CN102722879A - 基于目标提取和三维块匹配去噪的sar图像去斑方法 - Google Patents
基于目标提取和三维块匹配去噪的sar图像去斑方法 Download PDFInfo
- Publication number
- CN102722879A CN102722879A CN2012101933469A CN201210193346A CN102722879A CN 102722879 A CN102722879 A CN 102722879A CN 2012101933469 A CN2012101933469 A CN 2012101933469A CN 201210193346 A CN201210193346 A CN 201210193346A CN 102722879 A CN102722879 A CN 102722879A
- Authority
- CN
- China
- Prior art keywords
- image
- denoising
- sar
- edge
- target
- 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
Images
Landscapes
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于目标提取与三维块匹配去噪的SAR图像去斑方法,主要解决现有技术不能同时兼顾去斑效果和细节保持的问题。其实现步骤为:(1)对输入的SAR图像进行目标图像的提取和移除;(2)计算迭代初始值,设定迭代次数和迭代步长;(3)对移除目标后图像进行对数变换后,采用不同噪声标准差的三维块匹配去噪算法进行去噪,通过评价去噪后图像的边缘保持能力和等效视数,选取出最佳噪声标准差;(4)对对数图像采用最佳噪声标准差进行三维块匹配去噪;(5)将去噪后图像进行指数变换后与目标图像相加,得到最终去斑结果图像。本发明具有图像细节保存较好,去斑效果好的优点,可用于SAR图像目标识别和目标检测。
Description
技术领域
本发明属于图像处理技术领域,具体地说是一种去斑方法,可应用于SAR图像目标识别和目标检测。
背景技术
合成孔径雷达Synthetic Aperture Radar,简称SAR是一种能在各种天气条件下获得类似光学图像的高分辨率图像的全天候、全天时雷达,属于主动式遥感***。SAR不受光照,天气等条件的影响,可应用于农业﹑军事﹑导航﹑地理监视等诸多领域。但由于在SAR成像过程中,由于相干照射而产生的衰落效应的影响,使图像内原本具有相同后向散射系数的匀质区域表现出颗粒状噪声,这种噪声称之为相干斑。相干斑的存在增加了图像解译的复杂性,大大降低了图像分割﹑目标分类以及其他信息提取的有效性。
SAR图像降斑的首要目标是在滤除斑点噪声的同时,尽可能的保持图像的细节信息。近年来,SAR图像相干斑噪声抑制技术飞速发展,可分为成像前多视平滑技术和成像后滤波技术两大类。早期的SAR成像处理中,大多采用多视处理技术,但随着SAR图像应用的不断拓展,对其空间分辨率的要求不断提高,多视处理技术已不能满足要求。成像后的滤波技术又可分为:空域滤波技术和频域滤波技术。
基于空域滤波技术的降斑方法通常都是假定噪声模型,然后在图像上取一个滑动窗,以窗内所有像素作为滤波器的输入值,估计无相干斑噪声的图像,它是基于局部统计特性进行滤波处理的。空域滤波方法有增强Lee滤波,Kuan滤波,Frost滤波,以及GammaMAP滤波等。这些空域的滤波方法,难以保持图像的细节特征,其滤波性能的好坏,很大程度上依赖于所选滤波窗口的大小。
基于频域滤波技术的降斑方法可以从不同的分辨率空间来描述图像的局部特征,使得信号和噪声在小波变换域中表现出不同的特征,从而较易区分信号和噪声。经过比较分析,小波变换的方法对边缘有着较好的保留效果,但是由于小波变换有限的方向性,它仅能捕捉图像的水平﹑垂直及对角三个方向的信息,而对于其他方向确无能为力,这就导致处理后的图像细节信息丢失严重。
三维块匹配去噪算法是由Dabov等人在2007年提出的,它能够利用图像的自相关特性进行有效的降噪。三维块匹配去噪算法属于非局部多点型算法,它既包含了非局部去噪的思想,同时又用到了变换域滤波的方法,对于去除斑点噪声能够取得了较好的效果。但将其使用于SAR图像去斑时,由于现有的噪声估计技术都有一定的误差,所以无法准确获知SAR图像的噪声标准差,因此无法取得最佳的去斑效果,并会造成部分的图像信息的丢失。
发明内容
本发明的目的在于针对上述已有问题的缺点,提出一种基于目标识别和三维块匹配去噪的SAR图像去斑方法,以取得最佳的去除斑点噪声的效果和保留尽可能多的图像信息。
实现本发明的技术方案是:先将输入的SAR图像中的目标图像提取出来,然后计算移除了目标后图像的三维块匹配去噪算法的最佳噪声标准差,并对移除了目标后的图像采用最佳噪声标准差进行三维块匹配去噪,最后再将提取出的目标图像加入去噪结果图像中,具体步骤包括如下:
(1)对输入的SAR图像A进行细节和边缘的目标图像提取,得到提取出的目标图像T;
(2)将提取出的目标图像T从输入的SAR图像A中移除,得到移除目标图像后的SAR图像B;
(3)对移除目标图像后的SAR图像B进行对数运算,得到图像B的对数图像C;
(4)针对对数图像C,计算三维块匹配去噪算法的最佳噪声标准差a:
4a)利用Donoho提出的鲁棒中值法,用正交离散小波分解估算移除目标图像后的SAR图像B的对数图像C的噪声标准差σ:
其中,HH1为对数图像C的二维小波变换的高通-高通子空间的正交离散小波变换系数,abs表示取绝对值,median表示取中值;
4b)设置迭代次数t=20,迭代步长step=0.025,计算每次迭代的三维块匹配去噪算法的噪声标准差s(i):
s(i)=σ+i×step,i=1,2,…,t;
4c)分别使用噪声标准差s(i)作为噪声估计标准差,采用三维块匹配去噪算法对对数图像C进行去噪处理,得到不同噪声标准差的三维块匹配去噪后图像组D(i),i=1,2,…,t;
4d)将不同噪声标准差的三维块匹配去噪后图像组D(i)进行指数运算,得到指数图像组H(i);
4e)计算指数图像组H(i)的等效视数数组I(i)和边缘保持程度数组J(i):
式中,u和λ分别为指数图像组H(i)中一块同质区域的均匀值和标准差,(l,m)表示移除目标图像后的SAR图像B中的边缘像素点的坐标,Sa(l,m)表示移除目标图像后的SAR图像B的边缘像素点的灰度值,Sb(l,m)表示指数图像组H(i)边缘像素点的灰度值;I(i)的值越大,图像对比度越小,表示滤波器对斑点噪声的平滑能力越强;图像边缘保持程度J(i)越大,表示滤波器对原图像的细节保持能力越好;
4f)分别将等效视数数组I(i)和边缘保持程度数组J(i)进行标准化,得到标准化等效视数数组K(i)和标准化边缘保持程度数组L(i);
4g)以s(i)为横坐标,分别以对应标准化等效视数数组的K(i)和标准化边缘保持程度数组L(i)为纵坐标作两条曲线,则这两条曲线交点横坐标的值即为对数图像C的三维块匹配去噪算法最佳噪声标准差a的值;
(5)采用最佳噪声标准差a,对对数图像C进行三维块匹配去噪处理,得到对数图像C的三维块匹配去噪后图像M;
(6)将三维块匹配去噪后图像M进行指数变换,得到去斑后的SAR图像N;
(7)将提取出的目标图像T与去斑后的SAR图像N相加,得到最终去斑结果图像R。
本发明与现有的技术相比具有以下优点:
1)本发明由于采用了结合了双边滤波和canny算子边缘检测的方法对输入的SAR图像进行目标图像的提取,因而可将图像中的点目标、线目标和纹理细节提取出来,很好地保持了原SAR图像中的图像细节特征。
2)本发明由于采用了使用最佳噪声标准差的三维块匹配去噪算法对SAR图像进行去斑处理,通过评价不同噪声标准差的三维块匹配去噪后图像的边缘保持程度和同质区域去斑效果,选择出最佳噪声标准差,使之在具有最佳去斑效果的同时不会损失过多的的图像信息。
仿真结果表明,本发明方法较其它几种现有的经典SAR图像去斑方法,在边缘保持能力和同质区域去斑效果方面都有显著的提高。
附图说明
图1是本发明实现流程图;
图2是本发明实验输入的一幅两视SAR图像;
图3是用本发明与现有的方法对图2的SAR图像去斑结果对比图;
图4是用本发明从图2中提取出的目标图像;
图5是用本发明计算三维块匹配算法的最佳噪声标准差a的曲线。
具体实施方式
参照图1,本发明的具体实施过程如下:
步骤1.对输入的SAR图像A进行细节和边缘的目标图像提取,得到提取出的目标图像T:
1a)对输入的SAR图像A进行双边滤波处理,设置门限Y为120到180,将滤波结果图像中灰度值小于门限Y的像素点的灰度值设为0,得到双边滤波边缘图像E,双边滤波算法的具体实现参见Tomasi,C.,and Manduchi,R.:“Bilateral filtering for grayand color Images”.Proc.6th Int.Conf.Computer Vision,New Delhi,India,1998,pp.839–846;
1b)对输入的SAR图像A使用canny算子进行边缘检测,得到canny边缘图像F;
1c)将双边滤波边缘图像E与canny边缘图像F相加,得到输入的SAR图像A的总边缘图像G;
1d)将输入的SAR图像A的总边缘图像G中灰度值g(x,y)≠0处(x,y)的像素点从输入的SAR图像A中提取出来,得到目标图像T。
步骤2.将提取出的目标图像T从输入的SAR图像A中移除,得到移除目标图像后的SA图像B。
步骤3.对移除目标图像后的SAR图像B进行对数运算,得到图像B的对数图像C。
步骤4.针对对数图像C,计算三维块匹配去噪算法的最佳噪声标准差a:
4a)利用Donoho提出的鲁棒中值法,用正交离散小波分解估算图像B的对数图像C的噪声标准差σ:
其中,HH1为对数图像C的二维小波变换的高通—高通子空间的正交离散小波变换系数,abs表示取绝对值,median表示取中值;
4b)设置迭代次数t=20,迭代步长step=0.025,计算每次迭代的三维块匹配去噪算法噪声标准差s(t):
s(i)=σ+i×step,i=1,2,…,t;
4c)分别使用s(i)作为噪声估计标准差,采用三维块匹配去噪算法对对数图像C进行去噪处理,得到不同噪声标准差的三维块匹配去噪后图像组D(i),i=1,2,…,t;
三维块匹配去噪算法的具体实现参见Dabov K,Foi A,Katkovnik V,Egiazarian K.″Image denoising by sparse 3-D transform-domain collaborative filtering,″IEEE Trans.Image Process.,vol.16,no.8,pp.2080-2095,Aug.2007;
4d)将不同噪声标准差的三维块匹配去噪后图像组D(i)进行指数运算,得到指数图像组H(i);
4e)计算指数图像组H(i)的等效视数数组I(i)和边缘保持程度数组J(i):
式中,u和λ分别为指数图像组H(i)中一块同质区域的均匀值和标准差,(l,m)表示移除目标图像后的SAR图像B中的边缘像素点的坐标,Sa(l,m)表示移除目标图像后的SAR图像B的边缘像素点的灰度值,Sb(l,m)表示指数图像组H(i)边缘像素点的灰度值;I(i)的值越大,图像对比度越小,表示滤波器对斑点噪声的平滑能力越强;J(i)的值越大,表示滤波器对原图像的细节保持能力越好;
4f)分别将等效视数数组I(i)和边缘保持程度数组J(i)进行标准化,得到标准化等效视数数组K(i)和标准化边缘保持程度数组L(i):
4g)以s(i)为横坐标,分别以对应的K(i)和L(i)为纵坐标作两条曲线,则这两条曲线交点横坐标的值即为对数图像C的三维块匹配去噪算法最佳噪声标准差a的值。
步骤5.采用最佳噪声标准差a,对对数图像C进行三维块匹配去噪,得到对数图像C的三维块匹配去噪后图像M。
步骤6.将对数图像C的三维块匹配去噪后图像M的进行指数变换,得到去斑后的SAR图像N。
步骤7.将提取出的目标图像T与去斑后的SAR图像N相加,得到最终去斑结果图像R。
本发明的效果可通过以下仿真实验进一步说明:
1.仿真实验环境与参数设置:
仿真实验中,各种滤波方法都是使用matlab语言编程实现。仿真实验参数设置为:双边滤波是取5×5的窗口,其中σd为空间域高斯函数的标准差设为6,σr为亮度域高斯函数的标准差设为0.2;增强Lee滤波是选取5×5的窗口;在使用本发明进行试验时,选取step=0.025,t=20。
2.仿真实验内容:
仿真实验1,用现有的双边滤波算法对图2进行去斑处理,仿真结果如图3(a);
仿真实验2,用现有增强Lee滤波算法对图2进行去斑处理,仿真结果如图3(b);
仿真实验3,用现有最大似然框架下迭代去斑PPB滤波算法对图2进行去斑处理,仿真结果如图3(c);
仿真实验4,用本发明方法对图2进行去斑处理,仿真结果如图3(d);
仿真实验5,用本发明对图2进行目标图像的提取,仿真结果如图4;
仿真实验6,用本发明对图2计算移除了目标图像后SAR图像的三维块匹配去噪算法最佳噪声标准差,仿真结果如图5。
3.仿真实验结果分析:
从图3(a)和图3(b)可以看出现有的双边滤波算法和增强Lee滤波算法都有一定的去斑效果,但并不特别好,而且使图片产生了一定的模糊现象,会损失大部分的边缘和细节特征;从图3(c)中可以看出,使用现有的最大似然框架下迭代去斑PPB算法进行SAR图像去斑时,对均匀区域会出现过度平滑的问题,在边缘区域也会出现线目标的畸变;从图3(d)中可以看出,本发明较好的保存了图像中的目标图像,对均匀局域可以取得较好的去斑效果,而且没有出现过度平滑的情况;图4为本发明对图2提取的目标图像,从中可以看出本发明较完整的提取出了原图像中的细节纹理信息。
用图2中标记为1,2,3的三个同质区域的等效视数ENL和去斑结果图像的边缘保持能力ESI作为去斑结果的定量评价指标,一块同质区域的等效视数ENL越大,表示算法的去斑能力越强;边缘保持程度ESI越大表示算法保持图像的边缘的能力越强;上述几种现有的滤波方法去斑结果和本发明的去斑结果在图2三个标记的同质区域的ENL和边缘保持程度ESI列在表1中。
表1几种去斑算法结果对比
从表1中可以看出在均值﹑标准差﹑等效视数和边缘保持程度等各方面都有较佳的表现,本方法的去斑效果显示出了同质区域斑点抑制能力和一定的保护点线等强反射目标的能力。同时,本发明与基于边缘﹑同质区域﹑点目标分类的空域滤波方法相比,在对细节信息,像线和纹理进行恢复时比其它方法表现出了更好的效果。本发明最明显的优点在于其对同质局域的平滑性能很好,而且同时尽可能多的保留图像中的细小纹理结构信息。相对于其它的一些空域的去斑方法具有更好的性能,能够在更好平滑斑点噪声的同时保持SAR图像的边缘和纹理细节。
Claims (4)
1.一种基于目标提取和三维块匹配去噪的SAR图像去斑方法,包括如下步骤:
(1)对输入的SAR图像A进行细节和边缘的目标图像提取,得到提取出的目标图像T;
(2)将提取出的目标图像T从输入的SAR图像A中移除,得到移除目标图像后的SAR图像B;
(3)对移除目标图像后的SAR图像B进行对数运算,得到图像B的对数图像C;
(4)针对对数图像C,计算三维块匹配去噪算法的最佳噪声标准差a:
4a)利用Donoho提出的鲁棒中值法,用正交离散小波分解估算移除目标图像后的SAR图像B的对数图像C的噪声标准差σ:
其中,HH1为对数图像C的二维小波变换的高通—高通子空间的正交离散小波变换系数,abs表示取绝对值,median表示取中值;
4b)设置迭代次数t=20,迭代步长step=0.025,计算每次迭代的三维块匹配去噪算法的噪声标准差s(i):
s(i)=σ+i×step,i=1,2,…,t;
4c)分别使用噪声标准差s(i)作为噪声估计标准差,采用三维块匹配去噪算法对对数图像C进行去噪处理,得到不同噪声标准差的三维块匹配去噪后图像组D(i),i=1,2,…,t;
4d)将不同噪声标准差的三维块匹配去噪后图像组D(i)进行指数运算,得到指数图像组H(i);
4e)计算指数图像组H(i)的等效视数数组I(i)和边缘保持程度数组J(i):
式中,u和λ分别为指数图像组H(i)中一块同质区域的均匀值和标准差,(l,m)表示移除目标图像后的SAR图像B中的边缘像素点的坐标,Sa(l,m)表示移除目标图像后的SAR图像B的边缘像素点的灰度值,Sb(l,m)表示指数图像组H(i)边缘像素点的灰度值;I(i)的值越大,图像对比度越小,表示滤波器对斑点噪声的平滑能力越强;J(i)的值越大,表示滤波器对原图像的细节保持能力越好;
4f)分别将等效视数数组I(i)和边缘保持程度数组J(i)进行标准化,得到标准化等效视数数组K(i)和标准化边缘保持程度数组L(i);
4g)以s(i)为横坐标,分别以对应标准化等效视数数组的K(i)和标准化边缘保持程度数组L(i)为纵坐标作两条曲线,则这两条曲线交点横坐标的值即为对数图像C的三维块匹配去噪算法最佳噪声标准差a的值;
(5)采用最佳噪声标准差a,对对数图像C进行三维块匹配去噪处理,得到对数图像C的三维块匹配去噪后图像M;
(6)将三维块匹配去噪后图像M进行指数变换,得到去斑后的SAR图像N;
(7)将提取出的目标图像T与去斑后的SAR图像N相加,得到最终去斑结果图像R。
2.根据权利要求书1所述的基于目标提取和三维块匹配去噪的SAR图像去斑方法,其中步骤(1)所述的对输入的SAR图像A进行细节和边缘的目标图像提取,按照如下步骤进行:
2a)对输入的SAR图像A进行双边滤波处理,设置下门限Y为120到180之间的一数值,将滤波结果图像中灰度值小于下门限Y的像素点的灰度值设为0,得到双边滤波边缘图像E;
2b)对输入的SAR图像A使用canny算子进行边缘检测,得到canny边缘图像F;
2c)将双边滤波边缘图像E和canny边缘图像F相加,得到SAR图像A的总边缘图像G;
2d)将总边缘图像G中灰度值g(x,y)≠0处(x,y)的像素点从输入的SAR图像A中提取出来,得到目标图像T。
3.根据权利要求书1所述的基于目标提取和三维块匹配去噪的SAR图像去斑方法,其中所述步骤4c)采用三维块匹配去噪算法对对数图像C进行去噪处理,是先将图像分成同样大小的矩形块;再根据图像块之间结构的相似性,把具有相似结构的二维图像块组合在一起形成三维数组;最后根据同一组中图像块之间的相似性对图像进行去噪。
4.根据权利要求书1所述的基于目标提取和三维块匹配去噪的SAR图像去斑方法,其中所述步骤4f)中将等效视数数组I(i)和边缘保持程度数组J(i)进行标准化,是通过如下公式进行:
其中,K(i)为标准化等效视数数组,L(i)为标准化边缘保持程度数组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101933469A CN102722879A (zh) | 2012-06-13 | 2012-06-13 | 基于目标提取和三维块匹配去噪的sar图像去斑方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101933469A CN102722879A (zh) | 2012-06-13 | 2012-06-13 | 基于目标提取和三维块匹配去噪的sar图像去斑方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102722879A true CN102722879A (zh) | 2012-10-10 |
Family
ID=46948626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012101933469A Pending CN102722879A (zh) | 2012-06-13 | 2012-06-13 | 基于目标提取和三维块匹配去噪的sar图像去斑方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102722879A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106483523A (zh) * | 2016-09-21 | 2017-03-08 | 中国科学院国家空间科学中心 | 一种全极化合成孔径雷达图像斑点噪声滤波方法 |
CN108876724A (zh) * | 2017-05-10 | 2018-11-23 | 核工业北京地质研究院 | 基于自适应三维块匹配的sar影像滤波方法 |
CN109889417A (zh) * | 2019-03-19 | 2019-06-14 | 王昆 | 通信组件开关控制***及方法 |
CN110348459A (zh) * | 2019-06-28 | 2019-10-18 | 西安理工大学 | 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法 |
CN110751680A (zh) * | 2019-10-17 | 2020-02-04 | 中国科学院云南天文台 | 一种具有快速对齐算法的图像处理方法 |
CN112330560A (zh) * | 2020-11-05 | 2021-02-05 | 中国科学院国家空间科学中心 | 一种合成孔径雷达数据图像可视化增强方法及*** |
CN112837331A (zh) * | 2021-03-08 | 2021-05-25 | 电子科技大学 | 一种基于自适应形态重建模糊三维sar图像目标提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102117482A (zh) * | 2011-04-13 | 2011-07-06 | 西安电子科技大学 | 结合结构信息的非局部均值图像去噪方法 |
CN102346908A (zh) * | 2011-11-04 | 2012-02-08 | 西安电子科技大学 | 基于稀疏表示的sar图像相干斑抑制方法 |
-
2012
- 2012-06-13 CN CN2012101933469A patent/CN102722879A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102117482A (zh) * | 2011-04-13 | 2011-07-06 | 西安电子科技大学 | 结合结构信息的非局部均值图像去噪方法 |
CN102346908A (zh) * | 2011-11-04 | 2012-02-08 | 西安电子科技大学 | 基于稀疏表示的sar图像相干斑抑制方法 |
Non-Patent Citations (3)
Title |
---|
KOSTADIN DABOV ET AL: "Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
吴莹莹 等: "新颖的物体轮廓提取:基于双边滤波的多级边缘检测", 《计算机应用研究》 * |
胡国浩: "SAR图像相干斑抑制方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106483523A (zh) * | 2016-09-21 | 2017-03-08 | 中国科学院国家空间科学中心 | 一种全极化合成孔径雷达图像斑点噪声滤波方法 |
CN106483523B (zh) * | 2016-09-21 | 2018-12-04 | 中国科学院国家空间科学中心 | 一种全极化合成孔径雷达图像斑点噪声滤波方法 |
CN108876724A (zh) * | 2017-05-10 | 2018-11-23 | 核工业北京地质研究院 | 基于自适应三维块匹配的sar影像滤波方法 |
CN108876724B (zh) * | 2017-05-10 | 2021-10-22 | 核工业北京地质研究院 | 基于自适应三维块匹配的sar影像滤波方法 |
CN109889417A (zh) * | 2019-03-19 | 2019-06-14 | 王昆 | 通信组件开关控制***及方法 |
CN109889417B (zh) * | 2019-03-19 | 2020-08-04 | 每步科技(上海)有限公司 | 通信组件开关控制***及方法 |
CN110348459A (zh) * | 2019-06-28 | 2019-10-18 | 西安理工大学 | 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法 |
CN110751680A (zh) * | 2019-10-17 | 2020-02-04 | 中国科学院云南天文台 | 一种具有快速对齐算法的图像处理方法 |
CN112330560A (zh) * | 2020-11-05 | 2021-02-05 | 中国科学院国家空间科学中心 | 一种合成孔径雷达数据图像可视化增强方法及*** |
CN112330560B (zh) * | 2020-11-05 | 2024-02-20 | 中国科学院国家空间科学中心 | 一种合成孔径雷达数据图像可视化增强方法及*** |
CN112837331A (zh) * | 2021-03-08 | 2021-05-25 | 电子科技大学 | 一种基于自适应形态重建模糊三维sar图像目标提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102722879A (zh) | 基于目标提取和三维块匹配去噪的sar图像去斑方法 | |
CN109919870B (zh) | 一种基于bm3d的sar图像相干斑抑制方法 | |
CN100510773C (zh) | 单幅卫星遥感影像小目标超分辨率重建方法 | |
CN103093441B (zh) | 基于变换域的非局部均值和双变量模型的图像去噪方法 | |
CN102346908B (zh) | 基于稀疏表示的sar图像相干斑抑制方法 | |
CN102663702B (zh) | 基于区域划分的自然图像去噪方法 | |
CN103077508B (zh) | 基于变换域非局部和最小均方误差的sar图像去噪方法 | |
CN102156971B (zh) | 基于线状奇异性信息的sar图像相干斑抑制方法 | |
CN104504652A (zh) | 一种快速有效保留边缘及方向特征的图像去噪方法 | |
CN102509263B (zh) | 基于sar图像局部统计特性的k-svd相干斑抑制方法 | |
CN103761731A (zh) | 一种基于非下采样轮廓波变换的红外空中小目标检测方法 | |
CN102324021A (zh) | 一种基于剪切波变换的红外弱小目标检测方法 | |
CN107507209B (zh) | 极化sar图像的素描图提取方法 | |
CN101901476A (zh) | 基于NSCT域边缘检测和Bishrink模型的SAR图像去噪方法 | |
CN109658351A (zh) | 一种结合l0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法 | |
CN102819827A (zh) | 一种基于灰度分割的自适应矩匹配条带噪声去除方法 | |
CN103400383A (zh) | 基于nsct和压缩投影的sar图像变化检测方法 | |
CN103077507B (zh) | 基于Beta算法的多尺度SAR图像降噪方法 | |
CN104036461B (zh) | 一种基于联合滤波的红外复杂背景抑制方法 | |
CN103971345A (zh) | 一种基于改进双边滤波的图像去噪方法 | |
CN103793889B (zh) | 基于字典学习和ppb算法的sar图像去斑方法 | |
CN115082336A (zh) | 一种基于机器学习的sar图像相干斑抑制方法 | |
CN101950413B (zh) | 基于非下采样Contourlet域MRF模型的SAR图像降斑方法 | |
CN102136134B (zh) | 基于mrf先验的sar图像去斑方法 | |
CN103745442B (zh) | 基于非局部小波系数收缩的图像去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20121010 |