CN111783583A - 基于非局部均值算法的sar图像相干斑抑制方法 - Google Patents

Abstract

本发明公开了一种基于非局部均值算法的SAR图像相干斑抑制方法，包括步骤：输入图像，设置图像子块邻域大小，搜索域大小、灰度差阈值；选取图像中的一个像素点，计算其自适应二值权值矩阵；选取搜索域内任一像素点，计算两个像素的邻域块之间的比率距离，并计算像素权重，利用像素权重计算滤波后的像素灰度值；对图像中所有的像素都进行上述步骤即可。本发明利用比率距离代替欧氏距离来测量两个图像块的相似性；采用一个二值加权矩阵剔除邻域内与中心像素差异过大的像素点；在选择高斯核函数滤波参数时，研究了根据搜索域内的像素与中心像素的相似程度选择参数的方法，避免了不合理地设置滤波参数。

Description

基于非局部均值算法的SAR图像相干斑抑制方法

技术领域

本发明涉及雷达信号处理技术领域，具体涉及一种基于非局部均值算法的SAR图像相干斑抑制方法。

背景技术

合成孔径雷达(SAR)是一种主动式微波成像雷达，相对于传统雷达SAR***具有较高的分辨率，因此其可以获得具有高分辨率的图像，因SAR良好的性能，在军事和民用领域都得到了广泛的应用。但是，SAR***获取到的数据并不能直接读取其中包含真实目标的信息，需要对图像进行解译，解译工作的速度和精度关系着SAR在各领域的应用。与逐渐成熟的SAR***研制技术和SAR成像技术相比，SAR图像的解译研究有待进一步探索，SAR图像解译工作也一直是SAR领域的热门课题。

SAR原始图像需要SAR图像解译后才能获得感兴趣的目标，而SAR图像的相干斑抑制是SAR图像解译预处理阶段的关键步骤之一。相干斑的噪声存在会模糊SAR图像细节，限制SAR图像的解译工作，严重时导致SAR图像解译失效。

在现阶段所提出图像的相干斑抑制方法中，非局部均值(NLM)算法对于光学图像的加性高斯噪声具有很好的滤波作用，但是对于SAR图像特有的乘性噪声模型，利用NLM算法进行SAR图像的相干斑抑制时会出现相似性度量结果不稳定的情况；另外对于受噪声污染严重的非均匀样本，还可能会出现性能恶化的问题。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种基于非局部均值算法的SAR图像相干斑抑制方法，在NLM算法的基础上提出了基于最大比率距离的加权非局部均值(WNLMMRD)算法，该算法利用比率距离代替欧氏距离来测量两个图像块的相似性；采用一个二值加权矩阵剔除邻域内与中心像素差异过大的像素点；在选择高斯核函数滤波参数时，研究了根据搜索域内的像素与中心像素的相似程度选择参数的方法，避免了不合理地设置滤波参数。

为了达到上述目的，本发明采用以下技术方案予以实现。

基于非局部均值算法的SAR图像相干斑抑制方法，包括以下步骤：

步骤1，输入待处理SAR图像，读取待处理SAR图像的灰度数据集；设置待处理SAR图像的邻域块大小为N×N，搜索域Ω大小为M×M，灰度差阈值为ts；N＜M；

步骤2，选取待处理SAR图像中的一个像素点i作为待处理像素，采用二值加权函数剔除待处理像素邻域块内与其灰度差别大的像素点，得到待处理像素i的自适应二值权值矩阵T_i；

步骤3，对于搜索域内的任一像素点j，j∈Ω，根据待处理像素i的自适应二值权值矩阵T_i，计算待处理像素i与搜索域内每个像素点的比率距离，进而得到待处理像素i的高斯核函数滤波参数h_i；

步骤4，根据待处理像素i与搜索域内每个像素点的比率距离及其对应的高斯核滤波参数h_i，计算待处理像素i的归一化系数z(i)；采用待处理像素i的归一化系数z(i)对搜索域内像素点进行归一化，得到对应的权重w_ij；

步骤5，采用搜索域内像素相对于待处理像素i的权重w_ij，对待处理像素i进行自适应非局部均值滤波处理，得到待处理像素i滤波后的像素灰度值x′_i；

步骤6，对待处理SAR图像中的所有像素点分别进行步骤2～5，得到滤波后的SAR图像，即完成对输入图像的相干斑抑制。

进一步地，N为奇数。

进一步地，所述采用二值加权函数剔除待处理像素邻域块内与其灰度差别大的像素点，具体为：采用一个二值加权函数：

其中，x_i表示待处理像素i的灰度值，x_l表示以像素i为中心的邻域内的一个像素点的灰度值；

则待处理像素i的自适应二值权值矩阵T_i的表达式为：T_i＝{t_il，l∈N_i}

其中，N_i表示中心像素i的邻域。

进一步地，所述根据待处理像素i的自适应二值权值矩阵T_i，计算待处理像素i与搜索域内每个像素点的比率距离，具体为：

(a)计算待处理像素i的邻域块与搜索域内像素点j的邻域块之间的比率距离d″_ij：

其中，T_i表示待处理像素i的自适应二值权值矩阵，定义函数Ξ(t)＝max(t，1/t)，Y_i表示以像素i为中心的图像块，Y_j表示以像素j为中心的图像块，./表示点除，

表示高斯加权欧式距离，α代表高斯核的标准差；

(b)对搜索域内的其余像素点，按照步骤(a)计算其与待处理像素i的比率距离。

进一步地，所述待处理像素i的高斯核函数滤波参数h_i的获取过程为：对搜索域内的所有像素与中心像素邻域块之间的比率距离按照从大到小进行排序，然后取位于中间位置的值即中值作为待处理像素i的高斯核函数滤波参数。

进一步地，步骤4中，根据待处理像素i与搜索域内每个像素点的比率距离及其对应的高斯核滤波参数h_i，计算待处理像素i的归一化系数z(i)，其计算公式为：

则像素j相对于中心像素i的权值w_ij的计算公式为：

且权重w_ij还满足以下条件：

进一步地，所述采用搜索域内像素相对于待处理像素i的权重w_ij，对待处理像素i进行自适应非局部均值滤波处理，其计算公式为：

其中，x′_i表示像素i经过自适应非局部均值滤波之后的灰度值，Ω表示搜索域，x_j为搜索域内的像素j的灰度值，w_ij表示像素j相对于待处理像素i的权值。

与现有技术相比，本发明的有益效果为：

本发明是基于NLM算法基础上的一种改进的算法。在对SAR图像进行相干斑抑制时，通过计算两个图像子块的最大比率距离代替传统NLM算法中的欧式距离进行图像子块相似性的衡量；并使用一个二值加权矩阵剔除差异较大的像素点，减小了其对相似性计算的干扰；另外还利用搜索域内像素的波动程度合理地选取高斯核函数滤波参数。与传统的标准NLM算法相比，解决了其在对SAR图像进行相干斑抑制时会出现滤波效果不稳定，算法鲁棒性低的问题。

附图说明

下面结合附图和具体实施例对本发明做进一步详细说明。

图1是本发明的实现过程流程图；

图2是本发明实施例中的一幅人工合成的图像；

图3是本发明实施例中图像像素i，j，k所在邻域的像素灰度值分布图；其中，(a)为像素i邻域分布图，(b)为像素j邻域分布图，(c)为像素k邻域分布图；

图4为本发明实施例中的搜索窗、邻域窗和相似度量示意图；其中，(a)为搜索窗和邻域窗示意图，(b)为相似度量示意图；

图5为本发明实施例中仿真实验1的结果图；其中，(a)为一幅模拟合成的图像，(b)为添加视数L＝4的相干斑噪声图像，(c)为模拟图像下Gamma-Map滤波结果图，(d)为模拟图像下NLM算法滤波结果图，(e)为模拟图像下SAR-BM3D滤波结果图，(f)为模拟图像下本发明提出的算法滤波结果图；

图6为本发明实施例中仿真实验2的结果图；其中，(a)为一幅真实的SAR图像，(b)为真实SAR图像下Gamma-Map滤波结果图，(c)为真实SAR图像下NLM算法滤波结果图，(d)为真实SAR图像下SAR-BM3D滤波结果图，(e)为真实SAR图像下本发明提出的算法滤波结果图。

具体实施方式

下面将结合实施例对本发明的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。

参考图1，本发明提供的基于非局部均值算法的SAR图像相干斑抑制方法，按照以下步骤实施：

步骤1，输入待处理SAR图像，读取待处理SAR图像的灰度数据集；设置待处理SAR图像的邻域块大小为N×N，搜索域Ω大小为M×M，灰度差阈值为ts；N＜M；

图2为一幅人工合成的图像，上半边图像块的灰度值为200，下半边图像块的灰度值为50，并在该图像上添加了视数为4的乘性噪声。图3中(a)、(b)、(c)分别表示像素i，j，k所在邻域的像素灰度值分布情况，像素i位于图像的边界位置，而像素j和像素k均位于像素i的搜索域内。虽然中心像素i和j属于同一灰度区域，但是由于像素i所在的邻域内含有两类像素，使得不论是像素j所在的邻域块还是像素k所在的邻域块都具有与其较大差异的灰度值分布。因此，和像素i一样位于边界处的像素点，由于其邻域块内含有两种不同类型的像素，使用邻域内的所有像素灰度值进行相似性计算会得到不精确的结果，应该在计算之前将邻域块内与中心像素差别较大的像素点剔除掉再进行相似性计算。

步骤2，选取待处理SAR图像中的一个像素点i作为待处理像素，采用二值加权函数剔除待处理像素邻域块内与其灰度差别大的像素点，得到待处理像素i的自适应二值权值矩阵T_i；

图3(a)为NLM算法的搜索窗和邻域窗示意图，图3(b)为一幅待去噪的图像，首先将邻域图像块的大小设置为N，Ω表示窗口为M×M的搜索域，为了使待估计像素点位于邻域图像块的中心，N一般取奇数，假设待估计的像素点为p，q₁和q₂为搜索域内的两个像素点，然后分别以这三个像素点为中心，选取N×N大小的图像子块作为各自的邻域块，计算q₁和q₂的邻域块与待估计像素点p的邻域块之间的欧式距离，根据计算结果得到各自对应的权值。为了剔除邻域块内与中心像素差别较大的像素点，采用一个二值加权函数：

其中，x_i表示中心像素i的灰度值，ts为灰度差的阈值。T_i＝{t_il，l∈N_i}表示中心像素i的二值加权矩阵，由上式可以看出，邻域内与中心像素i的灰度差值小于ts的像素点对应的权值为1，即该像素点正常参与相似性的计算，而邻域块N_i内与中心像素i的灰度差值大于ts的像素点对应的权值为0，即该像素点不再参与相似性的计算，这样对于位于边界处的像素点，可以避免其邻域块内差异较大的像素点对计算相似性的干扰。

步骤3，对于搜索域内的任一像素点j，j∈Ω，根据待处理像素i的自适应二值权值矩阵T_i，计算待处理像素i与搜索域内每个像素点的比率距离，进而得到待处理像素i的高斯核函数滤波参数h_i；

具体地，像素i的邻域块与像素j的邻域块之间的比率距离d″_ij可以定义为：

其中，T_i＝{t_il，l∈N_i}表示中心像素i的二值加权矩阵，定义函数Ξ(t)＝max(t，1/t)。

为了不增加计算的复杂度，本发明利用搜索域内像素的波动程度，为每一个中心像素选择一个h值，具体计算公式为：

其中，h_i表示中心像素i的高斯核函数滤波参数，上式表明计算搜索域内的所有像素与中心像素邻域块之间的最大比率距离，然后取中值作为中心像素的高斯核函数滤波参数。

步骤4，根据待处理像素i与搜索域内每个像素点的比率距离及其对应的高斯核滤波参数h_i，计算待处理像素i的归一化系数z(i)；采用待处理像素i的归一化系数z(i)对搜索域内像素点进行归一化，得到对应的权重w_ij；

根据像素i的邻域块与像素j的邻域块之间的比率距离d″_ij，，高斯核滤波参数h_i，计算归一化系数z(i)，其表达式为：

w_ij表示像素j相对于中心像素i的权值。计算的表达式为：

权重w_ij还满足以下条件：

步骤4：采用搜索域内像素相对于待处理像素i的权重w_ij，对待处理像素i进行自适应非局部均值滤波处理，得到待处理像素i滤波后的像素灰度值x′_i；

具体来说，设有图像X＝{x₁，x₂，...，x_n}，其中x_i为像素i的灰度值，N_i表示以像素点i为中心，大小为N×N的图像子块，将其简称为像素i的邻域子块或者邻域块，然后将通过计算的搜索域内所有像素点的加权平均来估计像素i，表达式如下：

其中，x′_i表示像素i经过NLM算法滤波之后的灰度值，Ω表示窗口为M×M的搜索域，x_j为搜索域内的像素j的灰度值，w_ij表示像素j相对于中心像素i的权值，即上述步骤4所求得的权值。

步骤6，对待处理SAR图像中的所有像素点分别进行步骤2～5，得到滤波后的SAR图像，即完成对输入图像的相干斑抑制。

仿真实验

为了证明本发明的有效性，采用模拟图像和真实SAR图像进行相干斑抑制实验。

仿真实验1，对模拟图像通过峰值信噪比(PSNR)、边缘保持指数(EPI)和等效视数(ENL)三种客观指标来说明所提算法的有效性。

(1)仿真参数：需要通过计算得到PSNR，EPI和ENL三个指标的具体数值，三者的计算公式如下：

其中，MN为图像像素点的个数，X(i，j)表示图像X不含噪声的像素点，

表示滤波后的像素点，X_s(i，j)表示受噪声污染的图像像素点，μ表示滤波后图像的均值，σ表示滤波后的图像标准差。若图像为强度图像，则Γ取值为1；若图像为幅度图像，则Γ取值为4/π-1。

(2)仿真内容：

仿真实验1，在上述仿真参数下，可以得出模拟图像的PSNR，EPI和ENL三个指标的具体数值，如下表所示：

表1模拟图像滤波评价表

上述表格中，峰值信噪比(PSNR)越大，滤波效果越好；边缘保持指数(EPI)越大，边缘保持能力越强；等效视数(ELN)越大，图像的平滑程度越高。

图5(a)为一幅合成的图像，(b)为添加了视数L＝4的相干斑噪声的合成图像，(c)～(f)分别是Gamma-Map算法、NLM算法、SAR-BM3D算法和本章算法的滤波结果。通过对比可以发现，本发明提出的算法和SAR-BM3D(三维块匹配)算法的滤波效果比较优异，NLM算法的滤波效果也优于Gamma-Map算法，对比PSNR、EPI和ENL三个指标，说明本发明算法具有突出的相干斑抑制能力，边缘保持能力方面也能得到令人满意的结果，纹理保持能力仅次于SAR-BM3D算法。

仿真实验2，对真实的SAR图像通过边缘保持指数(EPI)和等效视数(ENL)两种客观指标来说明所提算法的有效性。

(1)仿真参数：仿真参数和公式同仿真实验1.

(2)仿真内容：在上述仿真参数下，可以得出真实的SAR图像的EPI和ENL两个指标的具体数值，如下表所示：

表2真实SAR图像滤波评价表

同样，在上述表格中，边缘保持指数(EPI)越大，边缘保持能力越强；等效视数(ELN)越大，图像的平滑程度越高。

图6(a)为一幅真实的SAR图像，(b)～(e)分别是Gamma-Map算法、NLM算法、SAR-BM3D算法和本章算法的滤波结果。根据对比可以看出，各算法都具有一定的相干斑抑制能力和边缘保持能力，但是Gamma-Map算法滤波结果并不理想；NLM算法相对于Gamma-Map算法具有很好的相干斑抑制能力，同样其滤波效果仍有提升的空间；而SAR-BM3D算法和本发明所提算法均具有优异的滤波效果，且本发明算法的滤波效果更好。虽然本发明算法处理结果中纹理细节的保持能力不如SAR-BM3D算法，但是其边缘保持能力较好，这也说明通过剔除邻域内与中心像素差异较大的像素点，能够减少其在相似度量计算时的干扰。

虽然，本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (7)

1.基于非局部均值算法的SAR图像相干斑抑制方法，其特征在于，包括以下步骤：

步骤1，输入待处理SAR图像，读取待处理SAR图像的灰度数据集；设置待处理SAR图像的邻域块大小为N×N，搜索域Ω大小为M×M，灰度差阈值为ts；N＜M；

步骤2，选取待处理SAR图像中的一个像素点i作为待处理像素，采用二值加权函数剔除待处理像素邻域块内与其灰度差别大的像素点，得到待处理像素i的自适应二值权值矩阵T_i；

步骤3，对于搜索域内的任一像素点j，j∈Ω，根据待处理像素i的自适应二值权值矩阵T_i，计算待处理像素i与搜索域内每个像素点的比率距离，进而得到待处理像素i的高斯核函数滤波参数h_i；

步骤4，根据待处理像素i与搜索域内每个像素点的比率距离及其对应的高斯核滤波参数h_i，计算待处理像素i的归一化系数z(i)；采用待处理像素i的归一化系数z(i)对搜索域内像素点进行归一化，得到对应的权重w_ij；

步骤5，采用搜索域内像素相对于待处理像素i的权重w_ij，对待处理像素i进行自适应非局部均值滤波处理，得到待处理像素i滤波后的像素灰度值x′_i；

步骤6，对待处理SAR图像中的所有像素点分别进行步骤2～5，得到滤波后的SAR图像，即完成对输入图像的相干斑抑制。

2.根据权利要求1所述的基于非局部均值算法的SAR图像相干斑抑制方法，其特征在于，N为奇数。

3.根据权利要求1所述的基于非局部均值算法的SAR图像相干斑抑制方法，其特征在于，所述采用二值加权函数剔除待处理像素邻域块内与其灰度差别大的像素点，具体为：采用一个二值加权函数：

其中，x_i表示待处理像素i的灰度值，x_l表示以像素i为中心的邻域内的一个像素点的灰度值；

则待处理像素i的自适应二值权值矩阵T_i的表达式为：T_i＝{t_il，l∈N_i}

其中，N_i表示中心像素i的邻域块。

4.根据权利要求1所述的基于非局部均值算法的SAR图像相干斑抑制方法，其特征在于，所述根据待处理像素i的自适应二值权值矩阵T_i，计算待处理像素i与搜索域内每个像素点的比率距离，具体为：

(a)计算待处理像素i的邻域块与搜索域内像素点j的邻域块之间的比率距离d″_ij：

其中，T_i表示待处理像素i的自适应二值权值矩阵，定义函数Ξ(t)＝max(t，1/t)，Y_i表示以像素i为中心的图像块，Y_j表示以像素j为中心的图像块，./表示点除，

表示高斯加权欧式距离，α代表高斯核的标准差；

(b)对搜索域内的其余像素点，按照步骤(a)计算其与待处理像素i的比率距离。

5.根据权利要求2所述的基于非局部均值算法的SAR图像相干斑抑制方法，其特征在于，所述待处理像素i的高斯核函数滤波参数h_i的获取过程为：对搜索域内的所有像素与中心像素邻域块之间的比率距离按照从大到小进行排序，然后取位于中间位置的值即中值作为待处理像素i的高斯核函数滤波参数。

6.根据权利要求1所述的基于非局部均值算法的SAR图像相干斑抑制方法，其特征在于，步骤4中，根据待处理像素i与搜索域内每个像素点的比率距离及其对应的高斯核滤波参数h_i，计算待处理像素i的归一化系数z(i)，其计算公式为：

则像素j相对于中心像素i的权值w_ij的计算公式为：

且权重w_ij满足以下条件：

其中，d″_ij表示待处理像素i的邻域块与搜索域内像素点j的邻域块之间的比率距离。

7.根据权利要求1所述的基于非局部均值算法的SAR图像相干斑抑制方法，其特征在于，所述采用搜索域内像素相对于待处理像素i的权重w_ij，对待处理像素i进行自适应非局部均值滤波处理，其计算公式为：

其中，x′_i表示像素i经过自适应非局部均值滤波之后的灰度值，Ω表示搜索域，x_j为搜索域内的像素j的灰度值，w_ij表示像素j相对于待处理像素i的权值。

Images