專利名稱：基于sar圖像局部統(tǒng)計特性的k-svd相干斑抑制方法
基于SAR圖像局部統(tǒng)計特性的K-SVD相干斑抑制方法技術領域
本發(fā)明屬于圖像處理技術領域，具體來說是一種基于SAR圖像局部統(tǒng)計特性的字典訓練K-SVD相干斑抑制方法，可用于土地資源監(jiān)測、自然災害分析、城市發(fā)展規(guī)劃等諸多領域的合成孔徑雷達SAR圖像分析。
背景技術：
相干斑噪聲是SAR圖像的固有特性，這些在SAR圖像中隨機散布的相干斑會與較小的地物目標摻雜在一起，嚴重影響圖像的質量，對SAR圖像的自動解譯造成很大困難。因此，在SAR圖像處理中，SAR圖像相干斑抑制成為關鍵，也是后續(xù)SAR圖像特征提取、分割、 識別等工作的基礎。相干斑抑制技術的目標就是在滿足輻射分辨率的同時如何保持必要的空間分辨力，所以在濾除斑點噪聲的同時，要保護紋理、邊緣等細節(jié)信息。故一個“好”的 SAR圖像抑斑方法要做到以下四點(1)有效去除均勻場景中的斑點噪聲；(2)保留圖像中邊緣和紋理特征；( 不產生偽吉布斯效應；(4)保持圖像的雷達輻射特性。
在前期的SAR成像處理中，多采用多視處理技術抑制相干斑噪聲，該技術雖然簡單，但卻是以犧牲圖像分辨率為代價的。因此，以各種濾波技術為基礎，對成像后的SAR圖像進行相干斑噪聲抑制已經成為高分辨率SAR圖像處理的主流。目前成像后的濾波技術可以分為空域濾波技術和變換域濾波技術。其中空域濾波方法包括增強Lee濾波、Frost濾波和Gamma Map濾波等，這些方法通常難以保持圖像的細節(jié)特征，會造成圖像邊緣和線性目標的模糊，濾波性能的好壞很大程度依賴于所選濾波窗口的大小。變換域方法主要有小波變換、平穩(wěn)小波變換、Bandelet變換、Curvelet變換和非下采樣Contourlet變換等。這些變換域濾波方法相比經典空域濾波方法來說，圖像的邊緣及線性目標的保持能力有了很大提高，但大都對變換域的系數(shù)做某種統(tǒng)計假設，這些假設是經驗性的，無理論依據。而且噪聲和圖像邊緣具有相似的頻率特性，即都是高頻信號，因此抑斑后的圖像在均勻區(qū)域和邊緣附近常會出現(xiàn)偽吉布斯效應。
目前，一種新興的“字典學習法”在圖像處理中得到了廣泛的研究和應用，其核心是字典的訓練過程，稱為K-SVD算法。此算法首先是由Aharon、Elad等人提出的。研究表明K-SVD方法不僅有效的抑制了加性高斯白噪聲，而且邊緣和紋理等重要信息都得到了較好的保留，尤其是對紋理圖像處理的結果更好。最重要的是此方法是一種主動學習過程， 具有很好的適應性。但是K-SVD算法是針對加性噪聲設計的，而SAR圖像的相干斑是乘性噪聲，直接將K-SVD算法應用于SAR圖像去斑會出現(xiàn)過平滑現(xiàn)象。為了克服這一缺點，很多學者都采用了對數(shù)變換的策略，即先對SAR圖像進行對數(shù)變換，將乘性噪聲模型轉變?yōu)榧有裕?然后再用K-SVD算法對log圖像進行去噪，最后進行逆變換即可得到抑斑后SAR圖像。但是 “Statistical Properties of Logarithmically Transformed Speckle，，一文指出，SAR 圖像經對數(shù)變換后，其噪聲不是零均值的，這導致圖像會出現(xiàn)抑斑前后均值相差較大，不能很好的保持原始SAR圖像的輻射特性。此外，這也不滿足K-SVD算法中噪聲是零均值加性高斯噪聲的要求。為此 Samuel Foucher 在“SAR Image Filtering via Learned Dictionariesand Sparse R印resentations”中，對K-SVD算法的目標函數(shù)進行了加權改進，改善了抑斑效果。但是此方法對視數(shù)較低的SAR圖像來說，由于斑點噪聲會影響字典的訓練，所以最終的結果仍存在大量的斑點噪聲，且邊緣會模糊。發(fā)明內容
本發(fā)明的目的在于克服上述已有的SAR圖像相干斑抑制技術的不足，提出了一種基于SAR圖像局部統(tǒng)計特性的K-SVD相干斑抑制方法，以有效的抑制SAR圖像的相干斑，較好的保持邊緣、紋理細節(jié)信息和圖像的輻射特性。
為實現(xiàn)上述目的，本發(fā)明的相干斑抑制方法，包括如下步驟
(1)對大小為的SAR圖像I進行重疊塊提取，并將其向量化，得到重疊塊向量集合;
權利要求
1. 一種基于SAR圖像局部統(tǒng)計特性的字典訓練K-SVD相干斑抑制方法，包括如下步驟(1)對大小為的SAR圖像I進行重疊塊提取，并將其向量化，得到重疊塊向量集合F = U^ii1，其中N是圖像I中所有的像素個數(shù)，Yi是一個重疊塊向量，M是重疊塊向量的個數(shù)；少/j γ其中任意一個訓練樣本；Ve [>^^，M'是訓練樣本數(shù)目，且滿足0< M' SM的正整數(shù)；(3)基于SAR圖像局部統(tǒng)計特性，根據冗余稀疏表示圖像噪聲抑制理論，得到相干斑抑制目標函數(shù)f1;{\M'y,'j丨對訓練字典D進行如下SAR_K-SVD字典訓練，得到最終的訓練字典D (4. 1)令i = l，k= 1，P= 1，其中i是訓練樣本y/的下標，k是字典D的第k列dk 的下標，P是迭代次數(shù)；(4.2)根據步驟(3)中的相干斑抑制目標函數(shù)，在保持訓練字典D不變的情況下，得到適用于SAR圖像的稀疏編碼目標函數(shù)f2 ；(4.3)對訓練樣本集合Y'的第i個訓練樣本y/進行如下SAR正交匹配追蹤SAR_0MP 稀疏編碼，得到W的稀疏編碼系數(shù)α i (4. 3a)令初始下標集合1° = 0，初始殘差r° = yi ‘，初始稀疏表示系數(shù)< =0,初始誤 r0差
2.根據權利要求1所述的基于SAR圖像局部統(tǒng)計特性的K-SVD相干斑抑制方法，其中步驟C3)所述的根據冗余稀疏表示圖像噪聲抑制理論，得到相干斑抑制目標函數(shù)按如下步驟獲得(3a)基于SAR圖像局部統(tǒng)計特性，得到SAR圖像的真實地物反射系數(shù)Xi的概率密度函數(shù)P (Xi)如下P(Xi) = C其中C是一個常數(shù)；(3b)基于SAR圖像局部統(tǒng)計特性，得到稀疏表示系數(shù)α i的概率密度函數(shù)ρ(α》如下ρ ( α J = exp (- λ I I α i I I)其中λ是一個常數(shù)，exp (-λ I IaJ I)是指數(shù)函數(shù)；(3c)將斑點噪聲Iii減去1后得到隨機變量Iii-I,基于SAR圖像局部統(tǒng)計特性，獲得隨機變量Iii-I的概率密度函數(shù)ρ (Iii-I)如下
3.根據權利要求1所述的基于SAR圖像局部統(tǒng)計特性的K-SVD相干斑抑制方法，其中所述步驟(4. 2)中的稀疏編碼目標函數(shù)f2表示如下
4.根據權利要求1所述的基于SAR圖像局部統(tǒng)計特性的K-SVD相干斑抑制方法，其中步驟(5)所述的根據冗余稀疏表示圖像噪聲抑制理論，得到相干斑抑制后圖像/，按如下步驟進行(5a)利用最終訓練字典力對所有的重疊塊向量集合^ = {yt G1進行SARJMP稀疏編碼， 得到稀疏編碼系數(shù)矩陣(5b)將步驟(5a)中得到的稀疏編碼系數(shù)矩陣 '代入重疊塊向量集合Y的估計式 γ = ，得到重疊塊向量集合Y的估計f ；(5c)按照如下公式對重疊塊向量集合Y的估計；f進行加權平均，獲得SAR圖像相干斑抑制后圖像
全文摘要
本發(fā)明公開了一種基于SAR圖像局部統(tǒng)計特性的K-SVD相干斑抑制方法，主要解決現(xiàn)有相干斑抑制方法中存在的邊緣和紋理等細節(jié)信息被模糊的問題。其實現(xiàn)過程是輸入一幅SAR圖像，對SAR圖像進行重疊塊提取操作，得到重疊塊向量集合；然后對重疊塊向量集合進行隨機抽樣，得到訓練樣本集合；對訓練樣本進行SAR_KSVD字典訓練，得到最終的訓練字典；在最終的訓練字典下對重疊塊向量集合進行SAR_OMP稀疏編碼，得到稀疏編碼系數(shù)；根據冗余稀疏表示圖像噪聲抑制理論，利用最終的訓練字典和稀疏編碼系數(shù)，得到相干斑抑制后圖像。本發(fā)明能夠有效地抑制同質區(qū)域的斑點噪聲，能很好的保持強反射點目標的亮度和邊緣紋理清晰，可用于土地資源監(jiān)測、自然災害分析等諸多領域的SAR圖像。
文檔編號G06T5/00GK102509263SQ20111031845
公開日2012年6月20日 申請日期2011年10月19日 優(yōu)先權日2011年10月19日
發(fā)明者侯彪, 公茂果, 劉芳, 孫慧芳, 張小華, 焦李成, 田小林 申請人:西安電子科技大學