CN114037616B - 一种sar图像噪声抑制方法及设备 - Google Patents

Abstract

本发明公开了一种SAR图像噪声抑制方法及设备，用于机场跑道外来物探测系统中。所述方法包括：利用背景图像估计环境噪声s_c(x，y)，利用正则化加权约束的方法对去除环境噪声后的图像估计斑点噪声因子根据公式 得到噪声抑制后的图像，其中f(x，y)为SAR图像值，s(x，y)是目标物体的实际后向散射，(x，y)表示图像像素的二维坐标。本发明将闪烁目标相应噪声作为环境噪声引入图像降噪模型，通过正则化约束有效抑制相干斑以及降雨等闪烁目标引起的噪声，为机场跑道外来物探测提供更精准、快速的探测方法。

Description

一种SAR图像噪声抑制方法及设备

技术领域

本发明涉及图像处理，具体涉及一种SAR图像噪声抑制方法及设备，用于机场跑道外来物探测领域。

背景技术

跑道外来物(Foreign Object Debris,FOD)泛指可能损伤航空器或系统的某种外来的物质，常称为跑道异物。FOD不仅会造成对设备的巨大的直接损失，还会造成航班延误、中断起飞、关闭跑道等间接损失。目前全球绝大多数机场的FOD监测仍然是靠人工完成的，这种方法不但可靠性差、效率低，而且占用了宝贵的跑道使用时间。因此FOD探测设备的发展趋势逐步向自动化智能化转变。

FOD探测设备主要包括光电探测设备、雷达探测设备、混合探测设备。由于图像能够提供更丰富的目标信息，有效降低虚警，目前FOD检测算法主要集中在光学图像处理方面。FOD雷达探测设备大多数为实孔径系统，信号也为各个方位向的一维距离像，故空间信息少及信噪比低，常导致虚警较高。同时，实孔径雷达对目标的照射时间为毫秒级，对于雨滴/雪粒、跑道上移动的树叶/草团、偶尔停留的鸟、雨滴在跑道上溅起的水花等“闪烁”目标，在扫描期间无法与静止图像区别开，因此对此类“闪烁”目标抑制能力弱，时间上突发的杂波会在整个扫描周期内停留于图像中，进而进一步增加虚警。

为此，采用能够二维高分辨成像的合成孔径雷达(Synthetic Aperture Radar，SAR)进行FOD探测，是更加有效的方法。然而，SAR图像由于存在相干斑噪声，使得检测时虚警升高。采用圆弧合成孔径雷达ArcSAR进行FOD探测，可以较好地抑制闪烁杂波，但其在成像时会抬高底噪，从而在一定程度上影响检测效果。同时，考虑多帧图像的变化检测能够提高检测率，因此需要保持序列图像的一致性。

因此，有必要针对高分辨跑道奇异物探测系统研究相关的噪声抑制方法。

发明内容

发明目的：针对现有技术的问题，本发明提出一种SAR图像噪声抑制方法，可以有效抑制相干斑以及降雨等“闪烁”目标引起的噪声。

本发明还提供一种实现上述SAR图像噪声抑制方法的计算机设备。

技术方案：第一方面，一种SAR图像噪声抑制方法，包括以下步骤：

利用多帧空场景图像估计稳定背景，根据背景估计环境噪声s_c(x,y)；

利用正则化加权约束的方法对去除环境噪声后的图像估计斑点噪声因子

根据以下公式得到噪声抑制后的图像：式中，f(x,y)为SAR图像像素幅度值，s(x,y)是目标物体的实际后向散射值，(x,y)表示图像像素的二维坐标。

根据第一方面的某些实施方式，利用多帧空场景图像估计稳定背景，根据背景估计环境噪声s_c(x,y)包括：

获取符合预定天气条件情况下的序列图像数据f_k(x，y)，其中1≤k≤K，则背景为：

随机获取空场景下图像f′(x,y)，则环境噪声表示为：

s_c(x,y)＝f′(x,y)-f_b(x,y)

K为参与背景估计的图像总数。

根据第一方面的某些实施方式，利用正则化加权约束的方法对去除环境噪声后的图像估计斑点噪声因子包括：

以v简化表示(x,y)，即v＝(x,y)，构造目标函数如下：

式中，v_Δ是(x+Δx,y+Δy)的简化表示，(x+Δx,y+Δy)是(x,y)的相邻像素，num(Δ_v)表示v邻域中的像素数，d_n表示针对第n个像素的微分算子，c_n(v)表示对应第n个像素的加权系数，*表示卷积，α是平衡参数；

基于变量分离的方法，将目标函数表示为：

式中，β是新的加权系数，u_n表示辅助变量；

通过关于h(v)和u_n的交替优化来求解目标函数的最小值，得到最佳斑点噪声因子

根据第一方面的某些实施方式，通过关于h(v)和u_n的交替优化来求解目标函数的最小值包括：

固定h(v)，通过最小化以下方程来求解u_n：

固定u_n，通过最小化以下方程来求解h(v)：

交替进行上述两个步骤，直到h(v)满足以下条件：

其中表示d_n通过围绕其中心像素镜像而获得的滤波器，对上述条件等式应用二维快速傅里叶变换并假设圆形边界条件，得到最佳斑点噪声因子/>

根据第一方面的某些实施方式，加权系数c_n(v)表示为：

c_n(v)＝exp(-||d_n*f(v)||²/η)

其中η为高斯核函数的带宽参数。

根据第一方面的某些实施方式，微分算子d_n采用的高阶滤波器由1个高斯算子、4个Kirsch算子和4个Prewitt算子组成。

第二方面，一种计算机设备，所述设备包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序被所述一个或多个处理器执行时实现如本发明第一方面所述的SAR图像噪声抑制方法。

有益效果：本发明针对AS-SAR图像中的相干斑噪声以及降雨等“闪烁”目标引起的噪声，建立相应的图像噪声模型，并通过环境噪声估计、正则化的噪声因子加权约束和噪声因子估计，利用其对于相干斑以及降雨等“闪烁”目标引起的噪声的约束效果，从而实现对图像噪声的有效抑制。

附图说明

图1是根据本发明实施例的SAR图像噪声抑制方法流程图；

图2是根据本发明实施例的环境噪声估计流程图；

图3是根据本发明实施例的高阶滤波器示意图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

参照图1，图像噪声抑制的过程是一个循环迭代的过程。为了便于说明，下面将降雨/树叶等“闪烁”目标引起的噪声称为环境噪声。首先多帧空场景图像估计稳定背景；然后估计当前图像的环境噪声s_c(x,y)，并从当前图像中减去环境噪声；然后对去除环境噪声后的图像使用循环迭代算法，估计噪声因子，得到最优最后通过建立的图像噪声模型公式估计得到抑制后的图像。

下面对本方法中主要包括的图像噪声建模、环境噪声估计、正则化的噪声因子加权约束以及噪声因子估计的具体实现做出详细说明。

S1、图像噪声建模。

根据SAR图像中斑点噪声的产生机理及降雨引起的噪声形成机理，将目标物的实际后向散射与“闪烁”目标引起的散射求和后与斑点噪声相乘，得到SAR图像中每个像素的值。该模型可以写成：

f(x,y)＝(s(x,y)+n_c(x,y))n(x,y) (1-1)

其中f(x,y)是SAR图像像素幅度值，s(x,y)是目标物体的实际后向散射值，n_c(x,y)是“闪烁”目标相应散射值，在图像中和s(x,y)有相同的表现，n(x,y)是斑点噪声，根据相干斑机理，与场景散射是乘性关系。x,y表示图像像素的二维坐标。该模型与传统典型SAR图像乘性斑点噪声模型相比，增加了n_c(x,y)。

为了避免原始SAR图像的对数变换，将乘性斑点噪声转化为加性噪声，采用了如下的SAR图像加性模型：

其中s_a(x,y)是加性噪声分量，h(x,y)是斑点噪声因子，s_c(x,y)则为环境噪声。考虑到s_c(x,y)可通过空场景的多帧图像估计得到，方程式(1-2)可以写成：

对于实际的后向散射，考虑到像素值是有界的，让T_u和T_d分别是s(x,y)的最大值和最小值。后向散射图像区域中任何像素的值都将在它们定义的范围空间中。

T_u≥s(x,y)≥T_d,(x,y)∈Ω (1-4)

假设h_d(x,y)是h(x,y)的下边界，它满足：

0≤h_d(x,y)≤h(x,y)≤1 (1-5)

则有：

h_d(x,y)＝min{g,1} (1-6)

其中

在方程式(1-2)中，加性噪声分量受散射强度的影响，不同区域的散斑因子(即斑点噪声因子)不同。新的噪声因子值可以通过形态闭合运算来计算，表示为h_d(x,y)。因此，根据方程式(1-2)，可以通过替换有：

然后，噪声抑制后的图像可以表示为：

当根据泰勒展开式，有

因此，的估计是噪声抑制的核心。

S2、环境噪声估计。

环境噪声主要由降雨、降雪、雾、霾等天气原因引起。故可事先选定良好天气情况的图像作为背景数据；由于环境噪声总是存在的，可以在任意一天采集空场景下图像，然后由空场景下采集的图像数据减去背景数据，即可得到环境噪声。这里空场景指的是不存在FOD的场景。设良好天气情况下序列图像数据f_k(x,y)，其中1≤k≤K,K为参与背景估计图像总数。则背景为：

记空场景下采集的图像数据为为f′(x,y)，所以环境噪声表示为：

s_c(x,y)＝f′(x,y)-f_b(x,y) (1-12)

根据公式(1-11)和(1-12)，可以给出环境噪声估计流程如图2所示。

S3、正则化的噪声因子加权约束。

利用上下边界约束的估计常常受到图像目标边缘像素的影响，尤其是对于较小的像素值。在形态学的作用下，噪声因子变强并向外扩展，从而影响估计精度。加权约束是消除弱小值影响、保留边缘信息的主要方法。这可以表示为：

c(x,y)(h(x,y)-h(x+Δx,y+Δy)≈0 (1-13)

其中(x+Δx,y+Δy)是(x,y)的相邻像素，其中Δx、Δy分别表示在x方向和y方向上相邻像素之间的距离，这里距离就是像素数，取整数，表示和原像素的偏离。c(x,y)是加权系数，它直接决定像素之间的约束程度。当c(x,y)＝0时，表示两个像素之间没有约束。可以看出，最佳c(x,y)与(x+Δx,y+Δy)和(x,y)之间的差值密切相关。换句话说，如果幅度值差很大，c(x,y)必须很小，反之亦然。然而，由于c(x,y)不能直接由h(x,y)构造。本发明实施例中使用f(x,y)-s_c(x,y)及其邻域(x+Δx,y+Δy)来构造加权约束。邻域表示该像素的周围像素，具体邻域的大小可以自行设定。

计算两个值之间的差值可分为两类：线性和非线性。线性变换在降低数据维数方面具有很强的优势，而非线性变换在增强数据分离方面具有更好的效果。考虑到这里的像素处理，采用了非线性表示。核函数是一种常见的非线性表示。

c(x,y)＝k(v_i,v_i+Δ) (1-14)

其中，v＝(x,y)和v_Δ＝(x+Δx,y+Δy)是(x,y)和(x+Δx,y+Δy)的简化表示。典型的核函数有高斯核函数、多项式核函数数等。本发明采用高斯核函数：

c(x,y)＝exp(-||f(v)-f(v_Δ)||²/η) (1-15)

其中η为带宽参数。为了使函数结构的风险最小化，常在目标函数中加入正则化项，以减小误差，防止过拟合。正则化项通常是模型复杂度的单调递增函数，将其应用于整个图像，可得：

其中Δ_v是v的相邻像素。为了更好地保留边缘信息，引入一组微分算子代替|h(v)-h(v_Δ)|,，并交换求和顺序

其中n∈num(Δ_v)表示v邻域中的像素数，*表示卷积，d_n表示第n个像素的微分算子，c_n(v)表示相应第n个像素的加权系数。同时，加权系数可以表示为：

c_n(v)＝exp(-||d_n*f(v)||²/η) (1-18)

本发明实施例中，d_n采用的高阶滤波器由1个高斯算子和4个Kirsch算子组成和4个Prewitt算子组成，用于保留图像的边缘和角点，如图3所示，是一个3*3的元组，按照从左到右，从上到下的顺序依次排序，1、3、7、9为4个Kirsch算子，2、4、6、8为4个Prewitt算子，5为高斯算子。高斯算子是一种旋转不变的滤波算子。无论图像是先旋转还是后旋转，过滤效果都是相同的。Kirsch和Prewitt算子用于检测图像的边缘。它使用不同的模板对像素的进行卷积滤波，然后输出结果的最大值作为图像的边缘。

S4、噪声因子估计。

构造目标函数，求出最小值，得到最佳噪声因子。目标函数的构造如下：

其中第一部分测量h(v)对从边界约束映射导出的局部估计第二部分测量h(v)的上下文约束，α是平衡这两部分的参数。为了解决这一优化问题，本发明实施例采用一种基于变量分离的有效方法。等式(1-19)表示为：

其中β是一个新的加权系数，当β→∞,方程(1-20)的解将收敛于方程(1-19)的解。u_n表示辅助变量。为了降低求解该优化问题的复杂性，对于固定的β，方程(1-20)的最小值可以通过关于h(v)和u_n的交替优化来求解。重复此过程直到收敛，估计由两部分组成。

第一：固定h(v)，u_n通过最小化以下等式来求解：

第二：固定u_n，对于h(v)，相应的最小化方程如下所示：

值得注意的是，极值可以通过推导得到。最优h(v)满足：

其中是d_n通过围绕其中心像素镜像而获得的滤波器。对方程(1-23)应用二维快速傅里叶变换FFT并假设圆形边界条件，则可直接计算最优/>

参照回图1，在估计了环境噪声、斑点噪声因子之后，可以根据图1所示流程得到噪声抑制后的图像。本发明提供一种适用于AS-SAR图像的噪声抑制方法，该方法将通过正则化约束有效抑制相干斑以及降雨等“闪烁”目标引起的噪声。

基于与方法实施例相同的技术构思，根据本发明的另一实施例，提供一种计算机设备，所述设备包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序被一个或多个处理器执行时实现方法实施例中的各步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (3)

1.一种SAR图像噪声抑制方法，其特征在于，包括以下步骤：

利用多帧空场景图像估计稳定背景，根据背景估计环境噪声s_c(x,y)；，包括：获取符合预定天气条件情况下空场景序列图像数据f_k(x,y)，其中1≤k≤K，则背景为：

随机获取空场景下图像f′(x,y)，则环境噪声表示为：

s_c(x,y)＝f′(x,y)-f_b(x,y)

K为参与背景估计的图像总数；

利用正则化加权约束的方法对去除环境噪声后的图像估计斑点噪声因子包括：以v简化表示(x,y)，即v＝(x,y)，构造目标函数如下：

式中，v_Δ是(x+Δx,y+Δy)的简化表示，(x+Δx,y+Δy)是(x,y)的相邻像素，num(Δ_v)表示v邻域中的像素数，d_n表示针对第n个像素的微分算子，c_n(v)表示对应第n个像素的加权系数，*表示卷积，α是平衡参数；

基于变量分离的方法，将目标函数表示为：

式中，β是新的加权系数，u_n表示辅助变量；

通过关于h(v)和u_n的交替优化来求解目标函数的最小值，得到最佳斑点噪声因子

根据以下公式得到噪声抑制后的图像：式中，f(x,y)为SAR图像像素幅度值，s(x,y)是目标物体的实际后向散射值，(x,y)表示图像像素的二维坐标；

其中，通过关于h(v)和u_n的交替优化来求解目标函数的最小值包括：

固定h(v)，通过最小化以下方程来求解u_n：

固定u_n，通过最小化以下方程来求解h(v)：

交替进行上述两个步骤，直到h(v)满足以下条件：

其中表示d_n通过围绕其中心像素镜像而获得的滤波器，对上述条件等式应用二维快速傅里叶变换并假设圆形边界条件，得到最佳斑点噪声因子/>

加权系数c_n(v)表示为：

c_n(v)＝exp(-||d_n*f(v)||²/η)

其中η为高斯核函数的带宽参数。

2.根据权利要求1所述的SAR图像噪声抑制方法，其特征在于，微分算子d_n采用的高阶滤波器由1个高斯算子、4个Kirsch算子和4个Prewitt算子组成。

3.一种计算机设备，其特征在于，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序被所述一个或多个处理器执行时实现如权利要求1-2中任一项所述的SAR图像噪声抑制方法。