CN106600558A - 一种针对车辆观测场景的高分辨率雷达图像增强方法 - Google Patents

Abstract

本发明的针对车辆观测场景的高分辨率雷达图像增强方法，包括如下步骤：步骤1）根据广义平稳的方法定义非平稳雷达图像中的乘性噪声；步骤2）首先根据高阶马尔科夫模型学***稳噪声滤波失效的问题，有效地增强车辆观测场景的高分辨率雷达图像质量。

Description

一种针对车辆观测场景的高分辨率雷达图像增强方法

技术领域

本发明涉及针对车辆观测场景的高分辨率雷达图像增强滤波技术，尤其设计一种针对车辆观测场景的高分辨率雷达图像增强方法。

背景技术

由于微波成像雷达固有的相干特性，雷达图像受到一种称为相干斑的乘性噪声影响。因此雷达图像噪声滤除是雷达图像特征提取阶段的重要预处理步骤。目前存在的微波雷达图像滤波方法主要有：空域估计滤波方法，比如Lee滤波和Frost,Kuan滤波器；基于最大后验概率估计，比如Gamma-MAP；小波域滤波方法；非局部均值NLM滤波方法，比如PPB,雷达-BM3D,和FANS等。

以上存在的方法，主要适用于低分辨率的雷达图像滤波。早期的雷达图像通常采用Goodman模型。随着图像分辨率的提高，采用相同工作波长获取得到的雷达图像分辨单元内的散射体个数与分辨率增加的倍数乘几何级数下降。尤其是针对车辆观测场景，雷达图像为非均匀，因此Goodman模型假设条件不再成立。以上存在方法对高分辨率图像滤波失效。

综上所述，如何从高分辨率雷达图像本质出发，开发对车辆观测场景非均匀雷达图像噪声有效滤波是一个亟待解决的问题。

发明内容

本发明的目的是克服上述背景技术的不足，提供一种针对车辆观测场景的高分辨率雷达图像增强方法，能够有效地滤除此类雷达图像的非平稳乘性噪声。为达到上述目的，本发明的技术方案是这样实现的：

所述针对车辆观测场景的高分辨率雷达图像增强方法，包括如下步骤：

步骤1)根据广义平稳的方法定义非平稳雷达图像中的乘性噪声；

步骤2)首先根据高阶马尔科夫模型学习图像的先验概率；再结合所述先验概率通过混合对数正态分布描述高分辨率雷达图像的观测数据概率分布，再结合所述观测数据概率分布根据乘性噪声模型推导出图像的似然概率函数分布；

步骤3)根据贝叶斯准则，建立最大后验概率滤波器；再进行优化问题处理得到增强后的雷达图像。

所述针对车辆观测场景的高分辨率雷达图像增强方法的进一步设计在于，所述步骤1)中：若雷达图像噪声的期望不恒定，且雷达图像噪声的自相关函数与时刻起点有关，则将所述噪声定义为非平稳型雷达图像噪声。

所述针对车辆观测场景的高分辨率雷达图像增强方法的进一步设计在于，所述步骤2)中高阶马尔科夫模型学习图像的先验概率，包括如下步骤：

设定一幅高分辨率雷达图像的真实后向散射系数的概率密度函数如式(1)：

式(1)中，如式(2)、如式(3)，

式(2)中R_c是团c里的像素,是专家函数,N_f是专家的个数，F_i是一组滤波器，表示滤波器F_i与R_c的卷积，a_i为对应专家函数的系数，且a_i≥0。

所述针对车辆观测场景的高分辨率雷达图像增强方法的进一步设计在于，F_i采用离散余弦变换的线性组合建立滤波器。

所述针对车辆观测场景的高分辨率雷达图像增强方法的进一步设计在于，所述步骤2)中通过混合对数正态分布描述高分辨率雷达图像的观测数据概率分布，再结合所述观测数据概率分布根据乘性噪声模型推导出图像的似然概率函数分布包括如下步骤：

设定A_j,j＝(1，2，…，N)为高分辨率非均匀区域雷达图像的第j个像素的幅度值；

混合对数正态分布设定为如式(4)随机采样产生的独立同分布的样本：

式中K为模型分量的总个数，π_k是第k个分模型的系数，π_k组成的集合为Π＝{π_k},k＝(1，2，…，K)满足式(5)，第k个分模型p_k(·|θ_k)为对数正态分布如式(6)，

式(6)中参数集

数据集A_j,j＝(1，2，…，N)的联合概率密度如式(7)：

雷达图像噪声S由混合对数正态分布模型产生，得到似然概率函数(8)

根据式(7)可得，对数似然函数如式(9)，

上式中的第k个分模型p_k(A_j|R_j)的表达式如式(10)。

所述针对车辆观测场景的高分辨率雷达图像增强方法的进一步设计在于，所述步骤3)包括如下步骤：

3-1)依据贝叶斯公式，雷达图像后验概率为P(R|A)∝P(A|R)P(R)；

3-2)进行优化问题处理，将后验概率进行对数转换得到势能表达式；并通过将所述势能表达式的能量最小化得到滤波后的雷达图像。

所述针对车辆观测场景的高分辨率雷达图像增强方法的进一步设计在于，所述势能表达式的能量最小化通过伪牛顿方法数学模型求解。

本发明的有益效果为：

采用本发明的方法，可克服传统方法对高分辨率图像非平稳噪声滤波失效的问题，有效地增强车辆观测场景的高分辨率雷达图像质量。由该方法滤除得到的乘性噪声图，噪声为非平稳。该发明方法克服了传统算法在非平稳车辆观测场景图像中滤波失效的问题，在视觉主观评价和客观指标量化评价上都优于目前传统模型算法性能，具有良好的滤除噪声和保持边缘细节能力。

附图说明

图1为所述针对车辆观测场景的高分辨率雷达图像增强方法的流程图。

图2为高分辨率与低分辨率雷达图像分辨单元散射体个数变化的示意图。

图3为平稳与非平稳雷达图像噪声的统计特性示意图。

图4为用于高阶马尔科夫滤波器组示意图。

图5为用于滤波实验的模拟图像和真实雷达图像。

图6为模拟非平稳雷达图像的滤波效果对比。

图7为利用该方法对真实车辆观测场景数据分布函数估计对比。

图8为检验该方法对实际车辆观测场景数据滤波的效果图。

具体实施方式

下面结合附图和具体实施方式对本申请作进一步详细的说明。

如图1，本发明的针对车辆观测场景的高分辨率雷达图像增强方法包括如下步骤：

步骤1)：利用广义平稳的方法定义非平稳雷达图像噪声。

具体的，随着雷达图像分辨率的提高，采用相同工作波长获取得到的雷达图像分辨单元内的散射体个数与分辨率增加的倍数乘几何级数下降，见图2。

具体的，若雷达图像噪声的期望不恒定，且自相关函数与时刻起点有关，则称此类的相干斑为非平稳型雷达图像噪声。平稳与非平稳雷达图像噪声的统计特性变化参见图3。

步骤2)：利用高阶马尔科夫模型学习图像的先验，为：

一幅高分辨率雷达图像的真实后向散射系数的概率密度函数可以表达为

其中

以及

式中R_c是团(Clique)c里的像素,是专家函数,N_f是专家的个数，F_i是一组滤波器。这里采用离散余弦变换的线性组合建立滤波器。表示滤波器F_i与R_c的卷积。在这里本发明采用Student-t变换的对数变换，其形式为φ_i(F_iR)＝a_ilog(1+(F_iR)²),式中为a_i对应专家函数的系数，要求a_i≥0。这里采用的滤波器的尺寸为7×7，如图4所示。图中每个滤波器下面括号里的数值分别是的滤波器系数的l₂范数值和专家函数的系数。

利用混合对数正态分布描述高分辨率雷达图像的观测数据概率分布，进而依据乘性噪声模型推导出图像的似然概率函数分布，为

设定A_j,j＝(1，2，…，N)为高分辨率非均匀区域雷达图像的第j个像素的幅度值。论文提出的混合对数正态分布假设A_j是从下式随机采样产生的独立同分布的样本：

式中K为模型分量的总个数，π_k是第k个分模型的系数，其组成的一个集合为Π＝{π_k},k＝(1，2，…，K)满足式(5，)

0≤π_k≤1以及

式(4)里的第k个分模型p_k(·|θ_k)为对数正态分布，即：

式中参数集

考虑满足式(4)的A_j被假设为独立同分布，因此数据集A_j,j＝(1，2，…，N)的联合概率密度可写成：

相干斑为乘性噪声模型，即相干斑N与观测数据A的关系为A＝RS。雷达图像噪声S由混合对数正态分布模型产生。则可得似然概率函数

根据式(7)可得，对数似然函数为

上式中的第k个分模型p_k(A_j|R_j)的表达式为

运用隐变量形成一个不可观测矩阵Z＝(z_jk，j＝1，2，…，N，k＝1，2，…，K)扩充观测数据A＝(A₁，A₂，…，A_N)，形成完全数据X＝(A，Z)。z_ik的定义如下：

第j个观测变量A_j来自第k个分模型，否则完全数据X在参数θ下的似然函数为：

给定上述观测数据A及模型参数θ，第k个分模型的参数θ_k的估计值用表示，根据在隐变量数据下完全数据的似然函数的期望值最大的原则，通过期望最大(ExpectationMaximization,EM)算法迭代更新模型参数θ，可求得隐变量Z、第k个分模型的参数为：

步骤3)：根据贝叶斯准则，建立最大后验概率滤波器，为

依据贝叶斯公式，雷达图像后验概率为P(R|A)∝P(A|R)P(R)。这里重复使用期望最大算法求得的隐变量数据Z，采用完全数据的似然函数式(12)，结合先验项式(1)代入到后验概率公式中，再进行对数运算，最大后验概率问题转化成下式的能量最小问题：

式中Z_k＝[z_1k，z_2k，…z_Nk]，k＝1，2，…，K,λ_k是第k个分模型所代表的数据项的惩罚系数。将其最小化到增强后的雷达图像。本实施例采用高效的内存有限的伪牛顿方法求解。

下面结合具体示例对本发明的技术方案作进一步详细说明。

示例1

如图5，为检验该方法的数据示意图。左图为模拟用的标准测试图像Barbara。右图为含车辆观测场景的真实高分辨率雷达图像。

如图6，为应用该方法于仿真数据之上的效果图，上一列图为滤波前后的效果图，下一列图为滤波前后得到的乘性噪声图。相比传统模型算法，该发明方法具有良好的滤除噪声和保持边缘细节能力。由该方法滤除得到的乘性噪声图，可见噪声为非平稳。其次，对于模拟的雷达图像，其原无噪标准图已知，可对滤波器的性能采用峰值信噪比(PeakSignal to Noise Ratio,PSNR)，结构相似度(Structure Similarity,SSIM)及边缘保持β指数来评价算法的对噪声滤波及边缘细节保持性能，见表1。这些指标的数值越高，表明算法的性能越好。由数值对比可知本发明方法的性能优越性。

表1.本发明方法与传统模型对模拟雷达图像滤波性能客观评价对比

实施例2

如图7，为检验该算法对实际数据分布描述能力的示意图。由图可见很明显地可得出这些结论：1)这些高分辨率雷达雷达不再满足Goodman假设，Nakagami不能对数据分布进行有效地拟合；2)对数正态分布比较有效地描述了这些非均匀的高分辨率雷达图像，但并不能完美地拟合；3)本发明方法提出的混合对数正态模型能完美地拟合这些数据的分布。

图8为应用该算法于真实车辆观测场景数据之上的结果示意图；图中的上一列图为滤波前后的效果图，下一列图为滤波前后得到的乘性噪声图。由该方法滤除得到的乘性噪声图，再次可见真实的高分辨率雷达图像的噪声为非平稳。

对于真实车辆观测场景的雷达图像滤波性能客观评估，一般采用等效视数进行计算均匀区域(图8里白色方框标注的区域)的滤波能力。对边缘保持能力的评价，因没有无噪标准图，在这里采用视觉主观评价的方法。表2中列出了黄色方框标注的均匀区域滤波前后的等效视数指标。等效视数越高，表明算法对乘性噪声滤波的性能越好。从视觉主观评价和在等效视数客观指标评价上，本发明的方法都优于传统方法的性能。

表2.本方法与传统模型对真实雷达图像滤波性能客观评价对比

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种针对车辆观测场景的高分辨率雷达图像增强方法，其特征在于，包括如下步骤：

步骤1)根据广义平稳的方法定义非平稳雷达图像中的乘性噪声；

步骤2)首先根据高阶马尔科夫模型学习图像的先验概率；再结合所述先验概率通过混合对数正态分布描述高分辨率雷达图像的观测数据概率分布，再结合所述观测数据概率分布根据乘性噪声模型推导出图像的似然概率函数分布；

步骤3)根据贝叶斯准则，建立最大后验概率滤波器；再进行优化问题处理得到增强后的雷达图像。

2.根据权利要求1所述的针对车辆观测场景的高分辨率雷达图像增强方法，其特征在于，所述步骤1)中：若雷达图像噪声的期望不恒定，且雷达图像噪声数据序列的自相关函数与像素位置起点有关，则将所述噪声定义为非平稳型雷达图像噪声。

3.根据权利要求1所述的针对车辆观测场景的高分辨率雷达图像增强方法，其特征在于，所述步骤2)中高阶马尔科夫模型学习图像的先验概率，包括如下步骤：

设定一幅高分辨率雷达图像的真实后向散射系数的概率密度函数如式(1)：

式(1)中，如式(2)、如式(3)，

式(2)中R_c是团c里的像素,是专家函数,N_f是专家的个数，F_i是一组滤波器，表示滤波器F_i与R_c的卷积，a_i为对应专家函数的系数，且a_i≥0。

4.根据权利要求3所述的针对车辆观测场景的高分辨率雷达图像增强方法，其特征在于，F_i采用离散余弦变换的线性组合建立滤波器。

5.根据权利要求4所述的针对车辆观测场景的高分辨率雷达图像增强方法，其特征在于，所述步骤2)中通过混合对数正态分布描述高分辨率雷达图像的观测数据概率分布，再结合所述观测数据概率分布根据乘性噪声模型推导出图像的似然概率函数分布包括如下步骤：

设定A_j,j＝(1，2，…，N)为高分辨率非均匀区域雷达图像的第j个像素的幅度值；

混合对数正态分布设定为如式(4)随机采样产生的独立同分布的样本：

$P_j\left(A_j\right|\mathrm{\θ})={\Σ}_{k=1}^K{\mathrm{\π}}_k{p}_k\left(A_j\right|{\mathrm{\θ}}_k)---\left(4\right)$

式中K为模型分量的总个数，π_k是第k个分模型的系数，π_k组成的集合为∏＝{π_k},k＝(1，2，…，K)满足式(5)，第k个分模型p_k(·|θ_k)为对数正态分布如式(6)，

${\Σ}_{k=1}^K{\mathrm{\π}}_k=1,0\≤{\mathrm{\π}}_k\≤1---\left(5\right)$

$p_k\left(A_j\right|{\mathrm{\θ}}_k)=\frac{1}{A_j\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_k}\exp (-\frac{{(log{A}_j-{\mathrm{\μ}}_k)}^2}{2{\mathrm{\σ}}_k^2})---\left(6\right)$

式(6)中参数集k＝(1，2，…，K)；

数据集A_j,j＝(1，2，…，N)的联合概率密度如式(7)：

$P\left(A\right|\Π,\mathrm{\θ})={\Π}_{j=1}^N{P}_j\left(A_j\right|\mathrm{\θ})={\Π}_{j=1}^N{\Σ}_{k=1}^K{\mathrm{\π}}_k{p}_k\left(A_j\right|{\mathrm{\θ}}_k)---\left(7\right)$

雷达图像噪声S由混合对数正态分布模型产生，得到似然概率函数(8)

$P_{A|R}\left(A\right|R)=P_S\left(\frac{A}{R}\right)---\left(8\right)$

根据式(7)可得，对数似然函数如式(9)，

$logP\left(A\right|R)={\Σ}_{j=1}^{N}log\left({\Σ}_{k=1}^K{\mathrm{\π}}_k{p}_k\right(A_j|R_j\left)\right)---\left(9\right)$

上式中的第k个分模型p_k(A_j|R_j)的表达式如式(10)。

$p_k\left(A_j\right|R_j)=\frac{R_j}{A_j\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_k}\exp (-\frac{{(log{A}_j-log{R}_j-{\mathrm{\μ}}_k)}^2}{2{\mathrm{\σ}}_k^2})---\left(10\right)$

6.根据权利要求5所述的针对车辆观测场景的高分辨率雷达图像增强方法，其特征在于，所述步骤3)包括如下步骤：

3-1)依据贝叶斯公式，雷达图像后验概率为P(R|A)∝P(A|R)P(R)；

3-2)进行优化问题处理，将后验概率进行对数转换得到势能表达式；并通过将所述势能表达式的能量最小化得到滤波后的雷达图像。

7.根据权利要求6所述的针对车辆观测场景的高分辨率雷达图像增强方法，其特征在于，所述势能表达式的能量最小化通过伪牛顿方法数学模型求解。