CN113759375A - 基于统计特性的sar图像非局部均值去噪方法 - Google Patents

基于统计特性的sar图像非局部均值去噪方法 Download PDF

Info

Publication number
CN113759375A
CN113759375A CN202111082288.8A CN202111082288A CN113759375A CN 113759375 A CN113759375 A CN 113759375A CN 202111082288 A CN202111082288 A CN 202111082288A CN 113759375 A CN113759375 A CN 113759375A
Authority
CN
China
Prior art keywords
image
window
pixel
sar image
target
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
CN202111082288.8A
Other languages
English (en)
Other versions
CN113759375B (zh
Inventor
辛志慧
麻伟
孙雨
王志旭
宣嘉裕
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.)
Yunnan Normal University
Original Assignee
Yunnan Normal 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 Yunnan Normal University filed Critical Yunnan Normal University
Priority to CN202111082288.8A priority Critical patent/CN113759375B/zh
Publication of CN113759375A publication Critical patent/CN113759375A/zh
Application granted granted Critical
Publication of CN113759375B publication Critical patent/CN113759375B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于统计特性的SAR图像非局部均值去噪方法，包括：获取SAR图像；利用概率分布函数对SAR图像进行拟合，得到概率值图像；对概率值图像进行分区域处理，得到背景区域和目标区域；将背景区域和目标区域映射至SAR图像，得到背景SAR图像和目标SAR图像；采用第一加权函数对背景SAR图像进行滤波处理，得到背景区域滤波图像；采用第二加权函数对目标SAR图像进行滤波处理，得到目标区域滤波图像；根据背景区域滤波图像和目标区域滤波图像，得到SAR去噪图像。本发明的方法在平滑噪声的同时可以更好地保持细节，而且在运行时间上也得到了一定的提升，运行效率更进一步加强。

Description

基于统计特性的SAR图像非局部均值去噪方法
技术领域
本发明属于SAR图像处理领域，具体涉及一种基于统计特性的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)是利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理的方法合成较大的等效天线孔径的雷达。SAR发射的电磁波照射到目标的每一个表面单元，致使在一个分辨单元内的大量小散射单元散射波共同作用，形成SAR接收到的回波信号，通过对回波信号进行解调和后期处理得到目标的SAR图像。SAR图像的相干斑抑制一直是SAR图像处理领域的一个重要的问题。
目前SAR图像去噪主要有两大类，一类是在成像前或成像中进行信号的处理，但是这会严重牺牲图像的分辨率；另一类是成像后的相干斑抑制技术，目前主流的算法是空域滤波和变换域滤波。空域滤波方法容易将图像的细节和纹理平滑掉，虽然变换域的去噪方法可以有效的去除高频噪声，但是会出现伪吉布斯现象。
随着科技的发展，非局部滤波方法被提出，其在细节保持上要比传统的空域滤波方法更加优秀。目前常见的方法有NLM算法、PPB算法和BM3D算法等，但是上述方法均存在运算量大，运算时间较长、运行效率低的缺陷。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于统计特性的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：
本发明提供了一种基于统计特性的SAR图像非局部均值去噪方法，包括：
获取SAR图像；
利用概率分布函数对所述SAR图像进行拟合，得到概率值图像；
对所述概率值图像进行分区域处理，得到背景区域和目标区域；
将所述背景区域和所述目标区域映射至所述SAR图像，得到背景SAR图像和目标SAR图像；
采用第一加权函数对所述背景SAR图像进行滤波处理，得到背景区域滤波图像；
采用第二加权函数对所述目标SAR图像进行滤波处理，得到目标区域滤波图像；
根据所述背景区域滤波图像和所述目标区域滤波图像，得到SAR去噪图像。
在本发明的一个实施例中，利用概率分布函数对所述SAR图像进行拟合，得到概率值图像，包括：
利用对数正态分布函数对所述SAR图像进行拟合，利用像素值对应的概率值代替所述SAR图像中的像素值，得到概率值图像。
在本发明的一个实施例中，对所述概率值图像进行分区域处理，得到背景区域和目标区域，包括：
构建变差系数，并根据所述变差系数构建阈值函数；
根据所述阈值函数，计算得到所述概率值图像中每个像素点对应的阈值；
按照预设的窗口大小，以所述概率值图像中每个像素点为中心形成其对应的窗口区域，并计算所述窗口区域的像素均值；
将所述窗口区域的像素均值与该像素点对应的阈值进行比较，根据比较结果判断所述像素点是否属于背景像素点，并根据判断结果将所述概率值图像分为所述背景区域和所述目标区域。
在本发明的一个实施例中，所述变差系数为：
Figure BDA0003264412220000031
所述阈值函数为：
Figure BDA0003264412220000032
其中，i表示像素点，Ci表示像素点的变差系数，δi表示窗口区域的像素方差，μi表示窗口区域的像素均值，α表示常系数。
在本发明的一个实施例中，所述第一加权函数为：
Figure BDA0003264412220000033
Figure BDA0003264412220000034
其中，Z1(i)表示第一归一化系数，h1表示第一滤波参数，Ni表示以像素i为中心的第一固定相似窗，Nj表示以像素j为中心的第一滑动相似窗，W(Ni)表示在概率值图像的背景区域中第一固定相似窗的概率值矩阵，W(Nj)表示在概率值图像的背景区域中第一滑动相似窗的概率值矩阵，D1(i,j)表示在概率值图像的背景区域中第一固定相似窗Ni和第一滑动相似窗Nj之间的相似度，T表示转置。
在本发明的一个实施例中，所述第二加权函数为：
Figure BDA0003264412220000041
Figure BDA0003264412220000042
Figure BDA0003264412220000043
其中，Z2(i)表示第二归一化系数，h2表示第二滤波参数，N'i表示以像素i为中心的第二固定相似窗，N'j表示以像素j为中心的第二滑动相似窗，W(N'i)表示在概率值图像的目标区域中第二固定相似窗的概率值矩阵，W(N'j)表示在概率值图像的目标区域中第二滑动相似窗的概率值矩阵，
Figure BDA0003264412220000044
表示标准差为的高斯加权2范数，D1'(i,j)表示在概率值图像的目标区域中第二固定相似窗N'i和第二滑动相似窗N'j之间的相似度，D2(i,j)表示在目标SAR图像中第二固定相似窗N'i和第二滑动相似窗N'j之间的欧式距离，v(N'i)表示在目标SAR图像中第二固定相似窗的灰度向量值，v(N'j)表示在目标SAR图像中第二滑动相似窗的灰度向量值。
在本发明的一个实施例中，采用第一加权函数对所述背景SAR图像进行滤波处理，得到背景区域滤波图像；包括：
步骤1：根据预设的第一搜索窗尺寸在所述概率值图像的背景区域内形成以像素i为中心的第一搜索区域；
步骤2：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为中心的第一固定相似窗Ni和以像素j为中心的第一滑动相似窗Nj，并计算得到在概率值图像的背景区域中第一固定相似窗Ni和第一滑动相似窗Nj之间的相似度D1(i,j)；
步骤3：根据所述相似度D1(i,j)以及第一滤波参数h1，计算得到第一归一化系数Z1(i)；
步骤4：根据所述第一归一化系数Z1(i)和所述第一加权函数，计算得到所述第一搜索区域内每个像素的第一加权系数，根据所述第一加权系数，计算得到所述背景SAR图像中第一搜索区域内每个像素的像素滤波值；
步骤5：重复步骤1-4，对所述概率值图像的背景区域进行搜索以完成对所述背景SAR图像的滤波处理，得到所述背景区域滤波图像。
在本发明的一个实施例中，采用第二加权函数对所述目标SAR图像进行滤波处理，得到目标区域滤波图像，包括：
步骤1：根据预设的第二搜索窗尺寸分别在所述概率值图像的目标区域内以及所述目标SAR图像内形成以像素i为中心的第二搜索区域；
步骤2：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为中心的第二固定相似窗N'i和以像素j为中心的第二滑动相似窗N'j，并计算得到在概率值图像的目标区域中第二固定相似窗N'i和第二滑动相似窗N'j之间的相似度D1'(i,j)，以及在目标SAR图像中第二固定相似窗N'i和第二滑动相似窗N'j之间的欧式距离D2(i,j)；
步骤3：根据所述相似度D1'(i,j)、所述欧式距离D2(i,j)以及第二滤波参数h2，计算得到第二归一化系数Z2(i)；
步骤4：根据所述第二归一化系数Z2(i)和所述第二加权函数，计算得到所述第二搜索区域内每个像素的第二加权系数，根据所述第二加权系数，计算得到所述目标SAR图像中第二搜索区域内每个像素的像素滤波值；
步骤5：重复步骤1-4，对所述概率值图像的目标区域内以及所述目标SAR图像进行搜索以完成对所述目标SAR图像的滤波处理，得到所述目标区域滤波图像。
在本发明的一个实施例中，所述第一相似窗的尺寸小于所述第二相似窗的尺寸，所述第一搜索窗的尺寸小于所述第二搜索窗的尺寸。
与现有技术相比，本发明的有益效果在于：
本发明的基于统计特性的SAR图像非局部均值去噪方法，根据SAR图像对应的概率值图像，将SAR图像的背景区域和目标区域分开，并对背景区域和目标区域的SAR图像采用不同的加权函数进行滤波处理，本发明的方法在平滑噪声的同时可以更好地保持细节，而且在运行时间上也得到了一定的提升，运行效率更进一步加强。
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基于统计特性的SAR图像非局部均值去噪方法的流程框图；
图2是本发明实施例提供的一种基于统计特性的SAR图像非局部均值去噪方法的流程示意图；
图3是本发明实施例提供的一种分区域算法流程图；
图4是本发明实施例提供的一种概率分布图；
图5是本发明实施例提供的一种概率值图像；
图6是本发明实施例提供的一种分区域结果图；
图7是本发明实施例提供的对某城市雷达图像SAR1进行仿真实验结果图；
图8是本发明实施例提供的对雷达基站图像SAR2进行仿真实验结果图；
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基于统计特性的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
请参见图1，图1是本发明实施例提供的一种基于统计特性的SAR图像非局部均值去噪方法的流程图，如图所示，本实施例的基于统计特性的SAR图像非局部均值去噪方法，包括：
S1：获取SAR图像；
S2：利用概率分布函数对SAR图像进行拟合，得到概率值图像；
S3：对概率值图像进行分区域处理，得到背景区域和目标区域；
S4：将背景区域和目标区域映射至SAR图像，得到背景SAR图像和目标SAR图像
S5：采用第一加权函数对背景SAR图像进行滤波处理，得到背景区域滤波图像；
S6：采用第二加权函数对目标SAR图像进行滤波处理，得到目标区域滤波图像；
S7：根据背景区域滤波图像和目标区域滤波图像，得到SAR去噪图像。
现有的分区域算法主要是根据像素或相邻像素间变化的剧烈程度来设置阈值，也就意味着像素之间的差异性越大，分区域的效果才会更好，但是对于SAR图像，图像像素仅在边缘区域发生剧烈的变化，在目标区域和背景区域之间的像素差距不明显，导致分区域的效果较差。为此，引入了图像的统计建模，利用5种典型的概率分布函数拟合了SAR图像，如图4所示的概率分布图，图中横坐标表示像素的范围，纵坐标表示每个像素在图像中出现的概率。从分布图可以看出对数正态分布与原SAR图像是最拟合的，用每个位置的像素的概率值代替像素值得到的三维图像中，目标区域和背景区域已经很好的分离开。
因此，在本实施例中，引入概率分布图像来对SAR图像进行拟合，以进行分区域处理。具体地，结合参见图3，图3是本发明实施例提供的一种分区域算法流程图。
具体地，步骤S2包括：利用对数正态分布函数对SAR图像进行拟合，利用像素值对应的概率值代替SAR图像中的像素值，得到概率值图像。
具体地，步骤S3包括：
S31：构建变差系数，并根据变差系数构建阈值函数；
如图5所示，图5是本发明实施例提供的一种概率值图像，通过对概率值图像的不同区域进行分析，发现在区域1，图像的方差小，但是均值很大；在区域2，图像的方差较大，均值较大；在区域3，图像的方差较大，均值很小。因此，可以通过给图像的均值设置阈值实现分区域处理。
在本实施例中，以图像中像素点i形成一个9*9的窗口，则该像素点的变差系数为：
Figure BDA0003264412220000091
进一步地，设置阈值函数为：
Figure BDA0003264412220000092
其中，i表示像素点，Ci表示像素点的变差系数，δi表示窗口区域的像素方差，μi表示窗口区域的像素均值，α表示常系数。
S32：根据阈值函数，计算得到概率值图像中每个像素点对应的阈值；
S33：按照预设的窗口大小，以概率值图像中每个像素点为中心形成其对应的窗口区域，并计算窗口区域的像素均值；
S34：将窗口区域的像素均值与该像素点对应的阈值进行比较，根据比较结果判断像素点是否属于背景像素点，并根据判断结果将概率值图像分为背景区域和目标区域。
具体地，若窗口区域的像素均值小于该像素点对应的阈值，则当前像素点属于目标区域，否则，该像素点属于背景区域。
请参见图6，图6是本发明实施例提供的一种分区域结果图，其中(a)图为SAR图像，(b)图为SAR图像对应的分区域结果图，其中，(b)图中黑色部分表示目标区域，白色部分表示背景区域，对比(a)图可以发现，SAR图像中建筑物以及一些强散射点被划分到目标区域，含有噪声较多的部分被划分到背景区域，分区域结果符合真实图像类别。
进一步地，传统的非局部均值滤波算法中，相似性度量函数采用欧式距离，欧式距离可以表示为是通过第三维度上的差来确定，由于在SAR图像中其边缘区域像素的急剧增大，欧式距离对于这种急剧的变化会表现的极其敏感，但是，目标区域与背景区域可能会有相同大小的像素，进而导致背景区域对目标区域进行加权。因此，在本实施例中，通过重新定义新的加权函数，采用不同的加权函数分别对背景SAR图像和目标SAR图像进行滤波处理。
具体地，在本实施例中，采用第一加权函数对背景SAR图像进行滤波处理，其中，第一加权函数为：
Figure BDA0003264412220000101
Figure BDA0003264412220000102
其中，Z1(i)表示第一归一化系数，h1表示第一滤波参数，Ni表示以像素i为中心的第一固定相似窗，Nj表示以像素j为中心的第一滑动相似窗，W(Ni)表示在概率值图像的背景区域中第一固定相似窗的概率值矩阵，W(Nj)表示在概率值图像的背景区域中第一滑动相似窗的概率值矩阵，D1(i,j)表示在概率值图像的背景区域中第一固定相似窗Ni和第一滑动相似窗Nj之间的相似度，T表示转置。
采用第二加权函数对目标SAR图像进行滤波处理，其中，第二加权函数为：
Figure BDA0003264412220000103
Figure BDA0003264412220000104
Figure BDA0003264412220000105
其中，Z2(i)表示第二归一化系数，h2表示第二滤波参数，N'i表示以像素i为中心的第二固定相似窗，N'j表示以像素j为中心的第二滑动相似窗，W(N'i)表示在概率值图像的目标区域中第二固定相似窗的概率值矩阵，W(N'j)表示在概率值图像的目标区域中第二滑动相似窗的概率值矩阵，
Figure BDA0003264412220000111
表示标准差为的高斯加权2范数，D1'(i,j)表示在概率值图像的目标区域中第二固定相似窗N'i和第二滑动相似窗N'j之间的相似度，D2(i,j)表示在目标SAR图像中第二固定相似窗N'i和第二滑动相似窗N'j之间的欧式距离，v(N'i)表示在目标SAR图像中第二固定相似窗的灰度向量值，v(N'j)表示在目标SAR图像中第二滑动相似窗的灰度向量值。
具体地，结合参见图2，图2是本发明实施例提供的一种基于统计特性的SAR图像非局部均值去噪方法的流程示意图，如图所示，在本实施例中，步骤S5包括：
步骤1：根据预设的第一搜索窗尺寸在概率值图像的背景区域内形成以像素i为中心的第一搜索区域；
步骤2：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为中心的第一固定相似窗Ni和以像素j为中心的第一滑动相似窗Nj，并计算得到在概率值图像的背景区域中第一固定相似窗Ni和第一滑动相似窗Nj之间的相似度D1(i,j)；
步骤3：根据相似度D1(i,j)以及第一滤波参数h1，计算得到第一归一化系数Z1(i)；
步骤4：根据第一归一化系数Z1(i)和第一加权函数，计算得到第一搜索区域内每个像素的第一加权系数，根据第一加权系数，计算得到背景SAR图像中第一搜索区域内每个像素的像素滤波值；
步骤5：重复步骤1-4，对概率值图像的背景区域进行搜索以完成对背景SAR图像的滤波处理，得到背景区域滤波图像。
进一步地，步骤S6包括：
步骤1：根据预设的第二搜索窗尺寸分别在概率值图像的目标区域内以及目标SAR图像内形成以像素i为中心的第二搜索区域；
步骤2：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为中心的第二固定相似窗N'i和以像素j为中心的第二滑动相似窗N'j，并计算得到在概率值图像的目标区域中第二固定相似窗N'i和第二滑动相似窗N'j之间的相似度D1'(i,j)，以及在目标SAR图像中第二固定相似窗N'i和第二滑动相似窗N'j之间的欧式距离D2(i,j)；
步骤3：根据相似度D1'(i,j)、欧式距离D2(i,j)以及第二滤波参数h2，计算得到第二归一化系数Z2(i)；
步骤4：根据第二归一化系数Z2(i)和第二加权函数，计算得到第二搜索区域内每个像素的第二加权系数，根据第二加权系数，计算得到目标SAR图像中第二搜索区域内每个像素的像素滤波值；
步骤5：重复步骤1-4，对概率值图像的目标区域内以及目标SAR图像进行搜索以完成对目标SAR图像的滤波处理，得到目标区域滤波图像。
在本实施例中，第一相似窗的尺寸小于第二相似窗的尺寸，第一搜索窗的尺寸小于第二搜索窗的尺寸，以降低滤波算法的运算量。
可选地，在本实施例中，第一相似窗的尺寸为5*5，第一搜索窗的尺寸为11*11，第二相似窗的尺寸为7*7，第二搜索窗的尺寸为21*21。
假设SAR图像的大小为M×N，搜索窗大小为K，相似窗大小为L，那么对于滤波算法需要计算MN×K2个滑动块的相似度，相应的运算数据量为MN×K2L2。可以发现，运算数据量与图像的大小，搜索窗大小和相似窗的大小成正比。因此，在本实施例中，对不同的区域采用不同大小的窗口，来降低运算量。
假设背景区域和目标区域的像素个数比为1:1，背景区域搜索窗大小为α1K，相似窗大小为β1L；目标区域搜索窗大小为α2K，相似窗大小为β2L，则目标区域的运算量为
Figure BDA0003264412220000131
背景区域的运算量为0.5MN×α1 2β1 2K2L2，本实施例的滤波算法总的运算量为
Figure BDA0003264412220000132
其中，α1、α2、β1和β2均是大于零的常数。
在不同的区域采用不同大小的窗口，如公式(8)所示，当
Figure BDA0003264412220000133
时，本实施例的滤波算法的速率就得到了提升。
本实施例的基于统计特性的SAR图像非局部均值去噪方法，根据SAR图像对应的概率值图像，将SAR图像的背景区域和目标区域分开，并对背景区域和目标区域的SAR图像采用不同的加权函数进行滤波处理，本发明的方法在平滑噪声的同时可以更好地保持细节，而且在运行时间上也得到了一定的提升，运行效率更进一步加强。
实施例二
本实施例通过仿真实验对实施例一基于统计特性的SAR图像非局部均值去噪方法的效果进行验证说明。请结合参见图7和图8，图7是本发明实施例提供的对某城市雷达图像SAR1进行仿真实验结果图；图8是本发明实施例提供的对雷达基站图像SAR2进行仿真实验结果图。其中，(a)图frost算法处理结果图、(b)图为标准NLM算法处理结果图、(c)图为BM3D算法处理结果图、(d)图为本实施例算法处理结果图。
1.实验参数设置
实验采用某城市雷达图像(SAR1)和雷达基站图像(SAR2)进行验证，SAR1图像大小为487×268；SAR2图像大小为250×191。为了比较算法效率，文中还给出了标准NLM算法，BM3D算法和frost算法的处理结果。标准NLM算法中搜索窗K取值为21，相似窗L取值为7。本实施例的方法在背景区域设置搜索窗α1K大小为11，相似窗β1L大小为5；目标区域设置搜索窗α2K大小为21，相似窗β2L大小为7。
2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、边缘保持指数、结构性保持指数和峰值信噪比进行评价。(1)等效视数(ENL)，等效视数是用来查看图像的平滑效果的指标：
Figure BDA0003264412220000141
其中，μ表示均值，σ2表示方差，等效视数越大则表面图像的平滑效果越好，在本实施例中仅计算图7和图8中区域1处的等效视数。
(2)边缘保持指数(EPI)，边缘保持指数是用来评价图像边缘的保持程度：
Figure BDA0003264412220000142
其中，U(i,j)表示去噪后地图像，V(i,j)表示原始图像，边缘保持指数越大则效果越好。
(3)结构相似性指数(SSIM)，结构相似性指数用于衡量去噪前后图像结构的保留程度：
Figure BDA0003264412220000143
其中，μ和σ分别表示的是均值和标准差，下角标的i和j分别表示以i和j为中心的相似窗，结构相似性指数越大则效果越好。
(4)峰值信噪比(PSNR)，用于评价去噪图像与原图像相比质量的好坏：
Figure BDA0003264412220000151
式中，
Figure BDA0003264412220000152
表示图像I中颜色最大值的平方，MSE表示均方误差，其定义式如下：
Figure BDA0003264412220000153
式中，I、K表示去噪前后的图像，大小为m×n。峰值信噪比值越大越好。(5)时间(time)，统计算法所运行的时间，用于衡量算法的效率。
从图7中可以看出，frost算法的去噪效果较差，图像中明显存在斑点噪声，标准NLM算法的去噪效果是最好的，但是造成了纹理信息的丢失，尤其是在区域1直接将纹理当作噪声抹去，BM3D算法虽然去噪效果很好，纹理细节信息也没有丢失，但是造成了图像的模糊，清晰度下降。
从图8中可以看出，frost算法虽然保持图像的细节纹理，但是去噪效果不佳，而且在区域3还引入了其他的干扰条纹，BM3D算法虽然也保持了一定的细节纹理，但是噪声平滑程度太严重，造成了纹理模糊，本实施例的算法与标准NLN算法的去噪效果相当，但是标准NLM将图像的细节纹理丢失。
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SAR1上的性能比较
Figure BDA0003264412220000154
表二：不同方法在SAR2上的性能比较
Figure BDA0003264412220000161
从表1和表2中可以看出，本发明算法的PSNR指数均为所有算法中的最大值，EPI指数和SSIM相比于标准NLM以及BM3D算法也有较大的提升，由于frost算法的去噪性能较差，其图像中的一些纹理细节信息没有丢失，导致frost算法在EPI和SSIM指数上相比较于本发明略有上升。本发明算法在两幅图中选择较平坦的区域计算等效视数，通过上表可以发现本发明算法的ENL指数较低，是因为本发明算法在去噪的过程中为了最大程度地将细节信息保留，由于保留地细节较多，因此导致本发明算法的ENL指数较低。BM3D算法在结构上大约为标准NLM算法的三倍，因此其算法的运行时间也大约为标准NLM算法的三倍，本发明采用了新的BM3D加速算法，因此不考虑BM3D算法的运行时间。此处我们仅考虑本发明算法与标准NLM算法的运行时间，由于本发明在结构上采用了第二种加权方式，因此算法的运行时间应该是标准NLM算法的二倍，但是从表1和表2中分析，本发明算法大约为标准NLM算法的1.5倍，小于2倍，是因为本发明在背景区域不仅采用了小窗口，而且只用了一种加权函数，从而缩短了算法的运行时间。
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 (9)

1.一种基于统计特性的SAR图像非局部均值去噪方法，其特征在于，包括：
获取SAR图像；
利用概率分布函数对所述SAR图像进行拟合，得到概率值图像；
对所述概率值图像进行分区域处理，得到背景区域和目标区域；
将所述背景区域和所述目标区域映射至所述SAR图像，得到背景SAR图像和目标SAR图像；
采用第一加权函数对所述背景SAR图像进行滤波处理，得到背景区域滤波图像；
采用第二加权函数对所述目标SAR图像进行滤波处理，得到目标区域滤波图像；
根据所述背景区域滤波图像和所述目标区域滤波图像，得到SAR去噪图像。
2.根据权利要求1所述的基于统计特性的SAR图像非局部均值去噪方法，其特征在于，利用概率分布函数对所述SAR图像进行拟合，得到概率值图像，包括：
利用对数正态分布函数对所述SAR图像进行拟合，利用像素值对应的概率值代替所述SAR图像中的像素值，得到概率值图像。
3.根据权利要求1所述的基于统计特性的SAR图像非局部均值去噪方法，其特征在于，对所述概率值图像进行分区域处理，得到背景区域和目标区域，包括：
构建变差系数，并根据所述变差系数构建阈值函数；
根据所述阈值函数，计算得到所述概率值图像中每个像素点对应的阈值；
按照预设的窗口大小，以所述概率值图像中每个像素点为中心形成其对应的窗口区域，并计算所述窗口区域的像素均值；
将所述窗口区域的像素均值与该像素点对应的阈值进行比较，根据比较结果判断所述像素点是否属于背景像素点，并根据判断结果将所述概率值图像分为所述背景区域和所述目标区域。
4.根据权利要求3所述的基于统计特性的SAR图像非局部均值去噪方法，其特征在于，所述变差系数为：
Figure FDA0003264412210000021
所述阈值函数为：
Figure FDA0003264412210000022
其中，i表示像素点，Ci表示像素点的变差系数，δi表示窗口区域的像素方差，μi表示窗口区域的像素均值，α表示常系数。
5.根据权利要求1所述的基于统计特性的SAR图像非局部均值去噪方法，其特征在于，所述第一加权函数为：
Figure FDA0003264412210000023
Figure FDA0003264412210000024
其中，Z1(i)表示第一归一化系数，h1表示第一滤波参数，Ni表示以像素i为中心的第一固定相似窗，Nj表示以像素j为中心的第一滑动相似窗，W(Ni)表示在概率值图像的背景区域中第一固定相似窗的概率值矩阵，W(Nj)表示在概率值图像的背景区域中第一滑动相似窗的概率值矩阵，D1(i,j)表示在概率值图像的背景区域中第一固定相似窗Ni和第一滑动相似窗Nj之间的相似度，T表示转置。
6.根据权利要求1所述的基于统计特性的SAR图像非局部均值去噪方法，其特征在于，所述第二加权函数为：
Figure FDA0003264412210000031
Figure FDA0003264412210000032
Figure FDA0003264412210000033
其中，Z2(i)表示第二归一化系数，h2表示第二滤波参数，N'i表示以像素i为中心的第二固定相似窗，N'j表示以像素j为中心的第二滑动相似窗，W(N'i)表示在概率值图像的目标区域中第二固定相似窗的概率值矩阵，W(N'j)表示在概率值图像的目标区域中第二滑动相似窗的概率值矩阵，
Figure FDA0003264412210000034
表示标准差为的高斯加权2范数，D1'(i,j)表示在概率值图像的目标区域中第二固定相似窗N'i和第二滑动相似窗N'j之间的相似度，D2(i,j)表示在目标SAR图像中第二固定相似窗N'i和第二滑动相似窗N'j之间的欧式距离，v(N'i)表示在目标SAR图像中第二固定相似窗的灰度向量值，v(N'j)表示在目标SAR图像中第二滑动相似窗的灰度向量值。
7.根据权利要求1所述的基于统计特性的SAR图像非局部均值去噪方法，其特征在于，采用第一加权函数对所述背景SAR图像进行滤波处理，得到背景区域滤波图像；包括：
步骤1：根据预设的第一搜索窗尺寸在所述概率值图像的背景区域内形成以像素i为中心的第一搜索区域；
步骤2：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为中心的第一固定相似窗Ni和以像素j为中心的第一滑动相似窗Nj，并计算得到在概率值图像的背景区域中第一固定相似窗Ni和第一滑动相似窗Nj之间的相似度D1(i,j)；
步骤3：根据所述相似度D1(i,j)以及第一滤波参数h1，计算得到第一归一化系数Z1(i)；
步骤4：根据所述第一归一化系数Z1(i)和所述第一加权函数，计算得到所述第一搜索区域内每个像素的第一加权系数，根据所述第一加权系数，计算得到所述背景SAR图像中第一搜索区域内每个像素的像素滤波值；
步骤5：重复步骤1-4，对所述概率值图像的背景区域进行搜索以完成对所述背景SAR图像的滤波处理，得到所述背景区域滤波图像。
8.根据权利要求7所述的基于统计特性的SAR图像非局部均值去噪方法，其特征在于，采用第二加权函数对所述目标SAR图像进行滤波处理，得到目标区域滤波图像，包括：
步骤1：根据预设的第二搜索窗尺寸分别在所述概率值图像的目标区域内以及所述目标SAR图像内形成以像素i为中心的第二搜索区域；
步骤2：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为中心的第二固定相似窗N'i和以像素j为中心的第二滑动相似窗N'j，并计算得到在概率值图像的目标区域中第二固定相似窗N'i和第二滑动相似窗N'j之间的相似度D1'(i,j)，以及在目标SAR图像中第二固定相似窗N'i和第二滑动相似窗N'j之间的欧式距离D2(i,j)；
步骤3：根据所述相似度D1'(i,j)、所述欧式距离D2(i,j)以及第二滤波参数h2，计算得到第二归一化系数Z2(i)；
步骤4：根据所述第二归一化系数Z2(i)和所述第二加权函数，计算得到所述第二搜索区域内每个像素的第二加权系数，根据所述第二加权系数，计算得到所述目标SAR图像中第二搜索区域内每个像素的像素滤波值；
步骤5：重复步骤1-4，对所述概率值图像的目标区域内以及所述目标SAR图像进行搜索以完成对所述目标SAR图像的滤波处理，得到所述目标区域滤波图像。
9.根据权利要求8所述的基于统计特性的SAR图像非局部均值去噪方法，其特征在于，所述第一相似窗的尺寸小于所述第二相似窗的尺寸，所述第一搜索窗的尺寸小于所述第二搜索窗的尺寸。
CN202111082288.8A 2021-09-15 2021-09-15 基于统计特性的sar图像非局部均值去噪方法 Active CN113759375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111082288.8A CN113759375B (zh) 2021-09-15 2021-09-15 基于统计特性的sar图像非局部均值去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111082288.8A CN113759375B (zh) 2021-09-15 2021-09-15 基于统计特性的sar图像非局部均值去噪方法

Publications (2)

Publication Number Publication Date
CN113759375A true CN113759375A (zh) 2021-12-07
CN113759375B CN113759375B (zh) 2024-02-09

Family

ID=78795894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111082288.8A Active CN113759375B (zh) 2021-09-15 2021-09-15 基于统计特性的sar图像非局部均值去噪方法

Country Status (1)

Country Link
CN (1) CN113759375B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630447A (zh) * 2023-07-24 2023-08-22 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 (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009144754A1 (en) * 2008-05-29 2009-12-03 Telespazio S.P.A. Target detection in a sar-imaged sea area
CN102938071A (zh) * 2012-09-18 2013-02-20 西安电子科技大学 基于非局部均值的sar图像变化检测模糊聚类分析方法
US20140064615A1 (en) * 2012-09-05 2014-03-06 Peking University Method and Device for Denoising Videos Based on Non-Local Means
US20140219552A1 (en) * 2013-02-07 2014-08-07 Mitsubishi Electric Research Laboratories, Inc. Denoising of Images with Nonstationary Noise
US20170016987A1 (en) * 2015-07-17 2017-01-19 Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defence Processing synthetic aperture radar images for ship detection
CN109035152A (zh) * 2018-05-23 2018-12-18 电子科技大学 一种合成孔径雷达图像非局部均值滤波方法
CN112881983A (zh) * 2021-01-13 2021-06-01 合肥工业大学 基于双边截断统计特性的sar图像舰船cfar检测方法
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009144754A1 (en) * 2008-05-29 2009-12-03 Telespazio S.P.A. Target detection in a sar-imaged sea area
US20140064615A1 (en) * 2012-09-05 2014-03-06 Peking University Method and Device for Denoising Videos Based on Non-Local Means
CN102938071A (zh) * 2012-09-18 2013-02-20 西安电子科技大学 基于非局部均值的sar图像变化检测模糊聚类分析方法
US20140219552A1 (en) * 2013-02-07 2014-08-07 Mitsubishi Electric Research Laboratories, Inc. Denoising of Images with Nonstationary Noise
US20170016987A1 (en) * 2015-07-17 2017-01-19 Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defence Processing synthetic aperture radar images for ship detection
CN109035152A (zh) * 2018-05-23 2018-12-18 电子科技大学 一种合成孔径雷达图像非局部均值滤波方法
CN112881983A (zh) * 2021-01-13 2021-06-01 合肥工业大学 基于双边截断统计特性的sar图像舰船cfar检测方法
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHARLES-ALBAN DELEDALLE ET AL: "NL-SAR: A Unified Nonlocal Framework for Resolution-Preserving (Pol)(In)SAR Denoising", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 53, no. 4, pages 1 - 18 *
代梦: "背景干扰情况下高分 SAR 图像车辆目标检测方法研究", 《中国优秀硕士学位论文全文数据库·信息科技辑》, no. 09, pages 136 - 694 *
陈世媛 等: "基于自适应非局部均值的SAR图像相干斑抑制", 《系统工程与电子技术》, vol. 39, no. 12 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630447A (zh) * 2023-07-24 2023-08-22 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
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

Also Published As

Publication number Publication date
CN113759375B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN109919870B (zh) 一种基于bm3d的sar图像相干斑抑制方法
CN108765332B (zh) 一种椭圆搜索窗口和参数自适应的非局部均值去噪方法
CN106204509B (zh) 基于区域特性的红外与可见光图像融合方法
CN106991661B (zh) 融合kl变换与灰色关联度的非局部均值去噪方法
CN108805835B (zh) 基于截断统计特征的sar图像双边滤波方法
CN111612741B (zh) 一种基于失真识别的精确无参考图像质量评价方法
CN113191979B (zh) 一种分区域sar图像非局部均值去噪方法
CN110648290A (zh) 一种基于sure参数优化的双核非局部均值图像去噪方法
CN111681174A (zh) 抑制椒盐/高斯混噪目标图像的联合滤波方法
CN107169962B (zh) 基于空间密度约束核模糊聚类的灰度图像快速分割方法
CN111783583B (zh) 基于非局部均值算法的sar图像相干斑抑制方法
CN114118144A (zh) 抗干扰的航空遥感图像阴影精准检测方法
Dharejo et al. A color enhancement scene estimation approach for single image haze removal
CN113628234B (zh) 基于综合邻域信息的显著性极化sar图像变化检测方法
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
CN107944497A (zh) 基于主成分分析的图像块相似性度量方法
CN104680536A (zh) 利用改进的非局部均值算法对sar图像变化的检测方法
CN110766657A (zh) 一种激光干扰图像质量评价方法
CN111445435B (zh) 一种基于多区块小波变换的无参考图像质量评价方法
Raikwar et al. Adaptive dehazing control factor based fast single image dehazing
CN112508963A (zh) 一种基于模糊c均值聚类的sar图像分割方法
CN110473224B (zh) 一种基于kl熵的rsf水平集图像自动分割方法
CN113759375B (zh) 基于统计特性的sar图像非局部均值去噪方法
CN112462367B (zh) 一种基于极化合成孔径雷达的车辆检测方法

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