CN109919870A - 一种基于bm3d的sar图像相干斑抑制方法 - Google Patents
一种基于bm3d的sar图像相干斑抑制方法 Download PDFInfo
- Publication number
- CN109919870A CN109919870A CN201910162471.5A CN201910162471A CN109919870A CN 109919870 A CN109919870 A CN 109919870A CN 201910162471 A CN201910162471 A CN 201910162471A CN 109919870 A CN109919870 A CN 109919870A
- Authority
- CN
- China
- Prior art keywords
- image
- sar image
- log
- domain
- sar
- 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.)
- Granted
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于BM3D的SAR图像相干斑抑制算法,用以解决现有技术中存在的不能实现对相干斑的有效抑制和纹理细节的有效保留兼顾的缺陷,其实现步骤为:对L视SAR图像进行自然对数变换得到对数域SAR图像I1,对I1进行预处理得到相干斑噪声均值为零的对数域SAR图像I3,计算I3中相干斑噪声的标准差σ,采用BM3D算法对I3进行相干斑抑制得到相干斑抑制后的对数域SAR图像I4,对I4进行反变换得到I0的抑斑图像Iresult。本发明在有效抑制图像相干斑噪声的同时能够很好的保留图像的纹理细节部分,从而有效的保证了SAR图像后续进行分类、目标检测和识别的准确度。
Description
技术领域
本发明属于图像处理技术领域,涉及一种SAR图像相干斑抑制方法,具体涉及一种基于BM3D的SAR图像相干斑抑制方法,可用于对SAR图像进行分类、目标检测和识别。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种工作在微波波段的相干成像雷达,它以其高分辨率、全天候、全天时和大面积的数据获取能力成为当前遥感观测的重要手段,在资源、环境、考古以及军事等方面得到了广泛的应用。但是,特殊的成像原理给SAR带来优势的同时也使得获取的SAR图像饱受相干斑噪声的困扰,即成像后的SAR图像中各点像素值并不是目标的真实后向散射系数,而是在其附近随机剧烈的波动,且不同于普通图像所带的加性高斯噪声,SAR图像的相干斑噪声为乘性噪声且波动范围较大,严重影响了SAR图像的后续应用,比如特征检测和目标识别等实际应用领域。因此,SAR图像的相干斑抑制一直是SAR图像解译与应用领域不可缺少的图像处理模块。
评价SAR图像相干斑抑制方法的指标的主要为两个,一个是等效视数(EquivalentNumbers of Looks,ENL),用来评价SAR图像相干斑抑制方法对相干斑抑制的程度,ENL值越高,表示抑斑能力越强;另一个是SAR原始图像与相干斑抑制后的SAR图像的比值图像,用来评价SAR图像相干斑抑制方法对图像纹理细节的保留程度。根据不同方法所采用的理论基础,将SAR图像相干斑抑制方法分为四类:成像前的多视处理、成像后的空域滤波技术、变换域滤波技术和非局部均值滤波技术。
多视处理是最先发展起来的相干斑抑制方法,它是在SAR方位向对雷达孔径进行分割,每个孔径分别进行成像处理,然后将得到的多个视数的图像非相干叠加后取平均处理即得到相干斑抑制的SAR图像。多视处理技术虽然操作简单、方便实现,但是会降低获得的SAR图像的分辨率并且抑斑效果较差。
空域滤波技术最开始的代表是中值滤波、均值滤波、K邻域滤波等传统的非自适应的滤波器,这类滤波思想简单,便于操作但是效果较差。之后发展了基于相干斑噪声局部统计信息的Lee滤波、Kuan滤波、Frost滤波等自适应滤波器,接着根据图像像素在同质区域还是纹理区域改进上述滤波器得到了增强Lee滤波,增强Frost滤波。此外还有假设已知SAR图像的地面散射系数服从Gamma分布或者其他需要更多参数来描述的更为精确的分布模型,采用最大后验概率(Maximum a Posteriori,MAP)对真实地面场景进行估计的滤波算法,最常见的就是Gamma MAP滤波。这类算法的优点同样是思想简单,方便实现,但普遍存在相干斑抑制与纹理细节保留受局域窗参数设置影响较大且常出现噪声抑制不充分等问题。
变换域滤波的基本思想是小波变换可以局部的多分辨率的描述目标图像,从而使得图像中的噪声和信号在小波域能够大致的分离,并通过一系列后续的处理达到SAR图像相干斑抑制的效果。小波变换的方法对图像的纹理信息有着较好的保留,因此通过使用不同策略选取合适的阈值可以达到在图像相干斑抑制的基础上保留图像的纹理细节。比如软阈值(Soft Threshoding,ST)滤波,通过对SAR图像小波变换后的系数进行自适应的阈值处理达到相干斑抑制的目的。但是由于小波变换对噪声和信号并不能完全的分离使得该方法的抑斑效果不是很充分。
非局部均值(Non-local Means,NLM)滤波的思想首先出现于自然图像处理领域,其基本思想是利用图像的自相关性,根据像素点周围像素块的相似性程度取它们之间的加权平均从而得到去噪的图像。NLM思想没有利用图像像素点之间的空间关系,而是利用它们之间的自相关性,因此几乎不会引入虚假信息。同时像素点自相关性的度量不仅仅是像素点之间,而是度量像素点及周围子块的相似性,因此有效的保留了图像的纹理细节。比如PPB(Probabilistic Patch-Based)方法,该方法利用了SAR相干斑噪声模型和权重最大化似然估计循环迭代相似点之间的权重,最终加权平均后得到抑斑图像。但是该方法为了追求尽可能的对相干斑噪声进行抑制使得抑斑结果丢失了大量的纹理细节。
现有技术大多使用变换域滤波和非局部均值滤波的思想,但是单独使用一种思想的方法由于自身的缺陷很难在有效抑制SAR相干斑噪声的同时保留图像的纹理细节部分。
同时,在类似的去除图像加性高斯噪声领域出现了结合变换域滤波和非局部均值滤波思想的三维块匹配滤波(Block-matching and 3D filtering,BM3D)算法,该算法既在有效去除图像加性高斯噪声的同时还能很好的保留图像的纹理细节,在去除图像加性高斯噪声领域达到了最高水平,而在SAR相干斑抑制领域还没有出现该类方法,因此本发明在BM3D的基础上提出了一种新的SAR相干斑抑制方法。
发明内容
本发明的目的是为了克服上述现有技术存在的不足,提出了一种基于BM3D的SAR图像相干斑抑制方法,通过对SAR图像或者SAR原始数据成像后得到的图像进行自然对数变换后的预处理,使得SAR图像中的乘性相干斑噪声逼近加性高斯噪声,然后用BM3D算法对预处理后的SAR图像进行相干斑抑制,旨在实现对SAR图像中相干斑较好抑制的同时,有效保留图像的纹理细节,具体实现步骤为:
(1)对L视SAR图像进行自然对数变换:
对输入的L视SAR图像I0或经过对SAR的原始数据进行L视成像得到的L视SAR图像I0进行自然对数变换,得到视数为L的对数域SAR图像I1,L≥1;
(2)对对数域SAR图像I1进行预处理:
(2.1)对对数域SAR图像I1进行相干斑噪声均值偏置,得到相干斑噪声均值为零的对数域SAR图像I2;
(2.2)计算对数域SAR图像I2中各像素点像素值的最大值并通过对I2进行归一化,得到取值范围为[0,1]的归一化对数域SAR图像I3;
(3)计算归一化对数域SAR图像I3中相干斑噪声的标准差σ:
对归一化对数域SAR图像I3进行小波变换,得到低频子带小波系数LL、水平高频子带小波系数HL、垂直高频子带小波系数LH和对角高频子带小波系数HH,并通过HH计算I3中的相干斑噪声的标准差σ;
(4)采用BM3D算法对归一化对数域SAR图像I3进行相干斑抑制:
(4.1)以对数域SAR图像I3坐标为(0,0)的点x为起始像素点,并选取x周围k×k个像素点组成图像块P,k>1,然后将在x周围n×n个像素点组成的区域内搜寻到的与P相似的m个图像块Q组成相似块组G(P),n>k>1,m≥1,G(P)的表达式为:
G(P)={Q:d(P,Q)≤τstep1}
其中,d(P,Q)为图像块P和与P相似的图像块Q之间的欧式距离,τstep1为衡量相似度的阈值;
(4.2)将相似块组G(P)堆叠成三维数组G(P)3D,并对G(P)3D进行协同硬阈值滤波,得到滤波结果
其中T3Dhard和T-1 3Dhard分别为三维小波变换和三维小波反变换,γ为硬阈值处理,λ3D为阈值;
(4.3)将恢复为m个二维图像块组,并放回到G(P)在图像I3中对应的位置,得到G(P)的基本去噪结果再对进行聚集,得到图像I3的基本去噪图像Ibasic:
其中,xm为相似块组G(P)中的第m个相似块,为xm的特征函数,ωbasic为xm的权重:
其中,Nhar为γ(T3Dhard(G(P)))中非零元素的个数;
(4.4)以基本去噪图像Ibasic坐标为(0,0)的点x为起始像素点,并选取x周围k×k个像素点组成图像块S,然后将在x周围n×n个像素点组成的区域内搜寻到的与P相似的l个图像块T组成相似块组Gbasic(S),l≥1,并在图像I3中的相同位置取l个图像块组成相似块组Gwie(S),Gbasic(S)的表达式为:
Gbasic(S)={Q:d(S,T)≤τstep2}
其中,d(S,T)为图像块S和与S相似的图像块T之间的欧式距离,τstep2为衡量相似度的阈值;
(4.5)将相似块组Gwie(S)堆叠成三维数组Gwie(S)3D,对Gwie(S)3D进行协同维纳滤波,得到滤波结果为
其中,和分别为三维小波变换和三维小波反变换,ωwie为维纳滤波系数:
(4.6)将恢复为l个二维图像块组,并放回到Gwie(S)在图像I3中对应的位置,得到Gwie(S)的基本去噪结果再对进行聚集,得到图像I3相干斑抑制后的对数域SAR图像I4,公式为:
其中,xl为相似块组Gbasic(S)中的第l个相似块,是xl的特征函数;
(5)对对数域SAR图像I4进行反变换:
(5.1)对对数域SAR图像I4中的每个像素点的像素值乘以得到反归一化SAR图像I5;
(5.2)对反归一化SAR图像I5进行自然指数变换,得到指数域SAR图像I6;
(5.3)将指数域SAR图像I6中像素值超过255的像素点的像素值设置为255,得到L视SAR图像I0的抑斑图像Iresult。
本发明与现有技术相比,具有如下优点:
本发明由于在获取原SAR图像的抑斑图像时,首先通过对原SAR图像进行自然对数变换后进行预处理,使得原SAR图像中的乘性相干斑噪声逼近加性高斯噪声,然后运用BM3D算法对预处理后的SAR图像进行相干斑抑制,BM3D算法中的相似块搜索过程使得算法滤波时能够利用图像的自相关性,同时对相似块组进行三维小波变换能够更加有效的分离噪声与信号,避免了现有技术中存在的不能实现对相干斑的有效抑制和纹理细节的有效保留兼顾的缺陷,从而有效的保证了SAR图像后续进行分类、目标检测和识别的准确度。
附图说明
图1是本发明的实现流程图;
图2是本发明与现有技术对SAR图像进行相干斑抑制的仿真结果图;
图3是本发明与现有技术对SAR图像进行相干斑抑制后纹理细节保留程度的仿真结果图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步详细描述。
参照图1,一种基于BM3D的SAR图像相干斑抑制方法,包括如下步骤:
步骤1:对L视SAR图像进行自然对数变换:
(1.1)若输入的SAR图像存在原始数据,则可对原始数据进行L视成像得到的L视SAR图像I0,L≥1,成像的视数L越大,则本发明后续的噪声模型逼近效果越好,本发明的相干斑抑制结果越好,但同时成像得到的图像I0分辨率也越低,因此需要根据后续SAR图像应用情况选取L的数值,若输入的SAR图像不存在原始数据则直接进行下一步,本实施例设置L为4;
(1.2)对L视SAR图像I0进行自然对数变换,由于SAR图像相干斑噪声的统计模型为乘性噪声模型,如果想要利用非均值滤波的思想对SAR图像进行相干斑抑制,就必须通过一定的数据变换操作把图像中的乘性噪声变为加性噪声,因此本发明选择操作最为简单却有效的自然对数变换对图像I0进行处理,得到视数为L的对数域SAR图像I1:
I1(i,j)=ln(I0(i,j))i=0,1,2…,H j=0,1,2…,W
其中,I0(i,j)为图像I0中横坐标为i,纵坐标为j的点的像素值,H为图像I0的高,W为图像I0的宽。
步骤2:对对数域SAR图像I1进行预处理:
(2.1)对对数域SAR图像I1进行相干斑噪声均值偏置:
(2.1.1)由于得到的对数域SAR图像I1中相干斑噪声的均值是不为零的,后续BM3D算法中的包含对相似块组加权平均的过程,如果直接使用BM3D算法对图像I1进行相干斑抑制会使得最后得到的抑斑结果不彻底,因此本发明需要对对数域SAR图像I1中的每个像素点的像素值减去与视数L对应的对数域相干斑噪声的均值,得到图像It:
It(i,j)=I1(i,j)-mean i=0,1,2…,H j=0,1,2…,W
其中,I1(i,j)为图像I1中横坐标为i,纵坐标为j的点的像素值,H为图像I1的高,W为图像I1的宽,mean为L视对数域相干斑噪声对应的均值,C为欧拉常数,大小为0.577215;
(2.1.2)由于对数变换和均值偏置过程会使得图像It中某些点的像素值小于0,而像素值小于0是没有任何物理意义的,因此将图像It中所有小于0的像素值设置为0,得到相干斑噪声均值为零的对数域SAR图像I2:
I2(i,j)=relu(It(i,j)) i=0,1,2…,H j=0,1,2…,W
其中,relu(·)为线性整流函数:
(2.2)计算对数域SAR图像I2中各像素点像素值的最大值并通过对I2进行归一化,得到取值范围为[0,1]的归一化对数域SAR图像I3:
其中,为对数域SAR图像I2中各像素点像素值的最大值,I2(i,j)为图像I2中横坐标为i,纵坐标为j的点的像素值,H为图像I2的高,W为图像I2的宽;
步骤3:计算归一化对数域SAR图像I3中相干斑噪声的标准差σ:
对归一化对数域SAR图像I3进行小波变换,得到低频子带小波系数LL、水平高频子带小波系数HL、垂直高频子带小波系数LH和对角高频子带小波系数HH,并通过HH计算I3中的相干斑噪声的标准差σ:
其中,median|HH|为对角高频子带小波系数的绝对值的中位数;
步骤4:采用BM3D算法对归一化对数域SAR图像I3进行相干斑抑制:
(4.1)以对数域SAR图像I3坐标为(0,0)的点x为起始像素点,并选取x周围k×k个像素点组成图像块P,k>1,然后将在x周围n×n个像素点组成的区域内搜寻到的与P相似的m个图像块Q组成相似块组G(P),n>k>1,m≥1,G(P)的表达式为:
G(P)={Q:d(P,Q)≤τstep1}
其中,d(P,Q)为图像块P和与P相似的图像块Q之间的欧式距离,τstep1为衡量相似度的阈值;
(4.2)将m个相似块组G(P)堆叠成三维数组G(P)3D,m≥1,当m为1时不用堆叠,只需把这个相似块的第三个维度设置为1即可得到G(P)3D,并对G(P)3D进行协同硬阈值滤波,得到滤波结果
其中T3Dhard为三维小波变换,由一次二维小波变换和一次一维小波变换组成,T-1 3Dhard为三维小波反变换,由一次一维小波反变换和一次二维小波反变换组成,γ为硬阈值处理,λ3D为阈值;
由于这里是对相似块组G(P)堆叠成的三维数组G(P)3D进行三维小波变换,因此可以更有效地分离出噪声和信号,再对三维小波变换得到的小波系数进行硬阈值滤波时便可以有效地将噪声从信号中滤除,使得本发明具有良好的抑制SAR图像相干斑噪声的能力。
(4.3)将恢复为m个二维图像块组,并放回到G(P)在图像I3中对应的位置,得到G(P)的基本去噪结果再对进行聚集,得到图像I3的基本去噪图像Ibasic:
其中,xm为相似块组G(P)中的第m个相似块,为xm的特征函数,ωbasic为xm的权重:
其中,Nhar为γ(T3Dhard(G(P)))中非零元素的个数;
由于这里是对相似组块的基本去噪结果进行加权平均,利用的了非局部滤波的思想,图像本身存在的自相关性使得本发明在对SAR图像进行相干斑抑制时能够有效的保留图像的纹理细节;
(4.4)以基本去噪图像Ibasic坐标为(0,0)的点x为起始像素点,并选取x周围k×k个像素点组成图像块S,然后将在x周围n×n个像素点组成的区域内搜寻到的与P相似的l个图像块T组成相似块组Gbasic(S),l≥1,并在图像I3中的相同位置取l个图像块组成相似块组Gwie(S),Gbasic(S)的表达式为:
Gbasic(S)={Q:d(S,T)≤τstep2}
其中,d(S,T)为图像块S和与S相似的图像块T之间的欧式距离,τstep2为衡量相似度的阈值;
(4.5)将相似块组Gwie(S)堆叠成三维数组Gwie(S)3D,对Gwie(S)3D进行协同维纳滤波,得到滤波结果为
其中,和分别为三维小波变换和三维小波反变换,ωwie为维纳滤波系数:
(4.6)将恢复为l个二维图像块组,并放回到Gwie(S)在图像I3中对应的位置,得到Gwie(S)的基本去噪结果再对进行聚集,得到图像I3相干斑抑制后的对数域SAR图像I4,公式为:
其中,xl为相似块组Gbasic(S)中的第l个相似块,是xl的特征函数;
步骤5:对对数域SAR图像I4进行反变换:
(5.1)对对数域SAR图像I4中的每个像素点的像素值乘以得到反归一化SAR图像I5;
(5.2)对反归一化SAR图像I5进行自然指数变换,得到指数域SAR图像I6,变换公式为:
其中e为自然常数,大小为2.71828,I5(i,j)为图像I5中横坐标为i,纵坐标为j的点的像素值,H为图像I5的高,W为图像I5的宽;
(5.3)将指数域SAR图像I6中像素值超过255的像素点的像素值设置为255,得到L视SAR图像I0的抑斑图像Iresult。
以下结合仿真实验,对本发明的技术效果作进一步说明:
1.仿真条件和内容:
仿真条件:仿真软件在主频2.8GHZ的Intel(R)Core(TM)i7-7700HQ、内存8GB的硬件环境和MATLAB R2017b的软件环境下进行的。
仿真内容:用本发明和现有技术对SAR原始数据成像后得到的SAR图像进行相干斑抑制。
2.仿真结果分析:
(2.1)SAR图像相干斑抑制领域用来衡量相干斑抑制程度的指标是得到的抑斑图像平坦区域的等效视数,即ENL值,对应的ENL值越高,表示该方法的抑斑能力越强。其结果如图2和表一所示:
图2(a)为用距离多普勒算法(range Doppler algorithm,RDA)对原始数据成像得到2002年温哥华地区的单视图像,图像中的白框选中的平坦区域用来计算ENL,图2(b)、图2(c)和图2(d)分别为方法ST,方法PPB和本发明分别对SAR图像进行相干斑抑制的结果图,从结果图中可以大致的看出本发明在平坦区域相干斑噪声的抑制结果是最为明显的。表1为用原始SAR图像和三种方法对应的抑斑图像计算的ENL值。
方法 | 原始SAR图像 | ST | PPB | 本发明 |
ENL | 0.43 | 4.63 | 8.47 | 10.28 |
表1
由图2和表1所示,本发明得到的抑斑图像的ENL值最大,表明本发明对SAR图像相干斑噪声的抑制能力要强于现有技术。
(2.2)SAR图像相干斑抑制领域用来衡量相干斑抑制后对图像纹理细节保留程度的指标是原始SAR图像和抑斑图像的比值图像,对应的比值图像含有的纹理结构越少,说明该抑斑方法对图像纹理细节的保留程度越高。其结果如图3所示:
图3(a)、图3(b)和图3(c)分别为方法ST,方法PPB和本发明得到的比值图像,由图2(a)分别与图2(b)、图2(c)和图2(d)进行逐像素点相除得到,可以看到本发明得到的比值图像图3(c)基本不含纹理结构,因此本发明在对SAR图像相干斑抑制后对图像的纹理细节保留的最好。
通过以上实验方案,验证了本发明既具有较强的相干斑噪声抑制能力,同时也能够很好的保留图像的纹理细节。
本发明提出了一种基于BM3D的SAR图像相干斑抑制方法,通过对SAR图像或者SAR原始数据成像后得到的图像进行取对数变换后预处理,使得原有的SAR图像的乘性相干斑噪声逼近高斯加性噪声,BM3D算法中的相似块搜索过程使得算法滤波时能够利用图像的自相关性,对相似块组进行三维小波变换能够更加有效的分离噪声与信号,使得本发明在有效抑制图像相干斑噪声的同时能够很好的保留图像的纹理细节部分,从而有效的保证了SAR图像后续进行分类、目标检测和识别的准确度。
Claims (6)
1.一种基于BM3D的SAR图像相干斑抑制方法,其特征在于,包括如下步骤:
(1)对L视SAR图像进行自然对数变换:
对输入的L视SAR图像I0或经过对SAR的原始数据进行L视成像得到的L视SAR图像I0进行自然对数变换,得到视数为L的对数域SAR图像I1,L≥1;
(2)对对数域SAR图像I1进行预处理:
(2.1)对对数域SAR图像I1进行相干斑噪声均值偏置,得到相干斑噪声均值为零的对数域SAR图像I2;
(2.2)计算对数域SAR图像I2中各像素点像素值的最大值并通过对I2进行归一化,得到取值范围为[0,1]的归一化对数域SAR图像I3;
(3)计算归一化对数域SAR图像I3中相干斑噪声的标准差σ:
对归一化对数域SAR图像I3进行小波变换,得到低频子带小波系数LL、水平高频子带小波系数HL、垂直高频子带小波系数LH和对角高频子带小波系数HH,并通过HH计算I3中的相干斑噪声的标准差σ;
(4)采用BM3D算法对归一化对数域SAR图像I3进行相干斑抑制:
(4.1)以对数域SAR图像I3坐标为(0,0)的点x为起始像素点,并选取x周围k×k个像素点组成图像块P,k>1,然后将在x周围n×n个像素点组成的区域内搜寻到的与P相似的m个图像块Q组成相似块组G(P),n>k>1,m≥1,G(P)的表达式为:
G(P)={Q:d(P,Q)≤τstep1}
其中,d(P,Q)为图像块P和与P相似的图像块Q之间的欧式距离,τstep1为衡量相似度的阈值;
(4.2)将相似块组G(P)堆叠成三维数组G(P)3D,并对G(P)3D进行协同硬阈值滤波,得到滤波结果
其中T3Dhard和T-1 3Dhard分别为三维小波变换和三维小波反变换,γ为硬阈值处理,λ3D为阈值;
(4.3)将恢复为m个二维图像块组,并放回到G(P)在图像I3中对应的位置,得到G(P)的基本去噪结果再对进行聚集,得到图像I3的基本去噪图像Ibasic:
其中,xm为相似块组G(P)中的第m个相似块,为xm的特征函数,ωbasic为xm的权重:
其中,Nhar为γ(T3Dhard(G(P)))中非零元素的个数;
(4.4)以基本去噪图像Ibasic坐标为(0,0)的点x为起始像素点,并选取x周围k×k个像素点组成图像块S,然后将在x周围n×n个像素点组成的区域内搜寻到的与P相似的l个图像块T组成相似块组Gbasic(S),l≥1,并在图像I3中的相同位置取l个图像块组成相似块组Gwie(S),Gbasic(S)的表达式为:
Gbasic(S)={Q:d(S,T)≤τstep2}
其中,d(S,T)为图像块S和与S相似的图像块T之间的欧式距离,τstep2为衡量相似度的阈值;
(4.5)将相似块组Gwie(S)堆叠成三维数组Gwie(S)3D,对Gwie(S)3D进行协同维纳滤波,得到滤波结果为
其中,和分别为三维小波变换和三维小波反变换,ωwie为维纳滤波系数:
(4.6)将恢复为l个二维图像块组,并放回到Gwie(S)在图像I3中对应的位置,得到Gwie(S)的基本去噪结果再对进行聚集,得到图像I3相干斑抑制后的对数域SAR图像I4,公式为:
其中,xl为相似块组Gbasic(S)中的第l个相似块,χxl是xl的特征函数;
(5)对对数域SAR图像I4进行反变换:
(5.1)对对数域SAR图像I4中的每个像素点的像素值乘以maxI2,得到反归一化SAR图像I5;
(5.2)对反归一化SAR图像I5进行自然指数变换,得到指数域SAR图像I6;
(5.3)将指数域SAR图像I6中像素值超过255的像素点的像素值设置为255,得到L视SAR图像I0的抑斑图像Iresult。
2.根据权利要求1所述的基于BM3D的SAR图像相干斑抑制方法,其特征在于,步骤(1)所述的对L视SAR图像进行自然对数变换,变换公式为:
I1(i,j)=ln(I0(i,j))i=0,1,2…,H j=0,1,2…,W
其中,I0(i,j)为图像I0中横坐标为i,纵坐标为j的点的像素值,H为图像I0的高,W为图像I0的宽。
3.根据权利要求1所述的基于BM3D的SAR图像相干斑抑制方法,其特征在于:步骤(2.1)中所述的对对数域SAR图像I1进行相干斑噪声均值偏置,实现步骤如下:
(2.1.1)对对数域SAR图像I1中的每个像素点的像素值减去与视数L对应的对数域相干斑噪声的均值,得到图像It:
It(i,j)=I1(i,j)-mean i=0,1,2…,H j=0,1,2…,W
其中,I1(i,j)为图像I1中横坐标为i,纵坐标为j的点的像素值,H为图像I1的高,W为图像I1的宽,mean为L视对数域相干斑噪声对应的均值,C为欧拉常数,大小为0.577215;
(2.1.2)将图像It中所有小于0的像素值设置为0,得到相干斑噪声均值为零的对数域SAR图像I2:
I2(i,j)=relu(It(i,j))i=0,1,2…,H j=0,1,2…,W
其中,relu(·)为线性整流函数:
4.根据权利要求1所述的基于BM3D的SAR图像相干斑抑制方法,其特征在于:步骤(2.2)中所述的对对数域SAR图像I2进行归一化,具体公式为:
其中,为对数域SAR图像I2中各像素点像素值的最大值,I2(i,j)为图像I2中横坐标为i,纵坐标为j的点的像素值,H为图像I2的高,W为图像I2的宽。
5.根据权利要求1所述的基于BM3D的SAR图像相干斑抑制方法,其特征在于:步骤(3)中所述的计算I3中的相干斑噪声的标准差σ,计算公式为:
其中,median|HH|为对角高频子带小波系数的绝对值的中位数。
6.根据权利要求1所述的基于BM3D的SAR图像相干斑抑制方法,其特征在于:步骤(5.2)对反归一化SAR图像I5进行自然指数变换,得到指数域SAR图像I6,变换公式为:
其中e为自然常数,大小为2.71828,I5(i,j)为图像I5中横坐标为i,纵坐标为j的点的像素值,H为图像I5的高,W为图像I5的宽。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910162471.5A CN109919870B (zh) | 2019-03-05 | 2019-03-05 | 一种基于bm3d的sar图像相干斑抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910162471.5A CN109919870B (zh) | 2019-03-05 | 2019-03-05 | 一种基于bm3d的sar图像相干斑抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919870A true CN109919870A (zh) | 2019-06-21 |
CN109919870B CN109919870B (zh) | 2021-04-02 |
Family
ID=66963277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910162471.5A Active CN109919870B (zh) | 2019-03-05 | 2019-03-05 | 一种基于bm3d的sar图像相干斑抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919870B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340702A (zh) * | 2020-02-24 | 2020-06-26 | 江南大学 | 基于盲估计的微小缺陷高频超声显微成像的稀疏重构方法 |
CN111461999A (zh) * | 2020-03-13 | 2020-07-28 | 西安工程大学 | 一种基于超像素相似性测量的sar图像相干斑抑制方法 |
CN111861905A (zh) * | 2020-06-17 | 2020-10-30 | 浙江工业大学 | 基于Gamma-Lee滤波的SAR影像斑点噪声抑制方法 |
CN112633298A (zh) * | 2020-12-28 | 2021-04-09 | 深圳大学 | 一种度量图像/图像块相似性的方法 |
CN112734666A (zh) * | 2020-12-31 | 2021-04-30 | 西安电子科技大学 | 基于相似值的sar图像相干斑非局部均值抑制方法 |
CN112927165A (zh) * | 2021-03-22 | 2021-06-08 | 重庆邮电大学 | 一种基于nsst域三维块匹配的sar图像相干斑抑制方法 |
CN114037616A (zh) * | 2021-09-22 | 2022-02-11 | 南京莱斯电子设备有限公司 | 一种sar图像噪声抑制方法及设备 |
CN114627148A (zh) * | 2021-07-05 | 2022-06-14 | 广东省科学院广州地理研究所 | 一种基于微波遥感的海岸带养殖水体对象提取方法及装置 |
CN115031651A (zh) * | 2022-06-07 | 2022-09-09 | 天津大学 | 一种改进bm3d去噪ofdr分布式应变测量方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020922A (zh) * | 2013-01-10 | 2013-04-03 | 西安电子科技大学 | 基于pca变换的sar图像相干斑抑制方法 |
CN103871031A (zh) * | 2014-03-07 | 2014-06-18 | 西安电子科技大学 | 基于核回归的sar图像相干斑抑制 |
CN105913083A (zh) * | 2016-04-08 | 2016-08-31 | 西安电子科技大学 | 基于稠密sar-sift和稀疏编码的sar分类方法 |
CN106971382A (zh) * | 2017-03-16 | 2017-07-21 | 中国人民解放军国防科学技术大学 | 一种sar图像相干斑抑制方法 |
CN109389101A (zh) * | 2018-11-02 | 2019-02-26 | 电子科技大学 | 一种基于去噪自编码网络的sar图像目标识别方法 |
-
2019
- 2019-03-05 CN CN201910162471.5A patent/CN109919870B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020922A (zh) * | 2013-01-10 | 2013-04-03 | 西安电子科技大学 | 基于pca变换的sar图像相干斑抑制方法 |
CN103871031A (zh) * | 2014-03-07 | 2014-06-18 | 西安电子科技大学 | 基于核回归的sar图像相干斑抑制 |
CN105913083A (zh) * | 2016-04-08 | 2016-08-31 | 西安电子科技大学 | 基于稠密sar-sift和稀疏编码的sar分类方法 |
CN106971382A (zh) * | 2017-03-16 | 2017-07-21 | 中国人民解放军国防科学技术大学 | 一种sar图像相干斑抑制方法 |
CN109389101A (zh) * | 2018-11-02 | 2019-02-26 | 电子科技大学 | 一种基于去噪自编码网络的sar图像目标识别方法 |
Non-Patent Citations (2)
Title |
---|
MURALIMOHANBABU.YA,ET AL.: "A modified BM3D algorithm for SAR image despeckling", 《4THINTERNATIONAL CONFERENCE ON ECO-FRIENDLY COMPUTING AND COMMUNICATION SYSTEMS》 * |
鲁自立 等: "多方向高斯窗匹配模板的SAR-BM3D相干斑抑制算法", 《无线电工程》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340702A (zh) * | 2020-02-24 | 2020-06-26 | 江南大学 | 基于盲估计的微小缺陷高频超声显微成像的稀疏重构方法 |
CN111461999A (zh) * | 2020-03-13 | 2020-07-28 | 西安工程大学 | 一种基于超像素相似性测量的sar图像相干斑抑制方法 |
CN111461999B (zh) * | 2020-03-13 | 2023-02-14 | 西安工程大学 | 一种基于超像素相似性测量的sar图像相干斑抑制方法 |
CN111861905A (zh) * | 2020-06-17 | 2020-10-30 | 浙江工业大学 | 基于Gamma-Lee滤波的SAR影像斑点噪声抑制方法 |
CN111861905B (zh) * | 2020-06-17 | 2022-07-15 | 浙江工业大学 | 基于Gamma-Lee滤波的SAR影像斑点噪声抑制方法 |
CN112633298B (zh) * | 2020-12-28 | 2023-07-18 | 深圳大学 | 一种度量图像/图像块相似性的方法 |
CN112633298A (zh) * | 2020-12-28 | 2021-04-09 | 深圳大学 | 一种度量图像/图像块相似性的方法 |
CN112734666A (zh) * | 2020-12-31 | 2021-04-30 | 西安电子科技大学 | 基于相似值的sar图像相干斑非局部均值抑制方法 |
CN112927165A (zh) * | 2021-03-22 | 2021-06-08 | 重庆邮电大学 | 一种基于nsst域三维块匹配的sar图像相干斑抑制方法 |
CN114627148A (zh) * | 2021-07-05 | 2022-06-14 | 广东省科学院广州地理研究所 | 一种基于微波遥感的海岸带养殖水体对象提取方法及装置 |
CN114627148B (zh) * | 2021-07-05 | 2024-01-02 | 广东省科学院广州地理研究所 | 一种基于微波遥感的海岸带养殖水体对象提取方法及装置 |
CN114037616A (zh) * | 2021-09-22 | 2022-02-11 | 南京莱斯电子设备有限公司 | 一种sar图像噪声抑制方法及设备 |
CN114037616B (zh) * | 2021-09-22 | 2024-04-05 | 南京莱斯电子设备有限公司 | 一种sar图像噪声抑制方法及设备 |
CN115031651A (zh) * | 2022-06-07 | 2022-09-09 | 天津大学 | 一种改进bm3d去噪ofdr分布式应变测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109919870B (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919870A (zh) | 一种基于bm3d的sar图像相干斑抑制方法 | |
CN101847257B (zh) | 基于非局部均值与多级定向图像的图像降噪方法 | |
CN106296655B (zh) | 基于自适应权值和高频阈值的sar图像变化检测方法 | |
JP6057881B2 (ja) | ノイズを含む画素からなる入力画像のノイズを除去する方法 | |
CN103279957B (zh) | 一种基于多尺度特征融合的遥感图像感兴趣区域提取方法 | |
CN101482617A (zh) | 基于非下采样轮廓波的合成孔径雷达图像去噪方法 | |
CN103020922A (zh) | 基于pca变换的sar图像相干斑抑制方法 | |
CN109961408B (zh) | 基于nsct和块匹配滤波的光子计数图像去噪方法 | |
CN108428221A (zh) | 一种基于shearlet变换的邻域双变量阈值去噪方法 | |
CN103077507A (zh) | 基于Beta算法的多尺度SAR图像降噪方法 | |
CN110060220A (zh) | 基于改进bm3d算法的图像去噪方法及*** | |
CN113204051A (zh) | 一种基于变分模态分解的低秩张量地震数据去噪方法 | |
Devapal et al. | Discontinuity adaptive SAR image despeckling using curvelet-based BM3D technique | |
CN102722878A (zh) | 基于目标提取和ppb算法的sar图像去斑方法 | |
CN102903083A (zh) | 基于Context模型和双树复小波变换的水下声纳图像的去噪方法 | |
CN111461999A (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
CN105096274A (zh) | 基于非下采样轮廓波域混合统计模型的红外图像降噪方法 | |
Sun et al. | Overview of SAR image denoising based on transform domain | |
Zhang et al. | Bayesian-based speckle suppression for SAR image using contourlet transform | |
CN112927169A (zh) | 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法 | |
Bhargava et al. | An Effective Method for Image Denoising Using Non-local Means and Statistics based Guided Filter in Nonsubsampled Contourlet Domain. | |
Tang et al. | How SAR Image Denoise Affects the Performance of DCNN-Based Target Recognition Method | |
Liu et al. | An improved synthetic aperture radar image denoising method based on block-matching and 3D filtering | |
CN112184574B (zh) | 一种遥感图像斑点噪声消除方法及*** | |
Bhonslei | Additive and multiplicative noise removal from medical images using bivariate thresholding by dual tree complex wavelet transform |
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 |