CN109658340B - 基于rsvd与直方图保存的sar图像快速去噪方法 - Google Patents
基于rsvd与直方图保存的sar图像快速去噪方法 Download PDFInfo
- Publication number
- CN109658340B CN109658340B CN201811206810.7A CN201811206810A CN109658340B CN 109658340 B CN109658340 B CN 109658340B CN 201811206810 A CN201811206810 A CN 201811206810A CN 109658340 B CN109658340 B CN 109658340B
- Authority
- CN
- China
- Prior art keywords
- image
- histogram
- matrix
- noise
- denoising
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004321 preservation Methods 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 239000000654 additive Substances 0.000 claims abstract description 7
- 230000000996 additive effect Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 abstract description 6
- 230000014759 maintenance of location Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001530 Raman microscopy Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于RSVD与直方图保存的SAR图像快速去噪方法,该方法首先对SAR图像进行对数变换,将乘性噪声转化成加性噪声,然后进行非局部相似图像块匹配,随后采用随机奇异值分解对非局部相似图像块组成的低秩矩阵进行低秩矩阵逼近,再采用梯度直方图保存的方法对图像进行纹理增强,最后将图像块复位,实现对SAR图像的快速去噪。在MSTAR数据库上的实验结果表明,与现有方法相比,本发明提出的方法在明显提升边缘保持指数的同时,去噪速度加快了三倍。
Description
技术领域
本发明属于雷达图像处理技术领域,具体涉及一种基于RSVD与直方图保存的SAR图像快速去噪方法。
背景技术
合成孔径雷达(SAR)图像为遥感测绘、地面监测、自动目标识别等领域提供了有用信息。但由于雷达辐射区域的一个分辨单元内许多散射点到达雷达的距离存在差异,其回波相位也不相同。回波相干叠加,使SAR图像不可避免地产生了相干斑噪声。受斑点噪声的影响,观测SAR图像的视觉质量下降,其边缘信息等方面也发生弱化。因此,在后续对图像进行分割、检测和分类之前,去除相干斑噪声是一项关键任务。SAR图像去噪有传统的基于空域的滤波算法,如Lee,Kuan,Frost,GammaMAP和增强Lee滤波器,增强Frost滤波器等,基本是利用图像的局部小块信息进行去噪,存在容易过平滑而丢失纹理细节的问题。随着信号处理方法的改进,小波变换被应用于SAR图像去噪,但此方法无法有效地表达图像的边缘信息;随后出现了Contourlet变换等多尺度分析方法。近年来,马尔科夫随机场和吉布斯随机场、BLS-GSM(Bayes Least Squares-Gaussian Scale Mixtures)等模型的SAR图像去噪,取得了较好的去噪效果。另外,Buades等人将非局部模型应用于图像去噪,设计出了非局部均值(NonLocal means,NL-means)去噪方法,该算法在图像边缘区域去噪效果不佳。K.Dabov提出了三维块匹配(Block Matching and 3D filtering,BM3D)算法,该方法去噪效果好,但是算法复杂度高。
2006年,Terrence Tao等人提出了低秩矩阵逼近(Low Rank MatrixApproximation,LRMA),将其引入图像去噪,即从受噪声污染的矩阵中恢复出原始的低秩矩阵。低秩矩阵逼近的方法一般可以分为两类:低秩矩阵分解(Low Rank MatrixFactorization,LRMF)和核范数最小化(Nuclear Norm Minimization,NNM)。由于SAR图像中存在很多相似的图像块,相似块具有相似的结构特征和数据特征,它们组成的矩阵可以被认为是近似低秩,因此可以将NNM应用于SAR图像去噪。
NNM算法的不足之处在于在计算过程中将奇异值等同对待,造成偏差较大。对此方法进行改进的文献中提出结合图像非局部相似和低秩模型的空间自适应迭代奇异值阈值法(Spatially Adaptive Iterative Singular Value Thresholding,SAIST)。由于信号的真实信息主要集中在较大的奇异值上,而噪声主要体现在小的奇异值上,所以加权核范数最小化(Weighted Nuclear Norm Minimization,WNNM)方法被提出,即对大的奇异值,采用小的权值,对小的奇异值采用大的权值,该算法可以较好地逼近低秩矩阵。但WNNM算法的不足之处是其每一次迭代都要进行奇异值分解,从而消耗大量运算时间。另外,WNNM会过度光滑纹理细节。因此,考虑用迭代次数更少的RSVD(随机奇异值分解)代替奇异值分解,提高去噪效率,并且在去噪过程中采用GHP(梯度直方图保存)对图像进行纹理增强。
发明内容
针对于上述现有技术的不足,本发明的目的在于提供一种基于RSVD与直方图保存的SAR图像快速去噪方法,以解决现有技术中去噪算法存在的问题;该方法首先对SAR图像进行对数变换,将乘性噪声转化成加性噪声,然后进行非局部相似图像块匹配,随后采用随机奇异值分解对非局部相似图像块组成的低秩矩阵进行低秩矩阵逼近,再采用梯度直方图保存的方法对图像进行纹理增强,最后将图像块复位,实现对SAR图像的快速去噪。在MSTAR数据库上的实验结果表明,与已有方法相比,本发明提出的方法在明显提升边缘保持指数的同时,去噪速度加快了三倍。
为达到上述目的,本发明采用的技术方案如下:
本发明的一种基于RSVD与直方图保存的SAR图像快速去噪方法,包括如下步骤:
(1)建立SAR图像的相干斑噪声模型,即将乘性噪声通过对数变换转换成加性噪声;
(2)利用非局部相似性对变换后的图像进行块匹配;
(3)采用RSVD对非局部相似图像块组成的低秩矩阵进行分解,实现低秩矩阵逼近;
(4)采用梯度直方图保存的方法对SAR图像进行纹理增强;
(5)将图像块复位,得到去噪后的SAR图像。
进一步地,所述步骤(1)具体包括:建立SAR图像乘性噪声模型,即Y(x,y)=X(x,y)N(x,,y)其中,Y(x,y)为添加了斑点噪声的SAR图像,即最终的观测图像;X(x,y)为原始的SAR图像;N(x,y)为相干斑噪声;X(x,y)和N(x,y)是相互独立的随机过程,相干斑噪声N(x,y)服从均值为1,方差为1/L的Gamma分布,其概率密度函数为:其中,L为等效视数,e为自然底数;对Y(x,y)=X(x,y)N(x,y)两边同时取对数,则将乘性噪声转化成常用的加性噪声:lg(Y(x,y))=lg(X(x,y))+lg(N(x,y))。
进一步地,所述步骤(2)具体包括:
(21)将原始图像分成大小相同的若干图像块,根据指定图像块,搜索其非局部相似图像块;
(22)将非局部相似图像块整合到一个矩阵中,构成一个低秩矩阵。
进一步地,所述步骤(3)具体包括:
(31)生成一个n×l维的高斯随机矩阵Ω;
(32)将高斯随机矩阵Ω与待分解的m×n维的原矩阵A相乘,构建一个m×l维的样本矩阵Y=AΩ;
(33)对矩阵Y进行QR分解,得到m×l维的正交矩阵Q;
(34)构建一个l×n维的矩阵B=QT×A,最后对矩阵B进行奇异值分解,即B=SΛVT;
(35)令QS=U得到A的奇异值分解,即A=UΛVT;
其中,l远小于m和n中的较小值,S是一个l×l的方阵,Λ为l×n的对角矩阵,对角线上的元素称为奇异值,VT是V的转置,是一个n×n的方阵。
进一步地,所述步骤(4)具体包括:
(41)首先估计原始图像x的梯度直方图hr,将其作为参考梯度,以更新后的图像最大限度的接近这一参考梯度直方图作为约束条件,获得结果图像;其中,梯度直方图hr的求解公式如下:
s.t.hf=hr
本发明的有益效果:
1、本发明可以提高SAR图像的去噪效率,减少去噪时间;
2、本发明提高了去噪图像的峰值信噪比;
3、本发明提升了去噪图像的边缘保持能力;
4、本发明提高了去噪图像的等效视数。
附图说明
图1为本发明SAR图像去噪方法的原理框图;
图2a为原始128×128SAR图像示意图;
图2b为原始128×128SAR图像经SAIST去噪后效果图;
图2c为原始128×128SAR图像经WNNM去噪后效果图;
图2d为原始128×128SAR图像经本发明方法去噪后效果图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
参照图1所示,本发明的一种基于RSVD与直方图保存的SAR图像快速去噪方法,包括如下步骤:
(1)建立SAR图像的相干斑噪声模型,即将乘性噪声通过对数变换转换成加性噪声;
(2)利用非局部相似性对变换后的图像进行块匹配;
(3)采用RSVD对非局部相似图像块组成的低秩矩阵进行分解,实现低秩矩阵逼近;
(4)将梯度直方图保存的方法引入SAR图像去噪的迭代正则项,实现对SAR图像的纹理增强;
(5)最后将图像块复位,得到去噪后的SAR图像。
本发明采用美国国防高级研究计划局与美国空军研究实验室联合资助的MSTAR项目公开的数据集中的T72_SN132(主战坦克)、BMP_SN9563(装甲车)和BTR70_SNC71(装甲车)的SAR图像为实验数据。
首先给图2a原始SAR图像添加方差为70的高斯白噪声,然后分别用WNNM方法、SAIST方法和本发明提出的SAR图像快速去噪算法去噪,比较去噪结果。图2b、图2c、图2d为T72_SN132的SAR图像经三种算法去噪后的去噪结果。
由图2b、图2c、图2d可以看出,本发明的方法相较于WNNM算法和SAIST算法,去噪的同时更好地保留了目标的边缘和纹理细节,并且有更好的视觉效果。
为了更加准确地描述去噪算法的性能,选取等效视数(Equivalent Number ofLooks,ENL)、边缘保持指数(Edge Preserve Index,EPI)、峰值信噪比(Peak Signal toNoise Ratio,PSNR)对这三种算法的去噪性能进行分析。其中ENL越大,表示去噪后图像的视觉效果越好;EPI越大,表示算法的边缘保持能力越强;PSNR越大,表示算法的去噪能力越强。表1列出了三种目标的SAR图像经过上述三种去噪算法去噪后的3项客观评价指标的结果。表1如下:
表1
从表1的各项评价指标来看,采用本发明的方法去噪后图像的PSNR与其他两种算法相比,略有提升,这表明本发明方法的去噪能力相对较强;经本发明方法去噪后图像的ENL较其他两种算法有一定程度的提升,表明经本发明方法去噪后图像的视觉效果比其他两种算法好;经本发明方法去噪后图像的EPI高于其他两种算法,这表明本发明方法的边缘保持能力明显优于其他两种算法。
为了准确比较三种算法的去噪效率,表2列出了上述三种目标的SAR图像经SAIST算法、WNNM算法以及本发明所提出的核范数最小化的SAR图像快速去噪算法去噪消耗的时间t。表2如下:
表2
由表2可以看出,对于同一目标,本发明方法的去噪速度较SAIST算法加快了3倍,较WNNM算法加快了4倍,去噪效率明显提升。综上分析可知,本发明的方法相较于SAIST算法和WNNM算法,在大大提升去噪效率的同时具有更好的边缘保持能力,并且在峰值信噪比和等效视数上都有所提高。
本发明具体应用途径很多,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,在不脱离本发明原理的前提下,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (3)
1.一种基于RSVD与直方图保存的SAR图像快速去噪方法,其特征在于,包括如下步骤:
(1)建立SAR图像的相干斑噪声模型,即将乘性噪声取对数转换成加性噪声;
(2)利用非局部相似性对变换后的图像进行块匹配;
(3)采用RSVD对非局部相似图像块组成的低秩矩阵进行分解,实现低秩矩阵逼近;
(4)采用梯度直方图保存的方法对SAR图像进行纹理增强,实现SAR图像去噪;
(5)将图像块复位,得到去噪后的SAR图像;
所述步骤(3)具体包括:
(31)生成一个n×l维的高斯随机矩阵Ω;
(32)将高斯随机矩阵Ω与待分解的m×n维的原矩阵A相乘,构建一个m×l维的样本矩阵Y=AΩ;
(33)对原矩阵Y进行QR分解,得到m×l维的正交矩阵Q;
(34)构建一个l×n维的矩阵B=QT×A,最后对矩阵B进行奇异值分解,即B=SΛVT;
(35)令QS=U得到A的奇异值分解,即A=UΛVT;
其中,l远小于m和n中的较小值,QT为Q的转置,S是一个l×l的方阵,Λ为l×n的对角矩阵,对角线上的元素称为奇异值,VT是V的转置,是一个n×n的方阵;
所述步骤(4)具体包括:
(41)首先估计原始图像x的梯度直方图hr,将其作为参考梯度,以更新后的图像最大限度的接近这一参考梯度直方图作为约束条件,获得结果图像;其中,梯度直方图hr的求解公式如下:
其中,d为常数,R(hx)为基于自然图像梯度直方图先验信息的正则化项,为噪声n的梯度,hy、hx和hg分别为噪声图像、原始图像和梯度g的直方图;
(42)为了使去噪图像的梯度直方图近似于参考直方图hr,基于梯度直方图保存的去噪模型如下:
s.t.hf=hr
其中,为求梯度操作,F为在(0,+∞)上单调递增的奇函数,hf为变换后的梯度图像|F(▽x)|直方图,hr为原始图像的直方图,R(x)为正则化项,λ为一正常数,σn 2为噪声方差,μ为一常数。
2.根据权利要求1所述的基于RSVD与直方图保存的SAR图像快速去噪方法,其特征在于,所述步骤(1)具体包括:建立SAR图像乘性噪声模型,即Y(x,y)=X(x,y)N(x,y),其中,Y(x,y)为添加了斑点噪声的SAR图像,即最终的观测图像;X(x,y)为原始的SAR图像;N(x,y)为相干斑噪声;X(x,y)和N(x,y)是相互独立的随机过程,相干斑噪声N(x,y)服从均值为1,方差为1/L的Gamma分布,其概率密度函数为:其中,L为等效视数,e为自然底数;对Y(x,y)=X(x,y)N(x,y)两边同时取对数,则将乘性噪声转化成常用的加性噪声:lg(Y(x,y))=lg(X(x,y))+lg(N(x,y))。
3.根据权利要求1所述的基于RSVD与直方图保存的SAR图像快速去噪方法,其特征在于,所述步骤(2)具体包括:
(21)将原始图像分成大小相同的若干图像块,根据指定图像块,搜索其非局部相似图像块;
(22)将非局部相似图像块整合到一个矩阵中,构成一个低秩矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811206810.7A CN109658340B (zh) | 2018-10-17 | 2018-10-17 | 基于rsvd与直方图保存的sar图像快速去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811206810.7A CN109658340B (zh) | 2018-10-17 | 2018-10-17 | 基于rsvd与直方图保存的sar图像快速去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109658340A CN109658340A (zh) | 2019-04-19 |
CN109658340B true CN109658340B (zh) | 2023-04-25 |
Family
ID=66110305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811206810.7A Active CN109658340B (zh) | 2018-10-17 | 2018-10-17 | 基于rsvd与直方图保存的sar图像快速去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109658340B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109709586B (zh) * | 2018-12-19 | 2020-09-08 | 中铁第四勘察设计院集团有限公司 | 基于奇异值分解的gps基准站网坐标时间序列三维噪声模型的建立方法及使用方法 |
CN110675331B (zh) * | 2019-08-13 | 2023-01-31 | 南京人工智能高等研究院有限公司 | 图像去噪方法、装置、计算机可读存储介质及电子设备 |
CN112287943A (zh) * | 2020-09-28 | 2021-01-29 | 北京航空航天大学 | 一种基于图像增强技术的对抗攻击防御方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323989B (zh) * | 2011-09-16 | 2013-09-25 | 西安电子科技大学 | 基于奇异值分解非局部均值的极化sar数据相干斑抑制方法 |
CN103839237B (zh) * | 2014-02-26 | 2017-02-15 | 西安电子科技大学 | 基于svd字典和线性最小均方误差估计的sar图像去斑方法 |
CN104732493B (zh) * | 2015-03-18 | 2017-05-24 | 西安电子科技大学 | 一种基于Primal Sketch分类和SVD域改进MMSE估计的SAR图像去噪算法 |
CN107301631B (zh) * | 2017-06-28 | 2020-09-18 | 重庆大学 | 一种基于非凸加权稀疏约束的sar图像降斑方法 |
CN107358589B (zh) * | 2017-07-17 | 2019-11-26 | 桂林电子科技大学 | 一种结合梯度直方图与低秩约束的去噪方法 |
-
2018
- 2018-10-17 CN CN201811206810.7A patent/CN109658340B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109658340A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112200750B (zh) | 一种超声图像去噪模型建立方法及超声图像去噪方法 | |
CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
Wang et al. | Application of deep-learning algorithms to MSTAR data | |
Nam et al. | Local decorrelation for improved pedestrian detection | |
Nam et al. | Local decorrelation for improved detection | |
CN109934815B (zh) | 一种结合atv约束的张量恢复红外弱小目标检测方法 | |
CN108122008B (zh) | 基于稀疏表示和多特征决策级融合的sar图像识别方法 | |
CN107103338B (zh) | 融合卷积特征和集成超限学习机的sar目标识别方法 | |
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 | |
CN101526995B (zh) | 基于对角子类判决分析的合成孔径雷达目标识别方法 | |
CN111046967A (zh) | 一种基于卷积神经网络和注意力机制的水下图像分类方法 | |
CN105894476B (zh) | 基于字典学习融合的sar图像降噪处理方法 | |
CN109658340B (zh) | 基于rsvd与直方图保存的sar图像快速去噪方法 | |
Mou et al. | Sea clutter suppression for radar PPI images based on SCS-GAN | |
CN113536963A (zh) | 基于轻量化yolo网络的sar图像飞机目标检测方法 | |
CN106934398B (zh) | 基于超像素聚类和稀疏表示的图像去噪方法 | |
CN117726537A (zh) | 自适应多尺度特征融合AMFFD-Net的SAR图像去噪网络方法及*** | |
Zin et al. | Local image denoising using RAISR | |
CN109285148B (zh) | 基于重加权低秩和增强稀疏的红外弱小目标检测方法 | |
CN113807206B (zh) | 一种基于去噪任务辅助的sar图像目标识别方法 | |
Kondaveeti et al. | Abridged shape matrix representation for the recognition of aircraft targets from 2D ISAR imagery | |
CN114863164A (zh) | 一种面向小目标超分辨重建图像的目标识别模型构建方法 | |
Fan et al. | Sharp processing of blur image based on generative adversarial network | |
Liu et al. | Infrared aerial small target detection with NSCT and two-dimensional property histogram | |
Feng et al. | SAR Image Target Recognition Algorithm Based On Convolutional Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |