publications (2)

Publication Number Publication Date
CN113379625A CN113379625A (zh) 2021-09-10
CN113379625B true CN113379625B (zh) 2024-05-14

Family

ID=77575228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110609524.0A Active CN113379625B (zh) 2021-06-01 2021-06-01 基于区域与像素耦合相似性度量的图像相干斑抑制方法

Country Status (1)

Country Link
CN (1) CN113379625B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004025567A2 (en) * 2002-09-12 2004-03-25 Nline Corporation System and method for acquiring and processing complex images
CN101727662A (zh) * 2009-11-27 2010-06-09 西安电子科技大学 Sar图像非局部均值去斑方法
CN103020918A (zh) * 2013-01-09 2013-04-03 西安电子科技大学 基于形状自适应邻域均值的非局部均值去噪方法
CN103377465A (zh) * 2013-03-21 2013-10-30 西安电子科技大学 基于素描图和核选择的sar图像降斑方法
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
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
CN108921800A (zh) * 2018-06-26 2018-11-30 成都信息工程大学 基于形状自适应搜索窗口的非局部均值去噪方法
CN110648290A (zh) * 2019-09-06 2020-01-03 西安交通大学 一种基于sure参数优化的双核非局部均值图像去噪方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9489720B2 (en) * 2014-09-23 2016-11-08 Intel Corporation Non-local means image denoising with detail preservation using self-similarity driven blending
US11030780B2 (en) * 2018-03-26 2021-06-08 The Board Of Trustees Of The Leland Stanford Junior University Ultrasound speckle reduction and image reconstruction using deep learning techniques

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004025567A2 (en) * 2002-09-12 2004-03-25 Nline Corporation System and method for acquiring and processing complex images
CN101727662A (zh) * 2009-11-27 2010-06-09 西安电子科技大学 Sar图像非局部均值去斑方法
CN103020918A (zh) * 2013-01-09 2013-04-03 西安电子科技大学 基于形状自适应邻域均值的非局部均值去噪方法
CN103377465A (zh) * 2013-03-21 2013-10-30 西安电子科技大学 基于素描图和核选择的sar图像降斑方法
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
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
CN108921800A (zh) * 2018-06-26 2018-11-30 成都信息工程大学 基于形状自适应搜索窗口的非局部均值去噪方法
CN110648290A (zh) * 2019-09-06 2020-01-03 西安交通大学 一种基于sure参数优化的双核非局部均值图像去噪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Robust Nonlocal Low-Rank SAR Time Series Despeckling Considering Speckle Correlation by Total Variation Regularization;Gerald Baier etal.;《IEEE Transactions on Geoscience and Remote Sensing》;20201231;第第58卷卷(第第11期期);第7942-7954页 *
SAR图像异质性测量在相干斑抑制中的应用;陈少波;刘建国;汪国有;李乔亮;;计算机应用研究;20091115(11);第366-369页 *
基于非局部均值滤波的SAＲ 图像抑噪 张;张文哲 等;《世界地质》;20200531;第第39卷卷(第第2期期);第462-470页 *

Also Published As

Publication number Publication date
CN113379625A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN109035152B (zh) 一种合成孔径雷达图像非局部均值滤波方法
CN113256667B (zh) 一种基于Otsu与联合分布的SAR图像舰船目标检测方法
CN108133468B (zh) 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法
Ni et al. Despeckling of SAR image using generalized guided filter with Bayesian nonlocal means
EP2355040A2 (en) Passive radiometric imaging device and method
CN111505651A (zh) 一种主动声呐回波图潜在运动目标的特征提取方法
CN113379625B (zh) 基于区域与像素耦合相似性度量的图像相干斑抑制方法
CN108614998A (zh) 一种单像素红外目标检测方法
CN112215832B (zh) Sar尾迹图像质量评估及自适应探测参数调整方法
CN110852975B (zh) 变异系数与局部熵联合驱动雷达图像非局部均值方法
CN112698330B (zh) 基于比值对数积的极化sar图像非局部均值方法
Kourgli et al. Texture modelling for land cover classification of fully polarimetric SAR images
Arivazhagan et al. Optimal Gabor sub-band-based spectral kurtosis and Teager Kaiser energy for maritime target detection in SAR images
CN102446350A (zh) 基于各向异性非局部均值的极化sar数据相干斑抑制方法
Nar et al. Region based target detection approach for synthetic aperture radar images and its parallel implementation
CN112734666B (zh) 基于相似值的sar图像相干斑非局部均值抑制方法
Berkovich et al. Non-local means denoising using a content-based search region and dissimilarity kernel
CN114299397A (zh) 多时相sar影像变化检测方法
CN110363105B (zh) 一种全极化sar图像相干斑抑制方法
d'Hondt et al. Nonstationary spatial texture estimation applied to adaptive speckle reduction of SAR data
CN111123267B (zh) 合成孔径雷达图像舰船检测方法及装置
Wang et al. A novel algorithm for ship detection in SAR images
Lira et al. A supervised contextual classifier based on a region-growth algorithm
Li et al. Texture-preserving despeckling of SAR images using evidence framework
CN113379626B (zh) 基于迭代与边缘映射强度的sar图像相干斑抑制方法

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
GR01 Patent grant
GR01 Patent grant