專利名稱：：基于方向波域混合高斯模型的sar圖像噪聲抑制方法
技術領域：
：本發(fā)明屬于圖像處理領域，具體地涉及SAR圖像噪聲抑制方法，該方法可用于濾除SAR圖像中的相干斑噪聲。
背景技術：
：合成孔徑雷達(SyntheticApertureRadar,簡稱SAR)是一種能在各種天氣條件下獲得類似光學圖像的高分辨率圖像的全天候、全天時雷達。它的相干成像機理不可避免地會產生相干斑噪聲，使其圖像不能有效反映地物目標的散射特性。良好的斑點抑制方法要能夠在減少噪聲的同時盡可能保持SAR圖像中的細節(jié)信息，去噪后的SAR圖像在視覺效果和信息量方面都更有利于后續(xù)的計算機自動分析和理解。近年來，SAR圖像相干斑噪聲抑制技術飛速發(fā)展，可分為成像前多視平滑技術和成像后濾波技術兩大類，成像后處理技術中空域濾波和變換域方法得到了廣泛地研究。對于空域濾波方法，如Lee，Gamma-MAP等基于乘性斑點噪聲模型的自適應局部統(tǒng)計濾波方法得到了應用，這些濾波器算法的問題在于濾波窗口大小的選擇。均勻的區(qū)域需要較大的濾波器窗口來增強斑點抑制效果，但大的濾波器窗口同時會降低圖像的實際分辨率，造成圖像中邊緣和線狀目標的模糊，很在均勻區(qū)域的平滑和細節(jié)信息的保持之間兼顧。變換域方法如小波方法通過對其系數進行閾值分析處理或者是建立系數統(tǒng)計模型實現對SAR圖像噪聲的抑制，雖然能較好保持邊緣細節(jié)，但平滑能力有限。為了更好地挖掘如何更有效地表示SAR圖像，多尺度幾何分析是很好的思路，并且在這方面開展了許多富有成效的工作。孫強等人在文章統(tǒng)計先驗指導的非下采樣Contouriet變換域SAR圖像降斑中提出的降班方法取得了一定得成果，在邊緣保持和后向散射系數保持的性能上優(yōu)于以上幾種方法。FlorianLuisier等人在文章SURE-LETMultichannelImageDenoising:InterscaleOrthonormalWaveletThresholding中提出的去噪方法，在細節(jié)的保持上取得了較好的效果。但是現有的這些方法在細節(jié)的保持和去噪程度上不能達到比較好的平衡，為了達到更好的去噪效果的同時盡量地保持圖像的細節(jié)，需要提出新的方法。2005年由VladanVelisavljevic等人提出的Directionlet變換是一種新的多尺度幾何分析方法，它采用整數格變換，可分離濾波和臨界采樣結構設計，計算復雜度小，濾波器構造相對簡單，能夠提供SAR圖像更好的稀疏表示，而且能夠有效地捕捉SAR圖像中的各向異性特征。但是采用的陪集分解操作由于加入的零值太多，對分解后得到的系數進行模型的擬合帶來了困難。
發(fā)明內容本發(fā)明的目的在于克服上述已有技術的不足，提供一種基于Directionlet域混合高斯模型的SAR圖像噪聲抑制方法，使得圖像去噪和圖像細節(jié)的保持取得較好的平衡，以及對Directionlet分解系數進行較好的模型擬合，提高對SAR圖像的噪聲抑制的效果。實現本發(fā)明技術目的技術方案，包括如下步驟(1)對SAR圖像進行卡通紋理模型分解，選擇最優(yōu)的迭代次數，得到SAR圖像的卡通部分和紋理部分；(2)保持SAR圖像卡通部分不變，將紋理部分進行改進的Directionlet變換；(2a)選定SAR圖像紋理部分的變換方向和隊列方向，其斜率構成采樣矩陣M八-a262人其中，沿向量《的方向稱為紋理部分的變換方向，其斜率表示為5沿向量^/2的方向稱為紋理部分的隊列方向，其斜率表示為^=/fl2;(2b)對紋理部分進行MA采樣，得到ldet(M八)l個陪集，再對得到的陪集分別進行同樣的二次陪集分解，得到2ldet(MA)l個子陪集，將零點去除；(2c)對每個子陪集沿變換和隊列方向分別進行兩次和一次的一維正交小波變換，得到相應的高頻和低頻系數子帶，在低頻子帶的變換和隊列方向再分別進行兩次和一次一維正交小波變換，獲得14個高頻子帶和i個低頻子帶系數為ffycZ表示每個系數的坐標)；(3)對變換后得到的各陪集的高頻子帶系數進行混合高斯模型的擬合，并采用EM算法估計混合模型中的參數；(4)估計各陪集的高頻子帶系數的噪聲方差0"i。；(5)利用Bayes最小均方誤差估計法，計算各陪集的高頻子帶的無噪系數^V;(6)對無噪系數進行改進的Directionlet逆變換，得到去噪后的紋理部分；(7)將去噪后的紋理部分與保持不變的卡通部分相加，得到去噪后的SAR圖像。本發(fā)明與現有技術相比具有如下優(yōu)點1、本發(fā)明采用了卡通紋理模型對SAR圖像進行分解，因此能夠在有效地去除噪聲的同時也很好地保持了圖像細節(jié)等特征。大量的試驗證實，在SAR圖像去噪處理中，若直接將SAR圖像進行去噪的處理，很難兼顧均勻區(qū)域的平滑和細節(jié)信息的保持，因此需要行之有效的預處理工作來盡可能的達到兩者之間較好的平衡。在SAR圖像去噪中使用卡通紋理模型的優(yōu)點在于將卡通和紋理兩部分分開后，首先SAR圖像的一些細節(jié)信息可以保留在卡通部分，而不會像其它一些去噪方法被過于損失；其次對剩余紋理部分的噪聲也可以有針對性的去除；在仿真實驗中也發(fā)現，本發(fā)明提出首先對SAR圖像進行卡通紋理模型的分解，在此基礎上進行去噪處理得到的SAR圖像細節(jié)保留更多，圖像也更加清晰，同時也有效地提高了一些衡量去噪效果的指標。2、本發(fā)明改進的Direcctionlet變換方案對后續(xù)的模型擬合更有利。未改進的Direcctionlet變換在進行陪集分解時添加的零值的數目太多，如果直接將第一次分解得到的陪集進行后續(xù)的小波變換以及模型擬合，則會導致圖像曲線在零點處峰值過尖，無法進行擬合。為了排除這種干擾，必須將零點去除，本發(fā)明采用了二次陪集分解，即在得到的一次分解陪集的基礎上再進行一次陪集分解，然后找出二次陪集分解以后對應于原圖像中的像素，并提取出來，避免了過多的零值干擾，這樣就可以較好地進行模型擬合。仿真實驗結果表明本發(fā)明應用于幾幅SAR圖像的去噪，能夠得到更高的衡量去噪效果的指標和更好的視覺效果。圖1是本發(fā)明的主要操作過程示意圖2是用本發(fā)明與已有方法對測試圖像x波段等效視數是2的幅度SAR圖像256X256的去噪效果對比圖；圖3是用本發(fā)明與已有方法對測試圖像ku波段等效視數是4的強度SAR圖像256X256的去噪效果對比圖。具體實施例方式參照圖l，本發(fā)明的具體實現步驟如下步驟l:對SAR圖像進行卡通紋理模型分解，選擇最優(yōu)的迭代次數，得到SAR圖像的卡通部分和紋理部分，該卡通紋理模型的數學表達式為/(x,力^w(x，力+vO,力其中we5FC2)，由分片光滑的區(qū)域及清晰的邊緣構成，被視為SAR圖像的卡通部分，v就是剩余的紋理和噪聲，稱之為紋理部分。當veG，G是一個定義的Banach空間時，得到模型i^{f(w)=J]v"|+/L|v||"，/=w+v}其中EO)表示w的能量，通過在保證we5^;i2)，其能量泛函最小化時達到對圖像/的卡通紋理分解。經過多次試驗證明，一般最優(yōu)的迭代次數為50~60次。步驟2:保持SAR圖像卡通部分不變，將紋理部分進行改進的Directionlet變換；選定SAR圖像紋理部分的變換方向和隊列方向，其斜率構成采樣矩陣M,《."2~A《"2.其中，沿向量《的方向稱為紋理部分的變換方向，其斜率表示為。=4/^,沿向量^/2的方向稱為紋理部分的隊列方向，其斜率表示為^=Z2/a2;對紋理部分進行M八采樣，得到ldet(M八)l個陪集，再對得到的陪集再分別進行同樣的二次陪集分解，得到2ldetCM八)l個子陪集，將零點去除；對每個子陪集沿變換和隊列方向分別進行兩次和一次的一維正交小波變換，得到相應的高頻和低頻系數子帶，在低頻子帶的變換和隊列方向再分別進行兩次和一次一維正交小波變換，獲得14個高頻子帶和l個低頻子帶系數為^V(/，/)，Z,ycZ表示每個系數的坐標；步驟3:對變換后得到的各陪集的高頻子帶系數進行混合高斯模型的擬合，采用EM算法估計混合模型中的參數。假設fFz表示含有噪聲的Directionlet系數，則其混合概率密度函數可表示為-2>(^")=i其中；0S二AO為混合參數，滿足上式所示的關系；M非二一^Vexp(-斗)其中；7(f^l5^A:)為第^:個高斯分量的概率密度函數，均值為l，方差為《。步驟4:估計各陪集的高頻子帶系數的噪聲方差0"^^。這里采用一種啟發(fā)式的先驗估計形式來估計噪聲標準差o"w丑二med/aw(IW^—me^'aw(W;^))/0.6745其中，\\~表示含噪信號多尺度分解的高頻子帶系數。步驟5:利用Bayes最小均方誤差估計計算各陪集的高頻子帶的無噪系數^V。具體求解公式如下對于分解后的高頻系數0'，_/)，無噪Directionlet系數的貝葉斯估計表達式為<二在Directionlet系數的概率密度函數為混合高斯函數的前提下，基于最小均方誤差估計的系數7表示為/c=0,l°"w2.義則結合上述兩式，基于Bayes最小均方誤差估計的無噪Directionlet系數JFy為斤2斤2cr,_—一cr、,*=0,1"W義這里C"^是相對于隱狀態(tài)S的Directionlet噪聲系數W^的方差，0"^是估計的噪聲系數的方差。其中:薩^)二P靜,闊。步驟6:對濾波后的系數進行改進的Directionlet逆變換，得到去噪后的紋理部分。步驟7:將保持不變的卡通部分和去噪后的紋理部分相加從而得到去噪后的SAR圖像。本發(fā)明的效果通過以下仿真進一步說明。1、仿真條件采用了SAR圖像去噪中常用的x波段等效視數是2的幅度田野SAR圖像，此圖像是英國Bedfordshire地區(qū)，分辨率為3m，以及美國新墨西哥州Albuquerque地區(qū)，分辨率為lm，圖像大小為256x256、ku波段等效視數是4的強度SAR圖像，并且選取了具有代表性的5塊區(qū)域計算衡量去噪效果的指標。分別用Lee濾波，Gamma-MAP濾波，小波軟閾值，平穩(wěn)小波軟閾值，非下采樣輪廓波閾值法，本發(fā)明去噪方法進行去噪處理，其中Lee和Gamma-MAP濾波器均采用3x3大小的濾波窗口。本發(fā)明方法對256x256大小的SAR圖像使用了2層改進的Directionkt分解，同時選取2個變換方向，分別為45°和-45°方向，對應的采樣矩陣為—11——-ir，M2=—-11_i1—2、仿真結果分析對田野SAR圖像的仿真的結果如圖2,其中圖2(a)為田野SAR圖像，圖2(b)為使用增強Lee濾波方法去噪后的結果，圖2(c)為使用Gamma-MAP濾波方法去噪后的結果，圖2(d)為使用小波軟閾值方法去噪后的結果，圖2(e)為使用平穩(wěn)小波軟閾值方法去噪后的結果，圖2(f)為使用非下采樣輪廓波閾值法方法去噪后的結果，圖2(g)為使用本發(fā)明方法去噪后的結果。對Albuquerque地區(qū)SAR圖像的仿真結果如圖3，其中圖3(a)為Albuquerque地區(qū)SAR圖像，圖3(b)為使用增強Lee濾波方法去噪后的結果，圖3(c)為使用Gamma-MAP濾波方法去噪后的結果，圖3(d)為使用小波軟閾值方法去噪后的結果，圖3(e)為使用平穩(wěn)小波軟閾值方法去噪后的結果，圖3(f)為使用非下采樣輪廓波閾值法方法去噪后的結果，圖3(g)為使用本發(fā)明方法去噪后的結果。從圖2中可以看出，本發(fā)明去噪后不僅有較好的視覺效果，而且在邊緣和細節(jié)信息的保持方面也優(yōu)于其它幾種去噪方法，有效地濾除了斑點噪聲，提高了整體上的清晰度，在圖像質量和視覺效果方面相比于其他幾種方法均有所改善。如在圖2(g)中經本發(fā)明去噪后SAR圖像邊緣和左下角的三個點目標比較清晰，均勻區(qū)域也得到了較好的平滑，而在圖2(b)中Lee濾波和圖2(c)中Gamma-MAP濾波去噪后圖像的點目標模糊，圖像細節(jié)信息丟失比較嚴重。在圖2(d)中小波軟閾值法去噪后的SAR圖像在均勻區(qū)域上吉布斯現象明顯，同時存在邊緣模糊的現象。在圖2(e)中平穩(wěn)小波軟閾值去除噪聲的方法對SAR圖像的均勻區(qū)域進行了比較好的處理，但是圖像整體存在模糊失真的現象。在圖2(f)中基于非下采樣輪廓波閾值方法處理后的SAR圖像，其均勻區(qū)域濾波不完全，劃痕現象比較明顯，邊緣部分存在一定程度的失真。從圖3中可以看出，本發(fā)明方法在視覺效果的提高及圖像質量的改善兩方面均優(yōu)于對比的方法，再次驗證了其有效性。本發(fā)明與已有方法對田野SAR圖像的去噪性能指標對比表如表1所示<table>tableseeoriginaldocumentpage10</column></row><table>從表1中可以看到，本發(fā)明方法在區(qū)域1~3的的等效視數五A^的計算上取得了高于表中列舉方法的值，表明本發(fā)明方法相千斑抑制程度較深，有效地去除了噪聲;本發(fā)明方法在均值的指標上和原有SAR圖像是最接近的，表明本發(fā)明在SAR圖像的平均亮度的保持上優(yōu)于以上已有的方法，而且本發(fā)明的標準差相比于其他方法是最低的，也表明了本發(fā)明方法的相干斑抑制效果明顯；在均值比的指標上，本發(fā)明方法最接近1，表明本方法的輻射度失真是最小的；綜上所述，本發(fā)明方法取得了較好的去噪指標和去噪效果。本發(fā)明與己有方法對Albuquerque地區(qū)SAR圖像的去噪性能指標對比表如表2。表2各方法對Albuquerque地區(qū)SAR圖像去噪性能對比<table>tableseeoriginaldocumentpage11</column></row><table>從表2中可以看出，本發(fā)明方法取得了優(yōu)于表中所列舉的方法的去噪指標，表明本發(fā)明方法的去噪效果更好?？傊?，本發(fā)明在去噪性能和視覺效果方面較之小波等方法均有所改善，且較完整地保持了圖像邊緣等細節(jié)信息。權利要求1、一種基于方向波域混合高斯模型的SAR圖像噪聲抑制方法，包括如下步驟(1)對SAR圖像進行卡通紋理模型分解，選擇最優(yōu)的迭代次數，得到SAR圖像的卡通部分和紋理部分；(2)保持SAR圖像卡通部分不變，將紋理部分進行如下改進的Directionlet變換；(2a)選定SAR圖像紋理部分的變換方向和隊列方向，其斜率構成采樣矩陣MΛ<mathsid="math0001"num="0001"><math><![CDATA[<mfencedopen=''close=''><mtable><mtr><mtd><msub><mi>M</mi><mi>Λ</mi></msub><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><msub><mi>a</mi><mn>1</mn></msub></mtd><mtd><msub><mi>b</mi><mn>1</mn></msub></mtd></mtr><mtr><mtd><msub><mi>a</mi><mn>2</mn></msub></mtd><mtd><msub><mi>b</mi><mn>2</mn></msub></mtd></mtr></mtable></mfenced><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><msub><mi>d</mi><mn>1</mn></msub></mtd></mtr><mtr><mtd><msub><mi>d</mi><mn>2</mn></msub></mtd></mtr></mtable></mfenced></mtd><mtd><msub><mi>a</mi><mn>1</mn></msub><mo>,</mo><msub><mi>a</mi><mn>2</mn></msub><mo>,</mo><msub><mi>b</mi><mn>1</mn></msub><mo>,</mo><msub><mi>b</mi><mn>2</mn></msub><mo>⋐</mo><mi>Z</mi></mtd></mtr></mtable></mfenced>]]></math></maths>其中，沿向量d1的方向稱為紋理部分的變換方向，其斜率表示為r1＝b1/a1，沿向量d2的方向稱為紋理部分的隊列方向，其斜率表示為r2＝b2/a2；(2b)對紋理部分進行MΛ采樣，得到|det(MΛ)|個陪集，再對得到的陪集分別進行同樣的二次陪集分解，得到2|det(MΛ)|個子陪集，將零點去除；(2c)對每個子陪集沿變換和隊列方向分別進行兩次和一次的一維正交小波變換，得到相應的高頻和低頻系數子帶，在低頻子帶的變換和隊列方向再分別進行兩次和一次一維正交小波變換，獲得14個高頻子帶和1個低頻子帶系數為WY(i，j)，(<mathsid="math0002"num="0002"><math><![CDATA[<mrow><mi>i</mi><mo>,</mo><mi>j</mi><mo>⋐</mo><mi>Z</mi></mrow>]]></math>id="icf0002"file="A2009100237890002C2.tif"wi="16"he="5"top="158"left="27"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>表示每個系數的坐標)；(3)對變換后得到的各陪集的高頻子帶系數進行混合高斯模型的擬合，并采用EM算法估計混合模型中的參數；(4)估計各陪集的高頻子帶系數的噪聲方差id="icf0003"file="A2009100237890002C3.tif"wi="10"he="6"top="181"left="116"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>(5)利用Bayes最小均方誤差估計法，計算各陪集的高頻子帶的無噪系數id="icf0004"file="A2009100237890002C4.tif"wi="7"he="6"top="192"left="169"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>(6)對無噪系數進行改進的Directionlet逆變換，得到去噪后的紋理部分；(7)將去噪后的紋理部分與保持不變的卡通部分相加，得到去噪后的SAR圖像。2、根據權利要求1所述的SAR圖像噪聲抑制方法，其中步驟(1)所述的對SAR圖像進行卡通紋理模型分解，按如下步驟進行(2A)將SAR圖像/eZCR2)表示為/(x，力,x,力+v(x,力其中we5rCR2)，由分片光滑的區(qū)域及清晰的邊緣構成，被視為SAR圖像的卡通部分，V就是剩余的紋理和噪聲，稱之為紋理部分；(2B)當V屬于一個定義的Banach空間，得到模型K卿)=J]v"l+al卜l",/="+V}其中五0^)表示W的能量，通過保證wg5fc2)時，進行迭代計算使得W的能量泛函最小化，以達到對圖像/的卡通紋理分解，通過試驗，最優(yōu)的迭代次數一般為50~60次。全文摘要本發(fā)明公開一種基于方向波域混合高斯模型的SAR圖像噪聲抑制方法，涉及圖像處理領域，主要克服現有去噪方法對SAR圖像造成的模糊失真和改進方向波的陪集分解添加零值過多的問題。其實現步驟為(1)對SAR圖像進行卡通紋理模型分解；(2)紋理部分進行改進的方向波變換；(3)對陪集的高頻子帶系數進行混合高斯模型的擬合；(4)估計噪聲方差；(5)利用貝葉斯最小均方誤差估計無噪系數；(6)無噪系數進行改進的方向波逆變換，得到去噪后的紋理部分；(7)將卡通部分和去噪后的紋理部分相加，得到去噪后的SAR圖像。本發(fā)明具有改進了去噪后SAR圖像的清晰度、細節(jié)信息保持較好、均勻區(qū)域較平滑的優(yōu)點，可用于濾除SAR圖像中的相干斑噪聲。文檔編號G01S13/00GK101639537SQ200910023789公開日2010年2月3日申請日期2009年9月4日優(yōu)先權日2009年9月4日發(fā)明者彪侯,輝關,張向榮,焦李成,爽王,馬文萍申請人:西安電子科技大學