CN116051415B - 基于超像素分割的视频sar序贯图像相干斑滤波方法 - Google Patents

基于超像素分割的视频sar序贯图像相干斑滤波方法 Download PDF

Info

Publication number
CN116051415B
CN116051415B CN202310094581.9A CN202310094581A CN116051415B CN 116051415 B CN116051415 B CN 116051415B CN 202310094581 A CN202310094581 A CN 202310094581A CN 116051415 B CN116051415 B CN 116051415B
Authority
CN
China
Prior art keywords
super
pixel
filtering
image
speckle
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
CN202310094581.9A
Other languages
English (en)
Other versions
CN116051415A (zh
Inventor
田敏
赵登帅
王虹现
廖桂生
罗丰
黄迎胜
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.)
Hangzhou Research Institute Of Xi'an University Of Electronic Science And Technology
Original Assignee
Hangzhou Research Institute Of Xi'an University Of Electronic Science And Technology
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 Hangzhou Research Institute Of Xi'an University Of Electronic Science And Technology filed Critical Hangzhou Research Institute Of Xi'an University Of Electronic Science And Technology
Priority to CN202310094581.9A priority Critical patent/CN116051415B/zh
Publication of CN116051415A publication Critical patent/CN116051415A/zh
Application granted granted Critical
Publication of CN116051415B publication Critical patent/CN116051415B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于超像素分割的视频SAR序贯图像相干斑滤波方法，S1、图像配准；S2、将S1中配准好的图像序列进行超像素分割，得到超像素块集合；S3、对S2中的超像素块集合进行动态配准，得到配准后的超像素集合；S4、在S3中不同的配准后的超像素集合内分别构建协方差矩阵；S5、对S4中的协方差矩阵进行样本相似性判定，得到相似样本集合；S6、根据S5中的相似样本集合得到滤波估计值，实现基于超像素分割的视频SAR序贯图像相干斑滤波。本发明采用上述方法的一种基于超像素分割的视频SAR序贯图像相干斑滤波方法，解决了视频SAR图像中因目标运动产生的帧间失配问题，在保证相干斑滤波性能的前提下，较好的保持了动目标阴影的边缘信息。

Description

基于超像素分割的视频SAR序贯图像相干斑滤波方法
技术领域
本发明涉及图像处理技术领域，特别是涉及基于超像素分割的视频SAR序贯图像相干斑滤波方法。
背景技术
视频合成孔径雷达(Video Synthetic Aperture Radar,Video SAR)在成像上，不仅具有传统SAR全天时、全天候的优势，还能对观测目标区域连续成像，获取目标区域丰富的动态信息。视频SAR的持续监测和丰富动态信息对运动目标的检测相较于传统SAR具有显著的优势。视频SAR的主要任务就是检测和跟踪区域内的运动目标和获取其动态变化信息。
SAR图像的质量受两方面因素的影响，一类来自SAR系统自身，包括雷达系统、校正系统、成像算法等。SAR图像反映的是物体对于电磁波的后向散射系数，因此具有强烈的斑点噪声，还具有重影、非均匀增益以及运动模糊等特有的质量问题。另一类与地物目标及其所在场景有关，包括目标的几何形状、运动速度、介电常数等。
视频SAR图像同样存在大量的相干斑噪声，相干斑的存在影响了视频SAR的图像质量及后续应用。目前视频SAR图像降噪一般采用中值滤波进行，但滤波效果不佳，且存在目标边缘模糊现象。相较于传统SAR图像，视频SAR获取到的信息包含空域和时域信息，因此将时域信息引入视频SAR滤波算法的构建是一种滤波新途径。
国防科技大学的刘燊文，崔兴超以及陈思伟在结合空时上下文信息的视频SAR图像相干斑滤波(3-Dimensional Context Covariance Matrix,3D-CCM)中首先构建能表征视频SAR图像距离-方位-时间三维动态散射信息的空时上下文协方差矩阵；其次根据协方差矩阵的相似检验选取一定邻域内目标像素的相似样本；最后根据相似样本进行平均实现相干斑滤波。该方法增加了时间维数据信息，具有较好的视频SAR图像的相干斑抑制性能。
但是，该方法存在以下两个问题，一是未考虑视频SAR图像动目标运动产生的帧间失配问题；二是选择固定大小的滤波窗口对像素样本进行滤波估计，无法使滤波窗口筛选到足够多的独立同分布训练样本。
发明内容
本发明的目的是提供基于超像素分割的视频SAR序贯图像相干斑滤波方法，消除帧间失配对视频SAR图像滤波估计过程中动目标阴影边缘扩散的影响，同时将超像素块设置为滤波窗，保证筛选到更多的独立同分布样本。
为实现上述目的，本发明提供了基于超像素分割的视频SAR序贯图像相干斑滤波方法，S1、图像配准：采用尺度不变特征转换算法(Scale Invariant Feature Transform,SIFT)和随机抽样一致性算法(Random Sample Consensus,RANSAC)对待滤波图像Xi及其前后各两张图像Xi-2、Xi-1、Xi+1、Xi+2进行配准；
S2、将S1中配准好的图像序列进行超像素分割，得到超像素块集合；
S3、对S2中的超像素块集合进行动态配准，得到配准后的超像素集合；
S4、在S3中不同的配准后的超像素集合内分别构建协方差矩阵；
S5、对S4中的协方差矩阵进行样本相似性判定，得到相似样本集合；
S6、根据S5中的相似样本集合得到滤波估计值，实现基于超像素分割的视频SAR序贯图像相干斑滤波。
优选的，S2中，依次进行S2.1初始化聚类中心，S2.2调整聚类中心位置，S2.3计算距离度量，S2.4局部聚类迭代，S2.5强制类别联通；
S2.1初始化聚类中心：假设第M帧图像共有N个像素点，超像素个数设置为K，则每个超像素的大小为N/K，相邻聚类中心的距离：
Figure GDA0004268193380000031
S2.2调整聚类中心位置：在初始聚类中心3×3邻域内对其重新定位，将聚类中心移动到梯度最小的位置；
S2.3计算距离度量：根据SAR图像的灰度信息构建距离度量Dg(i，j)，
Figure GDA0004268193380000032
Figure GDA0004268193380000033
Figure GDA0004268193380000034
其中，dg代表灰度距离，dij代表空间距离，i,j分别表示两个像素点，g表示像素点灰度值，x,y分别表示像素点的横坐标和纵坐标，m为调节系数，取值范围为[1，40]；
S2.4局部聚类迭代：根据距离度量Dg(i，j)在聚类中心的2S×2S邻域内搜索相似样本点，并重复迭代直到误差收敛；
S2.5强制类别联通：将孤立的像素点或尺寸较小的超像素块与附近尺寸较大的超像素块进行强制连通。
优选的，S3中，依次进行S3.1判定超像素块所处区域和S3.2对于动目标区域配准；
S3.1判定超像素块所处区域：根据像素点匹配程度公式得到匹配程度Dm，
Figure GDA0004268193380000035
其中，Si表示超像素块中像素点总数，Si+1表示超像素块中动目标区域所占的像素点总数，
当Dm≥95％时，判定超像素块属于静目标区域，当Dm＜95％时，判定超像素块属于动目标区域；
S3.2对动目标区域配准：利用动目标区域的超像素块内像素点的集合，根据超像素块之间像素点的相似性进行配准，得到配准后的超像素集合。
优选的，S4中，依次进行S4.1构建协方差矢量和S4.2构建协方差矩阵；
S4.1构建协方差矢量：将S3.2中超像素集合外的像素点置0，
Figure GDA0004268193380000041
其中，t表示视频SAR图像第t帧，x,y分别表示横坐标和纵坐标，-1≤m，n≤1表示坐标3×3邻域，公式上标T表示向量的转置，P表示图像像素点灰度值；
S4.2构建协方差矩阵M(x，y，t)：
Figure GDA0004268193380000042
利用S4.1中的协方差矢量构建协方差矩阵M(x，y，t)，其中，上标H表示共轭转置。
优选的，S5中，视频SAR图像相干斑滤波中筛选相似样本的滤波窗为配准后的超像素块集合，利用如下公式判定样本相似性：
ln Q＝2p ln 2+ln|M|+ln|M′|-2ln|M+M′|
其中，Q表示协方差矩阵的似然比，p表示构造协方差矢量的维度，M和M′分别表示待滤波像素点和候选相似样本点的协方差矩阵。
优选的，S6中，由S5得到相似样本集合，对相似样本集合进行均值处理，得到滤波估计值，进而对超像素分割的视频SAR序贯图像相干斑滤波。
因此，本发明采用上述配方的基于超像素分割的视频SAR序贯图像相干斑滤波方法，其有益效果为：
1、将超像素块作为相似样本筛选窗，可广泛应用于SAR图像滤波算法的预处理阶段，实现SAR图像降噪和增强效果；
2、利用超像素分割生成的超像素块对视频SAR图像序列的动目标区域进行动态配准，解决了由于目标运动导致的帧间偏移问题，进而解决了由于帧间偏移导致的动目标阴影边缘细节模糊的问题，使得本发明能够提高视频SAR动目标阴影检测的准确率；
3、用于视频SAR图像滤波与增强处理，提升视频SAR图像质量和动目标阴影检测性能，在保证相干斑滤波性能的前提下，较好的保持了动目标阴影的边缘信息。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1是本发明基于超像素分割的视频SAR序贯图像相干斑滤波方法的流程图；
图2是本发明基于超像素分割的视频SAR序贯图像相干斑滤波方法中动目标区域的目标偏移示意图；
图3是本发明基于超像素分割的视频SAR序贯图像相干斑滤波方法中空时上下文矢量示意图；
图4是原图(左)和本发明(右)滤波效果组合图；
图5是各对比方法的滤波效果组合图；
图6是ROI1区域原图(左)和本发明(右)滤波组合图；
图7是ROI1区域在各对比方法处理下的滤波组合图；
图8是ROI2区域原图(左)和本发明(右)滤波组合图；
图9是ROI2区域在各对比方法处理下的滤波组合图；
图10是原图(左)和本发明(右)动目标阴影区域与背景的灰度组合图；
图11是各对比方法处理下动目标阴影区域与背景的灰度组合图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
实施例1
S1、图像配准：对图像进行SIFT特征提取，利用最优搜索并计算最近邻特征向量与次最近邻向量间的欧式距离比来加速完成特征点对预匹配。
引入随机抽样一致性算法(RANSAC)去除不可靠的匹配对，根据匹配点对计算出图像间透射变换的参数。
S2、将S1中配准好的图像序列进行超像素分割，得到Nn个超像素块。
S2.1初始化聚类中心：假设第M帧图像共有N个像素点，超像素个数设置为K，则每个超像素的大小为N/K，相邻聚类中心的距离：
Figure GDA0004268193380000061
S2.2调整聚类中心位置：在初始聚类中心3×3邻域内对其重新定位，将聚类中心移动到梯度最小的位置；
S2.3计算距离度量：根据SAR图像的灰度信息构建距离度量Dg(i，j)，
Figure GDA0004268193380000071
Figure GDA0004268193380000072
Figure GDA0004268193380000073
其中，dg代表灰度距离，dij代表空间距离，i,j分别表示两个像素点，g表示像素点灰度值，x,y分别表示像素点的横坐标和纵坐标，m为调节系数，取值范围为[1，40]；
由于每个像素点会被多个聚类中心搜索到，因此，每个像素点与周围聚类中心都存在距离Dg(i，j)，取最小值对应的聚类中心作为该像素点的聚类中心，遍历之后得到一个标签向量labels，共包含N0个labels。
S2.4局部聚类迭代：根据距离度量Dg(i，j)在聚类中心的2S×2S邻域内搜索相似样本点，并重复迭代直到误差收敛，此时，每个像素点的聚类中心不再改变。10次迭代后对绝大部分图片都能得到理想效果，因此，迭代次数一般选择10次。
S2.5强制类别联通：S2.4中迭代完成后，会存在超像素尺寸过小(像素数量小于理想像素数量的一半)，部分像素点孤立存在的情况。将尺寸过小、鼓励的像素点通过“Z”字形从左到右、从上到下的顺序遍历，分配给邻近的超像素类别。强制类别联通完毕后，labels数量改变，记为Nn，即分割结果中包含Nn个超像素块。
S3、对S2中的超像素块集合进行动态配准，得到动目标区域内配准后的超像素集合。
S3.1判定超像素块所处区域：超像素分割处理后的动目标区域的目标偏移示意图如图2所示，S1、S2表示两幅图像静态配准后的典型区域。其中，黑色代表动目标区域，白色代表背景区域，灰色代表静目标区域。Ni,t表示第t帧图像中的第i个超像素块，即图2中的黑色区域。Ni,t+1表示Ni,t下一帧图像中对应坐标区域的超像素块。
超像素分割后的超像素为K个，契合各同质区的超像素块集合表示为Ni,t,1≤i≤K，根据帧间超像素块中像素点匹配程度公式得到匹配程度Dm，
Figure GDA0004268193380000081
其中，Si表示超像素块中像素点总数，Si+1表示超像素块中动目标区域所占的像素点总数。
根据匹配程度Dm判断超像素块集合Ni,t位于静目标区域还是动目标区域，当Dm≥95％时，判定超像素块属于静目标区域，当Dm<95％时，判定超像素块属于动目标区域。
本发明对不同区域采取不同的配准策略，对静目标区域不进行配准。
S3.2对动目标区域配准：利用动目标区域的超像素块Ni,t内像素点的集合Gp，根据超像素块之间像素点的相似性进行配准，得到配准后的K组超像素集合N′i，t，1≤i≤k。
Gp＝{p(x，y)∈Ni，t}
其中，x,y表示像素点的横坐标和纵坐标，p(x,y)表示图像的像素点。
S4、在S3中不同的配准后的超像素集合内分别构建协方差矩阵。
S4.1构建空时上下文协方差矢量：如图3所示，在当前超像素块集合内构建协方差矩阵时，将S3.2中超像素集合外的像素点置0，构建协方差矢量：
Figure GDA0004268193380000091
其中，t表示视频SAR图像第t帧，x,y分别表示横坐标和纵坐标，-1≤m,n≤1表示坐标3×3邻域，公式上标T表示向量的转置，P表示图像像素点灰度值。
S4.2构建空时上下文协方差矩阵M(x，y，t)：
Figure GDA0004268193380000092
利用S4.1中的协方差矢量构建协方差矩阵M(x，y，t)，其中，上标H表示共轭转置。
对于实际的视频SAR图像数据，为使得上下文协方差矩阵M(x，y，t)满轶，计算像素P(x+1，y+1，t)对应的上下文协方差矩阵M(x+i，y+j，t)，以它们的均值作为最终M(x，y，t)，一般取-1≤i≤1，-1≤j≤1，即：
Figure GDA0004268193380000093
S5、对S4中的协方差矩阵进行样本相似性判定，得到相似样本集合。
视频SAR图像相干斑滤波中筛选相似样本的滤波窗为配准后的超像素块集合，由于构建的序贯图像协方差矩阵遵循Wishart分布，因此，可以建立二元统计检验，以检查两个序贯图像协方差矩阵的相似性。
对于两个相互独立且服从Wishart分布的p×p维矩阵X、Y，分别为：
X∈Wc(p，n，M)，Y∈Wc(p，m，M)
X、Y的似然比Q为：
Figure GDA0004268193380000101
对本发明构建的两个服从Wishart分布的协方差矩阵X＝nM、Y＝mM，n＝m＝1，对似然比Q取自然对数形式，利用如下公式判定样本相似性：
ln Q＝2p ln 2+ln|M|+ln|M′|-2ln|M+M′|
其中，Q表示协方差矩阵的似然比，p表示构造协方差矢量的维度，M和M′分别表示待滤波像素点和候选相似样本点的协方差矩阵，当M＝M′时，ln Q＝0，其余情况均为ln Q＜0。
S6、根据S5中的相似样本集合得到滤波估计值，实现基于超像素分割的视频SAR序贯图像相干斑滤波。
S6.1、根据相似性指标ln Q(x，y，t)-(x′，y′,t)选择待滤波像素P(x，y，t)的相似样本，根据ln Q＝2p ln 2+ln|M|+ln|M′|-2ln|M+M′|计算待滤波像素P(x，y，t)和候选样本像素P(x‘，y‘，t‘)的相似性指标ln Q(x，y，t)-(x′，y′,t)。
若相似性指标ln Q(x，y，t)-(x′，y′,t)大于等于相似性判定阈值thsimitest，则将候选样本像素P(x‘，y‘，t‘)归为待滤波像素P(x，y，t)的相似样本，得到待滤波像素P(x，y，t)在滤波窗(待滤波像素P(x，y，t)对应的超像素块)内的所有样本集合U。
S6.2、构建均值滤波器得到滤波像素P(x，y，t)的估计值
Figure GDA0004268193380000102
Figure GDA0004268193380000103
S6.3、对待滤波图像中的像素进行遍历，依次获得各像素的滤波估计值，进而实现对整幅图像的相干斑滤波处理，达到图像降噪和增强的目的。
对比例1
实验数据来源于Sandia实验室发布的Kirtland空军基地Eubank大门视频SAR数据，选择了第212帧作为检测对象。
实验参数设置如下：超像素个数K为3000，颜色空间距离的权重m为40，相似性判定阈值thsimitest为-0.9；
滤波窗的大小为N/Nn×3(超像素块像素数量×时间)，其中，N为图像的像素总数，Nn为超像素分割产生的超像素块数量。
在实验参数相同的条件下，使用本发明的方法与均值滤波、高斯滤波、Lee滤波和3D-CCM做对比：
a、均值滤波采用3×3的滤波窗；
b、高斯滤波采用5×5的滤波窗；
c、Lee滤波采用7×7的滤波窗；
d、3D-CCM采用25×25×3(距离×方位×时间)的滤波窗，相似性阈值设为-1。
如表1所示，其中ENL是等效视数(equivalent number of look)，用于衡量均匀区域的光滑性；FOM是边缘保持品质因数(iigure of merit)，用于衡量边缘保持性能。
增强的Lee滤波、3D-CCM以及本发明提供的滤波方法处理后图像的ENL均有明显提高，但五个算法滤波后的FOM表现完全不同，说明都存在边缘细节缺失现象。
ROI1区域的原图FOM为0.58，均值滤波保持0.58未变；高斯滤波和增强的Lee滤波分别降至0.37和0.39，均有明显下降；3D-CCM则由0.58下降至0.14，存在严重的边缘细节模糊问题，而本发明的FOM则由0.58提升到0.64。
由图4、图5、图6、图7、图8、图9和表1可知，五种滤波方式均能有效抑制相干斑噪声。但是，在动目标阴影区域(ROI1)，除本发明滤波方法外，其余滤波方法都存在一定程度的模糊边缘现象。其中，3D-CCM算法滤波后的图像模糊边缘现象最为严重。
表1、不同滤波方法下的相干斑滤波评价指标
Figure GDA0004268193380000121
如表1所示，对比可知，本发明提供的滤波方法在有效抑制相干斑噪声的前提下，保持了动目标阴影边缘的清晰度，这也大大提升了后续动目标阴影检测的性能。
由图10和图11可知，本发明提供的滤波算法与3D-CCM算法的灰度曲线图较为平滑，对比可知，本发明对相干斑噪声抑制具有出色性能。
综上对比可知，在视频SAR相干斑滤波中，本发明提供的相干斑滤波方法在抑制相干斑噪声的同时，较好的解决了目标边缘细节模糊的问题。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳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：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (4)

1.基于超像素分割的视频SAR序贯图像相干斑滤波方法，其特征在于：
S1、图像配准：采用SIFT算法和随机抽样一致性算法对待滤波图像Xi及其前后各两张图像Xi-2、Xi-1、Xi+1、Xi+2进行配准；
S2、将S1中配准好的图像序列进行超像素分割，得到超像素块集合；
S3、对S2中的超像素块集合进行动态配准，得到配准后的超像素集合；
S4、在S3中不同的配准后的超像素集合内分别构建协方差矩阵；
S5、对S4中的协方差矩阵进行样本相似性判定，得到相似样本集合；
S6、根据S5中的相似样本集合得到滤波估计值，实现基于超像素分割的视频SAR序贯图像相干斑滤波；
S3中，依次进行S3.1判定超像素块所处区域和S3.2对于动目标区域配准；
S3.1判定超像素块所处区域：根据像素点匹配程度公式得到匹配程度Dm，
Figure FDA0004268193370000011
其中，Si表示超像素块中像素点总数，Si+1表示超像素块中动目标区域所占的像素点总数，
当Dm≥95％时，判定超像素块属于静目标区域，当Dm<95％时，判定超像素块属于动目标区域；
S3.2对动目标区域配准：利用动目标区域的超像素块内像素点的集合，根据超像素块之间像素点的相似性进行配准，得到配准后的超像素集合；
S4中，依次进行S4.1构建协方差矢量和S4.2构建协方差矩阵；
S4.1构建协方差矢量vi：将S3.2中超像素集合外的像素点置0，
Figure FDA0004268193370000021
其中，t表示视频SAR图像第t帧，x,y分别表示横坐标和纵坐标，-1≤m,n≤1表示坐标3×3邻域，公式上标T表示向量的转置，P表示图像像素点灰度值；
S4.2构建协方差矩阵M(x，y，t)：
Figure FDA0004268193370000022
利用S4.1中的协方差矢量构建协方差矩阵M(x，y，t)，其中，上标H表示共轭转置。
2.根据权利要求1所述的基于超像素分割的视频SAR序贯图像相干斑滤波方法，其特征在于：S2中，依次进行S2.1初始化聚类中心，S2.2调整聚类中心位置，S2.3计算距离度量，S2.4局部聚类迭代，S2.5强制类别联通；
S2.1初始化聚类中心：假设第M帧图像共有N个像素点，超像素个数设置为K，则每个超像素的大小为N/K，相邻聚类中心的距离：
Figure FDA0004268193370000023
S2.2调整聚类中心位置：在初始聚类中心3×3邻域内对其重新定位，将聚类中心移动到梯度最小的位置；
S2.3计算距离度量：根据SAR图像的灰度信息构建距离度量Dg(i，j)，
Figure FDA0004268193370000024
Figure FDA0004268193370000025
Figure FDA0004268193370000031
其中，dg代表灰度距离，dij代表空间距离，i,j分别表示两个像素点，g表示像素点灰度值，x,y分别表示像素点的横坐标和纵坐标，m为调节系数，取值范围为[1，40]；
S2.4局部聚类迭代：根据距离度量Dg(i，j)在聚类中心的2S×2S邻域内搜索相似样本点，并重复迭代直到误差收敛；
S2.5强制类别联通：将孤立的像素点或尺寸较小的超像素块与附近尺寸较大的超像素块进行强制连通。
3.根据权利要求1所述的基于超像素分割的视频SAR序贯图像相干斑滤波方法，其特征在于：S5中，视频SAR图像相干斑滤波中筛选相似样本的滤波窗为配准后的超像素块集合，利用如下公式判定样本相似性：
lnQ＝2pln2+ln|M|+ln|M′|-2ln|M+M′|
其中，Q表示协方差矩阵的似然比，p表示构造协方差矢量的维度，M和M′分别表示待滤波像素点和候选相似样本点的协方差矩阵。
4.根据权利要求1所述的基于超像素分割的视频SAR序贯图像相干斑滤波方法，其特征在于：S6中，由S5得到相似样本集合，对相似样本集合进行均值处理，得到滤波估计值，进而对超像素分割的视频SAR序贯图像相干斑滤波。
CN202310094581.9A 2023-01-31 2023-01-31 基于超像素分割的视频sar序贯图像相干斑滤波方法 Active CN116051415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310094581.9A CN116051415B (zh) 2023-01-31 2023-01-31 基于超像素分割的视频sar序贯图像相干斑滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310094581.9A CN116051415B (zh) 2023-01-31 2023-01-31 基于超像素分割的视频sar序贯图像相干斑滤波方法

Publications (2)

Publication Number Publication Date
CN116051415A CN116051415A (zh) 2023-05-02
CN116051415B true CN116051415B (zh) 2023-07-04

Family

ID=86114604

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310094581.9A Active CN116051415B (zh) 2023-01-31 2023-01-31 基于超像素分割的视频sar序贯图像相干斑滤波方法

Country Status (1)

Country Link
CN (1) CN116051415B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291790A (zh) * 2023-09-19 2023-12-26 北京化工大学 一种sar图像配准方法、装置、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9389311B1 (en) * 2015-02-19 2016-07-12 Sandia Corporation Superpixel edges for boundary detection
CN106096651A (zh) * 2016-06-12 2016-11-09 西安电子科技大学 基于超像素和度量学习的极化sar地物分类方法
CN107194917A (zh) * 2017-05-15 2017-09-22 西安电子科技大学 基于dap和arelm的在轨sar图像变化检测方法
CN108257154A (zh) * 2018-01-12 2018-07-06 西安电子科技大学 基于区域信息和cnn的极化sar图像变化检测方法
US10042048B1 (en) * 2014-02-20 2018-08-07 National Technology & Engineering Solutions Of Sandia, Llc Superpixels for improved structure and terrain classification using multiple synthetic aperture radar image products
CN110335214A (zh) * 2019-07-09 2019-10-15 中国人民解放军国防科技大学 结合上下文协方差矩阵的全极化sar图像相干斑滤波方法
CN112508963A (zh) * 2020-11-30 2021-03-16 西安电子科技大学 一种基于模糊c均值聚类的sar图像分割方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10042048B1 (en) * 2014-02-20 2018-08-07 National Technology & Engineering Solutions Of Sandia, Llc Superpixels for improved structure and terrain classification using multiple synthetic aperture radar image products
US9389311B1 (en) * 2015-02-19 2016-07-12 Sandia Corporation Superpixel edges for boundary detection
CN106096651A (zh) * 2016-06-12 2016-11-09 西安电子科技大学 基于超像素和度量学习的极化sar地物分类方法
CN107194917A (zh) * 2017-05-15 2017-09-22 西安电子科技大学 基于dap和arelm的在轨sar图像变化检测方法
CN108257154A (zh) * 2018-01-12 2018-07-06 西安电子科技大学 基于区域信息和cnn的极化sar图像变化检测方法
CN110335214A (zh) * 2019-07-09 2019-10-15 中国人民解放军国防科技大学 结合上下文协方差矩阵的全极化sar图像相干斑滤波方法
CN112508963A (zh) * 2020-11-30 2021-03-16 西安电子科技大学 一种基于模糊c均值聚类的sar图像分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SAR Image Speckle Filtering With Contex Covariance Matrix Formulation and Similarity Test;Si-Wei Chen.et al;《IEEE》;第29卷;全文 *
基于SLIC超像素分割的SAR图像海陆分割算法;李智等;《雷达科学与技术》(第04期);全文 *
基于超像素分割与多信息融合的叠掩和阴影区域检测法;刘鹏等;《测绘学报》;第51卷(第12期);全文 *

Also Published As

Publication number Publication date
CN116051415A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
Agrawal et al. A novel joint histogram equalization based image contrast enhancement
CN108510504B (zh) 图像分割方法和装置
CN109712149B (zh) 一种基于小波能量和模糊c均值的图像分割方法
CN104933678B (zh) 一种基于像素强度的图像超分辨率重建方法
CN109978848B (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN107609571B (zh) 一种基于lark特征的自适应目标跟踪方法
CN116051415B (zh) 基于超像素分割的视频sar序贯图像相干斑滤波方法
CN111783583B (zh) 基于非局部均值算法的sar图像相干斑抑制方法
Pu et al. Removing rain based on a cycle generative adversarial network
CN112598708A (zh) 一种基于四特征融合和权重系数的高光谱目标跟踪方法
Pok et al. Efficient block matching for removing impulse noise
Meher et al. Visible and infrared image fusion using an efficient adaptive transition region extraction technique
CN110570379B (zh) 一种基于结构张量的非局部均值ct图像降噪方法
CN112070717A (zh) 基于图像处理的输电线路覆冰厚度检测方法
CN104680181B (zh) 基于似然比特征的sar图像超像素分割方法
Wang et al. Rain streak removal by multi-frame-based anisotropic filtering
CN112734666B (zh) 基于相似值的sar图像相干斑非局部均值抑制方法
CN112801903A (zh) 一种基于视频降噪的目标跟踪方法、装置和计算机设备
CN113759375A (zh) 基于统计特性的sar图像非局部均值去噪方法
Aslam et al. A review on various clustering approaches for image segmentation
Thayammal et al. Performance analysis of image denoising using deep convolutional neural network
CN113406625A (zh) 一种sar图像超像素滑窗cfar检测方法
CN107451574B (zh) 一种基于类Haar视觉特征感知的运动估计方法
CN112348853A (zh) 基于红外显著性特征融合的粒子滤波跟踪的方法
CN107292854B (zh) 基于局部奇异性量化分析的灰度图像增强方法

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