一种基于小波分析的SAR图像增强去噪方法

第２４卷第４期　２００７年８月　测绘科学技术学报　Ｊｏｕｒｎａｌ　ｏｆ　Ｚｈｅｎｇｚｈｏｕ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｓｕｒｖｅｙｉｎｇ　ａｎｄ　Ｍａｐｐｉｎｇ　Ｖｏ１．２４　Ｎｏ．４　Ａｕｇ．２００７　

文章编号：１６７３￣３３８（２００７）０４－０２７８－０３　

基于双树复数小波的ＳＡＲ图像噪声抑制　

邢帅　，吉小刚　，徐青　，何钰　

（１．信息工程大学测绘学院，河南郑州４５００５２；２．６１６８３部队，北京１０００９１）　

摘要：小波变换由于其良好的时频分离特性以及接近人类视觉系统的多分辨分析，在ＳＡＲ图像的去噪和复原　

中得到了很好的应用，但是经典小波变换不具备平移不变性，且得到的高频分量的方向非常有限。复数小波　

变换是一种具有近似平移不变性、更多方向选择性且能够完全重构的双数正交小波变换，在图像去噪方面表　

现出更强的性能。建立了复数小波变换分解与重构的过程，并对分解后的实部和虚部图像的高频部分分别进　

行局部非线性软阈值法滤波。实验结果显示，复数小波变换较小波变换不仅滤除了更多的噪声，而且得到的　

图像边缘更加平滑。　

关键词：斑点噪声抑制；双树复数小波变换；离散小波变换；ＳＡＲ图像处理　

中图分类号：Ｐ２３７　文献标识码：Ａ　

ＳＡＲ　Ｉｍａｇｅ　Ｄｅ—ｎｏｉｓｉｎｇ　Ｂａｓｅｄ　ｏｎ　Ｄｕａｌ－ｔｒｅｅ　Ｃｏｍｐｌｅｘ　Ｗａｖｅｌｅｔ　Ｔｒａｎｓｆｏｒｍ　

ＸＩＮＧ　Ｓｈｕａｉ　，ＪＩ　Ｘｉａｏ．ｇａｎｇ　，ＸＵ　Ｑｉｎｇ　，ＨＥ　Ｙｕ　

（１．Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｓｕｒｖｅｙｉｎｇ　ａｎｄ　Ｍａｐｐｉｎｇ，Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｇｚｈｏｕ　４５００５２，Ｃｈｉｎａ；　

２．６１６８３　Ｔｒｏｏｐｓ，Ｂｅｉｊｉｎｇ　１０００９１，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｔｈｅ　ａｄｖａｎｔａｇｅｓ　ｏｆ　ｗａｖｅｌｅｔ　ｔｒａｎｓｆｏｒｍ　ａｒｅ　ｔｈａｔ　ｉｔ　ｃａｎ　ａｎａｌｙｚｅ　ｓｉｇｎａｌ　ｉｎ　ｔｉｍｅ　ｄｏｍａｉｎ　ａｎｄ￣ｅｑｕｅｎｃｙ　ｄｏｍａｉｎ　ｒｅ—　ｓｐｅｃｔｉｖｅｌｙ　ａｎｄ　ｔｈｅ　ｍｕｌｔｉ—ｒｅｓｏｌｕｔｉｏｎ　ａｎａｌｙｓｉｓ　ｉＳ　ｓｉｍｉｌａｒ　ｔｏ　Ｈｕｍａｎ　Ｖｉｓｉｏｎ　Ｓｙｓｔｅｍ　ｆ　ＨＶＳ１．Ａｎｄ　ｎＯＷ　ｉｔ　ｉＳ　ｗｅｌｌ　ｕｓｅｄ　ｉｎ　ｄｅ—　ｎｏｉｓｉｎｇ　ａｎｄ　ｒｅｓｔｏｒａｔｉｏｎ　ｏｆ　ＳＡＲ　ｉｍａｇｅｓ．Ｂｕｔ　ｔｈｅｒｅ　ａｒｅ　ｔｗｏ　ｄｉｓａｄｖａｎｔａｇｅｓ　ｏｆ　ＤＷＴ．１ａｃｋ　ｏｆ　ｓｈｉｆｔ　ｉｎｖａｎａｎｃｅ　ａｎｄ　ｐｏｏｒ　ｄｉ—　ｒｅｃｔｉｏｎａｌ　ｓｅｌｅｃｔｉｖｉｔｙ　ｆｏｒ　ｄｉａｇｏｎａｌ　ｆｅａｔｕｒｅｓ．Ｄｕａｌ—ｔｒｅｅ　Ｃｏｍｐｌｅｘ　Ｗａｖｅｌｅｔ　ＴＩ＿ａｎｓｆｏ丌Ｉ１　ｆ　ＤＴ—ＣＷＴ１　ｉＳ　ａ　ｄｕａｌ—ｔｒｅｅ　ｂｉｏｒｔｈｏｇｏ—　ｎａｌ　ＤＷＴ　ｗｉｔｈ　ａｐｐｒｏｘｉｍａｔｅ　ｓｈｉｆｔ　ｉｎｖａｒｉａｎｅｅ．ｇｏｏｄ　ｄｉｒｅｃｔｉｏｎａｌ　ｓｅｌｅｃｔｉｖｉｔｙ　ａｎｄ　ｐｅｒｆｅｃｔ　ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ．ＤＴ—ＣＷＴ　ｉＳ　ｓｕｐｅ—　ｒｉｏｒ　ｔｏ　ＤＷＴ　ｕｓｅｄ　ｉｎ　ｉｍａｇｅ　ｄｅ．ｎｏｉｓｉｎｇ．Ｉｎ　ｔｈｉｓ　ｐａｐｅｒ．ｔｈｅ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ　ａｎｄ　ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ　ｏｆ　ＤＴ—ＣＷＴ　ｈａｖｅ　ｂｅｅｎ　ｃｏｎｓｔｒｕｃｔｅｄ，ａｎｄ　ｔｈｅ　ｒｅａｌ　ａｎｄ　ｉｍａｇｉｎａｒｙ　Ｄａｒｔｓ　ｏｆ　ｄｅｃｏｍｐｏｓｅｄ　ｉｍａｇｅ　ｈａｖｅ　ｂｅｅｎ　ｆｉｈｅｒｅｄ　ｗｉｔｈ　ｌｏｃａｌ　ｎｏｎ—ｌｉｎｅａｒ　ｓｏｆｔ—　ｔｈｒｅｓｈｏｌｄ．Ｅｘｐｅｒｉｍｅｎｔ　ｒｅｓｕｈｓ　ｄｅｍｏｎｓｔｒａｔｅ　ｔｈａｔ　ＤＴ—ＣＷＴ　ｃａｎ　ｆｉｌｔｅｒ　ｍｏｒｅ　ｓｐｅｃｋｌｅｓ　ａｎｄ　ｋｅｅｐ　ｅｄｇｅｓ　ｆｅａｔｕｒｅ　ｓｍｏｏｔｈ．　Ｋｅｙ　ｗｏｒｄｓ：ｓｐｅｃｋｌｅ　ｄｅ－－ｎｏｉｓｉｎｇ；ＤＴ－－ＣＷＴ；ＤＷＴ；ＳＡＲ　ｉｍａｇｅ　ｐｒｏｃｅｓｓｉｎｇ　

Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ　计算机应用，２０１２，３２（３）：７４６—７４８　ＩＳＳＮ　１００１．９０８１　ＣＯＤＥＮ　ＪＹＩＩＤＵ　２０１２—０３—０１　ｈｔｔｐ：／／ｗｗｗ．ｊｏｃａ．ａｎ　

文章编号：１００１—９０８１（２０１２）０３—０７４６—０３　ｄｏｉ：１０．３７２４／ＳＰ．Ｊ．１０８７．２０１２．００７４６　

基于形态Ｈａａｒ小波的ＳＡＲ图像斑点噪声抑制方法　

李敏　，张自友，卢林菊　

（乐山师范学院物理与电子工程学院，四川乐山６１４０００）　（　通信作者电子邮箱ｃａｓｓｉｅ—ｌｉ＠１６３．ｃｏｒｎ）　

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滤波和小波软阂值法。　关键词：合成孔径雷达；形态Ｈａａｒ小波；王虹点噪声抑制；滤波；细节保持　

中图分类号：ＴＮ９５８；ＴＮ９５７．５２；ＴＰ３９１．４１　文献标志码：Ａ　

ＳｐｅｃＭｅ　ｒｅｄｕｃｔｉｏｎ　ｏｆ　ＳＡＲ　ｉｍａｇｅ　ｂａｓｅｄ　ｏｎ　ｍＯｒｐｈＯＩＯｇｉｃａｌ　Ｈａａｒ　ｗａｖｅｌｅｔ　

ＬＩ　Ｍｉｎ　．ＺＨＡＮＧ　Ｚｉ—ｖｏｕ．ＬＵ　Ｌｉｎ－ｊｕ　

（Ｃｏｌｌｅｇｅ　０厂Ｐｈｙｓｉｃｓ　ａｎｄ　Ｅｌｅｃｔｒｏｎｉｃ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｌｅｓｈａｎ　Ｎｏｒｍａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｌｅｓｈａｎ　Ｓｉｃｈｕａｎ　６１４０００，Ｃｈｉｎａ）　

第２７卷第７期　２００７年７月　计算机应用　

Ｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ　Ｖｏ１．２７　Ｎｏ．７　Ｊｕｌｙ　２００７　

文章编号：１００１—９０８１（２００７）０７—１６３４—０３　

基于多小波域Ｂｅｓｏｖ球映射的ＳＡＲ图像去噪算法　

黄夏飞，林岳松，陈华杰　

（杭州电子科技大学信息与控制研究所，杭州３１００３７）　

（ｈｘｆｅｉ０８１６＠１６３．ｃｏｍ）　

摘要：针对单小波域难以准确描述ＳＡＲ图像不同平滑区域特征的不足，提出一种基于多小波　

域Ｂｅｓｏｖ球映射去噪算法。首先利用统一小波隐马尔可夫树模型和Ｂｅｓｏｖ标准求一组小波基Ｂｅｓｏｖ　

球半径，然后交替使用基于不同小波基的Ｂｅｓｏｖ球映射算法估计原始图像信息。实验结果表明，该算　

法具有很好的去噪效果和边缘结构保护能力，大大优于其他单一小波去噪算法。　

关键词：多小波域；Ｂｅｓｏｖ球；强辐射中心；去噪；凸集映射　

中图分类号：ＴＰ３９１．４１　文献标志码：Ａ　

ＳＡＲ　ｉｍａｇｅ　ｄｅｎｏｉｓｉｎｇ　ｕｓｉｎｇ　ｍｕｌｔｉｐｌｅ　ｗａｖｅｌｅｔ　ｄｏｍａｉｎｓ　Ｂｅｓｏｖ　ｂａｌｌｓ　ｐｒｏｊｅｃｔｉｏｎｓ　

ＨＵＡＮＧ　Ｘｉａ—ｆｅｉ，ＬＩＮ　Ｙｕｅ—ｓｏｎｇ，ＣＨＥＮ　Ｈｕａ－ｊｉｅ　

（Ｉｎｓｔｉｔｕｔｅ　ｏｆＩｎｆｏｒｍａｔｉｏｎ＆Ｃｏｎｔｒｏｌ，Ｈａｎｇｚｈｏｕ　Ｄｉａｎｚｉ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ　Ｚｈｅｊｉａｎｇ　３１００３７，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｄｉｆｅｒｅｎｔ　ｓｍｏｏｔｈｉｎｇ　ｒｅｇｉｏｎｓ　ｏｆ　ＳＡＲ　ｉｍａｇｅ　ｃａｎ　ｎｏｔ　ｂｅ　ｒｅｐｒｅｓｅｎｔｅｄ　ａｃｃｕｒａｔｅｌｙ　ｉｎ　ｓｉｎｇｌｅ　ｗａｖｅｌｅｔ　ｄｏｍａｉｎ．Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｓｏｌｖｅ　ｔｈｉｓ　ｐｒｏｂｌｅｍ，ａ　Ｂｅｓｏｖ　ｂａｌｌ　ｐｒｏｊｅｃｔｉｏｎｓ　ａｌｇｏｒｉｔｈｍ　ｉｎ　ｍｕｌｔｉｐｌｅ　ｗａｖｅｌｅｔ　ｄｏｍａｉｎｓ　ｗａｓ　ｐｒｏｐｏｓｅｄ．Ｄｉｆｅｒｅｎｔ　Ｂｅｓｏｖ　ｂａｌｌｓ’　

基于模糊聚类的SAR图像分割算法研究

摘 要：本文针对合成孔径雷达（SAR）图像分割问题，提出了一种新的基于模糊聚类的图像分割算法。首先，通过对SAR图像进行预处理，提取出SAR图像的特征向量；其次，利用模糊聚类算法对特征向量进行聚类，得到不同的图像区域；最后，根据聚类结果，对原始SAR图像进行分割。在仿真实验中，本算法在分割准确率和分割速度方面均比传统算法有较大的提升，具有良好的应用前景。

关键词：SAR图像；图像分割；模糊聚类；特征向量；分割准确率；分割速度

1. 引言

SAR图像具有极高的分辨率和时空特性，因此在军事、遥感等领域得到了广泛应用。其中，SAR图像分割是SAR图像处理中的重要问题，其目的是将SAR图像划分为不同的区域，进而对图像进行进一步分析和处理。传统的SAR图像分割算法主要基于阈值、边缘和区域生长等方法，但这些方法往往受到图像噪声、复杂背景和弱边缘等问题的影响，导致分割结果不够准确。因此，提出一种高效、精确的SAR图像分割算法具有重要的理论与实际意义。

2. 模糊聚类算法

模糊聚类算法是一种常用的图像分割方法，其基本思想是将图像像素划分为不同的类别。与传统的聚类算法不同，模糊聚类算法允许像素属于多个类别，从而能够更灵活地适应图像的复杂性。本文采用了基于模糊C均值（FCM）算法的图像分割方法，其主要流程如下：

1） 初始化隶属度矩阵U和聚类中心矩阵C；

2） 通过更新隶属度矩阵U和聚类中心矩阵C，得到新的聚类结果；

3） 根据聚类结果计算目标函数值，若满足停止条件，则输出最终聚类结果；否则返回第二步。

3. 基于模糊聚类的SAR图像分割算法

本文提出的基于模糊聚类的SAR图像分割算法主要包括以下步骤：

1） SAR图像预处理。在本算法中，采用小波变换对SAR图像进行去噪处理和图像增强，得到具有更好特征的SAR图像。

2） 特征向量提取。将预处理后的SAR图像划分为若干个大小相同的区域，然后提取每个区域的特征向量作为聚类的输入。