專利名稱：基于pca變換的sar圖像相干斑抑制方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像數(shù)據(jù)處理技術(shù)領(lǐng)域，具體地說是ー種相干斑抑制方法，可用于SAR圖像斑點(diǎn)噪聲的抑制。
背景技術(shù)：
合成孔徑雷達(dá)SAR是ー種高分辨率成像雷達(dá)。它具有全天候，多極化，多視角，多俯角數(shù)據(jù)獲取能力及對ー些地物的穿透能力，不僅被廣泛地應(yīng)用在軍事上，在農(nóng)業(yè)、氣象、地形地貌、災(zāi)情監(jiān)控等民用上也有大量的應(yīng)用。但由于SAR發(fā)射的是相干波，這些相干波經(jīng)過與地物的相干作用，特別是地物的后向散射作用，使目標(biāo)回波信號產(chǎn)生了衰減，這種衰減表現(xiàn)在圖像上就是相干斑噪聲。因為原理的缺陷性，導(dǎo)致SAR圖像存在著嚴(yán)重的相干斑噪聲，影響了后續(xù)的圖像解譯，因此如何抑制SAR圖像中的相干斑噪聲，提高圖像的解讀能力以及獲得更多的信息成為ー個重要的問題。SAR圖像相干斑抑制的首要目標(biāo)是在濾除斑 點(diǎn)噪聲的同時，盡可能的保持圖像的細(xì)節(jié)信息。SAR圖像的相干斑噪聲是一種復(fù)雜的乘性噪聲模型，對于斑點(diǎn)噪聲這種特殊的性質(zhì)，在過去的近二十年中，人們提出了很多經(jīng)典的SAR圖像相干斑抑制方法，如Lee濾波，增強(qiáng)Lee濾波，Kuan濾波等。這些方法是用ー個已定義好的濾波器窗來估計局域相干斑噪聲的方差，并進(jìn)行濾波處理，其結(jié)果通常過分的平滑了圖像的邊緣細(xì)節(jié)信息，在一定程度上取得了較好的效果。除了在空域進(jìn)行圖像相干斑抑制外，1995年，美國學(xué)者Donoho把小波理論引入到圖像去噪中，提出了小波軟閾值方法。小波軟閾值法開創(chuàng)了變換域進(jìn)行圖像去噪的先河，之后涌現(xiàn)了許多變換域去噪的優(yōu)秀成果，包括多尺度變換的圖像去噪方法。小波軟閾值方法是ー種非線性的算法，依然存在破壞圖像細(xì)節(jié)信息的問題，對圖像的輻射特性保持也不好。PCA變換作為ー種數(shù)據(jù)降維和去噪的相關(guān)工具，廣泛的應(yīng)用于很多領(lǐng)域，比如人臉識別等。PCA變換已有人用來做自然圖像的去噪，跟小波變換一祥，它也能捕獲圖像的結(jié)構(gòu)特征，但是由ー維小波基張成的ニ維小波變換，不是圖像的最優(yōu)表示，用ー個固定的小波基無法表示圖像中大量豐富的局部結(jié)構(gòu)，因此基于小波的去噪方法，會引入視覺上的劃痕，也就是變換域中最常見的“振鈴”現(xiàn)象。為了克服小波變換去噪方法帶來的ー些問題，Muresan和Parks等人第一次提出了空間自適應(yīng)的PCA去噪的策略。2010年Lei Zhang和WeishengDong等人在Muresan的算法基礎(chǔ)上提出了性能更加優(yōu)良的方法，這種方法為PLG-PCA，其效果與目前非常優(yōu)秀的非局部均值方法NLM和三維塊匹配的聯(lián)合濾波BM3D方法相差無幾，但是以上PCA算法目前只應(yīng)用于噪聲模型為加性的自然圖像中，不能用到噪聲模型為乘性的SAR圖像中。

發(fā)明內(nèi)容
本發(fā)明的目的在于提出了一種基于PCA變換的SAR圖像相干斑抑制方法，將性能優(yōu)異的PCA變換域去噪方法擴(kuò)展到噪聲模型為乘性的SAR圖像中，實現(xiàn)對SAR圖像充分濾波的同時保持點(diǎn)目標(biāo)和邊緣細(xì)節(jié)信息。為實現(xiàn)上述目的，本發(fā)明技術(shù)方案包括如下步驟(I)取SAR圖像的一個像素點(diǎn)X，以像素點(diǎn)X為中心取7X7大小的鄰域窗，記為圖像塊V ；(2)以像素點(diǎn)X為中心取21X21的大窗為訓(xùn)練樣本搜索窗，并在訓(xùn)練樣本搜索窗中選取與圖像塊V相似的圖像塊S，共同組成樣本矩陣X ；(3)計算樣本矩陣X的協(xié)方差矩陣Q，求出協(xié)方差矩陣Q的特征值和特征向量；(4)對特征值與特征向量進(jìn)行PCA變換，即將協(xié)方差矩陣Q的特征值按從大到小排列，得到新的特征值V，將特征值所對應(yīng)的特征向量也重新排列，得到新的特征向量P ; (5)由樣本矩陣X的中心化矩陣i和特征向量P的轉(zhuǎn)置矩陣PT，求得含噪的特征系
數(shù)J =が；(6)用線性最小均方誤差方法對含噪特征系數(shù)Y的第一列Y1進(jìn)行估計，得到估計后的特征系數(shù);(7)用估計后的特征系數(shù)f重建圖像塊，得到去噪后的圖像塊^ = + 其中，U是樣本矩陣X的均值；(8)將SAR圖像的每ー個像素點(diǎn)對應(yīng)的圖像塊，進(jìn)行步驟(2)-步驟(7)處理，并對一些重復(fù)估計的像素點(diǎn)，取平均，得到基本的去噪結(jié)果；(9)在基本的去噪結(jié)果上，更新噪聲水平，再重復(fù)一次步驟(I)-步驟(8)，得到最終的噪聲抑制結(jié)果。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)1、本發(fā)明在SAR圖像相干斑抑制過程中，采用PCA變換得到的特征系數(shù)對圖像進(jìn)行重建，能有效的分離干凈圖像信號和噪聲信號，使圖像濾波更加充分并對邊緣細(xì)節(jié)和紋理イ目息保持良好；2、本發(fā)明通過選取相似圖像塊，克服了小波軟閾值濾波因無法表示圖像大量豐富的局部結(jié)構(gòu)，對噪聲抑制時產(chǎn)生的偽吉布斯效應(yīng)，即振鈴現(xiàn)象；3、本發(fā)明通過選取相似圖像塊及用特征系數(shù)對圖像進(jìn)行重建，在平滑區(qū)域的平滑效果，邊緣細(xì)節(jié)和紋理信息的保留方面比其它現(xiàn)有的SAR圖像相干斑抑制方法都理想。


圖1是本發(fā)明的流程圖；圖2是本發(fā)明仿真使用的兩幅人工合成圖像模擬的SAR圖像；圖3是本發(fā)明仿真使用的barbara自然圖像模擬的SAR圖像；圖4是本發(fā)明仿真使用的光學(xué)圖像模擬的SAR圖像；圖5是本發(fā)明仿真使用的真實的幅度SAR圖像；圖6是本發(fā)明仿真使用的真實的強(qiáng)度SAR圖像；圖7是用現(xiàn)有方法及本發(fā)明對第一幅人工合成圖像模擬的SAR圖像濾波后的結(jié)果圖；圖8是用現(xiàn)有方法及本發(fā)明對第二幅人工合成圖像模擬的SAR圖像濾波后的結(jié)果圖9是用現(xiàn)有 方法及本發(fā)明對barbara自然圖像模擬的SAR圖像濾波后的結(jié)果圖；圖10是用現(xiàn)有方法及本發(fā)明對光學(xué)圖像模擬的SAR圖像濾波后的結(jié)果圖；圖11是用現(xiàn)有方法及本發(fā)明對真實的幅度SAR圖像濾波后的結(jié)果圖；圖12是用現(xiàn)有方法及本發(fā)明對真實的強(qiáng)度SAR圖像濾波后的結(jié)果圖。具體實施步驟參照圖1，本發(fā)明的具體實現(xiàn)步驟如下步驟1，取SAR圖像的一個像素點(diǎn)X，以像素點(diǎn)X為中心取7X7大小的鄰域窗，記為圖像塊V。步驟2，以像素點(diǎn)X為中心取21X21的大窗為訓(xùn)練樣本搜索窗，并在訓(xùn)練樣本捜索窗中選取與圖像塊V相似的圖像塊S，共同組成樣本矩陣X 2a)在訓(xùn)練樣本搜索窗中選取d (V，s)較大的250個值所對應(yīng)的圖像塊為相似的圖像塊S，其中d(V，S)表示圖像塊V和圖像塊S之間的相似程度，兩個圖像塊越相似，值越接近0，對于幅度SAR圖像兩個圖像塊的相似程度按如下公式計算
權(quán)利要求
1.基于PCA變換的SAR圖像相干斑抑制方法，包括如下步驟(1)取SAR圖像的一個像素點(diǎn)X，以像素點(diǎn)X為中心取7X7大小的鄰域窗，記為圖像塊V；(2)以像素點(diǎn)X為中心取21X21的大窗為訓(xùn)練樣本搜索窗，并在訓(xùn)練樣本搜索窗中選取與圖像塊V相似的圖像塊S，共同組成樣本矩陣X ；(3)計算樣本矩陣X的協(xié)方差矩陣Ω，求出協(xié)方差矩陣Ω的特征值和特征向量；(4)對特征值與特征向量進(jìn)行PCA變換，即將協(xié)方差矩陣Ω的特征值按從大到小排列， 得到新的特征值V，將特征值所對應(yīng)的特征向量也重新排列，得到新的特征向量P;(5)由樣本矩陣X的中心化矩陣I和特征向量P的轉(zhuǎn)置矩陣Ρτ，求得含噪的特征系數(shù)Y= AP1 (6)用線性最小均方誤差方法對含噪特征系數(shù)Y的第一列Y1進(jìn)行估計，得到估計后的特征系數(shù)f;(7)用估計后的特征系數(shù)f重建圖像塊，得到去噪后的圖像塊“; = /> + #,其中，μ 是樣本矩陣X的均值；(8)將SAR圖像的每一個像素點(diǎn)對應(yīng)的圖像塊，進(jìn)行步驟(2)-步驟(7)處理，并對一些重復(fù)估計的像素點(diǎn)，取平均，得到基本的去噪結(jié)果；(9)在基本的去噪結(jié)果上，更新噪聲水平，再重復(fù)一次步驟(I)-步驟(8)，得到最終的噪聲抑制結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于PCA變換的SAR圖像相干斑抑制方法，其中步驟(2)所述的在訓(xùn)練樣本搜索窗中選取與圖像塊V相似的圖像塊S，按如下步驟進(jìn)行2a)在訓(xùn)練樣本搜索窗中選取d(V，s)較大的250個值所對應(yīng)的圖像塊為相似的圖像塊S，其中，d (V，s)表示圖像塊V和圖像塊s之間的相似程度，兩個圖像塊越相似，值越接近0，對于幅度SAR圖像兩個圖像塊的相似程度按如下公式計算
3.根據(jù)權(quán)利要求1所述的基于PCA變換的SAR圖像相干斑抑制方法，其中步驟(3)所述的計算樣本矩陣X的協(xié)方差矩陣Ω，按如下步驟進(jìn)行3a)設(shè)一個行數(shù)為m,列數(shù)為η的樣本矩陣X
4.根據(jù)權(quán)利要求1所述的基于PCA變換的SAR圖像相干斑抑制方法，其中步驟(6)所述的用線性最小均方誤差方法對含噪的特征系數(shù)Y的進(jìn)行估計，得到估計后的特征系數(shù) :·, 按如下公式進(jìn)行
全文摘要
本發(fā)明公開了一種基于PCA變換的SAR圖像相干斑抑制方法，主要是解決現(xiàn)有的PCA變換域去噪方法不能應(yīng)用于噪聲模型為乘性的SAR圖像中。其實現(xiàn)過程是對SAR圖像進(jìn)行取塊并在訓(xùn)練樣本搜索窗選取相似塊，組成樣本矩陣；計算樣本矩陣的協(xié)方差矩陣,求解特征值與特征向量；對特征值與特征向量進(jìn)行變換求得含噪的特征系數(shù)；用最小線性均方誤差對含噪的特征系數(shù)估計；用估計后的特征系數(shù)重建圖像塊，對重復(fù)估計的像素點(diǎn)取平均，得到基本的去噪結(jié)果；在基本的濾波結(jié)果上重復(fù)該過程，得到滿意的濾波效果。本發(fā)明在抑制相干斑的同時保持點(diǎn)目標(biāo)和邊緣紋理細(xì)節(jié)信息，提高了SAR圖像的相干斑抑制效果，可用于SAR圖像目標(biāo)識別和地物分類。
文檔編號G06T5/00GK103020922SQ20131000931
公開日2013年4月3日 申請日期2013年1月10日 優(yōu)先權(quán)日2013年1月10日
發(fā)明者王爽, 焦李成, 蔣含祿, 劉坤, 于佳平, 馬文萍, 馬晶晶, 侯小瑾, 張濤 申請人:西安電子科技大學(xué)