CN116433530A - 一种基于均值移动的极化sar相干斑滤波方法 - Google Patents
一种基于均值移动的极化sar相干斑滤波方法 Download PDFInfo
- Publication number
- CN116433530A CN116433530A CN202310422091.7A CN202310422091A CN116433530A CN 116433530 A CN116433530 A CN 116433530A CN 202310422091 A CN202310422091 A CN 202310422091A CN 116433530 A CN116433530 A CN 116433530A
- Authority
- CN
- China
- Prior art keywords
- mean shift
- filtering
- kernel function
- probability density
- shift vector
- 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.)
- Pending
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 abstract description 20
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000004321 preservation Methods 0.000 abstract description 3
- 230000010287 polarization Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 241001092489 Potentilla Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- G01S13/9094—Theoretical aspects
-
- 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
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30212—Military
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于均值移动的极化SAR相干斑滤波方法,目的是解决当前方法多基于极化通道间统计相关性,从而容易只对极化协方差矩阵/极化相干矩阵的对角线元素进行滤波的问题,实现了对非对角线元素的处理,同时改善了滤波的效果,可以实现对边界特征及极化散射特性的保存,属于雷达电子战领域。技术方案是根据核函数估计概率密度函数;根据核函数的概率密度估计的梯度计算均值移动向量;按照所得的均值移动向量进行峰值迭代搜索;迭代搜索结束,得到滤波结果。本发明操作简单,具备很强的工程基础和应用前景,可推广到战场侦察,复杂电磁环境下检测地方目标等实际场景中。
Description
技术领域
本发明属于雷达信息处理领域,涉及一种对SAR(Synthetic Aperture Radar,合成孔径雷达)的滤波方法,尤其是一种基于均值移动的极化SAR相干斑滤波方法。
背景技术
作为典型的成像系统,SAR具有全天时、全天候及植被穿透等显著优势,在军事侦察、地形测绘、地质监测、森林遥感和灾情评估等领域具有广泛应用。近年来,以多极化/多天线为代表的多通道SAR极大地拓展了SAR在地物分类、高分辨成像、前视成像、动目标成像等领域的应用,成为了SAR发展的一大趋势。多极化信息的获取,一方面提供了更为丰富的目标散射信息,为揭示目标散射机理,反演目标物理、结构特征提供了依据;另一方面,极化特性的差异为分辨邻近目标提供了新的信息,对改善雷达分辨能力具有一定的作用。利用多部空间位置不同的天线,SAR可以从多个角度对成像场景进行观测,增加了空间维的信息量。
作为基于相干原理的成像系统所固有的缺陷,极化SAR图像和SAR图像一样会出现相干斑噪声。受其影响,极化SAR图像中像素的幅度和相位会出现较大的起伏,严重影响着图像的可解译性。在过去几十年间,学者们对极化SAR相干斑滤波展开了广泛的研究,这些研究可以大致分成两个阶段。在第一个阶段中,学者们基于极化通道间的统计相关性提出了一些相干斑滤波算法,通过联合几个极化通道的数据对相干斑噪声进行了抑制。然而,这些算法具有不可避免的缺陷。首先,理论上,极化协方差矩阵的所有元素在滤波后都将变得完全相关,使得滤波后的极化协方差矩阵不能够再用复Wishart分布进行描述。第二,滤波过程中引入了通道间的串扰,造成极化信息的改变。再者,这些滤波算法往往忽略了极化协方差矩阵非对角元素的滤波。第二个阶段以J.S.Lee提出极化SAR相干斑滤波的准则为标志,以J.S.Lee等人提出的精致Lee极化滤波算法,G.Vasil等人提出的IDAN滤波算法为代表。这些算法开始引入极化散射特性比较的思想,在强调相干斑噪声抑制的同时还考虑极化散射特性的保持。
然而,在这些算法中,极化散射特性的相似性比较还相对粗糙,没有充分利用极化协方差矩阵/极化相干矩阵中所包含的极化信息,不能得到理想的相干斑滤波效果。因此,为了适应极化SAR图像解译对图像细节信息以及目标极化散射特性准确性的更高要求,有必要研究新的极化SAR相干斑滤波方法。
发明内容
本发明提出一种基于均值移动的极化SAR相干斑滤波方法,解决了当前方法多基于极化通道间统计相关性,从而容易只对极化协方差矩阵/极化相干矩阵的对角线元素进行滤波的问题,实现了对非对角线元素的处理;此外,本发明还改善了滤波的效果,可以实现对于边界特征及极化散射特性的保存。
本发明的技术方案是,一种基于均值移动的极化SAR相干斑滤波方法,包括下述步骤:
步骤一:根据核函数估计概率密度函数;
步骤二:根据核函数的概率密度估计的梯度计算均值移动向量;
步骤三:按照所得的均值移动向量进行峰值迭代搜索;
步骤四:迭代搜索结束,得到滤波结果。
采用本发明可取得以下有益效果:
第一,信息利用更加全面有效,本发明基于均值移动理论提出的极化SAR相干斑滤波方法,采用了空间域和值域的联合滤波,充分地利用了极化信息和幅度信息,满足了极化SAR相干斑滤波的基本原则,得到了更好的滤波效果;
第二,极化滤波效果更好,本发明在相干斑滤波、边界保护及极化散射特性的保持上都有较好的性能,本发明能够在滤除相干斑噪声的同时很好的保持图像的细节、边界信息以及极化散射特性;
第三,具有重要实用价值,本发明的实现步骤简单,克服了极化SAR相干滤波的问题,为极化SAR对地面目标的检测与识别提供了一种有效的方法,对于现代战场,特别是复杂电磁环境下对于目标的检测,具有重要的意义和实用价值。
附图说明
图1为本发明的原理流程示意图;
图2(a)为本发明对海南省陵水民族中学的极化SAR伪彩色图滤波前的图像;
图2(b)为本发明对海南省陵水民族中学的极化SAR伪彩色图精致Lee滤波后的图像;
图2(c)为本发明对海南省陵水民族中学的极化SAR伪彩色图IDAN滤波后的图像;
图2(d)为本发明对海南省陵水民族中学的极化SAR伪彩色图滤波效果图;
图3(a)为本发明对德国Oberpfaffenhofen实验场的极化SAR伪彩色图滤波前的图像;
图3(b)为本发明对德国Oberpfaffenhofen实验场的极化SAR伪彩色图精致Lee滤波后的图像;
图3(c)为本发明对德国Oberpfaffenhofen实验场的极化SAR伪彩色图IDAN滤波后的图像;
图3(d)为本发明对德国Oberpfaffenhofen实验场的极化SAR伪彩色图滤波效果图;
图4(a)为本发明对某研究所SAR图像进行精致Lee极化滤波后图像的边界检测结果图;
图4(b)为本发明对某研究所SAR图像进行IDAN滤波后图像的边界检测结果图
图4(c)为本发明对某研究所SAR图像进行滤波后图像的的边界检测结果图。
具体实施方式
为了更好地理解本发明的技术方案,下面结合本发明的基本原理和附图对本发明的实施方式作进一步描述。
图1为本发明的原理流程示意图。包括四个步骤:根据核函数估计概率密度函数、根据核函数的概率密度估计的梯度计算均值移动向量、按照所得的均值移动向量进行峰值迭代搜索、迭代搜索结束后得到滤波结果。具体方法如下:
步骤一,对SAR图像,基于核函数(Kernel)估计概率密度函数,包括以下步骤:
1.1给定d维欧式空间Rd中的n个元素xi,i=1,2,…n,将基于核函数K(x)和d维带宽矩阵H的概率密度估计表示为
其中
KH(x)=|H|-1/2K(H-1/2x) (2)
x为定义函数的自变量;
1.2将带宽矩阵H取为
1.3将核函数表示成径向对称的形式
K(x)=ck,dk(||x||2) (5)
其中k(·)为核函数K(x)的剖面函数(Profile),ck,d是归一化系数,将式(5)代入式(4)得
1.4定义g(x)=-k′(x),并将剖面函数g(x)所对应的核函数表示为
G(x)=cg,dg(||x||2) (7)
其中cg,d为归一化系数,x为定义函数的自变量;
其中,由part1和核函数G(x)估计出的概率密度为
且式(8)中,part2为步骤二中要估计的均值移动向量mh,G(x)
步骤二,根据核函数的概率密度估计的梯度计算均值移动向量,包括以下步骤:
由式(11)确定均值移动向量mh,G(x)相当于基于核函数K(x)的概率密度估计的梯度被基于核函数G(x)的概率密度估计归一化的结果;考虑到核函数的非负特性,确定mh,G(x)的符号和一致,即所估计出的概率密度的最大上升方向;
步骤三,按照所得的均值移动向量进行峰值迭代搜索,包括以下步骤:
3.1令y0=x为初始值,并且将yj,j=1,2,…记为第j次迭代的结果,在均值移动过程中,确定yj+1和yj之间的关系为
其中,yj+1是以yj为球心的超球面中的点的加权平均;
3.2根据式(10)和(12)确定均值移动向量最终表达式为
均值移动向量同时也代表了迭代步长;
步骤四,迭代搜索结束,得到滤波结果。
图2为本发明对海南省陵水民族中学的极化SAR伪彩色图滤波效果图。其中,(a)滤波前的图像;(b)图为精致Lee极化滤波(滤波窗口为7×7)后的图像;(c)图为IDAN极化滤波后的效果图;(d)图为利用本发明方法进行滤波后的效果图。可以看到,本发明滤波方法克服了精致Lee极化滤波方法和IDAN滤波算法的诸多缺陷,得到了很好的滤波效果。首先,在同质区域,如学校操场,本发明的滤波方法得到了相当平滑的滤波效果,并且没有出现“补丁效应”,使得操场中两个呈蓝色的球门在滤波后的图像中显得更加清晰。其次,图像的细节信息和点目标都得到了很好的保护。图像的纹理信息也得到了较好的保持,这点从操场区域滤波前后的对比就可以看出。综上所述,可以说明本发明滤波算法在滤除相干斑噪声的同时也很好的保护了图像的细节信息。
图3为本发明对德国Oberpfaffenhofen实验场的极化SAR伪彩色图滤波效果图,(a)给出了滤波前的图像;(b)给出了精致Lee滤波后的图像;(c)给出了IDAN滤波后的图像;(d)给出了本发明滤波后的图像。可以看到,本发明滤波方法的滤波效果明显优于精致Lee极化滤波和IDAN滤波。首先,在同质区域,本发明滤波方法得到了最平滑的滤波效果,滤波后同质区域内部均匀细腻,没有出现“补丁效应”。其次,本发明滤波方法具有很好的边界保持效果。在经过本发明滤波方法滤波后,该边界却仍能保持清晰,且没有出现展宽的现象。
图4为本发明对38所SAR图像滤波后的CFAR边界检测器的边界检测结果图,(a)给出了精致Lee极化滤波后图像的边界检测结果;(b)给出了IDAN滤波后图像的边界检测结果;(c)给出了本发明滤波后图像的边界检测结果。在图中,本发明的滤波方法毫无疑问具有最佳的边界保持性能,所有道路、跑道、建筑的轮廓都表现得连续且清晰。而精致Lee极化滤波边界表现出不连续的现象,这在田间道路和操场中跑道的边界检测结果中表现得尤为明显。与此同时,很多散射点的边界也变得模糊了,这在操场上部散射点的边界检测结果中表现的尤为明显,有些散射点的边界甚至没有被检测出来。尽管IDAN滤波方法的边界保持效果比精致Lee极化滤波方法要略好一些,但是图像中出现了大量的噪点。
Claims (1)
1.一种基于均值移动的极化SAR相干斑滤波方法,其特征在于,包括以下步骤:
步骤一,对SAR图像,基于核函数估计概率密度函数,包括以下步骤:
1.1给定d维欧式空间Rd中的n个元素xi,i=1,2,…n,将基于核函数K(x)和d维带宽矩阵H的概率密度估计表示为
其中
KH(x)=|H|-12K(H-12x) (2)
x为定义函数的自变量;
1.2将带宽矩阵H取为
1.3将核函数表示成径向对称的形式
K(x)=ck,dk(||x||2) (5)
其中k(·)为核函数K(x)的剖面函数(Profile),ck,d是归一化系数,将式(5)代入式(4)得
1.4定义g(x)=-k′(x),并将剖面函数g(x)所对应的核函数表示为
G(x)=cg,dg(||x||2) (7)
其中cg,d为归一化系数,x为定义函数的自变量;
其中,由part1和核函数G(x)估计出的概率密度为
且式(8)中,part2为步骤二中要估计的均值移动向量mh,G(x)
步骤二,根据核函数的概率密度估计的梯度计算均值移动向量,包括以下步骤:
由式(11)确定均值移动向量mh,G(x)相当于基于核函数K(x)的概率密度估计的梯度被基于核函数G(x)的概率密度估计归一化的结果;考虑到核函数的非负特性,确定mh,G(x)的符号和一致,即所估计出的概率密度的最大上升方向;
步骤三,按照所得的均值移动向量进行峰值迭代搜索,包括以下步骤:
3.1令y0=x为初始值,并且将yj,j=1,2,…记为第j次迭代的结果,在均值移动过程中,确定yj+1和yj之间的关系为
其中,yj+1是以yj为球心的超球面中的点的加权平均;
3.2根据式(10)和(12)确定均值移动向量最终表达式为
均值移动向量同时也代表了迭代步长;
步骤四,迭代搜索结束,得到滤波结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310422091.7A CN116433530A (zh) | 2023-04-19 | 2023-04-19 | 一种基于均值移动的极化sar相干斑滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310422091.7A CN116433530A (zh) | 2023-04-19 | 2023-04-19 | 一种基于均值移动的极化sar相干斑滤波方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116433530A true CN116433530A (zh) | 2023-07-14 |
Family
ID=87083918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310422091.7A Pending CN116433530A (zh) | 2023-04-19 | 2023-04-19 | 一种基于均值移动的极化sar相干斑滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116433530A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116844059A (zh) * | 2023-08-30 | 2023-10-03 | 中国人民解放军海军工程大学 | 基于双对角变化的极化sar图像目标检测方法 |
CN117250996A (zh) * | 2023-11-20 | 2023-12-19 | 中国人民解放军海军工程大学 | 一种无人集群对可移动目标的搜索方法 |
-
2023
- 2023-04-19 CN CN202310422091.7A patent/CN116433530A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116844059A (zh) * | 2023-08-30 | 2023-10-03 | 中国人民解放军海军工程大学 | 基于双对角变化的极化sar图像目标检测方法 |
CN116844059B (zh) * | 2023-08-30 | 2023-11-21 | 中国人民解放军海军工程大学 | 基于双对角变化的极化sar图像目标检测方法 |
CN117250996A (zh) * | 2023-11-20 | 2023-12-19 | 中国人民解放军海军工程大学 | 一种无人集群对可移动目标的搜索方法 |
CN117250996B (zh) * | 2023-11-20 | 2024-02-09 | 中国人民解放军海军工程大学 | 一种无人集群对可移动目标的搜索方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116433530A (zh) | 一种基于均值移动的极化sar相干斑滤波方法 | |
Chen et al. | PolInSAR complex coherence estimation based on covariance matrix similarity test | |
Khazai et al. | An approach for subpixel anomaly detection in hyperspectral images | |
Wang et al. | Unsupervised classification of fully polarimetric SAR images based on scattering power entropy and copolarized ratio | |
CN107123150B (zh) | 全局颜色对比度检测和分割显著图的方法 | |
Ma et al. | What catch your attention in SAR images: Saliency detection based on soft-superpixel lacunarity cue | |
CN105205484B (zh) | 基于曲波变换与维纳滤波的合成孔径雷达目标检测方法 | |
Baier et al. | A nonlocal InSAR filter for high-resolution DEM generation from TanDEM-X interferograms | |
Xiao et al. | Polarimetric coherence optimization and its application for manmade target extraction in PolSAR data | |
Lang et al. | Mean-shift-based speckle filtering of polarimetric SAR data | |
Wu et al. | Urban land use information extraction using the ultrahigh-resolution Chinese airborne SAR imagery | |
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 | |
CN106097292B (zh) | 一种用于遥感影像处理的时空邻域高斯加权中值滤波方法 | |
Fatnassi et al. | SAR speckle filtering using hybrid NonLocal sigma filter | |
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 | |
Shen et al. | HoMeNL: A homogeneity measure-based NonLocal filtering framework for detail-enhanced (Pol)(In) SAR image denoising | |
CN106204664B (zh) | 基于sar-lark特征的sar舰船目标检测方法 | |
CN114373135A (zh) | 基于局部显著性特征度量的舰船目标检测方法 | |
CN115205216A (zh) | 一种基于显著性和加权引导滤波的红外小目标检测方法 | |
Wang et al. | Five-component decomposition methods of polarimetric SAR and polarimetric SAR interferometry using coupling scattering mechanisms | |
Luo et al. | Despeckling multi-temporal polarimetric SAR data based on tensor decomposition | |
Zandona Schneider et al. | Analysis of coherent scatterers over urban areas | |
Pang et al. | Novel polarimetric SAR speckle filtering algorithm based on mean shift | |
Zhang et al. | Adaptive spatial filtering of interferometric data stack oriented to distributed scatterers | |
Li et al. | Ship target detection method based on local saliency enhancement |
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 |