CN108062767B - 基于时序sar图像的统计同分布空间像素选择方法 - Google Patents

基于时序sar图像的统计同分布空间像素选择方法 Download PDF

Info

Publication number
CN108062767B
CN108062767B CN201810141076.4A CN201810141076A CN108062767B CN 108062767 B CN108062767 B CN 108062767B CN 201810141076 A CN201810141076 A CN 201810141076A CN 108062767 B CN108062767 B CN 108062767B
Authority
CN
China
Prior art keywords
statistical
sar
distribution
pixel
image
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.)
Active
Application number
CN201810141076.4A
Other languages
English (en)
Other versions
CN108062767A (zh
Inventor
蒋弥
肖儒雅
胡睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201810141076.4A priority Critical patent/CN108062767B/zh
Publication of CN108062767A publication Critical patent/CN108062767A/zh
Application granted granted Critical
Publication of CN108062767B publication Critical patent/CN108062767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/30Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/38Registration of image sequences
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10032Satellite or aerial image; Remote sensing
    • G06T2207/10044Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于时序SAR图像的统计同分布空间像素选择方法,首先对原始SAR图像数据序列进行预处理获得单视SAR强度图像序列;对SAR强度图像序列进行配准;在配准后的单视SAR强度图像服从指数统计分布的假设下,获取似然比检验的拒绝域;比较矩形滑动窗口内每个空间像素的时间样本与中心参考像素的时间样本的统计相似度;遍历整个图像中的每个空间像素,获取每个空间像素的统计同分布样本;采用Lee滤波和每个空间像素的同分布样本对SAR图像进行滤波;本发明通过似然比假设检验将与参考像素具有相同属性的样本挑选出来,更加符合雷达图像中像素点的空间分布规律和后向散射特性,得到全分辨率与真实地表更加接近的滤波图像。

Description

基于时序SAR图像的统计同分布空间像素选择方法
技术领域
本发明属于SAR数据处理技术领域,具体涉及一种基于时序SAR图像的统计同分布空间像素选择方法。
背景技术
近些年,随着新型星载SAR(Synthetic Aperture Radar,合成孔径雷达)传感器的相续发射,时间序列SAR技术在雷达遥感应用中占据越来越重要的位置。由于SAR回波信号是地面分辨率单元内散射体后向散射贡献的累加,这些散射体表现出随机相位,导致SAR数据信号形成相干斑。如何有效地去除SAR数据中的相干斑噪声,恢复真实SAR反射值,一直是SAR研究的难点。SAR相干斑滤波从80年代起开始被提出,如多视滤波,Lee滤波,MAP-Sigma滤波,Kuan 滤波,IDAN滤波和NLSAR滤波等。但这些滤波均采用局部空间统计削弱噪声,使得空间分辨率难以维持,质地边缘信号丢失,或者信号损失与噪声抑制难以权衡。
基于时间序列的SAR滤波方法由于使用时间样本进行像素选择,不涉及空间操作,在解决以上难题中有绝对的优势。这类方法在非参数或者参数假设检验框架下比较空间像素相似度,但是由于假设检验自身功效的大小,所以不同假设检验的第一、二类误差不一,导致实际滤波效果参层不齐。相比之下,参数假设检验的效果更好,尤其是似然比检验,被黎曼-皮尔逊定理证明是最优假设检验。然而,似然比检验的拒绝域往往难以给出,因而在实际应用中受限。
发明内容
本发明的目的在于使SAR滤波结果反映真实雷达后向散射系数,提出一种基于时序SAR图像的统计同分布空间像素选择方法,实现SAR同分布样本选择,解决似然比检验在比较空间像素相似度上受限传统SAR图像相干斑滤波中由于异质像素参与滤波导致的边界模糊和图像失真的技术问题。
本发明采用如下技术方案,一种基于时序SAR图像的统计同分布空间像素选择方法,具体步骤如下:
1)对原始SAR图像数据序列进行预处理,获得单视SAR强度图像序列;
2)对预处理后的单视SAR强度图像序列进行配准,得到配准后的单视SAR 强度图像序列;
3)在配准后的单视SAR强度图像服从指数统计分布的假设下,获取似然比检验的拒绝域;
4)设定一个尺寸为m×m的矩形滑动窗口,m为像素数,m为奇数,逐个比较窗口内每个空间像素的时间样本与中心参考像素的时间样本的统计相似度,设定零假设为两个时间样本具有相同分布,若在给定显著水平α条件下似然比检验推翻零假设,则该空间像素与中心参考像素是异质像素;否则似然比检验接受零假设,即该空间像素与中心参考像素是同分布像素;
5)重复步骤4),遍历整个图像尺寸中的每个空间像素,获取每个空间像素的统计同分布样本;
6)采用滤波器,将滤波器中原有方向窗口中的像素代替为上述每个空间像素获得的统计同分布样本,对SAR图像进行滤波,输出结果。
优选地,采用复数取模的平方的方法获得单视SAR强度图像序列。
优选地,配准采用强度最大互相关算法。
优选地,获取似然比检验的拒绝域具体为,对于服从指数分布的时间样本 {x1,x2,…,xn}和{y1,y2,…,yn},获取在零假设下似然比检验的简化形式,设定零假设为两个时间样本具有相同分布:
Figure GDA0003258966540000021
其中Λ是似然比检验的等效简化统计量,
Figure GDA0003258966540000022
Figure GDA0003258966540000023
分别表示两个时间样本的平均值;F(2n,2n)表示服从自由度为(2n,2n)的F分布,n表示时间序列SAR图像数量。
优选地,比较窗口内每个空间像素的时间样本与中心参考像素的时间样本的统计相似度具体为,在尺寸为m×m的窗口中,逐个比较每个空间像素i的时间样本{y1 i,y2 i,…,yn i}与中心参考像素{x1,x2,…,xn}的统计相似性,i=1,2,…,m× m,在给定显著水平α条件下,当似然比检验的等效简化统计量Λ的估计结果落在拒绝域中,推翻零假设,即两个空间像素不相似,该空间像素与中心参考像素为异质像素;否则接受零假设,两个像素是同分布像素,判别公式如下:
Figure GDA0003258966540000031
Figure GDA0003258966540000032
其中
Figure GDA0003258966540000033
Figure GDA0003258966540000034
分别表示F(2n,2n)分布的上
Figure GDA0003258966540000035
Figure GDA0003258966540000036
分位点。
优选地,滤波器采用Lee滤波器。
发明所达到的有益效果:本发明是一种基于时序SAR图像的统计同分布空间像素选择方法,实现SAR同分布样本选择,解决传统SAR图像相干斑滤波中由于异质像素参与滤波导致的边界模糊和图像失真技术问题;在时序SAR图像的基础上,利用带有拒绝域的似然比统计检验方法将每个空间像素的空间相似邻域像素挑选出来,避免了在相干斑滤波时具有不同散射机制的地表特征的混淆;在同分布统计样本选择过程中,借鉴了F分布是两个指数分布似然比检验统计量的简化分布这一性质,给出了固定的拒绝域,使得这一检验功效达到最优,选取的同分布像素可信度更高;将选取的所有同分布集合用于Lee滤波,可以确保滤波图像的空间分辨率和细节保留,并兼顾噪声抑制最大化。
附图说明
图1为本发明的流程图;
图2为本发明利用带有拒绝域的似然比检验提取的同分布像素样本集合示意图;
图3为原始噪声图像及各种滤波方法结果示意图。
具体实施方式
下面根据附图并结合实施例对本发明的技术方案作进一步阐述。
图1为本发明的流程图,基于时序SAR图像的统计同分布空间像素选择方法,具体步骤如下:
1)对原始SAR图像数据序列进行预处理,采用复数取模的平方获得单视 SAR强度图像序列;
2)对预处理后的单视SAR强度图像序列进行配准,得到配准后的单视SAR 强度图像序列;
为了定性和定量分析本发明方法的有效性,数据采用X波段德国 TerraSAR-X雷达卫星单极化数据,图像入射角度为37°,空间分辨率为3m×3m (距离向×方位向)。为了增强假设检验的估计精度,首先对原始图像进行配准,采用强度最大互相关算法,选取匹配点256×256个,匹配窗口大小为64×64。
需要说明的是:本发明的方法不仅适用于该实验中选取的TerraSAR-X数据,对其他星载及机载数据同样适用,只是在配准时需要根据不同研究区的地表特征选取不同的匹配点数量和窗口大小。
3)在配准后的单视SAR强度图像服从指数统计分布的假设下,获取似然比检验的拒绝域;
对于服从指数分布的时间样本{x1,x2,…,xn}和{y1,y2,…,yn},获取在零假设下似然比检验的简化形式,设定零假设为两个时间样本具有相同分布:
Figure GDA0003258966540000041
其中Λ是似然比检验的等效简化统计量,
Figure GDA0003258966540000042
Figure GDA0003258966540000043
分别表示中心参考像素和待测邻域像素两个时间样本的平均值;F(2n,2n)表示服从自由度为(2n,2n)的F分布,n表示时间序列SAR图像数量。
4)图2为本发明利用带有拒绝域的似然比检验提取的同分布像素样本集合示意图;图 2的(a)为叠加在SAR图像上的15×15矩形滑动窗口;图2的(b)窗口内选取的同分布像素样本集合。设定一个尺寸为m×m的矩形滑动窗口,m为像素数,m=15,每个空间像素i的时间样本{y1 i,y2 i,…,yn i}见图2的(a)中的圆点,中心参考像素{x1,x2,…,xn}见图2的(a)正中心的三角点,逐个比较两者的统计相似性,i=1,2,…,m×m,在给定显著水平α=0.05条件下,当似然比检验的等效简化统计量Λ的估计结果落在拒绝域中,推翻零假设,即两个空间像素不相似,该空间像素与中心参考像素为异质像素;否则接受零假设,两个像素是同分布像素,见图2的(b)中的点,判别公式如下:
Figure GDA0003258966540000044
Figure GDA0003258966540000045
其中
Figure GDA0003258966540000046
Figure GDA0003258966540000047
分别表示F(2n,2n)分布的上
Figure GDA0003258966540000048
Figure GDA0003258966540000049
分位点。
需要说明的是:滑动窗口的尺寸大小是由所选SAR图像的分辨率确定的,该参数可以根据选取的其他星载及机载SAR数据调整。
5)重复步骤4),遍历整个图像尺寸中的每个空间像素,直到获取每个空间像素的统计同分布样本;
6)采用Lee滤波器,将滤波器中原有方向窗口中的像素代替为上述每个空间像素获得的统计同分布样本,对SAR图像进行滤波,输出结果。图3为原始噪声图像及各种滤波方法结果示意图;图3的(a)为原始噪声图像,图3的(b) 为规则窗口滤波结果,图3的(c)为现有传统Lee滤波结果,图3的(d)为本发明滤波的结果。
为了定量分析图3的(d)中本发明的统计同分布样本选择在SAR图像滤波的效果,采用斑点噪声强度指数SSI和分辨率保持指数SNR评价发明中滤波结果的精度,并与图3的(a)中的原始噪声图像,图3的(b)中的规则窗口滤波结果,图3的(c)中的传统Lee滤波结果进行比较,表1为不同滤波方法的精度比较结果。
需要说明的是:规则窗口滤波和传统Lee滤波采用的均是7×7尺寸大小。在评价指数中,斑点噪声强度指数SSI越小,说明噪声抑制效果越好;分辨率保持SNR数值越大,说明边缘保持效果越好。
表1不同滤波方法的精度比较
Figure GDA0003258966540000051
从表1和图3可以看出,与规则窗口和传统Lee滤波方法相比本发明的统计同分布样本选择具有更好的效果:利用本发明所提方法得到的滤波结果中,地物的边界更清晰且连续,散射机制类似的区域得到了较好的区分,最终结果与真实地表更加接近。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。

Claims (4)

1.一种基于时序SAR图像的统计同分布空间像素选择方法,其特征在于,包括以下步骤:
1)对原始SAR图像数据序列进行预处理,获得单视SAR强度图像序列;
2)对预处理后的单视SAR强度图像序列进行配准,得到配准后的单视SAR强度图像序列;
3)在配准后的单视SAR强度图像序列服从指数统计分布的假设下,获取似然比检验的拒绝域,具体为:对于服从指数统计分布的时间样本{y1,y2,…,yn}和中心参考像素的时间样本{x1,x2,…,xn},获取在零假设下似然比检验的简化形式,设定零假设为两个时间样本具有相同分布:
Figure FDA0003258966530000011
其中Λ是似然比检验的等效简化统计量,
Figure FDA0003258966530000012
Figure FDA0003258966530000013
分别表示两个时间样本的平均值;F(2n,2n)表示服从自由度为(2n,2n)的F分布,n表示时间序列SAR图像数量;
4)设定一个尺寸为m×m的矩形滑动窗口,m为像素数,m为奇数,在尺寸为m×m的窗口中,逐个比较每个空间像素i的时间样本{y1 i,y2 i,…,yn i}与中心参考像素的时间样本{x1,x2,…,xn}的统计相似性,i=1,2,…,m×m,在给定显著水平α条件下,当似然比检验的等效简化统计量Λ的估计结果落在拒绝域中,推翻零假设,即两个空间像素不相似,该空间像素与中心参考像素为异质像素;否则接受零假设,两个像素是同分布像素,判别公式如下:
Figure FDA0003258966530000014
Figure FDA0003258966530000015
其中
Figure FDA0003258966530000016
Figure FDA0003258966530000017
分别表示F(2n,2n)分布的上
Figure FDA0003258966530000018
Figure FDA0003258966530000019
分位点,
设定零假设为两个时间样本具有相同分布,若在给定显著水平α条件下似然比检验推翻零假设,则该空间像素与中心参考像素是异质像素;否则似然比检验接受零假设,即该空间像素与中心参考像素是同分布像素;
5)重复步骤4),遍历整个图像尺寸中的每个空间像素,直到获取每个空间像素的统计同分布样本;
6)采用滤波器,将滤波器中原有方向窗口中的像素代替为上述每个空间像素的统计同分布样本,对原始SAR图像进行滤波,输出结果。
2.根据权利要求1所述的基于时序SAR图像的统计同分布空间像素选择方法,其特征在于,在步骤1)中采用复数取模的平方的方法获得单视SAR强度图像序列。
3.根据权利要求1所述的基于时序SAR图像的统计同分布空间像素选择方法,其特征在于,在步骤2)中配准采用强度最大互相关算法。
4.根据权利要求1所述的基于时序SAR图像的统计同分布空间像素选择方法,其特征在于,在步骤6)中滤波器采用Lee滤波器。
CN201810141076.4A 2018-02-11 2018-02-11 基于时序sar图像的统计同分布空间像素选择方法 Active CN108062767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810141076.4A CN108062767B (zh) 2018-02-11 2018-02-11 基于时序sar图像的统计同分布空间像素选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810141076.4A CN108062767B (zh) 2018-02-11 2018-02-11 基于时序sar图像的统计同分布空间像素选择方法

Publications (2)

Publication Number Publication Date
CN108062767A CN108062767A (zh) 2018-05-22
CN108062767B true CN108062767B (zh) 2022-02-11

Family

ID=62134370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810141076.4A Active CN108062767B (zh) 2018-02-11 2018-02-11 基于时序sar图像的统计同分布空间像素选择方法

Country Status (1)

Country Link
CN (1) CN108062767B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110412574B (zh) * 2019-09-05 2021-05-25 河海大学 一种时空相干性增强的分布式目标InSAR时序处理方法和装置
CN113610783A (zh) * 2021-07-22 2021-11-05 中山大学 基于时序sar强度图像变异系数的变化检测方法及装置
CN115267781B (zh) * 2022-09-28 2022-12-16 中山大学 一种基于多视SAR数据集的InSAR相干性估计方法
CN115291214B (zh) * 2022-09-28 2022-12-16 中山大学 一种时序多极化sar同质样本选取方法
CN116226789B (zh) * 2023-05-08 2023-08-18 锋睿领创(珠海)科技有限公司 基于人工智能的数据同分布判别方法、装置、设备及介质
CN117848351B (zh) * 2024-03-05 2024-05-28 河海大学 基于可信度和统计相似度量测的水下自主导航***及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894215A (zh) * 2010-07-06 2010-11-24 厦门大学 似然比检验误差的检测方法
ES2467066B1 (es) * 2012-04-13 2015-03-31 Universitat Politècnica De Catalunya Procedimiento para la Validación de la Hipótesis del Modelo Random-Volume-over-Ground y su Aplicación en la Estimación de Datos en el Estudio y Caracterización de Coberturas Vegetales Mediante Sistemas Coherentes Multicanal
CN104515980A (zh) * 2014-12-08 2015-04-15 广西大学 一种基于InSAR构型的地面运动目标检测方法和装置
CN106960443A (zh) * 2017-03-21 2017-07-18 民政部国家减灾中心 基于全极化时序sar图像的非监督变化检测的方法及装置
CN107507209A (zh) * 2017-08-07 2017-12-22 西安理工大学 极化sar图像的素描图提取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894215A (zh) * 2010-07-06 2010-11-24 厦门大学 似然比检验误差的检测方法
ES2467066B1 (es) * 2012-04-13 2015-03-31 Universitat Politècnica De Catalunya Procedimiento para la Validación de la Hipótesis del Modelo Random-Volume-over-Ground y su Aplicación en la Estimación de Datos en el Estudio y Caracterización de Coberturas Vegetales Mediante Sistemas Coherentes Multicanal
CN104515980A (zh) * 2014-12-08 2015-04-15 广西大学 一种基于InSAR构型的地面运动目标检测方法和装置
CN106960443A (zh) * 2017-03-21 2017-07-18 民政部国家减灾中心 基于全极化时序sar图像的非监督变化检测的方法及装置
CN107507209A (zh) * 2017-08-07 2017-12-22 西安理工大学 极化sar图像的素描图提取方法

Also Published As

Publication number Publication date
CN108062767A (zh) 2018-05-22

Similar Documents

Publication Publication Date Title
CN108062767B (zh) 基于时序sar图像的统计同分布空间像素选择方法
US8125370B1 (en) Polarimetric synthetic aperture radar signature detector
Parizzi et al. Adaptive InSAR stack multilooking exploiting amplitude statistics: A comparison between different techniques and practical results
US5081689A (en) Apparatus and method for extracting edges and lines
CN105205484B (zh) 基于曲波变换与维纳滤波的合成孔径雷达目标检测方法
WO2017062078A2 (en) Combined intensity and coherent change detection in images
CN106910177B (zh) 一种局域图像指标最优化的多角度sar图像融合方法
JP2008292449A (ja) 水中で対象物を検知し分類する自動目標識別システム
Iqbal et al. SAR image despeckling by selective 3D filtering of multiple compressive reconstructed images
Fu et al. A statistical approach to detect edges in SAR images based on square successive difference of averages
CN114998365A (zh) 一种基于极化干涉sar的地物分类方法
CN108802729B (zh) 时间序列InSAR最佳干涉像对选择的方法及装置
Dong et al. A unified approach of multitemporal SAR data filtering through adaptive estimation of complex covariance matrix
CN106778822B (zh) 基于漏斗变换的图像直线检测方法
Li et al. Bionic vision-based synthetic aperture radar image edge detection method in non-subsampled contourlet transform domain
CN112989940A (zh) 基于高分三号卫星sar影像的筏式养殖区提取方法
CN112630742A (zh) 高旁瓣多普勒条带的处理方法、装置、设备和存储介质
CN106897985B (zh) 一种基于可见度分类的多角度sar图像融合方法
CN112698330B (zh) 基于比值对数积的极化sar图像非局部均值方法
Li et al. An Unsupervised CNN-Based Multichannel Interferometric Phase Denoising Method Applied to TomoSAR Imaging
Azzaz et al. Classification of radar echoes using fractal geometry
Dewi et al. Denoising cloud interference on landsat satellite image using discrete haar wavelet transformation
Bouaraba et al. Change Detection and Classification Using High Resolution SAR Interferometry
CN111160296B (zh) 滑坡灾害检测方法
Wei et al. Funnel transform for straight line detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant