一种SAR图像相干斑噪声抑制新算法

一种对Gamma分布的SAR图像相干斑去噪的技术创新1 引言合成孔径雷达（SAR）是二战以后发展起来的一种高分辨力成像雷达，在和民用方面都具有重要的应用价值，它可以全天候、远距离地得到类似光学照相的高分辨力图像。

目前国内外广泛开展SAR图像处理研究，其相干斑抑制算法是一个研究热点。

相干斑噪声是SAR图像所固有的，它的来由是因为SAR作为一种相干成像系统，具有后向散射成像特征。

相干斑噪声的存在严重减低了图像的可编译程度，影响了对目标进行检测和识别。

将SAR图像看成确定的RCS对一个随机的平稳相干斑调制过程，可将相干斑视为乘性噪声，特别是在服从Gamma分布情况下。

对SAR图像的去噪方法主要分为多视处理和空域滤波两大类[1]。

多视处理是早期使用的方法，是在成像过程中以牺牲分辨率为代价来抑制相干斑噪声的一种方法。

空域滤波算法是在成像后对像素进行处理，以达到抑制噪声和保持边缘细节目的，在抑制噪声的同时，损伤了目标的可分辨性。

而小波变换的基函数是各向同性，对图像的表示不是最稀疏的，去噪效果不明显[2]。

本文针对Gamma分布的相干斑噪声，采用一种对图像进行复原的方法，以达到抑制噪声的目的。

图像复原的目的是根据合适的最优化准则得到和原始退化图像尽可能接近的清晰图像。

传统的复原方法运用原始退化图像和噪声的统计特性进行降噪复原，但其前提条件是点扩散函数已知，这一点经常得不到满足。

BP神经网络的神经元可以在不清楚点扩散函数的基础上实现原始图像和噪声图像之间的非线性映射[3]。

但是BP算法本身也存在易陷入局部最小、收敛速度较慢的问题。

粒子群算法由简单个体组成群落并利用个体之间的互动行为模拟搜索全局最优解，容易实现而且参数需求较少，可弥补传统神经网络学习算法存在的不足。

因此可采用粒子群算法对BP网络进行优化，将结果用于相干斑噪声的抑制。

其测试结果和传统去噪方法进行比较表明，均方误差（NMSE）较小，峰值信噪比（PSNR）较大，去噪效果优于小波去噪算法。

• 147•抑制SAR图像相干斑噪声的方法研究与比较桂林电子科技大学海洋信息工程学院 蒙倩颜【摘要】本文在研究SAR图像相干斑噪声特性的基础上，分析了四种抑制相干斑噪声的方法，即Lee滤波、Lee增强型滤波、Frost滤波、Gamma MAP滤波，并用目视效果、图像标准差、等效视数和边缘保持指数这四个性能指标来评价四种滤波算法，以得出最优的滤波方式，为后续处理SAR图像做好准备。

【关键词】SAR图像；相干斑噪声；噪声抑制；性能评价1 引言合成孔径雷达(Synthetic Aperture Radar, SAR)[1]是一种主动式成像的遥感系统，不受天气的影响，全天时全天候对地目标进行高分辨率成像的优越性而被广泛应用于军事和国民经济等领域。

由于成像系统采用相干处理系统，必存在相干斑噪声，造成了成像的质量降低，因此，使用雷达图像前必去噪至关重要。

2 SAR图像斑点噪声特性SAR 图像与普通的数字图像物理成像机制不同，产生的噪声也不相同，SAR 图像的相干斑噪声是在雷达回波信号的过程中产生的，而数字图像是在图像处理过程中每个步骤随机引起。

所有的相干成像系统中斑点是固有存在的，包括雷达在内。

而雷达图像上的斑点可从雷达成像原理和回波信号的特征描述两个成因进行分析。

SAR 成像过程中产生的相干斑噪声的模型如图2-1所示。

图2-1 SAR图像相干斑噪声形成的模型图2-1中，飞机携带SAR 系统，发射天线向地面成像。

一般情况下，SAR 图像的小模块的尺度是电磁波波长的几十倍，SAR 图像里每个分辨单元内的强度和幅度值是理想散射点反射电磁波的矢量和。

对于单元内有大量地物目标，这些目标地物反射的回波为球面波，在球面上，单元内有大量地物目标，这些目标的回波信号幅值都相等，SAR 系统不能识别是哪个目标产生的子球面波，每个子球面波有各自的振幅和相位。

相位代表子球面的方向，各个子球面波的方向是不按规律产生的。

在求取单元地物的回波信号的矢量和时，如果地物细微特征上有差异，像元之间的子球面波的振幅可能重复、可能减弱、可能抵消，在视觉上图像有与颗粒噪声相似，最后加减和差生成一个随机变量，这种情况反映在SAR 图像上以类似于椒盐噪声的强斑点噪声的形式随机出现，这就是相干斑噪声[2]。

二、SAR影像斑点噪声的抑制方法1、均值滤波均值滤波器是采用滤波窗口内所有像素灰度值的平均值来代替中心像素的值，均值滤波器具有很好的噪声平滑能力，噪声标准差按窗口内像元数的均方根降低。

然而，均值滤波器进行平滑时对噪声和边缘信息不加区分，从而导致边缘信息临近区域分辨率下降，为了减少这一问题，通常采用3×3或5×5的小滤波窗口。

也正是由于它滤波时对噪声和信号不加以区分的特点，对非噪声像素即信号也进行了平滑，从而不可避免地导致了影像的整体模糊和分辨率下降。

2、中值滤波中值滤波器是采用滤波窗口内所有像素的中值来代替中心像素的值，它能有效地孤立斑点噪声。

然而，这种滤波器存在边缘模糊，消除细的线性特征以及目标形状扭曲等常见问题。

经中值滤波滤波后的影像失真度较大，纹理等细节信息损失较严重。

3、局部滤波局域滤波基于方位把活动窗口分为8块（北、南、东、西、西北、东北、西南及东南），对于每个区域，方差可由下式来计算：该算法比较窗口中心点附近8个局域方差值，窗口中心点的值就被区域中具有最小方差区域像元的平均值所代替。

方差平均值小的区域像元被认为受干涉的干扰小，这一点很像窗口中心点的像元，方差小的区域相对于周围的区域来说受干涉影响小。

4、Lee滤波在缺乏信号x的精确模型的情况下，使用影像本身从3×3或其它的滤波窗口内的局域均值z和局域方差var(z)来估计信号的先验均值和方差。

根据乘性噪声模型，信号x的先验均值和方差可以这样来估算：，假设线性滤波器的形式为，这里，。

要注意的是必须确保var(x)为非负，如果为负则置var(x)为0，否则可能在影像上引入认为的噪声成分。

这一滤波方法的直观解释是，在均匀区域var(x)=0，滤波后的像素值（窗口内像素的平均值）；对于高反差区域（或边缘），var(x)较大，（像素本身的值）。

该滤波器存在一个问题是边缘区域的噪声并没有被平滑。

5、Sigma滤波Sigma滤波是基于高斯分布的Sigma概率，它通过对滤波窗口内落在中央像素的两个Sigma范围内的像素进行平均来滤除影像噪声。

一种SAR图像相干斑噪声抑制新算法朱磊;水鹏朗;武爱景【摘要】To reduce speckle noise and preserve edge characteristics in synthetic aperture radar (SAR) images, an additive transform noise mode of speckle noise in the SAR image is given and a new algorithm for speckle reduction by the combination of self-snake diffusion and regulated L1-L2 optimization under undecimated wavelet packet transform (uWPT) is proposed. In the new method, a SAR image is first decomposed into multiple subbands by multi-level uWPT. The lowpass subband is filtered by self-snake diffusion, and the subband filtered is regarded as the local mean of the original SAR image in the wavelet domain. Based on the local mean, the adaptive and shrinkage soft-thresholding filter is applied to the remaining subbands by regulated L1-L2 optimization. Finally, the despeckled image is recovered from all of filtered subbands by the inverse uWPT. Experimental results show that compared with the Kuan filter algorithm, the P-M diffusion filter algorithm and the Γ-WMAP algorithm using undecimated wavelet transform, the proposed algorithm has better performance in terms of reducing speckle noise and preserving the edge of SAR images.%为抑制合成孔径雷达(SAR)图像乘性相干斑噪声,同时有效保护SAR图像的边缘特征,给出了相干斑噪声在小波域的一种加性转换噪声模型.并以此模型为基础,提出了一种非下采样小波包分解下自蛇扩散与改进I1-L2联合优化相结合的相干斑噪声抑制新算法.该算法利用非下采样小波包变换对SAR图像进行多层子带分解,然后对低通子带系数进行自蛇扩散滤波,并将滤波处理后的系数作为原SAR图像在小波域的局部均值估计,再以此局部均值为基础,利用改进的L1-L2联合优化对其他各高频子带系数进行自适应软阈值收缩滤波去噪.最后通过重构滤波后的各子带系数实现SAR图像相干斑噪声抑制.实验表明:与经典的空域Kuan滤波算法、P-M扩散滤波算法及基于非下采样小波变换的Γ-WMAP算法相比,本算法在SAR图像的相干斑噪声抑制与边缘保护方面均取得了较好的效果.【期刊名称】《西安电子科技大学学报（自然科学版）》【年(卷),期】2012(039)002【总页数】7页(P80-86)【关键词】合成孔径雷达图像;相干斑噪声;非下采样小波包变换;自蛇扩散;L1-L2优化【作者】朱磊;水鹏朗;武爱景【作者单位】西安电子科技大学雷达信号处理国家重点实验室,陕西西安710071;西安电子科技大学雷达信号处理国家重点实验室,陕西西安710071;西安电子科技大学雷达信号处理国家重点实验室,陕西西安710071【正文语种】中文【中图分类】TN251合成孔径雷达(SAR)借助大量随机分布的散射体反射的雷达回波相干叠加成像,从而不可避免地在SAR图像中产生一种称为相干斑(speckle noise)的乘性噪声.相干斑噪声的存在严重降低了SAR图像的视觉质量,限制了诸如边缘检测、特征提取、目标识别等后续解译处理技术的有效性[1].因此,相干斑噪声抑制对于改进SAR图像成像质量,提高SAR图像后续解译处理效果都具有重要意义[2].空域滤波算法、小波软阈值去噪算法与偏微分扩散滤波算法是三类重要的SAR图像相干斑噪声抑制算法[1].空域滤波的典型算法有Lee滤波、Frost滤波、Kuan滤波[3]、Γ-MAP滤波、非局部平均[4]等,这类滤波算法的特点是计算速度快,实时性好,但伴随噪声的平滑也带来了较严重的边缘模糊问题[5].小波软阈值去噪算法以文献[6]提出的Γ-WMAP算法最具代表性,该算法不仅对高频噪声有较好的抑制效果,同时又具有比空域滤波更好的边缘保持特性,但算法平移不变性差,且去噪后的图像存在伪Gibbs现象.偏微分扩散滤波算法以P-M扩散[7]、自蛇扩散[8-9]、张量扩散、前向-后向扩散为代表,这类扩散算法的最大特点是利用图像边缘检测信息对扩散的方向与强度进行约束,对含噪图像进行非线性各向异性扩散,从而使得这类算法在噪声抑制与边缘保护上均取得了较好的效果.但这类算法也有不足,例如:P-M扩散不能抑制边缘上的噪声,自蛇扩散虽能保护图像大尺度对象的边缘锐度,但会消除图像的部分细节;张量扩散经常导致许多虚假条纹的产生,前向-后向扩散通常不容易区分点目标与强噪声点,且计算速度较慢.因此,单纯依靠一种方法完成相干斑的去除,并保留纹理与增强边缘,是非常困难的[1,10].为此,笔者提出了一种在非下采样小波包分解下SAR图像相干斑噪声抑制的混合滤波算法,该算法以相干斑噪声在小波域的一种加性转换噪声模型为基础,将自蛇扩散与改进的L1-L2优化下小波软阈值收缩算法结合,在SAR图像相干斑抑制与边缘保护方面都取得了较好的效果.本算法主要有如下几点考量:其一,SAR图像的噪声、边缘与纹理等信息主要集中于高频区域,传统的小波去噪方法虽可去除高频子带噪声,但对低频子带噪声抑制有限.而非下采样小波包变换对高频与低频子带都进行再分解,可将图像的有用信息与噪声进行一定程度的分离,同时分解过程没有进行下采样,从而使分解得到的各子带系数图像具有较好的平移不变性,可把最低频子带系数作为原图像在小波域的局部均值估计加以利用.其二,SAR图像经小波包分解后,其大部分噪声与图像边缘等高频信息被分解到各高频子带中,其低频子带虽仍含有部分噪声,但其信噪比已得到较大改善,同时低频子带中,大尺度对象的边缘也得到一定程度的保留.另一方面,自蛇扩散不仅对噪声有较强的抑制作用,而且还能增强图像中大尺度对象的边缘锐度[8].因此,利用自蛇扩散对信噪比得到改善的低频子带进行扩散滤波,不仅可以有效消除低频子带中的残余噪声,而且还能对大尺度对象的边缘进行锐化与增强,从而在完成低频子带去噪的同时,还能获得一个经过噪声抑制和边缘锐化的更精细的原SAR图像小波域局部均值估计.其三,经非下采样小波包变换后获得的各高频子带聚集了较多的高频噪声,而L1-L2联合优化下的小波软阈值收缩方法则能有效去除高频噪声,但一般的L1-L2优化算法是针对加性噪声提出的[11],而在本文后续将要给出的相干斑小波域加性转换噪声模型中,噪声与信号并不独立,因此一般的L1-L2优化算法不能直接用于SAR图像相干斑噪声的抑制.为此,借助SAR图像小波域的局部均值估计,提出一种改进的L1-L2联合优化下的小波软阈值收缩方法,可对小波包各高频子带噪声进行有效去除.本文先给出了SAR图像相干斑噪声在小波域的一种加性转换噪声模型,进而对提出的新算法作了详细阐述,并通过对比仿真实验评估了新算法的性能.小波变换是一种线性变换,在一维情况下,信号被分解成不同尺度上的子带信号和低通逼近信号.正交小波分解包含了下采样算子,故其是线性的但不是时不变的,其一维分解结构如图1所示[2],其中,W1,W2和W3就是信号的正交小波系数.如果在图1中去掉每个通道的下采样算子,就得到了非下采样小波变换系数.而非下采样小波变换具有正交小波变换所不具备的平移不变性,是一种超完备信号表示形式,在图像去噪领域能够获得比正交小波变换更好的性能[2].下面,先引入SAR图像在空域的一种加性转换噪声模型,然后过渡到小波域噪声模型.在空域,设单视幅度格式下SAR图像(m,n)处像素的散射幅度为σ(m,n),则其观测模型可表达为其中,x(m,n)为场景参数,是正比于各单元散射幅度的参量,w(m,n)称作幅度格式下的相干斑,服从均值为1的瑞利分布.为了将上述乘性噪声模型转换为加性模型,式(1)可改写为其中,x为场景参数,是有用信号,而n则可视为非平稳的加性噪声,其均值为零且和有用信号x的相关性为这样,原来的乘性噪声w就转化为与信号x不独立也不相关的加性噪声n.在小波域,设符号WT(A)表示对A做小波变换,则由式(2)可知,SAR图像在小波域的系数WA可表示为其中,Wx为场景参数的小波系数;Wn则可视为均值为零的非平稳加性噪声.由于噪声n与信号x既不独立也不相关,则式(4)中噪声的小波系数Wn与场景参数的小波系数Wx同样既不独立也不相关.因此,在小波域中,SAR的去噪任务就演变为从WA 中估计Wx而去除Wn,由于噪声的小波系数Wn已转变为一种加性噪声,且与场景参数的小波系数Wx不相关,则可利用L1-L2联合优化方法来完成去噪处理,即其中,右边前一项用于限制估计值Wx的误差,而后一项则用于控制Wx的稀疏度,参数λ用于调节两项约束的平衡.但式(5)却不宜直接用于Wx的估计,因为误差项WA-Wx=Wn=WT[x(w-1)]是由真实噪声w受有用信号x调制后产生的,而Wn与Wx虽不相关但也不独立,且噪声Wn的起伏受信号x的影响严重,而式(5)却没有反映出这种变化规律且也不具有空间自适应性.为此,引入可反映WA局部空间取值变化的局部均值估计A,且将绝对误差WA-Wx改为相对误差(WA-Wx)/A,则式(5)可改写为上式是具有空间自适应性的改进型L1-L2联合优化,是笔者提出的混合去噪算法的重要组成部分之一,后续实验表明该方法可有效去除小波包分解后各高频子带中的噪声.笔者提出的混合去噪算法首先利用非下采样的小波包变换对SAR图像进行多层子带分解,然后将低通子带经自蛇扩散滤波后的小波系数作为原SAR图像在小波域的局部均值估计,并以此局部均值为基础,利用改进后的L1-L2联合优化对其他各高频子带进行自适应软阈值收缩去噪,最后重构滤波后的各子带小波系数实现SAR图像相干斑噪声抑制.下面详细介绍算法各步流程.2.1 非下采样小波包分解SAR图像的非下采样小波包分解具有良好的特性:(1)由于SAR图像的噪声、边缘与纹理等信息主要集中于高频部分,因此利用对高频与低频子带都进行再分解的非下采样小波包变换,可对信号与噪声实现一定程度上的分离,特别是对于低频子带,不仅大尺度对象的边缘得到一定程度的保留,而且信噪比也得到较大改善;(2)非下采样小波包变换进行子带分解时不进行下采样处理,因此分解后各子带系数图像与原SAR图像维数一致,具有较好的平移不变性,从而为利用低频子带来估计原SAR图像在小波域的局部均值,以及为利用改进的L1-L2联合优化完成各高频子带的去噪处理奠定基础.下面介绍非下采样小波包分解,先讨论一维情况.为了获得进行正交小波变换的正交基,需先给定尺度函数W0(x)与小波函数W1(x),并由低通滤波器h(x)与高通滤波器g(x)生成一组正交小波基即因此,小波基就可以定义成形式为Wn(2lx-k)的一组正交函数,其中l,k∈Z,n∈N.将上述一维情况推广到二维,具体做法是将沿水平与垂直方向的两个一维小波基做内积获得二维的小波基函数,而相应的二维滤波器可以表示为这样,以正交小波为基的非下采样小波包基函数可分别由{hk}和{gk}补零得到其中,[]↑2表示以因子2上采样.SAR图像经多层非下采样小波包变换后,其系数具有很强的非高斯性,低频子带中噪声得到较大抑制,大尺度对象边缘也得到一定程度的保留,而斑点噪声则主要集中在高频子带中,且高频子带中的噪声可被认为近似服从高斯分布[2].2.2 低频子带的自蛇扩散滤波SAR图像经多层非下采样小波包分解后获得的低频子带系数图像具有如下几个特点:其一,维数仍和原SAR图像一致,各像素点取值近似等效于原SAR图像小波域的局部均值;其二,信噪比得到改善,但仍有噪声存在,需进一步抑制噪声;其三,大尺度对象边缘得到一定程度的保留,从而为边缘增强提供了基础.鉴于低频子带的上述特征,可以低频子带为基础,更加精确地估计原SAR图像小波域的局部均值.在本文算法中,采用自蛇扩散来完成这一任务,原因是自蛇扩散对于信噪比有较大改善的低频子带系数图像不仅可以很好地抑制其剩余噪声,而且可以保护并锐化大尺度对象的边缘,从而获得原SAR图像更加精确的小波域局部均值估计.设SAR图像经多层非下采样小波包分解后获得的低频子带系数图像为A(m,n),则其自蛇扩散滤波处理如式(10)所示.在式(10)中,A(m,n)的自蛇扩散滤波分成了两部分,其中Fdiff=为扩散项(实质为带有边缘停止函数g的方向扩散),Fshock=∇g·∇A为带边缘增强作用的冲击项.边缘检测函数g利用A(m,n)的梯度模来作为判断边缘的依据,考虑到梯度参量对噪声的敏感性,在进行边缘检测前,需利用高斯平滑算子对图像作平滑处理.另外,边缘检测函数g可有多种形式,本文算法仿真中采用其中,K为反差参数.2.3 高频子带的改进型L1-L2联合优化去噪如前所述,根据相干斑噪声在小波域模型的特点,针对非下采样小波包分解后的各高频子带系数图像去噪问题,提出了如式(6)所示的改进型L1-L2联合优化去噪算法.该改进算法与普通L1-L2优化算法的主要区别是:引入了反映图像局部空间取值变化的局部均值估计A,且将绝对误差项WA-Wx改为相对误差项(WA-Wx)A,从而使得新算法具有空间自适应性,且有利于克服信号起伏对误差估计带来的显著影响.下面,具体阐述改进型L1-L2联合优化去噪算法.假设观测的SAR图像为I,则经N层非下采样小波包分解后得到与I维数相同的22N个子带图像,用A代表其低频子带,Bi(i=1,2,…,22N-1)代表其余高频子带,则将公式(6)离散化并应用到二维图像情况,可得其中,Ci(m,n)为第i个高频子带去噪后其场景参数小波系数的估计值,而Ā(m,n)表示低频子带A(m,n)经自蛇扩散滤波处理后得到的原SAR图像在小波域的局部均值估计.在式(12)右边,前一项用于约束估计值Ci(m,n)的误差,由于局部均值估计Ā(m,n)的引入,故其是空间自适应性的;后一项用于控制估计值Ci(m,n)的稀疏度,λ是一可调的平衡因子.式(12)的软阈值收缩解可方便地求出为了书写方便,式(13)中省去了各变量的位置参数(m,n).由公式(13)可以看出,算法在实际求解时,以(Ā)2λ作为阈值,不仅将Ci的小系数限制为零,而且对较大的系数也进行了相应的收缩.经过上述各步去噪处理后,再将去噪后的低频子带Ā与高频子带Ci(i=1,2,3,…,22N-1)进行小波包重构,从而最终恢复得到去噪后的SAR图像.通过两类实验来评估新算法的去噪与边缘保持性能,并与经典的Kuan滤波算法、P-M扩散滤波算法和Γ-WMAP算法进行了实验结果对比.实验1 由于真实SAR图像无法准确获得边缘与信噪比等信息,为了客观的展现不同去噪算法的噪声抑制与边缘保护性能,并方便定量计算比较,本文构造出一幅分片常数的卡通图像(大小为256×256),如图2(a)所示,其真实边缘的二值图像如图2(b)所示.对图2(a)添加均值为1,方差为0.1的Speckle乘性噪声,使其成为一幅具有单视幅度格式特性的仿真SAR图像,如图2(c)所示.然后分别利用Kuan滤波算法、P-M 扩散滤波算法、Γ-WMAP算法与本文算法对图2(c)进行去噪处理,并对各算法去噪后的图像进行边缘检测(采用阈值为0.2的Canny边缘检测算子)与峰值信噪比PSNR和等效视数ENL的计算.ENL是一种用来衡量SAR图像滤波性能的常用评价标准,可反映算法的相干斑噪声抑制能力,其计算公式为ENL=u2δ2,其中u与δ分别为图像平坦区域像素的均值与标准差.实验结果如图2与表1所示.从表1的定量计算结果可以看出:与其他算法相比,本文算法在PSNR与ENL两项指标下均获得了更高的指标值,从而说明本文算法具有更好的去噪效果.对图2进行直接目视效果对比可以看出:与其他算法相比,本文算法获得的去噪图像(图2(g))的斑点噪声得到了很好的抑制,图像同质区具有较好的平滑性,同时图像边缘得到了较好的保护与锐化.另外,从去噪图像的边缘检测效果来看:对本文算法获得的去噪图像进行边缘检测,其边缘二值图像(图2(k))的虚假边缘与边缘断裂现象都最少,从而说明本文算法在去噪的同时有效地保护了图像的边缘特征.实验2 采用真实SAR图像(大小为256×256)作为各去噪算法的输入,并对去噪后的图像计算等效视数ENL,实验结果如图3与表2所示.从表2的定量计算结果可以看出:与其他算法相比,本文算法对真实SAR图像的去噪处理在ENL指标下同样获得了更高的指标值,从而说明本文算法对真实SAR图像的去噪效果更佳.对图3进行直接目视效果对比可以看出:与其他算法相比,本文算法对真实SAR图像处理获得的去噪图像(图3(e)),其斑点噪声得到了很好的抑制,图像中农田与河流等同质区具有较好的平滑性,同时河流、桥梁等目标的边缘得到了较好的保护与锐化,从而说明本文算法在对真实SAR图像去噪的同时,有效地保护了SAR图像的边缘特征.综上所述,在噪声抑制与边缘保护方面,本文算法对仿真SAR图像与真实SAR图像的处理均取得了较好的效果,无论从目视效果还是指标参数定量计算来比较,均较其他算法理想.以SAR图像相干斑噪声在小波域的一种加性转换噪声模型为基础,提出了一种基于非下采样小波包分解下自蛇扩散与改进L1-L2联合优化相结合的SAR图像相干斑噪声抑制新算法.利用非下采样小波包变换替代传统小波分解,获得了更加细致的多层小波系数,更有利于去除主要集中在高频子带中的相干斑噪声.针对小波包分解后低频子带与高频子带的各自特点,选择自蛇扩散对低频子带进行去噪与大尺度对象边缘锐化,并将去噪结果作为原SAR图像小波域的局部均值估计;将改进的L1-L2联合优化算法同自蛇扩散得到的局部均值估计联合,对各高频子带进行软阈值收缩去噪处理,两种去噪方法的混合使用获得了较好的去噪与边缘保护效果.【相关文献】[1]尹奎英,胡利平,刘宏伟,等.一种复合的SAR图像去噪算法[J].西安电子科技大学学报,2010,37(2):224-230. Yin Kuanying,Hu Liping,Liu Hongwei,et posite Enhancing and Denoising Algorithm for SAR Images Based on Scale Space Correlation[J].Journal of Xidian University,2010,37(2):224-230.[2] 李军侠,水鹏朗,武楠.小波域局部贝叶斯阈值的SAR图像斑点抑制算法[J].系统工程与电子技术,2006,28(6): 819-822. Li Junxia,Shui Pengliang,Wu nan.Wavelet Domain Bayesian Shrinkage Despeckling Algorithm for SAR Image[J]. Systems Engineering and Electronics,2006,28(6):819-822.[3]Kuan D T,Sawchuk A A,Strand T C,et al.Adaptive Noise Smoothing Filter for Images with Signal-dependent Noise [J].IEEE Trans on Pattern Anal Machine Intell,1985,7(2):165-177.[4] 冯象初,刘涛,李亚峰.小波域中的广义非局部平均去噪算法[J].西安电子科技大学学报,2010,37(5):941-946. Feng Xiangchu,Liu Tao,Li Yafeng.Generalized Nonlocal Mean Denoising Research Based on the Wavelet Domain[J]. Journal of XidianUniversity,2010,37(5):941-946.[5] 孙增国,韩崇昭.合成孔径雷达图像的最小均方误差线性最优滤波[J].西安交通大学学报,2009,43(12):6-10. Sun Zengguo,Han Congzao.Linear Optimal Filter with Minimum Mean Square Error for Synthetic Aperture Radar Images[J].Journal of Xi’an Jiaotong University,2009,43(12):6-10.[6]Solbq S,Eltoft T.Γ-WMAP:a Statistical Speckle Filter Operating in the WaveletDomain[J].Int.J Remote Sensing, 2004,25(5):1019-1036.[7]Perona P,Malik J.Scale Space and Edge Detection Using Anisotropic Diffusion[J].IEEE PAMI,1990,12(7):629-639.[8]Kass M,Witkin A,Terzopolos D.Snakes:Active Contour Models[J].Int J ComputVis,1988(1):321-331.[9]Weickert J,Kühne G.Fast Methods for Implicit Active Contour Models[J].Geometric Level Set Methods in Imaging, Vision,and Graphics,2003,Part II:43-57.[10]吴亚东,孙世新.基于二维小波收缩与非线性扩散的混合图像去噪算法[J].电子学报,2006,34(1):163-166. Wu Yadong,Sun Shixin.A New Hybrid Image De-noising Algorithm Based on 2D Wavelet Shrinkage and Nonlinear Diffusion[J].Acta ElectronicaSinica,2006,34(1):163-166.[11]Michael Z,Michael E.L1-L2 Optimization in Signal and Image Processing[J].IEEE Signal Processing Magazine,2010, 27(3):76-88.。

一种抑制SAR图像相干斑的空域滤波算法朱磊;霍小波;吴江勇【摘要】In order to preserve edge characteristics and effectively reduce multiplicative speckle noise in SAR image, a new spatial-domain filtering algorithm is proposed. The new algorithm is based on the negative-exponential and weighted filtering model, and the weighting coefficients are produced by the decay factor obtained by combining several local statistics and are adaptive to the characteristics of regional distribution of SAR image. Meanwhile two-stage filtering strategy is used. The pre-filtering is exe-cuted for reducing speckle in SAR image and estimating fine local statistics, and the fine filtering for original SAR image is car-ried out based on the fine local statistics obtained by the pre-filtering. The experimental results show that compared with most existing despeckling algorithms, the proposed algorithm has better performance in the speckle suppression and edge preservation.%为在保护SAR图像边缘特征的同时有效抑制乘性相干斑噪声，提出了一种空域滤波新算法。

基于形态Haar小波的SAR图像斑点噪声抑制方法摘要:针对现有相干斑抑制算法不能在去除斑点噪声和保持图像边缘、细节信息之间做到很好的折中,提出了一种新的基于形态haar小波变换的合成孔径雷达(sar)图像斑点噪声抑制方法。

该方法首先对sar图像进行二维形态haar小波分解,图像的边缘、细节和纹理信息在低频子带中得到了更好的保留,噪声主要分布在高频子带;然后,根据各高频子带噪声的特点,分别对高频子带进行均值和中值滤波达到去除斑点噪声的目的;最后,再对低频子带和处理后的高频子带进行形态haar小波精确重构得到去斑图像。

实验证明:该算法不仅大大改善了原始sar图像的画面质量,同时很好地保持了原始sar图像的纹理特性和细节信息;该算法去斑性能指标总体优于传统的lee滤波、frost滤波、kuan滤波和小波软阈值法。

关键词:合成孔径雷达;形态haar小波;斑点噪声抑制;滤波;细节保持speckle reduction of sar image based on morphological haar waveletli min * , zhang zi you, lu lin ju(college of physics and electronic engineering, leshan normaluniversity, leshan sichuan 614000, china)abstract:the existing speckle reduction algorithms of synthetic aperture radar (sar) image can efficiently reduce the speckle effects but unfortunately smear edges and details. a new method, based on morphological haar wavelet, was proposed. in this method, the sar image was firstly decomposed by 2 d morphological haar wavelet. thus, the edges, details and textures were well preserved in low frequency sub band. the speckle noise was mainly distributed in high frequency sub bands. then, the average filtering and median filtering were run on the corresponding high frequency sub bands according to the noise features. finally, 2 d morphological haar wavelet inverse transform was carried on to low frequency sub band coefficients and filtered high frequency sub bands coefficients to reconstruct sar image accurately. the experimental results show that the proposed method can not only filter the speckle noise efficiently, but well preserve the image textures and details of sar image. the proposed method is better than the traditional leefiltering, frost filtering, kuan filtering and wavelet soft threshold overall.key words:synthetic aperture radar (sar); morphological haar wavelet; speckle reduction; filtering; detail preservation0 引言合成孔径雷达(synthetic aperture radar, sar)是一种主动的微波成像遥感雷达,由于它具有全天候、全天时、大面积、远距离获取实时高分辨率图像数据的能力,已成为空间对地观测系统的主要探测手段和技术,在军事和民用领域里得到了广泛的应用 [1-3] 。

一种基于信号稀疏分解的SAR相干斑抑制新方法苗松娟;邢炜萍【摘要】相干噪声是合成孔径雷达研究的热点问题,传统的相干噪声抑制方法有的造成分辨率下降,有的图像边缘难以保持,本文介绍了一种新的信号处理方法,即稀疏成份分析,并将其应用于合成孔径雷达的相干噪声抑制,实验结果证实这是一种抑制合成孔径雷达相干噪声的有效途径.%The study of the speckle is a hotspot to Synthetic Aperture Radar (SAR), the traditional way to reduce the speckle is either difficult to protect image edge characteristics or reduced the resolving power, in this paper a new signal processing method Sparse Component Analysis (SCA) is introduced .and applied to reduce the speckle to SAR, the result to the emulator show it is an effective approach to restrain the speckle to SAR.【期刊名称】《河南科学》【年(卷),期】2011(029)012【总页数】4页(P1502-1505)【关键词】合成孔径雷达;稀疏成份分析;相干斑噪声【作者】苗松娟;邢炜萍【作者单位】渭南市开发区18信箱10分箱,陕西渭南 714000;渭南市开发区18信箱10分箱,陕西渭南 714000【正文语种】中文【中图分类】TN06相干斑噪声抑制一直是SAR图像研究的热点问题，因为它采用的是相干成像技术，所以相干斑噪声是AR的原理性缺点.相干斑抑制的目的就是从观测图像中恢复出正确反映地面散射特性的真实图像.这是一个关于图像复原的问题，需要利用信号和噪声的某些统计特性，才能将信号从有噪观测中提取出来.相干斑抑制技术可以分为二类：在成像时进行多视处理；在成像后进行滤波[1].多视处理的主要缺点是造成分辨率下降.而传统的相干斑滤波都无法解决非线性的估计问题，且图像边缘很难保持.本文将稀疏分解理论应用到了SAR相干斑抑制中.Mallat和Zhang于1993年提出了信号在过完备库上分解的思想[2].所谓过完备库，是指库中基函数的构造必须使得基在信号组成的空间中足够的密，由此，基的正交性将不再被保证，此时的基也不再是真正意义上的基了，而改称为原子.稀疏分解理论的基本思想就是[3]：基函数用称之为原子库的过完备的冗余函数系统取代，原子库（过完备库）的选择尽可能好的符合被逼近的信号的结构，其构成可以没有任何限制.信号的稀疏逼近（Sparse Approximation）则是从原子库中找到具有最佳线性组合的m项原子来表示一个信号.如果原子库构造合理，信号在过完备库上的分解，将可以得到信号更简洁的表示.用数学语言表述如下：给定一个集合 D=｛gk，k=1，2，…，K｝，其元素张成整个 Hilbert空间 H=RN 的单位矢量，K≥N，我们称集合D为原子库，其元素为原子.对于任意给定的信号f∈H，可在D中自适应地选取m个原子对信号f进行分解：其中，Im是gγ的下标集，其维数为m.则可以得到由m个原子在原子库D中张成的最佳子集：我们定义逼近误差为：由于m远小于空间的维数N，这种逼近被称作稀疏逼近.显然，信号稀疏逼近的问题即为寻找式（1）的最稀疏表达形式：鉴于原子库的冗余性K＞N，矢量gγ不再是线性独立的.显然，式（1）在Hilbert空间有多种解答，不同原子组合所张成的子空间B构成不同的向量基.在满足式（3）所示误差的前提下，从各种可能的组合中，拣选出分解系数最为稀疏的一个，或者说m取值为最小的一个.稀疏分解理论的两个重要研究内容：一个是原子及原子库的形成，另一个内容则是稀疏分解算法.目前，原子库的主要类型有多尺度Gabor函数，各向异性精细原子，Grassmannian框架，小波和正弦函数的级联，多尺度脊波函数等；而最常用的分解算法有基追踪（Basic Pursuit）、匹配追踪（Matching Pursuit）、及正交匹配追踪[4]（Orthal Matching Pursuit）、分段正交匹配追踪（Stagewise Orthogonal Matching Pursuit，stOMP）算法[5].基于多组正交级联字典的分组stOMP算法的基本思想是：在stOMP算法的每个阶段根据信号特性，选择多组正交基构造冗余字典，将各组正交基与信号进行匹配程度比较，选择与信号f最匹配的一组基下进行分解.得到第一批重要系数后从字典中将最匹配的这组基删掉.接下来对残余信号Ri进行同样分解，将Ri与字典中剩余正交基的匹配程度进行比较，在最匹配的一组基下将残余信号Ri分解，得到下一批重要系数.依次类推，直到完成残余信号Ri的精度要求（或满足分解系数个数要求）为止.本文将此算法应用于合成孔径雷达相干斑抑制，结果证实了方法的有效性.我们知道图像信息主要集中在低频部分，噪声则是均匀分布在整个频段，传统的图像去噪方法是将图像中的信息和噪声从频率上分开，而基于稀疏分解的图像去噪是按照是否是图像中的稀疏成分把图像中的信息和噪声分开.一个原子是有特定结构的，图像中有一定结构的成分构成有用信息，是能够用原子来表示的.但图像中的噪声是没有结构的，所以不能用原子来表示.这样可以将图像与噪声区别开来，以达到去噪的目的.仅当原子模型及其参数与待分解的图像信号的局部结构完全匹配时，才能最优表示图像信息.假设图像f由两部分组成：其中，fs表示图像的稀疏成分（Sparse Components），fn=f-fs表示图像中的其它成分，即图像中去除稀疏成分后的残差部分或者说是噪声.基于本文所提出改进的stOMP算法稀疏分解的图像消噪，是从过完备原子库中选择与图像f内积最大的一组原子向量，相当这组原子向量与图像信号最为匹配，即从图像信号中提取出最能匹配原始图像的原子—图像有用信息.图像f减去最佳匹配的原子向量组，得到图像残余，对图像残余继续上面的计算过程，再提取出最佳匹配原子组.这样不断地迭代下去，提取出的有用信息越来越多，图像残余越来越小.分解到某一程度，可以近似地认为图像的有用信息被提取出来，剩下的残余就是图像噪声，公式（5）可以表示去噪后的图像.基于稀疏分解的图像消噪与滤波方法的根本不同为：前者是从被污染的图像中选出图像，而后者则是把被污染的图像中的噪声干扰去除掉.利用稀疏变换方法抑制SAR图像相干斑噪声的基本步骤如下：1）对原图像取对数，目的是把乘性噪声模型转化为加性噪声模型；2）稀疏分解对数图像到s层；3）在稀疏域上对原子系数进行取舍；4）逆稀疏变换；5）指数变换，得到重构图像.算法流程如图1所示.我们将用小波抑制方法和本文提出改进的stOMP稀疏分解算法抑制SAR图像纹斑噪声效果进行比较.而后再将改进的stOMP算法与原算法抑制SAR相干斑效果相比较.小波抑制方法采用文献［6］的基于梯度信息的小波SAR图像滤波方法.测试结果如图2所示.结果表明，几种算法的消噪效果都不错，边缘保持能力也都较好.定量的分析可知，改进的stOMP算法要比其它两种方法性能稍好.我们采用图像的均值和信号对均方误差的比值（S/MSE）来作为评价指标如表1所示，改进的stOMP算法消噪后的图像均值为117．432 5最接近原始图像的均值117．762 8，就图像均值而言，stOMP算法去噪后均值为125．167 3，而基于梯度信息的小波方法去噪后的均值为113．776 7，显然就均值来说这3种算法的相干斑噪声抑制效果为改进的stOMP方法最好，stOMP算法次之，基于梯度信息的小波方法相对较差.从表1中可以看出，对于评价指标（S/MSE）来说，基于改进的stOMP算法的比值最大为28．9443，基于梯度信息的小波去噪为28．1115，而基于stOMP算法的比值为27．813 5，可见就信号对均方误差的比值而言改进的stOMP算法效果是最好的，因为它是一个比值，此值越大，说明均方误差越小，消噪后的图像与原图像的偏差越小.同时，也说明无论用哪个指标评价，改进的stOMP算法抑制相干斑，效果要好一些，但是基于梯度信息的小波方法和基于灰度的方法在两种评价指标下却各有所长，这也说明，无论哪种方法用来改善图像质量都不会是绝对的好，这要视情况而定.【相关文献】［1］何科峰．SAR图像相干斑抑制技术研究［D］．西安：西北工业大学，2006．［2］ Mallat S，Zhang Z．Matching pursuit with time－frequency dictionaries［J］．IEEE Transaction on Signal Processin，1993，41（2）：3397－3415．［3］陈磊．信号稀疏分解在空间谱估计中的应用［D］．成都：西南交通大学，2006．［4］赵玉娟．基于子空间匹配追踪的信号稀疏逼近［D］．西安：西安电子科技大学，2005．［5］ Donoho D L，Tsaig Y，Drori I，et al．Sparse solution of underdetermined linear equations by stagewise orthogonal matching pursuit［R］．California：Stanford University，2006．［6］桑会勇，郭华东，韩春明．一种基于梯度信息的小波SAR图像滤波方法［J］．测绘通报，2005（2）：31－32．。

基于kirsch方向模板的sar相干斑噪声抑制方法SAR（Synthetic Aperture Radar）技术利用合成孔径达到高分辨率成像的目的，但在图像中也常常会存在相干斑噪声，影响图像的质量。

本文介绍一种基于Kirsch方向模板的SAR相干斑噪声抑制方法。

该方法的基本思路是利用Kirsch梯度算子对SAR图像进行处理，从而减少相干斑的影响，提高图像的质量。

步骤一：预处理首先，对原始SAR图像进行预处理，包括去除噪声、减少多普勒偏移等，以减少干扰和提高图像的质量。

步骤二：Kirsch梯度算子Kirsch方向模板是一种很好的图像边缘检测算子，它可以把图像中的边缘区域和非边缘区域分开。

在本方法中，我们选用了Kirsch算子将图像中的相干斑噪声分离出来。

步骤三：选取方向根据图像的具体情况，选取合适的方向模板。

通常，Kirsch算子包括8个方向，我们需要对每个方向进行处理。

在选择方向时，需要考虑相干斑的位置和大小等因素，以确保方向模板能够最大限度地减少相干斑的影响。

步骤四：局部逐点处理对于每个方向，在SAR图像上采用局部逐点的方法处理。

具体来说，对于每个像素点，将它周围一定范围内的像素点沿着给定方向进行处理，以得到该像素点在该方向上的梯度值。

通过这种方式，可以得到每个方向上的梯度图像，从而得到最终的抑制相干斑的图像。

步骤五：后处理最后，对抑制相干斑后的图像进行后处理。

常用的后处理方法包括中值滤波、高斯滤波等，可以进一步提高图像质量。

总结本文介绍了一种基于Kirsch方向模板的SAR相干斑噪声抑制方法，该方法可以有效地减少相干斑的影响，提高SAR图像的质量。

在实际应用中，需要根据实际情况进行调整和优化，以得到最佳抑制结果。

一种SAR图像相干斑噪声抑制新算法
盖文娜;徐慧;梁鑫
【期刊名称】《电脑知识与技术》
【年(卷),期】2016(012)022
【摘要】合成孔径雷达(SAR)图像的乘性相干斑噪声的存在影响了图像的视觉质量和解译,本文提出的新的算法不仅可以抑制这种噪声同时还有效地保护了SAR图像的边缘特性,在总结了一些SAR图像相干斑噪声抑制算法的基础上提出了一种基于非下采样小波包变换(UWPT)的SAR图像相干斑抑制新算法.实验表明:与Lee滤波算法、小波变换算法相比较,本算法在SAR图像的相干斑噪声抑制与边缘保护方面有较好的效果.
【总页数】2页(P163-164)
【作者】盖文娜;徐慧;梁鑫
【作者单位】南京林业大学信息科学与技术学院,江苏南京210000;南京林业大学信息科学与技术学院,江苏南京210000;南京林业大学信息科学与技术学院,江苏南京210000
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种SAR图像相干斑噪声抑制新算法 [J], 朱磊;水鹏朗;武爱景
2.一种有效的SAR图像相干斑噪声抑制方法 [J], 李映;白本督;张艳宁
3.一种新的基于小波变换的SAR图像相干斑噪声抑制方法 [J], 刘洲峰;同红蕊
4.一种新的SAR图像相干斑抑制算法 [J], 张强;张毅
5.一种新的高分辨率SAR图像相干斑噪声抑制算法 [J], 朱家兵;陶亮;江有名;洪一因版权原因，仅展示原文概要，查看原文内容请购买。

二、SAR影像斑点噪声的抑制方法1、均值滤波均值滤波器是采用滤波窗口内所有像素灰度值的平均值来代替中心像素的值，均值滤波器具有很好的噪声平滑能力，噪声标准差按窗口内像元数的均方根降低。

然而，均值滤波器进行平滑时对噪声和边缘信息不加区分，从而导致边缘信息临近区域分辨率下降，为了减少这一问题，通常采用3×3或5×5的小滤波窗口。

也正是由于它滤波时对噪声和信号不加以区分的特点，对非噪声像素即信号也进行了平滑，从而不可避免地导致了影像的整体模糊和分辨率下降。

2、中值滤波中值滤波器是采用滤波窗口内所有像素的中值来代替中心像素的值，它能有效地孤立斑点噪声。

然而，这种滤波器存在边缘模糊，消除细的线性特征以及目标形状扭曲等常见问题。

经中值滤波后的影像失真度较大，纹理等细节信息损失较严重。

3、局部滤波局域滤波基于方位把活动窗口分为8块（北、南、东、西、西北、东北、西南及东南），对于每个区域，方差可由下式来计算：该算法比较窗口中心点附近8个局域方差值，窗口中心点的值就被区域中具有最小方差区域像元的平均值所代替。

方差平均值小的区域像元被认为受干涉的干扰小，这一点很像窗口中心点的像元，方差小的区域相对于周围的区域来说受干涉影响小。

4、Lee滤波在缺乏信号x的精确模型的情况下，使用影像本身从3×3或其它的滤波窗口内的局域均值z和局域方差var(z)来估计信号的先验均值和方差。

根据乘性噪声模型，信号x的先验均值和方差可以这样来估算：，假设线性滤波器的形式为，这里，。

要注意的是必须确保var(x)为非负，如果为负则置var(x)为0，否则可能在影像上引入认为的噪声成分。

这一滤波方法的直观解释是，在均匀区域var(x)=0，滤波后的像素值（窗口内像素的平均值）；对于高反差区域（或边缘），var(x)较大，（像素本身的值）。

该滤波器存在一个问题是边缘区域的噪声并没有被平滑。

5、Sigma滤波Sigma滤波是基于高斯分布的Sigma概率，它通过对滤波窗口内落在中央像素的两个Sigma范围内的像素进行平均来滤除影像噪声。

一种抑制SAR图像斑点噪声的图像融合方法
邵永社;李晶
【期刊名称】《计算机工程与应用》
【年(卷),期】2008(44)6
【摘要】首先研究了图像融合小波基的选区,并利用提升小波技术分别对合成孔径雷达图像和光学遥感图像进行小波提升分解:然后,对分解后的SAR低频分量进行邻域平均,再与光学图像的低频分量进行加权平均;为了抑制SAR图像斑点噪声的影响.重点研究了高频分量的融合方法,并提出了一种依据斑点噪声特征变化而自适应地改变融合窗口的方法,该方法提高了SAR图像的目标解译和识别能力;最后,使用融合前后的SAR图像进行图像的目标检测,结果表明,融合后的图像能够明显抑制SAR斑点噪声影响,使SAR图像目标检测的效果更佳.
【总页数】3页(P82-84)
【作者】邵永社;李晶
【作者单位】同济大学测量系,上海200092;西安测绘研究所,西安710054
【正文语种】中文
【中图分类】TP751
【相关文献】
1.一种基于小波变换的SAR图像斑点噪声抑制方法 [J], 周蓉蓉;陈刚;周红建;王正志
2.一种基于修正Frost核的SAR图像斑点噪声抑制方法 [J], 张朝晖;潘春洪;马颂
德
3.基于形态Haar小波的SAR图像斑点噪声抑制方法 [J], 李敏;张自友;卢林菊
4.SAR图像斑点噪声抑制方法比较分析 [J], 李胜才
5.一种新的SAR图像斑点噪声自适应抑制方法 [J], 张琼;沈民奋;常春起
因版权原因，仅展示原文概要，查看原文内容请购买。