CN104637037B - 一种基于非本地分类稀疏表示的sar图像降噪方法 - Google Patents
一种基于非本地分类稀疏表示的sar图像降噪方法 Download PDFInfo
- Publication number
- CN104637037B CN104637037B CN201510110333.4A CN201510110333A CN104637037B CN 104637037 B CN104637037 B CN 104637037B CN 201510110333 A CN201510110333 A CN 201510110333A CN 104637037 B CN104637037 B CN 104637037B
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- noise reduction
- area
- local
- 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.)
- Expired - Fee Related
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于非本地分类稀疏表示的SAR图像降噪方法。属于数字图像处理技术领域。它是一种基于分类系数估计与稀疏表示相结合的SAR图像降噪方法。首先按照图像的同质区和异质区进行分类,而后分别采用非本地均值方法和3D变换域硬阈值收缩方法实现对同质区和异质区的降噪,并由降噪结果获得非本地系数。为进一步提高降噪性能,利用所估计出的非本地系数对稀疏表示模型中的系数进行约束,以更好的逼近真实图像的系数。最后,利用最终估计的系数重构出降噪后的图像。本发明对图像的同质区和异质区采用不同方法进行处理,不仅可有效的实现同质区抑斑,同时能保留异质区中存在的细节,可用于SAR图像降噪。
Description
技术领域
本发明属于数字图像处理技术领域,它特别涉及基于图像非本地相似性与稀疏表示相结合的降噪方法,用于SAR图像降噪处理。
背景技术
合成孔径雷达SAR被广泛的应用于多个领域,并在国民经济发展与国防安全保卫等领域中发挥着重要的作用。但SAR图像的相干成像机理使其成像后的图像中存在严重的相干斑噪声,对SAR图像的后处理,如图像分割、边缘检测和特征提取等带来了一定影响,不利于SAR图像的解译。因此,对相干斑噪声的有效抑制便成为SAR图像处理的一个重要环节。
信号的稀疏表示能有效提取信号的本质特征,基于稀疏表示的图像降噪因其良好的降噪效果而得到国内外学者广泛关注。其中一些方法通过将稀疏表示与其他降噪方法相结合来提高降噪的性能,如将稀疏降噪与均值滤波,全微分相结合等。尤其是将稀疏降噪与非本地冗余特性相结合的降噪方法取得了较好的结果,如BM3D及其改进方法在降噪的整体效果方面达到了领先水平。
发明内容
本发明的目在于针对现有SAR图像降噪中存在的不足,提出一种基于非本地相似性与稀疏表示相结合的SAR降噪方法。该方法充分考虑了SAR图像中不同区域内的特征与噪声分布的情况,首先对图像分类,然后不同的方法对不同的图像块进行降噪以估计出每一图像块对应的非本地稀疏系数,最后利用非本地稀疏系数调节本地稀疏系数使最终的稀疏解更接近于真实图像的稀疏系数。因此,该方法可以提高稀疏降噪的性能。包括以下步骤:
步骤一、图像内容的分类
对于图像中的每个像素点,计算以该点为中心的图像块的方差,然后将其与预先设置好的阈值相比较,若大于阈值,则该中心像素点被标记为异质区,若小于阈值,则标记为同质区。
步骤二、分类估计非本地稀疏系数
首先,根据目标图像块分类后的属性设定相应的图像块大小与搜索区域。然后,由式(2)计算出目标图像块与搜索范围内候选图像块的相似度:
其中yi和yj分别表示目标图像块和候选图像块,ω(yi,yj)为yi和yj之间的相似度,k为图像块内像素,L为SAR图像视数,ζ为权重调节参数,表示上一次降噪结果,初始降噪时为0。在求得候选图像块与目标图像块之间的相似度后,从中选择相似度最大的K个图像块作为目标图像块的相似图像块。对于异质区目标图像块,将其本身及相似图像块联合构造为3D矩阵,并对其进行小波变换与硬阈值操作,再经过小波逆变换得到目标图像块的降噪结果;对于同质区的目标图像块,将其对应的相似图像块进行加权平均以实现目标图像块的降噪处理。
为获得稀疏表示中更适合该图像的字典,分别对同质区和异质区的目标图像块进行Kmeans聚类,并对每一类图像块使用主成分分析法训练相应的自适应学习字典D,最后将降噪后的目标图像块在该字典上投影,获得同质区目标图像块的非本地稀疏系数ηi和异质区非本地稀疏系数γi。
步骤三、结合非本地稀疏系数与稀疏表示的SAR图像降噪
为了提高图像降噪性能,利用非本地稀疏系数调节稀疏解使其更接近真实解,即将非本地稀疏系数代入以下稀疏模型进行求解:
其中y表示含噪图像,D为字典,N为图像所包含的像素点个数,ki为分类后像素所属类型的标记,αi为本地稀疏系数,γi和ηi为非本地稀疏系数,λ1,λ2和λ3为权重调节参数;为了求出最终的降噪图像,首先将目标图像块在字典D上投影得到本地稀疏系数αi,即:
αi=DTyi 式(4)
然后利用式(5)和式(6)求解式(3)中的权重参数λ1和λ2或λ1和λ3:
其中σi表示αi的标准差,δi和χi分别表示αi-ηi和αi-γi的标准差,||y||2表示图像块的2范数。在D、αi、λ1、λ2、λ3、ηi、γi确定后,利用迭代收缩算法求解式(3),得到最终的稀疏解最后,使用式(7)将重构得到降噪后的图像:
将降噪后图像与初始含噪图像进行凸组合后的结果作为新的含噪图像,然后重复步骤二和步骤三的降噪处理,当相邻两次降噪所获图像间的平均绝对偏差MAD小于设置的阈值时结束循环。
本发明的创新点是利用图像的非本地冗余信息提高图像稀疏降噪的性能;利用不同的方法实现对不同类型图像块的降噪以获得非本地稀疏系数;并利用估计出的非本地稀疏系数对稀疏表示模型中的稀疏系数进行约束,以进一步的提高降噪性能,并将该方法用于SAR图像降噪。
本发明的有益效果:稀疏降噪的过程中结合图像的非本地冗余特性,一方面可以训练出更适合图像表示的字典,另一方面可调节本地稀疏系数使其更接近于干净图像的稀疏系数,从本质上提高稀疏降噪的性能;在求解非本地稀疏系数时,根据图像块内容的不同而选择不同的参数和方法以提高非本地稀疏系数的估计精度,从而更好的调节本地稀疏系数;从稀疏表示降噪原理出发,获得乘性噪声下的稀疏降噪模型及参数,以更好的保持SAR图像的固有特征,有利于SAR图像的后续处理。
本发明主要采用仿真实验的方法进行验证,所有步骤、结论都在MATLAB8.0上验证正确。
附图说明
图1是本发明的工作流程框图;
图2是本发明仿真中使用的真实含噪的田园SAR图像;
其中白色矩形区域为选择的同质区;
图3是PPB方法对图2的降噪结果图;
图4是BM3D方法对图2的降噪结果图;
图5是本发明方法对图2的降噪结果图。
具体实施方式
参照图1,本发明基于非本地分类稀疏表示的SAR图像降噪方法,具体步骤包括如下:
步骤一、图像内容的分类
首先,对SAR图像进行简单的高斯空域滤波,方差为1.2;然后计算8×8大小图像块的方差c=σ/μ。设置阈值其中σn为相干斑的标准差,n为图像块内像素点个数。若c大于T,则该中心像素点属于异质区,并设ki=1;反之,属于同质区,并设ki=0。
步骤二、分类估计非本地稀疏系数
对属于同质区的目标图像块,设置图像块大小为9×9,搜索范围的大小为15×15,当目标图像块属于异质区时设置图像块的大小为3×3,搜索范围的大小为39×39;首先通过式(2)计算出搜索范围内K个候选图像块的之间相似度,其中ζ=1,K=16,并将这些候选图像块设置为初始相似图像块的集合,对相似度大小进行排序,然后逐个计算搜索范围内剩余候选图像块的相似度,若小于当前相似图像块集合中候选图像块的相似度则丢弃,否则将该图像块***相似图像块集合并更新相似图像块集合。
对异质区目标图像块及其相似图像块构成的3D矩阵采用3D变换域阈值收缩方法来进行非本地估计,如式(8)所示:
其中Yi表示相似图像块组成的3D矩阵,Γ3D和分别表示小波变换和小波逆变换,τ表示阈值处理,且阈值的大小由局部噪声方差决定。当目标图像块属于同质区时,通过加权平均对其进行估计,如式(9)所示:
其中表示图像块yi的非本地估计。
利用Kmeans聚类算法,分别将同质区和异质区的目标图像块分为15类,针对每类图像块,利用主成分分析法训练自适应字典D,将降噪后的图像块在字典D上投影得到非本地稀疏系数ηi或γi。
步骤三、结合估计稀疏系数与稀疏表示的SAR图像降噪
首先利用式(4)求解目标图像块在字典D上投影的本地稀疏系数αi,采用式(5)和式(6)求解式(3)中的权重参数λ1,λ2和λ3,并结合步骤二中估计出的非本地稀疏系数ηi或γi,并由式(10)计算出式(3)的解
其中λi表示ki确定后,式(3)右端非本地约束项的权重参数,βi为对应的非本地稀疏系数,的表达式如下:
在得到稀疏解后,利用式(7)重构稀疏解得到降噪后图像将与含噪图像y进行凸组合:
其中ρ为0.02,对结合后图像y′重复执行步骤二、步骤三,并在每次循环之前通过式(13)计算图像的平均绝对偏差:
其中N为图像像素值个数,和分别为第k-1和k次的降噪结果;当平均绝对偏差MAD小于设置门限ε时停止循环,得到最终降噪图像,其中门限ε设置为2.5e-04。
本发明的效果可以通过以下仿真实验进一步说明:
一、实验条件和内容
实验条件:实验使用的输入图像为图2,像素大小为256×256。实验中各降噪算法都使用MATLAB语言编程实现。
实验内容:在上述实验条件下,使用PPB方法、SAR-BM3D方法与本发明方法进行对比。降噪能力的客观评价结果用同质区等效视数ENL衡量。
实验1:用本发明方法和现有的PPB方法及SAR-BM3D方法分别对图2进行降噪,其中PPB方法的图像块大小为7×7,搜索窗大小为21×21,迭代次数为25,降噪结果如图3所示;SAR-BM3D方法的图像块大小为8×8,搜索窗大小为39×39,降噪结果如图4所示;本发明中同质区的图像块大小为9×9,搜索范围的大小为15×15,异质区的图像块大小为3×3,搜索范围的大小为39×39,降噪结果如图5所示。通过图3,图5之间的对比可以看出,本发明方法的同质区降噪效果与PPB方法相接近,但本发明方法在细节纹理保持方面有明显优势;将图3,图5与图4对比,能够发现SAR-BM3D的抑斑能力最弱,但在纹理细节保持方面最好,并且本发明方法的细节保持能力介于PPB方法和SAR-BM3D方法之间。
表1同质区1,2的ENL指标
noise | PPB方法 | SAR-BM3D方 | 本发明方法 | |
同质区1 | 9.99 | 182.17 | 72法.83 | 190.49 |
同质区2 | 10.21 | 81.02 | 54.73 | 80.39 |
表1给出了图2中的两个矩形同质区降噪前后的ENL情况,其中ENL值提高越多表示降噪效果越强。可以看出本发明方法与PPB方法相近,且均远高于SAR-BM3D方法,此结果与降噪效果图相吻合。
上述实验表明,本发明降噪方法在降噪后图像的视觉效果及客观评价指标上都较好,由此可见本发明对SAR图像降噪是有效的。
Claims (1)
1.一种基于非本地分类稀疏表示的SAR图像降噪方法,其特征在于具体步骤如下:
步骤一、图像内容的分类
SAR图像中不同区域内噪声分布不同,并且不同区域间图像本身的特性也有所不同,为实现对不同图像内容采用不同方法降噪,将每个目标图像块的方差与预设的阈值进行比较,当方差大于阈值时目标图像块中心像素点归属为异质区,当方差小于阈值时目标图像块中心像素点归属为同质区;
步骤二、分类估计非本地稀疏系数
结合分类后SAR图像中同质区和异质区的特点,选择不同的方法对其进行降噪处理;首先以图像的每个像素点为中心,依次抽取目标图像块,若目标图像块属于异质区,则根据异质区图像块包含奇异结构和细节边缘而难以在像素点附近范围内找到真正相似图像块的特点,选择较小的图像块尺寸并在较大的邻域范围内搜索与该目标图像块相似的图像块,并在得到相似图像块后使用3D变换域硬阈值收缩方法实现对目标图像块的降噪;对于同质区目标图像块,由于同质区内的像素点所包含的真实信号服从相同的分布,因此设置较大的图像块尺寸和较小的搜索范围以寻找相似图像块,并利用加权平均的方法实现对同质区目标图像块的降噪;然后利用主成分分析法训练出自适应学习字典,最后将降噪后的目标图像块在对应的自适应学习字典上投影得到目标图像块的非本地稀疏系数;
步骤三、结合非本地稀疏系数与稀疏表示的SAR图像降噪
为进一步提高图像降噪的性能,利用步骤二得到的非本地稀疏系数调节稀疏解使其更接近于真实解,即将非本地稀疏系数代入式(1)求解:
其中y表示含噪图像,D为字典,N为图像所包含的像素点个数,ki为分类后像素所属类型的标记,αi为本地稀疏系数,γi和ηi为非本地稀疏系数,λ1,λ2和λ3为权重调节参数;式(1)右端前两项为图像的本地稀疏表示,后两项为使本地稀疏系数αi更接近于真实解的约束项;由于图像内容仅分为同质区和异质区,ki仅为0或1,即ki=0为同质区,ki=1时为异质区,因此针对每个目标图像块,求解式(1)时均会从最后两项中选择出一项对αi进行约束,此时的优化问题转化为二范数求解问题;在确定了参数λ1,λ2和λ3后,先将目标图像块在字典上投影得到本地稀疏系数αi,然后利用非本地稀疏系数γi或ηi调节αi,得到最终稀疏解并将重构得到降噪后图像;将重构后的降噪图像与原含噪图像非凸组合后继续执行步骤二和步骤三,当前后两次降噪结果的平均绝对偏差MAD小于设定的阈值时停止循环,得到最终降噪图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510110333.4A CN104637037B (zh) | 2015-03-13 | 2015-03-13 | 一种基于非本地分类稀疏表示的sar图像降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510110333.4A CN104637037B (zh) | 2015-03-13 | 2015-03-13 | 一种基于非本地分类稀疏表示的sar图像降噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104637037A CN104637037A (zh) | 2015-05-20 |
CN104637037B true CN104637037B (zh) | 2017-08-11 |
Family
ID=53215744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510110333.4A Expired - Fee Related CN104637037B (zh) | 2015-03-13 | 2015-03-13 | 一种基于非本地分类稀疏表示的sar图像降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104637037B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046664B (zh) * | 2015-07-13 | 2018-05-25 | 广东工业大学 | 一种基于自适应epll算法的图像去噪方法 |
CN105184749B (zh) * | 2015-09-18 | 2018-02-13 | 中南民族大学 | 一种基于异质性预矫正的小波域sar图像去斑方法 |
CN105894476B (zh) * | 2016-04-21 | 2018-07-27 | 重庆大学 | 基于字典学习融合的sar图像降噪处理方法 |
CN107301632A (zh) * | 2017-06-28 | 2017-10-27 | 重庆大学 | 一种基于排序联合稀疏表示的sar图像降斑方法 |
CN110517196B (zh) * | 2019-08-12 | 2022-04-22 | 西安电子科技大学 | 一种sar图像降噪方法及*** |
CN112330981B (zh) * | 2020-10-16 | 2023-04-18 | 青岛博瑞斯自动化技术有限公司 | 一种基于物联网的船岸通管理***及方法 |
CN112435182B (zh) * | 2020-11-17 | 2024-05-10 | 浙江大华技术股份有限公司 | 图像降噪方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950414A (zh) * | 2010-09-02 | 2011-01-19 | 西安电子科技大学 | 自然图像非局部均值去噪方法 |
CN102073999A (zh) * | 2011-01-20 | 2011-05-25 | 西安电子科技大学 | 基于双冗余字典学习的自然图像去噪方法 |
CN102156975A (zh) * | 2011-04-22 | 2011-08-17 | 西安电子科技大学 | 基于支撑值变换和多尺度冗余字典学习的自然图像去噪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8494305B2 (en) * | 2011-12-20 | 2013-07-23 | Mitsubishi Electric Research Laboratories, Inc. | Image filtering by sparse reconstruction on affinity net |
-
2015
- 2015-03-13 CN CN201510110333.4A patent/CN104637037B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950414A (zh) * | 2010-09-02 | 2011-01-19 | 西安电子科技大学 | 自然图像非局部均值去噪方法 |
CN102073999A (zh) * | 2011-01-20 | 2011-05-25 | 西安电子科技大学 | 基于双冗余字典学习的自然图像去噪方法 |
CN102156975A (zh) * | 2011-04-22 | 2011-08-17 | 西安电子科技大学 | 基于支撑值变换和多尺度冗余字典学习的自然图像去噪方法 |
Non-Patent Citations (1)
Title |
---|
Classification一based Nonlocal SAR despeckling;Diego Gragnaniello et al;《Proc.of the Tyrrhenian Workshop on Advances in Radar and Remote Sensing》;20121231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104637037A (zh) | 2015-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104637037B (zh) | 一种基于非本地分类稀疏表示的sar图像降噪方法 | |
CN107610087B (zh) | 一种基于深度学习的舌苔自动分割方法 | |
Paisitkriangkrai et al. | Strengthening the effectiveness of pedestrian detection with spatially pooled features | |
CN103942577B (zh) | 视频监控中基于自建立样本库及混合特征的身份识别方法 | |
CN109034210A (zh) | 基于超特征融合与多尺度金字塔网络的目标检测方法 | |
CN109447073B (zh) | 一种基于张量鲁棒主成分分析的红外弱小目标检测方法 | |
CN105205475A (zh) | 一种动态手势识别方法 | |
CN104021559B (zh) | 基于互信息和Harris角点检测的图像配准方法 | |
CN105740945A (zh) | 一种基于视频分析的人群计数方法 | |
Grcić et al. | Dense open-set recognition with synthetic outliers generated by real NVP | |
CN107609571B (zh) | 一种基于lark特征的自适应目标跟踪方法 | |
CN111046827A (zh) | 一种基于卷积神经网络的视频烟雾检测方法 | |
CN102298773A (zh) | 一种形状自适应的非局部均值去噪方法 | |
CN107862680B (zh) | 一种基于相关滤波器的目标跟踪优化方法 | |
CN103870820A (zh) | 极端光照人脸识别的光照归一化方法 | |
CN109345563A (zh) | 基于低秩稀疏分解的运动目标检测方法 | |
CN104331700B (zh) | 基于轨迹能量扩散图的组行为识别方法 | |
Guo et al. | Small aerial target detection using trajectory hypothesis and verification | |
CN110163489B (zh) | 一种戒毒运动锻炼成效评价方法 | |
Wu et al. | Skeleton based temporal action detection with yolo | |
CN106952287A (zh) | 一种基于低秩稀疏表达的视频多目标分割方法 | |
Feng et al. | Study on the optimization of CNN based on image identification | |
Nugroho et al. | Classification of breast ultrasound images based on posterior feature | |
Lin et al. | An object tracking method based on CNN and optical flow | |
CN113688849A (zh) | 一种用于卷积神经网络的灰度图像序列特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170811 Termination date: 20200313 |
|
CF01 | Termination of patent right due to non-payment of annual fee |