基于非局部均值滤波的SAR图像去噪_易子麟

格式：pdf
大小：3.13 MB
文档页数：6

下载文档原格式

基于非局部分类处理的SAR图像降斑

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—５０６Ｘ．２０１６．Ｏ３．１２
ＳＡＲｉｍａｇｅｄｅｓｐｅｃｋｌｉｎｇｖｉａｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎ－＿ｂａｓｅｄｎｏｎ‘－ｌｏｃａｌｃｌｕｓｔｅｒｉｎｇ
ＬＩＵＳｈｕ—ｊｕｎ，ＷＵＧｕｏ—ｑｉｎｇ，ＺＨＡＮＧＸｉｎ－ｚｈｅｎｇ，ＹＡＮＧＴｉｎｇ，ＬＩＹｏｎｇ—ｍｉｎｇ
（ＣｏｌｌｅｇｅｏｆＣｏｍｍｕｎｉｃａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ４０００４４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｂｅｃａｕｓｅｄｉｆｆｅｒｅｎｔｒｅｇｉｏｎｓｏｆｔｈｅｓｙｎｔｈｅｔｉｃａｐｅｒｔｕｒｅｒａｄａｒ（ＳＡＲ）ｉｍａｇｅｈａｖｅｄｉｆｆｅｒｅｎｔｓｔａｔｉｓｔｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ｔｈｅｐｈｅｎｏｍｅｎｏｎｏｆｍｉｓｓｉｎｇｄｅｔａｉｌｓａｎｄ “ｇｈｏｓｔ” ａｒｔｉｆａｃｔｓｏｆｔｅｎｏｃｃｕｒｉｎｔｈｅｔｒａｄｉｔｉｏｎａｌｎｏｎ—ｌｏｃａｌＳＡＲｉｍａｇｅｄｅｓｐｅｅｋｌｉｎｇｍｅｔｈｏｄ．Ａｓａｒｅｓｕｌｔ，ａｃｌａｓｓｉｆｉｃａｔｉｏｎ—ｂａｓｅｄＳＡＲｉｍａｇｅｄｅｓｐｅｃｋｌｉｎｇｍｅｔｈｏｄｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｅｉｍａｇｅｉｓｃｌａｓｓｉｆｉｅｄｉｎｔｏｈｏｍｏｇｅｎｅｏｕｓｒｅｇｉｏｎｓａｎｄｈｅｔｅｒｏｇｅｎｅｏｕｓｒｅｇｉｏｎｓｔｈｒｏｕｇｈｃｏｍｐａｒｉｎｇｔｈｅｖａｒｉ— ａｔｉｏｎｏｆａｖｅｒａｇｅｃｏｅｆｆｉｃｉｅｎｔｗｉｔｈｔｈｅｔｈｒｅｓｈｏｌｄｖａｌｕｅ．Ｓｅｃｏｎｄｌｙ，ａｃｃｏｒｄｉｎｇｔｏｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｔｈｅｃｅｎｔｒａｌｐｉｘｅｌｏｆｔｈｅｔａｒｇｅｔｂｌｏｃｋ，ｔｈｅａｐｐｒｏｐｒｉａｔｅｐａｒａｍｅｔｅｒｓａｒｅｓｅｌｅｃｔｅｄｔｏｐｅｒｆｏｒｍｂｌｏｃｋｍａｔｃｈｉｎｇ．Ｆｉｎａｌｌｙ，ｔｈｅｔａｒｇｅｔｂｌｏｃｋｌｏｃａｔｅｄｉｎｈｏｍｏｇｅｎｅｏｕｓｒｅｇｉｏｎｓｉｓｐｒｏｃｅｅｄｂｙｗｅｉｇｈｔｅｄａｖｅｒａｇｅｗｉｔｈｓｉｍｉｌａｒｂｌｏｃｋｓｏｆｔｈｅｔａｒｇｅｔｂｌｏｃｋ．Ｏｎｔｈｅｏｔｈｅｒｈａｎｄ，ｔｈｅｔａｒｇｅｔｂｌｏｃｋｌｏｃａｔｅｄｉｎｈｅｔｅｒｏｇｅｎｅｏｕｓｒｅｇｉｏｎｓｉｓｐｅｒｆｏｒｍｅｄｂｙ３Ｄｈａｒｄ—ｔｈｒｅｓｈｏｌｄｉｎｇｓｈｒｉｎｋａｇｅｗｉｔｈｓｉｍｉｌａｒｂｌｏｃｋｓｏｆｔｈｅｔａｒｇｅｔｂｌｏｃｋ．Ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｎｏｔｏｎｌｙｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｂｌｏｃｋｍａｔｃ— ｈｉｎｇｔｈｒｏｕｇｈａｄｊｕｓｔｉｎｇｔｈｅｂｌｏｃｋｓｉｚｅａｎｄｔｈｅｓｅａｒｃｈｗｉｎｄｏｗｓｉｚｅｏｎｔｈｅｂａｓｉｓｏｆｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｉｍａｇｅｂｌｏｃｋｓ，ｂｕｔａｌｓｏａｃｈｉｅｖｅａｓａｔｉｓｆｉｅｄｂａｌａｎｃｅｂｅｔｗｅｅｎｓｍｏｏｔｈｉｎｇ（ｉｎｈｏｍｏｇｅｎｅｏｕｓｒｅｇｉｏｎ）ａｎｄｆｅａｔｕｒｅｐｒｅｓｅｒｖａ— ｔｉｏｎ（ｉｎｈｅｔｅｒｏｇｅｎｅｏｕｓｒｅｇｉｏｎ）ｂｙｓｅｌｅｃｔｉｎｇｄｉｆｆｅｒｅｎｔｍｅｔｈｏｄｓｔｏｄｅａｌｗｉｔｈｄｉｆｆｅｒｅｎｔｒｅｇｉｏｎｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｒｅ— ｓｕｉｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｍａｋｅｓｆｕｌｌｕｓｅｏｆｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｈｏｍｏｇｅｎｅｏｕｓａｎｄｈｅｔｅｒｏｇｅｎｅ０ｕｓｒｅ— ｇｉｏｎｓ，ｗｈｉｃｈｃｏｍｂｉｎｅｔｈｅａｄｖａｎｔａｇｅｏｆｄｉｆｆｅｒｅｎｔｍｅｔｈｏｄｓｔｏｉｍｐｒｏｖｅｔｈｅｄｅｓｐｅｃｋｌｉｎｇｐｅｒｆｏｒｍａｎｃｅａｎｄｒｅａｃｈａｈｉｇｈ１ｅｖｅ１ｉｎｔｅｒｍｓｏｆｂｏｔｈｐｅｒｆｏｒｍａｎｃｅｉｎｄｅｘａｎｄｖｉｓｕａｌｑｕａｌｉｔｙ．

用自适应滤波算子祛除ERS-1星载SAR影像上的斑点噪声

用自适应滤波算子祛除ERS-1星载SAR影像上的斑点噪声刘玉贤
【期刊名称】《测绘科学》
【年(卷),期】1993(0)3
【摘要】地球表面对电磁波进行后向散射时的不连续性和动态性,在SAR影像上产生大量的斑点噪声。

在对SAR影像进行祛噪声处理时,所采用的滤波算子要既能祛除斑点噪声,又能保持影像的纹理信息。

基于非静态平均和非静态方差影像模型的Kuan噪声滤波算子,能随着局部影像统计特性的变化而调整影像平滑的权值和保持原影像信息的权值。

对一帧荷兰某地区的ERS-1星载SAR影像进行的滤波处理实验表明,该算子能有效地祛除ERS-1星载SAR影像上的斑点噪声,并能保持影像上的纹理信息。

【总页数】4页(P17-20)
【关键词】斑点噪声;ERS-1;影像信息;纹理信息;自适应滤波;噪声处理;噪声滤波;统计特性;处理实验;边缘特征
【作者】刘玉贤
【作者单位】国家测绘局测绘科学研究所
【正文语种】中文
【中图分类】P2
【相关文献】
1.高分辨率星载SAR单视图像斑点噪声抑制实现方法 [J], 李春升;燕英;陈杰;黄岩;周荫清
2.星载SAR图像的斑点噪声抑制与滤波研究 [J], 周建民;何秀凤
3.星载SAR图象斑点噪声消除方法效果的比较研究 [J], 唐伶俐;Jack.,TJ
4.利用小波变换抑制星载SAR图象的斑点噪声 [J], 胡召玲;郭达志;盛业华
5.广义形态滤波实现星载SAR图像斑点噪声抑制 [J], 刘先锋;郑明洁;龙腾;韩月秋因版权原因，仅展示原文概要，查看原文内容请购买。

一种分区域SAR图像非局部均值去噪方法[发明专利]

专利名称：一种分区域SAR图像非局部均值去噪方法专利类型：发明专利
发明人：辛志慧,麻伟,王志旭,孙雨,宣嘉裕
申请号：CN202110486169.2
申请日：20210430
公开号：CN113191979B
公开日：
20220624
专利内容由知识产权出版社提供
摘要：本发明涉及一种分区域SAR图像非局部均值去噪方法，包括：S1：对SAR图像进行预处理，将其噪声转变为加性噪声，得到SAR预处理图像；S2：对SAR预处理图像进行目标边缘提取，并根据提取得到的目标边缘轮廓，得到封闭的目标填充区域；S3：对目标填充区域进行标记，根据标记结果将SAR预处理图像，分为标记区域和未标记区域；S4：采用第一加权函数对标记区域进行滤波处理，采用第二加权函数对未标记区域进行滤波处理，得到SAR滤波图像；S5：对SAR滤波图像进行指数函数变换处理，得到SAR去噪图像；本发明的方法，在保留目标的细节纹理信息的同时，可以将非标记区域的噪声很大程度地平滑掉，既去除了噪声，又更好的保留了目标的细节以及纹理信息。

申请人：云南师范大学
地址：650000 云南省昆明市五华区一二一大街298号
国籍：CN
代理机构：西安嘉思特知识产权代理事务所(普通合伙)
代理人：王海栋
更多信息请下载全文后查看。

基于非局部自适应字典的SAR图像迭代去噪算法

基于非局部自适应字典的SAR图像迭代去噪算法庞姣;张世琪;刘帅奇【摘要】In order to make better use of the information carried by SAR images,the suppression of speckle noise has become one of the hot topic around the bining sparse representation theory and non local self similarity theory of images,a SAR image iterative denoising algorithm based on non-local block matching and adaptive dictionary K-SVD is proposed in this paper.Firstly,the results were matched using non local block matching algorithm of the previous iteration in each iteration,then each group of similar block adaptive dictionary update,and image block replacement dictionary is used to improve the efficiency of dictionary training,and finally the effect of SAR image denoising is achieved by K-SVD iteration.The results show that the algorithm has better denoising ability,and can better preserve the details and texture information of the image.%为了更好地利用SAR图像携带的信息,相干斑噪声的抑制成为各国学者研究的热点之一.结合稀疏表示理论和图像的非局部自相似理论,提出了一种基于非局部块匹配与自适应字典的K-singular value decomposition(K-SVD)的synthetic aperture radar(SAR)图像迭代去噪算法.首先,在每次迭代中,利用非局部块匹配算法对上一次迭代的结果进行匹配分组,然后对每组相似块进行自适应字典更新,并用图像块替换字典原子来提高字典训练的效率,最后通过K-SVD的迭代实现SAR图像的去噪效果.实验结果表明,该算法具有更好的去噪能力,能更好地保持图像的细节和纹理等有用信息.【期刊名称】《河北大学学报（自然科学版）》【年(卷),期】2018(038)003【总页数】6页(P309-314)【关键词】SAR图像去噪;相似块匹配;K-SVD;迭代去噪【作者】庞姣;张世琪;刘帅奇【作者单位】河北大学电子信息工程学院,河北保定071002;河北省机器视觉工程技术研究中心,河北保定071002;北京理工大学信息与电子学院,北京 100081;河北大学电子信息工程学院,河北保定071002;河北省机器视觉工程技术研究中心,河北保定071002【正文语种】中文【中图分类】TN95SAR(synthetic aperture radar)图像在海洋监测、航空测量、遥感和图像匹配制导等领域得到了广泛应用，如何有效地去除相干噪声逐渐成为各国学者研究的热点问题之一[1]. 目前，常用的SAR图像去噪方法是基于变换域的图像去噪算法，该算法通常是将图像信号投影到某一变换域，然后在变换域对不同频带的信息进行处理分离出噪声和有用信息. 如刘帅奇等[1]提出的基于非下采样剪切波域与上下文信息相结合的SAR图像去噪算法，王向阳等[2]提出的基于扩展Shearlet域BKF(Bessel k form)分布模型的SAR图像去噪. 虽然这些算法取得很好的去噪效果，但是在变换域中噪声和信号往往并不能完全分离，因此在去噪的过程中会造成图像的信息丢失和边缘模糊等缺点.随着多维信号稀疏表示的研究和发展，基于稀疏表示的SAR图像去噪算法得到了广泛的应用. 如卢婷等[3]提出的基于结构稀疏表示的SAR图像去噪算法，Ozcan 等[4]提出的基于稀疏性驱动的SAR图像去噪算法. 由于噪声不是稀疏成分，则任意一种多尺度几何变换方法只能对图像的某些特征进行稀疏表示，而且图像中包含了多种特征，因此仅采用有限的变换很难准确地对所有的特征进行稀疏表示. 若用基于字典学习的稀疏表示理论对图像进行去噪，既可以实现信号和噪声的有效分离又能对图像信号进行更有效的稀疏表示，从而可以达到更好的去噪效果. 如Ojha 等[5]提出的K-SVD字典学习的SAR图像去噪算法，Deka等[6]提出的基于过字典学习的相干噪声抑制算法. 在图像的稀疏表示领域中，字典的生成是对信号进行稀疏表示的重要前提与至关重要的环节.虽然超完备字典具有更好的去噪效果，但图像在字典训练中，往往需要消耗大量的计算时间. 而自适应字典学习虽然简单快捷，但是会影响去噪的效果. 为了能更有效地去除SAR图像的相干噪声，同时又能尽最大可能地保留图像中的有用信息，因此，提出了一种基于非局部块匹配与自适应字典的K-SVD的SAR图像迭代去噪算法. 实验结果表明，相比传统的图像去噪算法，本文算法在达到较好去噪效果的同时更有效地保留了图像的有用信息，在主观和客观评价方面都取得了很好的结果.1 K-SVD相似块匹配与自适应字典更新K-SVD算法是一种基于超完备稀疏分解的图像去噪算法[6]. 该算法通过迭代过程实现原有过完备字典在图像样本下的训练，通过稀疏分解系数不断调整原子库中的原子，最终得到能更加有效反映图像特征的过完备矩阵. 假设过完备字典为D∈RM×k，用稀疏分解对含噪图像I∈RM×N进行处理，则其冗余稀疏模型为(1)式中，α是图像的冗余稀疏表示系数，通常，‖α‖0≤L≪M，其中L是最大的稀疏度. 在一定的ε下，可通过式(1)求得α.为了能更有效地去除噪声，利用最大后验概率估计可将式(1)转换为[7](2)式中，T为依赖于ε和σ的阈值，σ为图像所含噪声的标准差.为了更好地使用orthogonal matching pursuit(OMP)算法求解图像块的稀疏模型，将式(2)转换为以下模型:(3)式中，μ为惩罚因子. 实际中，含噪图像往往满足模型Y=X+n. 其中Y为实际观察到的含噪图像，X为理想的无噪图像，n为噪声.由于字典训练仅对小的图像块有效，如果使用原始含噪图像直接进行字典训练，图像的稀疏度会受到一定的影响进而无法得到图像最优的稀疏表示[8]. 因此，可以对图像先进行分块处理得到小的图像块，然后利用非局部相似块匹配得到相似块组，对相似块组利用基于OMP的K-SVD算法进行处理，不仅可以得到图像的最优稀疏表示，还可以提高算法的效率与准确度.在利用非局部相似块匹配得到相似块组时，设参考块yi的大小为在区域D×D范围内进行搜索，计算匹配块y与参考块yi的欧式距离并进行排序，取前Q个图像块(一般Q的值为7)与参考块构成相似块组Yi，其中，欧式距离d可由式(4)得到. d(y,yi)=‖y-yi‖2.(4)如果无噪图像X满足式(3)的稀疏模型，则可得图像的去噪模型为(5)式中，λ‖X-Y‖表示含噪图像Y与无噪图像X之间的近似程度；和分别为稀疏和图像分解一致性的先验条件.为了克服图像去噪时会产生边缘模糊，Elad等[7]将字典更新部分融合到贝叶斯的去噪中，由此可得K-SVD算法的目标函数为(6)该模型通过交替迭代算法可以很容易地进行求解.2 基于相似块匹配与字典更新的K-SVD去噪算法通常情况下，相干斑噪声是完全发育的[9]，那么，它的乘性噪声模型为F(x，y)=R(x,y)·N(x,y),(7)其中，F(x,y)表示噪声SAR图像，R(x,y)表示真实SAR图像，N(x,y)表示相干斑噪声，服从Γ分布. 在对SAR图像去噪时，一般先对含噪图像进行对数化处理，将乘性噪声转化为均值为零的加性噪声，其噪声模型为[10]F=R+R(N-1)，(8)式中，N-1是零均值的随机变量，那么R(N-1)也是零均值的随机变量，可看作是加性噪声. 因此，可以将式(8)中的模型应用到式(3)中，然后用改进的K-SVD进行去噪.为了达到更好的去噪效果并保留更完整的图像信息，对改进的K-SVD进行迭代处理. 用表示第k次迭代结果，N(it)表示迭代次数，那么原始含噪图像迭代规则为(9)式中，yk是第k次迭代初始时的含噪图像，δ是规则化加性噪声的固定参数. 用s0和sk分别表示图像y和yk的噪声方差，则可得[11]s0=ψ(1)(L),(10)式中，ψ(1)(L)表示一阶多伽马函数，L表示图像的等效视数. 假设原始含噪图像的大小为M×N，则sk可通过公式(11)计算得到[12].(11)由此可得，在第k次迭代中，用改进的K-SVD训练时，式(1)中参数ε的计算公式为εk=βm(Q+1)sk，(12)式中，β是控制迭代层数的固定参数，m和Q的含义与公式(4)中的表示相同.在每次迭代中，首先利用式(9)计算含噪图像yk，再用式(11)和式(12)分别计算sk和εk，然后用非局部相似块匹配算法得到相似块组Yi并对相似块组用改进的K-SVD进行去噪处理，最终将处理后的相似块堆叠组合得到去噪后的干净图像. 具体流图如图1所示.图1 SAR图像去噪算法流程Fig.1 Flow of the SAR image denoising algorithm 3 实验结果为了充分验证本文算法的有效性，将本文的算法分别与基于non-subsampled shearlet transform(NSST)域的上下文阈值萎缩的SAR图像去噪算法(NSSTC)[1]、基于稀疏表示的剪切波域SAR图像去噪算法(SR-NSST)[9]、probabilistic patch-based(PPB)图像去噪算法[11]、SAR-(block-matching and 3D filtering)BM3D图像去噪算法[12]以及使用非局部稀疏模型的迭代SAR图像去噪算法iterativeSAR image filtering based on non-local spare model(ISF-NSM)[13]进行对比实验. 图2a为利用X波段3m分辨率拍摄的英国Bedford-shire附近Field的SAR图像，图2b为Freanch Space Agency拍摄的City的SAR图像.对图2中的2幅真实的SAR图像分别采用上述的去噪算法进行去噪，图3为对Field图像进行去噪后的效果图. 从图3可以看出，图3c的视觉效果最差，说明去噪后的图像中存在相对较多的相干斑噪声. 图3a、b、c、d、e的一些边缘细节有所丢失，而且也有些许的人造纹理产生. 而图3f中图像的视觉效果最好，图像的边缘清晰，这说明本文的算法有效地保留了原始图像中的细节信息，达到了理想的去噪效果，这说明了本文算法的有效性和实际应用中的可行性.使用一些常见的客观评价指标，来更客观地验证本文算法的优越性[9]，例如峰值信噪比(PSNR)、等效视数(ENL)、图像标准差(Sd)和结构相似度(SSIM). 其中，峰值信噪比越大表明算法的去噪能力越强；图像标准差越小表明去噪算法对图像纹理信息保持越好；等效视数的值越大表明去噪后的图像视觉效果越好；结构相似度越大表明通过去噪算法处理后得到的干净图像保留原图像的细节信息越多，如表1所示.a.Field SAR图像;b.City SAR图像.图2 真实的SAR图像Fig.2 Real SAR image a.GNL-NSST去噪效果；b.SR-NSST去噪效果；c.PPB去噪效果；d.SAR-BM3D 去噪效果；e.ISF-NSM去噪效果；f.本文算法去噪效果.图3 图2a的各算法去噪效果Fig.3 Denoising effect of each algorithm of the fig.2a表1 对图2a去噪后的客观评价指标Tab.1 Objective evaluation index of the denoising of the Fig.2a去噪方法客观评价指标PSNR/dBENLSdSSIMNSSTC21.9413.03164.5120.892SR-NSST22.7293.56844.3490.907PPB21.9743.10156.7320.900SAR-BM3D22.2253.29150.5170.906ISF-NSM22.9923.94341.9780.925本文算法23.7984.47240.7110.950从表1可以看出，相比其他图像去噪算法，本文算法的峰值信噪比相对有了较大的提高，等效视数也明显高于其他算法，图像标准差的值最小；相比原始图像，去噪后的图像的相似度也达到0.950，接近于1. 这些都充分地说明了本文算法的优越性.图4为对图2b使用不同的去噪算法处理后的效果对比图.a.GNL-NSST去噪效果；b.SR-NSST去噪效果；c.PPB去噪效果；d.SAR-BM3D 去噪效果；e.ISF-NSM去噪效果；f.本文算法去噪效果.图4 图2b的各算法去噪效果Fig.4 Denoising effect of each algorithm of the Fig.2b从图4也可以看到，相比其他去噪算法，本文算法具有更好的去噪能力. 本文算法不仅可以有效地保持图像的边缘，还可以提升相干噪声抑制的效果.表2为不同去噪算法的客观评价指标值. 从表2可知，本文算法得到的图像所有客观评价指标都是最优值，这说明本文算法具有更好的去噪能力和更好的图像纹理信息保持能力.表2 对图2b去噪后的客观评价指标Tab.2 Objective evaluation index of thedenoising of the Fig.2b去噪方法客观评价指标PSNR(dB)ENLSdSSIMNSSTC24.4935.03141.7110.902SR-NSST24.5085.35442.6320.905PPB24.6785.56844.3490.910SAR-BM3D25.8096.12947.8170.885ISF-NSM25.9145.62542.1560.892本文算法26.3126.35741.5390.9204 结论本文利用非局部块匹配算法的优点，结合稀疏表示理论中的基于图像本身训练字典的K-SVD算法提出了一种基于非局部块匹配与自适应字典的K-SVD的SAR图像迭代去噪算法. 通过对仿真SAR图像和真实SAR图像进行实验，可见相比目前常用的SAR图像去噪算法，本文的算法不仅可以得到更好的峰值信噪比，更有效地保留原始图像的细节信息和抑制人造纹理的产生，而且具有更好的视觉效果，是一种有效可行的SAR图像去噪算法. 但是，在利用本文算法对SAR图像进行去噪处理时，在图像自适应更新字典时仍需要大量的计算时间而且算法的复杂度也相对较高，有待进一步研究.参考文献：[1] LIU S Q, SHI M Z, HU S H, et al. Synthetic aperture radar image de-noising based on Shearlet transform using the context-based model[J]. Physical Communication, 2014, 13: 221-229.DOI:10.1016/j.phycom.2014.02.002.[2] WANG X Y, ZHANG N, ZHENG H L, et al. Extended shearlet HMT model-based image denoising using BKF distribution[J]. Journal of Mathematical Imaging and Vision, 2015, 54(3): 301-319.DOI:10.1007/s10851-015-0605-9.[3] LU T, LI S, FANG L, et al. SAR image despeckling via structural sparse representation[J]. Sensing and Imaging, 2016, 17(1): 1-20.DOI:10.1007/s11220-015-0127-y.[4] OZCAN C, SEN B, NAR F. Sparsity-driven despeckling for SAR images[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(1): 115-119.DOI:10.1109/lgrs.2015.2499445.[5] OJHA C, FUSCO A, MANUNTA M. Denoising of full resolution differential SAR interferogram based on K-SVD technique[C]// Geoscience and Remote Sensing Symposium，IEEE, 2015.[6] DEKA B, BORA P K. Removal of correlated speckle noise using sparse and overcomplete representations[J]. Biomedical Signal Processing and Control, 2013, 8(6): 520-533. DOI:10.1016/j.bspc.2013.05.003.[7] ELAD M, AHARON M. Image denoising via sparse and redundant representations over learned dictionaries[J]. IEEE Trans Image Process, 2006, 15(12): 3736-3745. DOI:10.1109/tip.2006.881969.[8] GOODMAN J W. Some fundamental properties of speckle[J]. Journal of the Optical Society of America, 1976, 66(11): 1145-1150.DOI:10.1364/josa.66.001145.[9] LIU S Q, HU S H, XIAO Y, et al. Bayesian shearlet shrinkage for SAR image de-noising via sparse representation [J]. Multidimensional Systems and Signal Processing, 2013, 25(4): 683-701. DOI:10.1007/s11045-013-0225-8.[10] OSHER S, BURGER M, GOLDFARB D, et al. An iterative regularization method for total variation-based image restoration[J]. Multiscale Modeling & Simulation, 2005, 4(2): 460-489. DOI:10.1137/040605412.[11] DELEDALLE C, DENIS L, TUPIN F. Iterative weighted maximum likelihood denoising with probabilistic patch-based weights[J]. IEEE Trans Image Process , 2009, 16(8): 2080-2095. DOI:10.1109/tip.2009.2029593. [12] PARRILLI S, PODERICO M, ANGELINO C V,et al. A nonlocal SAR image denoising algorithm based on LLMMSE wavelet shrinkage[J]. IEEE Trans Geosci Remote Sens, 2012, 50(2): 606-616. DOI:10.1109/tgrs.2011.2161586.[13] XU B, CUI Y. An iterative SAR image filtering method using nonlocal sparse model[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(8):1635-1639. DOI:10.1109/lgrs.2015.2417551.。

非局部均值滤波,SAR图像去噪

1.2 SAR
在早期的SAR相干斑噪声的滤波处理方法中，大多采用多视处理技术来抑制相干斑噪声，即在方位向或者距离向上分割SAR图像成N个独立的部分，每一部分都用来产生较低分辨率的单视图像，然后把N个单视图像对应的像素非相干地叠加后平均。如果对SAR图像进行N视处理，可以将噪声方差降低倍，但同时图像的空间分辨率也会减少N倍。该过程是在成像处理中完成的，从而可以获得成像处理数据率的下降，但随着SAR图像应用的不断扩展，对其空间分辨率的要求越来越高，多视处理技术已经不能满足要求。以各种滤波技术为基础，对成像后的SAR图像进行相干斑噪声抑制已经成为高分辨率SAR图像处理的主流[5]。
Abstract
Currently, Interferometric Synthetic Aperture Radar (InSAR) has become one of the most potential techniques for earth-observing, owing to its prominent merits, such as all-time, all-weather, high accuracy and large observation areas, etc.This technique indicates the great prospect in aspects of earthquake deformation, volcanic movement, glacial drift, urban settlement and landslide.
Finally, we apply this algorithm to smooththesynthetic SAR image and true SAR image. Our experiments show that the iterative non-local means filter can obtain great results even withimages of complex textureand rich edge information. Compared to Boxcar filter, refined Lee filter and IDAN filter, the iterative non-local means filter is similar in aspect of noise suppression，but better indetails preserving.

一种参数自适应的SAR图像去噪方法

一
种参数自适应的ＳＡＲ图像去噪方法
高博，王俊，原慧。
（１．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；
２．空军工程大学防空反导学院，陕西西安
图像去噪非局部算法．最后，在真实的ＳＡＲ数据上，对该算法进行了实验测试，并与经典的ＰＰＢ算法进行
了实验对比．实验验证了该算法能更好地抑制噪声并且同时保持细节信息．
关键词：图像去噪；合成孔径雷达；非局部均值；粒子群优化中图分类号：ＴＰ７５１文献标识码：Ａ文章编号：１００１－２４００（２０１５）０５ — ００５１）
摘要：传统的合成孔径雷达（ＳＡＲ）图像非局部均值去噪算法中，对于噪声块的相似性度量都简化为噪声点之间的相似性级联．在加性噪声模型下取得了很好的去噪效果．笔者将这种思想推广到了ＳＡＲ图像的乘性噪声模型下，并且将其在最大似然权重估计的框架下对基于概率斑点（ＰＰＢ）进行了改进．由于在ＰＰＢ算法中参数的设置复杂，且不能自适应地获得最优效果，文中提出了基于粒子群优化的参数自适应的ＳＡＲ

改进的非局部均值滤波算法

改进的非局部均值滤波算法郭贝贝;易三莉;贺建峰;苗莹;邵党国【摘要】非局部均值滤波算法是一种能够较好保持图像纹理细节的降噪算法,但该算法不能自适应调节滤波参数且滤波结果易产生伪影.针对这些不足,提出一种自适应的且与各向同性算法相结合的非局部均值滤波算法.通过改进的拉普拉斯算子对图像的噪声方差进行估计,并将估计的方差应用于滤波系数的计算中,实现滤波系数的自适应选择.以局部方差作为调整因子,将非局部均值滤波算法与各向同性局部滤波算法相结合,减少滤波图像产生的伪影,提高图像质量.实验结果表明,与非局部均值滤波算法相比,该算法在保留图像纹理细节的同时能够更好地减少伪影,提高图像的峰值信噪比,具有更好的降噪效果.【期刊名称】《计算机工程》【年(卷),期】2016(042)007【总页数】5页(P227-231)【关键词】非局部均值滤波;拉普拉斯算子;噪声方差;滤波系数;各向同性滤波【作者】郭贝贝;易三莉;贺建峰;苗莹;邵党国【作者单位】昆明理工大学信息工程与自动化学院,昆明650500;昆明理工大学信息工程与自动化学院,昆明650500;昆明理工大学信息工程与自动化学院,昆明650500;昆明理工大学信息工程与自动化学院,昆明650500;昆明理工大学信息工程与自动化学院,昆明650500【正文语种】中文【中图分类】TP301.6中文引用格式:郭贝贝，易三莉，贺建峰，等.改进的非局部均值滤波算法［J］.计算机工程，2016，42(7):227-231.英文引用格式:Guo Beibei，Yi Sanli，He Jianfeng，et al.Im proved Non-local M eans Filtering A lgorithm［J］.Computer Engineering，2016，42(7):227-231.图像降噪技术是数字图像处理领域的基础技术之一。

经典的降噪方法有基于小波的滤波算法［1］、基于偏微分方程的滤波算法［2］和基于随机场建模的方法［3］等。

一种基于LLMMSE 小波收缩的非局部SAR 图像去噪算法

关的块来说，BM3-D 从这些块中运用欧几里得距离来寻找与相关块最接近的图像块。在 AWGN 的设置中这个很有意义，因为一个较小的欧几里得距离意味着两个信号块（无噪声）有一个很高的相似度，这也是协同滤波所必须的。然而，一旦噪声数据改变，即 SAR 图像发生了变化，欧几里得距离就失去了意义。因此，我们需要一种不同的相似性度量方法来确信信号块能与相关块有很大的相似。第二个修改源于协同滤波自身的相同推理和考虑。事实上，在 AWGN 中，硬阈值是一个很有道理的选择，因为它是未处理群组[33]中最大最小估计值。但这个在乘性噪声中不再是真实的，可以用一个更适合的小波收缩策略来设计。在本文中，尤其的，我们采用 LLMMSE 方法，将在下一节有深入讨论。有了这个引人注目的修改，我们在运用 UDWT 时引入一个更深的改变，致力于在第一步获得更为可靠的估计，尤其是在这种强噪情况下。确实，这是消除的一步，UDWT 保证了不变性（这样避免在硬阈值之后出现像 Gibbs 现象的假信号），并为随后的估计提供了一个更大数量的样本。另一方面，UDWT 是相当的数据密集，引发了相关系数，这样可以将原始域和变换域的最优拆开。尽管如此，在[38]显示了实验结果和[39]为理论来提供比无冗余的 WT 更好的结果,并且这个技术已经成功应用于有斑点的 LLMMSE 收缩。[20],[40]
而第二阶段用经验维纳滤波在变换域进行去噪。所上述两步，然而不是局部邻域内，而是在图像不同位置得到的相似性块的群组内，这就是非局部方法的思想。因此，3-D 群组是高度冗余的，利于一个稀疏小波变换表示，在第一部中通过硬阈值变换能很有效的分离信号和噪声；一个更好的结果是数据可以很确信地被估计，第二阶段中的维纳滤波（在 3-D 群组上）证明了这一点。我们现在在一个很好地水平来总结，以下是 BM3-D 的流程。第一阶段，在噪声图像上进行，分为三步。 1）群组：对每一个相关的块，利用计算出最小欧氏距离来找出图像中最相似的块。 2）协同滤波：每一个 3-D 群组进小波变换，硬阈值滤波，逆小波变换。 3）聚合：所有滤波的图像块回到原始图像位置，计算出合适的权值得到图像的基本估计。第二阶段同样分为三步，如下。 1）群组：在基本估计的图像块上进行第一阶段的块群组。 2）协同滤波：每一个 3-D 组群（噪声块）进行 DCT\WT 变换，维纳滤波，逆变换。 3）聚合：和第一阶段相同。这个小总结对本文的后续是很重要的。BM3-D 详细的描述，然而，对一个完全理解的算法很重要。跳出着工作的范围，读者可AR 斑点问题

一种基于图像结构保持降低SAR图像斑点噪声的非局部均值滤波

一种基于图像结构保持降低SAR图像斑点噪声的非局部均值滤波孙丹【期刊名称】《数字技术与应用》【年(卷),期】2014(000)007【摘要】This paper proposed a structure-preserving specklereduction(SPSR) nonlocal means filter algorithm for synthetic aperture radar(SAR) images, which is based on the nonlocal self-similarity of the image. The SPSR algorithm is unique in the similar structure of pixel identification, therefore in the process of speckle filter avoid blurred images. To al eviate the effects of the speckle noise on similarity measurement, two stage filtering scheme is introduced into it. The first stage aims at an accurate approximation of true structural similarity, and then based on the values to implement of strength different of diffusion filter for these similar regional. Compared with the traditional filter, the algorithm greatly improve the performance of speckle filter, at the same time, the image of the structure remains intact.%本文提出一种针对合成孔径雷达(SAR)图像保持结构的斑点去除(SPSR)非局部均值滤波算法，它基于图像的非局部自相似性。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

第34卷第4期电子与信息学报Vol.34No.4 2012年4月Journal of Electronics & Information Technology Apr. 2012基于非局部均值滤波的SAR图像去噪易子麟尹东胡安洲张荣*(中国科学技术大学电子工程与信息科学系合肥 230027)摘要：该文提出一种基于结构相似性指数(SSIM)的非局部均值(Non Local means, NL-means)滤波的合成孔径雷达(SAR)图像相干斑噪声抑制新方法。

该方法用SSIM改进NL-means算法中小块相似性的度量，能利用结构信息来进行相干斑抑制。

通过在真实SAR图像上的实验表明，与GammaMAP滤波、CHMT算法、BLS-GSM算法、NL-means滤波相比，此方法在有效去除相干斑噪声的同时能更好地保持边缘结构信息。

关键词：合成孔径雷达图像；图像去噪；结构相似性指数；非局部均值中图分类号：TP751 文献标识码： A 文章编号：1009-5896(2012)04-0950-06 DOI: 10.3724/SP.J.1146.2011.00918SAR Image Despeckling Based on Non-local Means FilterYi Zi-lin Yin Dong Hu An-zhou Zhang Rong(Department of Electronic Engineering and Information Science, USTC, Hefei 230027, China)Abstract: This paper proposes a new speckle reduction algorithm for Synthetic Aperture Radar (SAR) images. It is based on the Non Local (NL) means filter and improved by Structural SIMilarity (SSIM). Structure information is introduced into the despeckling method by measuring the similarity between small patches with SSIM. Some experiments on real SAR images, comparing with GammaMAP filter, Contourlet Hidden Markov Tree (CHMT) method, Bayes Least Squares-Gaussian Scale Mixtures (BLS-GSM) method and NL-means filter, demonstrate that the proposed algorithm is able to reduce efficiently speckle while retain edges and structures well.Key words: SAR image; Despeckling; Structural SIMilarity (SSIM); Non Local means (NL-means)1 引言合成孔径雷达(SAR)是一种主动式微波遥感器，由于具有全天时、全天候成像、高空间分辨率和强穿透能力等优点，被广泛应用到军事和民用各领域。

然而，由于其成像机理的限制，SAR图像中自身固有的随机分布的相干斑噪声会严重影响图像的质量，使其自动处理非常困难。

因此，SAR图像相干斑抑制是SAR图像处理的关键步骤，对于后续SAR图像特征提取、分割、识别等有重要意义。

SAR图像去噪有两大主要目标，一是有效地消除均匀平坦区域中的相干斑噪声，二是尽可能地保持图像中的边缘、纹理等细节信息。

几乎所有去噪方法都是在这两大性能之间折衷。

对实数数据的SAR图像去噪有传统的基于空域的滤波算法，如Lee, Kuan, Frost, GammaMAP[1]和增强Lee[2]，增强Frost[3]等滤波器。

它们的窗口大小固定，且都是利用图像的局部小块信息进行去噪，容易产生过平2011-09-05收到，2011-11-02改回国家973计划项目(2010CB731904)资助课题*通信作者：张荣 zrong@ 滑而丢失图像细节纹理信息的问题。

随着多分辨率分析的发展，小波变换被应用到SAR图像相干斑抑制中[4]，但是由1维小波张成的可分离小波只具有有限的方向，不能有效地表达图像的边缘结构信息，因此，Contourlet变换[5]等多方向尺度分析方法被应用到去噪中并取得了优于小波变换的结果。

Lee滤波和Frost滤波都可以表示成各向同性扩散的偏微分方程，文献[6]发展了各向异性扩散偏微分方程的去斑方法，改善了滤波性能，但是这类方法也会不可避免地带来目标模糊。

近年来，马尔科夫随机场[7]和吉布斯随机场[8]、BLS-GSM (Bayes Least Squares-Gaussian Scale Mixtures)[9]等模型都被引入到SAR图像去噪方法中，它们都在去除斑噪声的同时有效地保留了场景信息，取得了较好的去噪效果。

2005年，Buades等人[10, 11]提出了针对自然图像加性白噪声的非局部均值(Non Local means, NL-means)去噪方法。

该方法的基本思想是通过衡量图像的块相似性来构造求均值的权重，而不是仅仅利用传统的单像素点的相似性来构造权重。

因此，利用整个小块信息的去噪方法可以更好地保持图像第4期易子麟等：基于非局部均值滤波的SAR 图像去噪 951边缘、纹理等特征。

近年来，此方法获得了很多改进并在图像去噪领域有很好的效果[1214]-。

通过对经典NL-means 方法在真实SAR 图像上的实验可以看出，该方法仅在相对平坦区域有较好的去噪效果，而在细节信息丰富的边缘区域去噪效果很弱。

造成这个现象的原因是在整幅图像中容易找到很多相似的平坦区域的小块，用它们作加权平均可以达到较好的去噪效果；而边缘区域的小块很难找到与之相似性很高的小块，故加权平均效果不明显。

由此说明仅用高斯加权的欧氏距离作为小块的相似性度量有一定局限性。

本文定义了新的结构相似性指数SSIM [15]与高斯加权的欧氏距离乘积作为相似性度量，以达到在滤波器中引入结构信息的目的，提出了用SSIM 改进的非局部均值去噪方法(NLM- SSIM)。

对真实SAR 图像去噪的实验结果表明，所提出的改进能够更为有效地去除边缘区域的相干斑噪声，更好的保留图像的结果信息。

2 非局部均值去噪算法(NL-means)给定一幅离散的含噪声图像{()|}v v i i I =Î, I 表示图像的坐标域，对像素i ，非局部均值法计算一个全图所有像素的加权平均作为去噪后该点的估计值，[]()(,)()j INL v i w i j v j Î=å (1)其中，权值(,)w i j 取决于像素i 和像素j 之间的相似性，并满足条件0(,)1w i j ££和(,)1j w i j =å。

而像素i 和像素j 之间的相似性由它们的灰度值向量()i N v 和()j N v 的相似性决定，其中，i N 表示以像素i 为中心的固定大小的方形邻域。

邻域灰度值向量间的相似性由高斯加权的欧氏距离来确定，22,(,)()()i j ad i j N N =-v v (2)其中0a >为高斯核的标准差。

邻域灰度值向量越相似，则相应像素点在加权平均中的权值越大，定义权重如下：2(,)1(,)()d i j hw i j e Z i -=(3)其中2()exp((,)/)j Z i d i j h =-å为归一化常数，参数h 控制指数函数的的衰减速度。

3 改进的非局部均值SAR 图像去噪针对原NL-means 算法在结构信息复杂区域去噪效果弱的现象，引入SSIM 这一评价图像间的结构相似性的度量参数，以解决原算法不考虑图像结构信息的缺点。

本文提出的NLM-SSIM 去噪方法结构如图1所示。

最初提出的非局部均值滤波算法是图1 NLM-SSIM 滤波器流程图用来消除自然图像中的加性高斯白噪声的，针对SAR 图像的乘性噪声模型，需要先引入对数变换，将乘性噪声转换为加性。

用改进的非局部均值滤波器去噪后，再进行指数变换，恢复SAR 图像的原始辐射特性。

前文指出，经典的非局部均值滤波器在SAR 图像边缘区域效果不明显，因为在NL-means 算法中第1步衡量小块间的相似性只用了高斯加权的欧氏距离，即只利用了方形邻域的灰度值信息，没有考虑图像大尺度上的结构信息。

边缘区域中结构上相似的小块可能由于欧氏距离较大而被赋予较小的权值，导致加权平均效果不明显，达不到抑制相干斑噪声的目的。

王舟等人[15]提出了结构相似性指数(SSIM)这一参数，被广泛应用于图像客观质量评价中，它将亮度、对比度和结构信息结合起来，可以很好地评价图像间的相似性，并与人眼对结构信息敏感的特点相符。

12222212(2)(2)SSIM(,)()()i j ij i j i j C C i j C C m m s m m s s ++=++++ (4)其中i m 和2i s 分别表示以像素i 为中心的方形邻域i N 的灰度均值与方差，ij s 表示邻域i N 和j N 的灰度值协方差。

12,C C 为极小的常数防止零除的特殊情况。

SSIM 不仅可以直接用来评价自然图像的相似性，也被变形后用在多尺度与小波域中，它对于其它类型的信号相似性评价也有好的效果。

我们对图像取对数变换后并未改变其结构特点，因此可以引入SSIM 度量其结构相似性。

用高斯加权的欧氏距离来定义相似性，(,)d i j 越接近于0，则两个小块相似性越好。

而SSIM 的取值区间为[1,1]-，当SSIM 绝对值越大时，说明两个小块相似性越好。

为了和高斯加权的欧氏距离一致，故定义结构相似参数为1SSIM(,)(,)2i j S i j -=(5) 其取值区间为[0,1]，当两个小块完全相同时，该参数取值为0，当(,)S i j 越大时，两个小块相似性越低，即与高斯加权的欧氏距离有相同的单调性。

本文便将该基于结构相似性的参数与原高斯加权的欧氏距离相乘，作为小块相似性度量的改进，增强算法在边缘区域的作用。

如果仅采用高斯加权的欧氏距离作相似性度量，那么在结构边缘区域大量j N 与iN952 电子与信息学报第34卷相似性都很低将导致i N 自身在后面的加权中权值太大，从而去噪效果很弱。