專利名稱：基于小波域中字典學(xué)習(xí)的sar圖像相干斑抑制方法
基于小波域中字典學(xué)習(xí)的SAR圖像相干斑抑制方法技術(shù)領(lǐng)域
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種SAR圖像相干斑抑制的方法，可用于SAR 圖像的解譯分析和圖像理解預(yù)處理。
背景技術(shù)：
SAR圖像在軍用和民用領(lǐng)域有著非常廣泛的應(yīng)用。但是在SAR的成像過程中，由于散射體回波的相干作用，使圖像不能真實的反應(yīng)地物目標的散射特性，這種干涉現(xiàn)象在SAR 圖像中稱為相干斑。相干斑的存在嚴重影響著對圖像的自動解譯和目標識別，降低了圖像分割、目標提取的有效性與準確性。因此有效地抑制相干斑對SAR圖像的后續(xù)處理非常重要。
空域濾波是進行SAR圖像抑斑的一類主要方法，其主要思想是基于SAR圖像相干斑噪聲的統(tǒng)計特性，通過在圖像上取一個滑動窗口對圖像進行濾波處理。其代表方法有Lee 濾波，F(xiàn)rost濾波，Gamma MAP濾波方法。這些方法在抑斑的同時較難保持圖像的邊緣和紋理細節(jié)。頻域濾波主要是將圖像先經(jīng)過頻域變換，然后再進行處理。典型的有對圖像進行小波變換，對小波系數(shù)進行閾值收縮處理后重建圖像。但這種方法對圖像細節(jié)的表示不夠精確，圖像中容易出現(xiàn)“振鈴”現(xiàn)象，從而對后續(xù)的解譯分析帶來不便。
近年來，基于稀疏表示和字典學(xué)習(xí)的方法在眾多領(lǐng)域取得了廣泛的應(yīng)用。設(shè)定一個過完備字典D e RnXK，其中字典D的每一列·^&表示一個字典原子，信號y e Rn可以表示少數(shù)字典原子…的線性組合。信號的稀疏表示模型可以描述為4 = argmam||i4 s. t.Da y。其中α是信號y在字典D下的稀疏表示系數(shù)。| | a | Itl表示向量α的非零個數(shù)，有I I a I IciS< η。在該過程中，一個重要問題是對字典D的選擇，D可通過兩個方面得到解析法和基于學(xué)習(xí)的方法。在解析法中，設(shè)定數(shù)據(jù)遵從特定的數(shù)學(xué)模型，基于該模型推導(dǎo)解的有效形式來表示信號。該方法通過一定的算法來描述其理念，沒有明確的字典形式，所以被稱為為隱式字典法。這種方法包括小波分析及由小波發(fā)展而來的眾多多尺度分析，如CurveletContourlet，Directionlet等?；趯W(xué)習(xí)的方法主要思路是根據(jù)機器學(xué)習(xí)理論，從樣本中訓(xùn)練一個字典矩陣。這種方法可以得到一個顯式的字典模型，故稱為顯式字典法。
基于小波閾值處理的方法正是隱式字典法的應(yīng)用，其處理后的圖像細節(jié)信息不夠完整，圖像中劃痕效應(yīng)比較明顯；與此同時，顯式字典法在SAR圖像抑斑上的研究還處于起步階段。S. Foucher應(yīng)用稀疏冗余表示對SAR圖像相干斑抑制做了初步的嘗試，他先對圖像進行對數(shù)變換，然后通過修正目標函數(shù)來重建圖像。對數(shù)變換使得處理后的圖像輻射度出現(xiàn)一定的失真，邊緣也出現(xiàn)了一定的模糊。發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于小波域中字典學(xué)習(xí)的SAR圖像相干斑抑制方法，將隱式字典法和顯式字典法有效地結(jié)合以保持圖像的邊緣清晰度，提高SAR圖像的降斑質(zhì)量。
實現(xiàn)本發(fā)明目的的技術(shù)方案是首先利用方差圖方法把待降斑的SAR圖像Y分割為平滑區(qū)域像素集Yi2s和邊緣區(qū)域像素集ΥΩΕ，得到平滑標記矩陣Sy和邊緣標記矩陣& ； 對待降斑的SAR圖像Y進行N層平穩(wěn)小波變換SWT，得到不同尺度上不同方向的子帶圖像 ffY(s), s = 1,2,…，3N+1 ；基于近似KSVD算法，得到每個子帶圖像Wy(S)的學(xué)習(xí)字典D' s 和稀疏表示矩陣Λ' s，根據(jù)得到的學(xué)習(xí)字典D' 3和稀疏表示矩陣Λ' 3得到重構(gòu)的子帶圖像；利用邊緣標記矩陣&得到子帶圖像Wy(S)的邊緣區(qū)域，替換重構(gòu)子帶圖像巧(力中的邊緣區(qū)域，得到修正的子帶圖像W' Y(s)；最后對修正的子帶圖像W' Y(s)進行逆平穩(wěn)小波變換ISWT得到去斑后的圖像R。具體步驟包括如下
(1)利用方差圖方法把待降斑的SAR圖像Y分割為平滑區(qū)域像素集Yi2s和邊緣區(qū)域像素集ΥΩΕ，得到平滑標記矩陣Sy和邊緣標記矩陣& ；
(2)對待降斑的SAR圖像Y進行N層平穩(wěn)小波變換SWT，得到不同尺度上不同方向的子帶圖像WY(s)，s = 1，2，…，3N+1;
C3)對待降斑的SAR圖像Y采用非對數(shù)加性噪聲模型，采用零均值的局部高斯分布對子帶圖像WY(s)，s = 1,2,…，3N+1中的加性噪聲建模；
(4)基于近似KSVD算法，得到每個子帶圖像Wy(S)的學(xué)習(xí)字典D' s和稀疏表示矩陣 Λ ‘ s, s = 1,2, ...，3N+1
(4a)將子帶圖像Wy(S)，s = 1,2,…，3N+1分解為重疊的圖像塊Wy，將每個圖像塊 Wy拉成列向量W' y，每個列向量W',滿足加性噪聲模型，即w' y = w' X+W' n，其中W' x 為該列向量W' y中需要恢復(fù)的真實信號，W' 為滿足高斯分布的加性噪聲，所有的列向量 W',構(gòu)成矩陣X;
(4b)選擇初始字典Dtl為離散余弦變換DCT字典，其中Dtl的每一列(Ii稱為一個字典原子，當(dāng)列向量W' y = ff' x+ff' n中的加性噪聲W' n為高斯分布時，按如下公式應(yīng)用正交匹配追蹤算法實現(xiàn)對真實信號W' x的編碼，得到W' x^D0a
a = arg rnin - D0af2 + μ ||α||ο,
其中α是真實信號W' χ在初始字典Dtl下的稀疏表示向量， 為迭代后的最終稀疏表示向量，I I α I Io代表向量α的非零個數(shù)，μ與噪聲標準差cVn有關(guān)，對矩陣X中所有的列向量進行該操作，得到子帶圖像Wy(S)的初始稀疏表示矩陣Λ ；
(4c)對初始字典Dtl中所有原子dpi = 1，2，3... L，L為字典Dtl中的原子數(shù)目，進行原子更新
首先，從矩陣X中提取出應(yīng)用原子Cli的信號子矩陣&及其對應(yīng)的稀疏表示系數(shù)子矩陣A1，此時信號子矩陣&與字典Dtl和稀疏表示系數(shù)子矩陣A1之間的關(guān)系為 Xi^D0A1;
其次，將稀疏表示系數(shù)子矩陣A1中的第i行元素置為零得到&，計算此時信號子矩陣&與之間的殘差E1,盡=X1-D0A1 ；
通過將殘差E1最小化，即min|；^ -D0AjIJ，得到更新后的字典原子d
d = E1Q / I IeiQ Il2,
其中0工是α的轉(zhuǎn)置向量，得到更新后的字典原子d之后，將對應(yīng)的稀疏表示系數(shù)更新為《'=埒么其中硿是E1的轉(zhuǎn)置矩陣；
對所有字典原子重復(fù)進行該步驟，得到該子帶圖像％(8)的學(xué)習(xí)字典D'和稀疏表示系數(shù)矩陣Λ‘；
(4d)重復(fù)進行步驟Ga)-(4c)，得到每個子帶圖像Wy(S)的一個學(xué)習(xí)字典D' 3和稀疏表示矩陣Λ' s, S= 1,2,…，3N+1，其中N為平穩(wěn)小波變換SWT的分解層數(shù)。
(5)利用每個子帶圖像Wy(S)的學(xué)習(xí)字典D' 3和稀疏表示矩陣Λ' s，得到重構(gòu)的每個子帶圖像巧(X)，S = 1，2，…，3N+1;
(6)利用重構(gòu)子帶圖像巧㈨的平滑像素矩陣與子帶圖像Wy(S)的邊緣像素矩陣得到修正的子帶圖像W' Y(s)，s=l，2，…，3N+1;
(7)對修正的子帶圖像W' Y(S)，s = 1,2,…，3N+1，進行逆平穩(wěn)小波變換ISWT， 得到去斑后的圖像R。
本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點
(1)本發(fā)明是小波變換和字典學(xué)習(xí)方法的有效結(jié)合，小波變換能保證SAR圖像中的點目標得到較好的保留，字典學(xué)習(xí)方法能使平滑區(qū)域的相干斑噪聲得到有效的抑制。
(2)本發(fā)明由于在抑斑之前先對原始SAR圖像進行方差圖分割，得到邊緣標記矩陣，利用邊緣標記矩陣保留重構(gòu)的子帶圖像的邊緣區(qū)域，能使去斑后的圖像邊緣細節(jié)得到較好的保持。
(3)本發(fā)明由于對每個子帶圖像進行字典學(xué)習(xí)時采用了冗余訓(xùn)練，利用子帶圖像的冗余信息，能夠?qū)AR圖像紋理區(qū)域的方向性細節(jié)信息進行提取，從而保證了圖像紋理信息的完整性。
仿真結(jié)果表明，本發(fā)明對SAR圖像的相干斑抑制能得到比現(xiàn)有技術(shù)更好的效果。


圖1是本發(fā)明的流程圖2是測試圖像Field;
圖3是用本發(fā)明與已有方法對圖2的相干斑抑制效果對比圖4是測試圖像Horsetrack ；
圖5是用本發(fā)明與已有方法對圖4的相干斑抑制效果對比圖。
具體實施方式
參照圖1，本發(fā)明的具體實施過程如下
步驟1.輸入待降斑的SAR圖像Y，利用方差圖方法，將圖像Y分割為平滑區(qū)域像素集Yi2s和邊緣區(qū)域像素集ΥΩΕ，得到平滑標記矩陣Sy和邊緣標記矩陣&。
(Ia)令待降斑的SAR圖像Y的像素表示為y(i，j)，定義方差圖的每個像素為
vOJ)= Σ bo'，·/')—少0，《)]2，m,nGlV
其中W為選擇的中心坐標為(i，j)的局部方形窗，m，n是局部方形窗的坐標，選擇窗口的大小為7X7，m，η的取值分別為_3彡m彡3，-3彡η彡3 ；
(Ib)若方差圖的像素V(i，j)滿足V(i，j)/o2< (l+δ)，則將原圖像Y中的對應(yīng)像素y (i，j)歸類為平滑像素點，若方差圖的像素ν (i，j)滿足v(i，j) / σ 2彡(1+ δ)，則將原圖像Y中的對應(yīng)像素y(i，j)歸類為邊緣像素點，其中δ為選擇的適應(yīng)性因子，σ為噪聲標準差，σ = median (| Wy | -median (Wy) ) /0. 6745，其中Wy表示原始SAR圖像Y經(jīng)過小波分解之后的高頻子帶系數(shù)，median為取中值操作；
(Ic)對原圖像Y中的所有像素點按照步驟(Ib)進行歸類，將所有歸類為平滑像素的像素點y(i，j)組成平滑區(qū)域像素集Yfls，將所有歸類為邊緣像素的邊緣像素點y(i，j) 組成邊緣區(qū)域像素集ΥΩΕ;
(Id)令SY為平滑標記矩陣，&為邊緣標記矩陣，若原圖像Y中的像素點y(i，j)屬于平滑區(qū)域像素集Yfls，即y(i，j) GYi2s，則令SY(i，j) = l,EY(i, j) =0，若原圖像Y中的像素點y(i，j)屬于平滑區(qū)域像素集Yfls，即y(i，j) e ΥΩΕ，則令EY(i，j) = 1，Sy(i, j) =0，對原圖像￥中的所有像素點7(1，j)判斷之后，得到平滑標記矩陣Sy和邊緣標記矩陣Εγ O
步驟2.對待降斑的SAR圖像Y進行N層平穩(wěn)小波變換SWT，得到不同尺度上不同方向的子帶圖像WY(s)，s = 1，2，…，3N+1。
在進行平穩(wěn)小波變換時，采用“db4”小波基函數(shù)，對大小為256X256的測試圖像選擇的分解層數(shù)N為2 3。由于分解后的每層高頻子帶共有水平、垂直和對角三個方向子帶，再加上一個低頻近似子帶，這樣經(jīng)過N層分解之后共生成3N+1個小波子帶圖像Wy(S)， s = 1,2, ".，3N+1。
步驟3.對待降斑的SAR圖像Y采用非對數(shù)加性噪聲模型，采用零均值的局部高斯分布對子帶圖像Wy(S)中的加性噪聲建模。
(3a)對SAR圖像Y應(yīng)用非對數(shù)加性噪聲模型，將SAR圖像Y的乘性噪聲轉(zhuǎn)換為加性噪聲，即
Y = ZF = Z+Z (F-I) = Z+N,
其中Z為真實的雷達后向散射強度，F(xiàn)為乘性相干斑噪聲，在非對數(shù)加性噪聲模型中，N = Z(F-I)為與真實信號Z相關(guān)的噪聲；
(3b)將子帶圖像Wy(S)，s = 1,2,…，3N+1分解為大小為的重疊圖像塊， 令每個圖像塊表示為wy，根據(jù)小波變換的線性性質(zhì)，將每個圖像塊表示為Wy = Wx+Wn，其中Wx 為該圖像塊Wy中需要恢復(fù)的真實信號，Wn為該圖像塊Wy中的加性噪聲；
(3c)假設(shè)每個圖像塊均為一個平穩(wěn)區(qū)域，即該區(qū)域中的真實信號Wx為一個常數(shù)， 采用零均值的高斯分布對噪聲系數(shù)Wn進行建模，即
權(quán)利要求
1. 一種基于小波域中字典學(xué)習(xí)的SAR圖像相干斑抑制方法，包括以下步驟(1)利用方差圖方法把待降斑的SAR圖像Y分割為平滑區(qū)域像素集Yi2s和邊緣區(qū)域像素集ΥΩΕ，得到平滑標記矩陣Sy和邊緣標記矩陣& ；(2)對待降斑的SAR圖像Y進行N層平穩(wěn)小波變換SWT，得到不同尺度上不同方向的子帶圖像 WY(s)，s = 1,2,…，3N+1 ；(3)對待降斑的SAR圖像Y采用非對數(shù)加性噪聲模型，采用零均值的局部高斯分布對子帶圖像WY(s)，s = 1,2,…，3N+1中的加性噪聲建模；(4)基于近似KSVD算法，得到每個子帶圖像Wy(S)的學(xué)習(xí)字典D'3和稀疏表示矩陣 A' s(4a)將子帶圖像WY(s)，s = 1,2,…，3N+1分解為重疊的圖像塊Wy，將每個圖像塊Wy 拉成列向量W' y，每個列向量W',滿足加性噪聲模型，即W' y = ff' +V' n，其中W' x 為該列向量W' y中需要恢復(fù)的真實信號，W' 為滿足高斯分布的加性噪聲，所有的列向量 W',構(gòu)成矩陣X;(4b)選擇初始字典Dtl為離散余弦變換DCT字典，其中Dtl的每一列Cli稱為一個字典原子，當(dāng)列向量W' y = ff' x+ff' n中的加性噪聲W' n為高斯分布時，按如下公式應(yīng)用正交匹配追蹤算法實現(xiàn)對真實信號W' x的編碼，得到W' x^D0a
2.根據(jù)權(quán)利要求1所述的基于小波域中字典學(xué)習(xí)的SAR圖像相干斑抑制方法，其中步驟(1)所述的利用方差圖方法把待降斑的SAR圖像Y分割為平滑區(qū)域像素集Yi2s和邊緣區(qū)域像素集ΥΩΕ，得到平滑標記矩陣Sy和邊緣標記矩陣&，按如下步驟進行(Ia)令y(i，j)表示待降斑SAR圖像Y的每個像素，定義方差圖的每個像素為
3.根據(jù)權(quán)利要求1所述的基于小波域中字典學(xué)習(xí)的SAR圖像相干斑抑制方法，其中步驟C3)所述的對SAR圖像Y應(yīng)用非對數(shù)加性噪聲模型，采用零均值的局部高斯分布對子帶圖像Wy(S)中的加性噪聲建模，按如下步驟進行(3a)對SAR圖像Y應(yīng)用非對數(shù)加性噪聲模型，將SAR圖像Y的乘性噪聲轉(zhuǎn)化為加性噪聲，即Y = ZF = Z+Z (F-I) = Z+N,其中Z為真實的雷達后向散射強度，F(xiàn)為乘性相干斑噪聲，N = Z(F-I)為與真實信號Z 相關(guān)的加性噪聲；(3b)將子帶圖像Wy(S)，s = 1,2,…，3N+1分解為大小為V^x的重疊圖像塊，令每個圖像塊表示為Wy，根據(jù)小波變換的線性性質(zhì)，將每個圖像塊表示為Wy = Wx+Wn，其中Wx為該圖像塊Wy中需要恢復(fù)的真實信號，Wn為該圖像塊Wy中的加性噪聲； (3c)選取零均值的高斯分布對噪聲Wn進行建模，其表達式如下
4.根據(jù)權(quán)利要求1所述的基于小波域中字典學(xué)習(xí)的SAR圖像相干斑抑制方法，其中步驟(5)所述的利用每個子帶圖像Wy(S)的稀疏表示系數(shù)Λ ‘ s和學(xué)習(xí)字典D' 3得到重構(gòu)的每個子帶圖像巧⑷，s = 1,2,…，3N+1，按如下步驟進行(5a)利用每個子帶圖像Wy(S)的稀疏表示系數(shù)Λ' s和學(xué)習(xí)字典D' s，得到估計的矩陣 X'S = D' SA' s；(5b)將上述X' s中的每一個列向量χ反變換為大小為V^xV^的圖像塊x'，放回到原子帶圖像初始分割的位置處，即χ' = RijX，其中Rij代表抽取矩陣，將抽取的圖像塊放置到原子帶圖像初始分割時的位置處；(5c)對每個像素點處的多個估計值進行平均，得到重構(gòu)的子帶圖像巧(》。
5.根據(jù)權(quán)利要求1所述的基于小波域中字典學(xué)習(xí)的SAR圖像相干斑抑制方法，其中步驟(6)，按如下步驟進行(6a)將重構(gòu)的子帶圖像巧⑷與平滑標記矩陣Sy進行點乘，得到重構(gòu)子帶圖像R㈨的平滑像素矩陣Wsp (S)；(6b)將步驟( 小波分解的子帶圖像Wy(S)與邊緣標記矩陣&進行點乘，得到子帶圖 ft WY(s)的邊緣像素矩陣Wep (s)；(6c)將平滑像素矩陣Wsp(S)與邊緣像素矩陣Wep(S)相加，得到修正的子帶圖像 W' Y(S) = Wsp (s)+Wep (S)。
全文摘要
本發(fā)明公開了一種基于小波域中字典學(xué)習(xí)的SAR圖像相干斑抑制方法，主要解決現(xiàn)有技術(shù)去斑結(jié)果邊緣不夠清晰，同質(zhì)區(qū)域不夠平滑的問題。其實現(xiàn)過程為首先利用方差圖方法分割原始SAR圖像Y，得到平滑標記矩陣SY和邊緣標記矩陣EY；對原始SAR圖像Y進行N層平穩(wěn)小波變換，得到子帶圖像WY(s)；采用零均值高斯分布對WY(s)中的非對數(shù)加性噪聲建模；應(yīng)用近似KSVD算法得到每個子帶圖像WY(s)的學(xué)習(xí)字典D′s和稀疏表示矩陣Λ′s，并根據(jù)D′s和Λ′s得到重構(gòu)的子帶圖像利用邊緣標記矩陣EY得到子帶圖像WY(s)的邊緣區(qū)域，替換重構(gòu)子帶圖像中的邊緣區(qū)域，得到修正的子帶圖像W′Y(s)；對W′Y(s)進行逆平穩(wěn)小波變換得到去斑后的圖像。本發(fā)明具有去斑結(jié)果邊緣信息完整，同質(zhì)區(qū)域光滑的優(yōu)點，可用于SAR圖像理解的預(yù)處理過程。
文檔編號G06T7/00GK102496153SQ20111034631
公開日2012年6月13日 申請日期2011年11月4日 優(yōu)先權(quán)日2011年11月4日
發(fā)明者侯彪, 劉芳, 尚榮華, 焦李成, 王爽, 蔣繼光 申請人:西安電子科技大學(xué)