專利名稱：：一種sar圖像自適應去噪和特征增強方法
技術領域：
：本發(fā)明涉及一種SAR圖像自適應去噪和特征增強方法。
背景技術：
：合成孔徑雷達(SyntheticApertureRadar,SAR)成像系統(tǒng)的相干性使得斑點噪聲成為SAR圖像固有的缺陷，抑制SAR圖像的相干斑噪聲并增強感興趣目標，有非常重要的意義?，F(xiàn)有的SAR圖像增強方法主要有直方圖均衡化、反銳化掩模等空域法，以及通過傅里葉變換增強感興趣頻率成分的頻域法。這些方法增強圖像對比度的同時也會放大噪聲，使得SAR圖像細節(jié)信息被噪聲淹沒。小波變換增強算法是近年來廣泛流行的圖像增強方法，但最新研究表明，由于小波基各向同性的特點，它只能反映奇異“點”的位置和特性，而難以表達更高維(如線)的特征°文獻"Grayandcolorimagecontrastenhancementbythecurvelettransform,IEEETrans,onImageProcess.,2003,12(6):706_717.，，公開了一種基于curvelet變換的灰度和彩色圖像增強方法。該方法利用curvelet變換的各向異性特征有利于圖像邊緣的高效表示的特點，首先對輸入自然圖像進行curvelet變換，并對得到的curvelet系數(shù)根據(jù)增益函數(shù)進行增強，最后，對增強的系數(shù)進行curvelet逆變換重構出增強的圖像。雖然該方法對含噪的自然圖像得到了較好的增強效果，但是由于采用了增益函數(shù)，其中有多個參數(shù)需要進行人工篩選而不能自適應選取，因此增加了實驗的復雜度。綜上所述，現(xiàn)有的圖像增強方法易受噪聲影響，且實驗中參數(shù)不能自適應選取。
發(fā)明內(nèi)容要解決的技術問題為了克服現(xiàn)有方法抗噪性差以及對實驗中參數(shù)不能自適應選取的不足，本發(fā)明提出了一種SAR圖像自適應去噪和特征增強方法，采用鏡像curvelet(Mirror-Extendedcurvelet，ME-curvelet)變換結合改進的粒子群優(yōu)化(ParticleSwarmOptimization,PS0)算法進行自適應去噪和特征增強。技術方案本發(fā)明的基本思想在于首先，采用改進的增益函數(shù)對ME-curvelet變換的系數(shù)進行非線性拉伸，由于改進的增益函數(shù)將噪聲抑制和特征增強融為一體，因此抗噪性好；然后，利用改進的PSO算法進行全局搜索得到最優(yōu)的去噪和特征增強圖像，其中，利用提出的評價準則對去噪和特征增強后的圖像進行評價，并作為PSO算法的適應度函數(shù)，以自適應地得到增益函數(shù)中的最優(yōu)參數(shù)，因此無需對參數(shù)進行人工選擇，降低了實驗的復雜度。一種SAR圖像自適應去噪和特征增強方法，其特征在于步驟如下步驟1對輸入的SAR圖像灰度值矩陣進行對數(shù)運算，得到SAR圖像灰度值矩陣的對數(shù)矩陣；步驟2對SAR圖像灰度值矩陣的對數(shù)矩陣進行ΜΕ-curvelet正變換，得到不同分解尺度下不同方向的ME-curvelet系數(shù)矩陣；4步驟3利用改進的PSO算法對改進的增益函數(shù)中的各個待優(yōu)化參數(shù)進行優(yōu)化，得到改進的增益函數(shù)中的各個待優(yōu)化參數(shù)的最優(yōu)值，并利用各個待優(yōu)化參數(shù)取最優(yōu)值的改進的增益函數(shù)對步驟2得到的ME-curvelet系數(shù)矩陣分別進行非線性變換，得到非線性變換后的不同分解尺度下不同方向的ME-curvelet系數(shù)矩陣；步驟4對步驟3得到的ME-curvelet系數(shù)矩陣進行ME-curvelet逆變換，得到ME-curvelet逆變換結果矩陣；步驟5對步驟4得到的ME-curvelet逆變換結果矩陣進行指數(shù)運算，得到最終去噪和特征增強后的SAR圖像灰度值矩陣；所述的改進的增益函數(shù)為其中，χ為輸入，y為輸出；P和S為待優(yōu)化的參數(shù)，分別滿足Pe(0,1],se(0，1];ι\、τ2、τ3的計算公式分別為:T1=^σσχj=1/2σσχj>1ToSoT1T3=S4T2其中，j為分解尺度，σ為按σ=median(|Shh|)/0.6745計算得到的SAR圖像灰度值矩陣的對數(shù)矩陣的噪聲標準差，median(·)表示取中值，|·|表示取模，Sra是對SAR圖像灰度值矩陣的對數(shù)矩陣進行一尺度小波分解得到的對角方向高頻子帶小波系數(shù)矩陣；σχ為輸入X的二范數(shù)；Sl、s2、s3、S4為待優(yōu)化的參數(shù)，分別滿足S1e[3,7],S2e[3,7],S3e[2,3],s4e(1,4]；所述的利用改進的PSO算法對改進的增益函數(shù)中的各個待優(yōu)化參數(shù)進行優(yōu)化的具體步驟為步驟(1)設定搜索空間維數(shù)為待優(yōu)化參數(shù)的個數(shù)，設定粒子種群大小，并取任意位置和速度為粒子的位置和速度，產(chǎn)生一個初始粒子種群；所述的粒子種群大小取值為[20，40]；η(Ι)Ι(ΜχΝ)步驟⑵按份《/(/)=-_計算粒子的適應度值；所述的粒子的適應度值包InH(I)括粒子當前位置的適應度值、個體極值的適應度值和全局極值的適應度值；其中，I表示此次迭代去噪和特征增強后的SAR圖像灰度值矩陣，M為I的行數(shù)，N為ι的列數(shù)；H⑴為ι的熵；n⑴為ι中的邊緣數(shù)目；π(·)表示取自然對數(shù)；所述的此次迭代去噪和特征增強后的SAR圖像灰度值矩陣I包括對應于粒子當前位置、個體極值和全局極值的此次迭代去噪和特征增強后的SAR圖像灰度值矩陣，計算5過程為令改進的增益函數(shù)中各個待優(yōu)化的參數(shù)取值為此次迭代時粒子的當前位置/個體極值/全局極值，并利用改進的增益函數(shù)對步驟2得到的不同分解尺度下不同方向的ME-curvelet系數(shù)矩陣進行非線性變換，再對非線性變換后的ME-curvelet系數(shù)矩陣進行ME-curvelet逆變換并取指數(shù)，得到對應于粒子的當前位置/個體極值/全局極值的此次迭代去噪和特征增強后的SAR圖像灰度值矩陣I；步驟(3)如果粒子當前位置的適應度值大于其個體極值的適應度值，則用粒子當前的位置替換其個體極值；步驟(4)如果粒子當前位置的適應度值大于全局極值的適應度值，則用粒子當前的位置替換全局極值；步驟(5)對全局極值的每個分量按p'gk=PgkX(1+Nk(0，l))進行隨機擾動，如果擾動后的全局極值的適應度值大于原全局極值的適應度值，則用擾動后的全局極值替換原全局極值；否則，保持原全局極值不變；其中，Pgk表示原全局極值Pg的第k個分量，ρ'&表示擾動后的全局極值P'g的第k個分量，Nk(0，1)表示對pgk進行隨機擾動時產(chǎn)生的一個滿足均值為0且方差為1的高斯分布的隨機數(shù)；k=1，2，…，D，D為搜索空間維數(shù)；步驟(6)按Rt=t/MaxGen計算值Rt，并產(chǎn)生一個之間均勻分布的隨機數(shù)r，如果r>Rt,則在種群中隨機選擇一個除粒子自身和最佳粒子之外的一個粒子，并用隨機選擇的這個粒子的個體極值替換全局極值，否則，保持全局極值不變；其中，t為當前迭代次數(shù)；MaxGen為最大迭代次數(shù)，取值范圍為[10，100]；步驟(7)按粒子速度更新公式V/+1=W1*V;+θχ*r/*{P-Χ:)+θ2*r；*(P；-Χ)對粒子的速度進行更新；其中，V表示粒子的速度，X表示粒子的位置，Pi為第i個粒子的個體極值，Pg為全局極值;w是慣性權重，取值范圍為W，2]，Q1*θ2是學習因子，取值范圍均為，Γι和r2是之間均勻分布的隨機數(shù)；i=1，2，…，S，S為粒子種群大??；步驟(8)按粒子位置更新公式=Xti+Γ/+1對粒子的位置進行更新；步驟(9)重復步驟(2)至步驟(8)直至達到最大迭代次數(shù)MaxGen，迭代終止，此時得到的全局極值為各待優(yōu)化參數(shù)的最優(yōu)值；在步驟⑵中所述的邊緣數(shù)目η⑴的計算方法為步驟(a)按Edge(I)=2max{11(m，n)-I(m_l，n)|，11(m，n)-I(m，n_l)|}檢測I的邊緣，得到邊緣圖像Edge(I)；其中，m和n表示I中像素所在的行和列的位置；步驟(b)將邊緣圖像Edge(I)進行閾值化處理將邊緣圖像Edge(I)中灰度值大于閾值的像素置為1，反之，置為0，得到閾值化處理后的二值圖像；所述的閾值按(1+δ)σ計算，其中，δ為大于0的常數(shù)；步驟(c)統(tǒng)計閾值化處理后的二值圖像中的值為1的像素的個數(shù)作為I中的邊緣數(shù)目n⑴。有益效果由于本發(fā)明對ME-curvelet變換得到的系數(shù)利用改進的增益函數(shù)進行非線性變換，將噪聲抑制和特征增強融為一體，提高了抗噪性；利用改進的PSO算法，并以提出的評價準則作為改進的PSO算法的適應度函數(shù)，對改進的增益函數(shù)中的參數(shù)進行自適應調(diào)整和優(yōu)化，以得到最優(yōu)的去噪和特征增強圖像，與現(xiàn)有的人工選擇參數(shù)相比，降低了實驗的復雜度，且能選取到最優(yōu)的參數(shù)組合。圖1本發(fā)明方法的基本流程圖。圖2(a)原始SAR圖像；(b)非抽樣小波變換(UWT)方法去噪和增強后結果圖像；(c)離散curvelet變換(FDCT)方法去噪和增強后結果圖像；(d)本發(fā)明方法去噪和特征增強后結果圖像；(e)采用Carmy算子對圖2(a)進行邊緣檢測的結果圖像；(f)采用Carmy算子對圖2(b)進行邊緣檢測的結果圖像；(g)采用Carmy算子對圖2(c)進行邊緣檢測的結果圖像；(h)采用Carmy算子對圖2(d)進行邊緣檢測的結果圖像；具體實施例方式參照附圖1、對輸入的SAR圖像灰度值矩陣取對數(shù)。輸入一幅SAR圖像f，對其進行對數(shù)變換，使得乘性的相干斑噪聲轉變?yōu)榻频母咚辜有栽肼?，得到對?shù)圖像f‘。2、對對數(shù)圖像f'進行ME-curvelet正變換，得到不同分解尺度j下不同方向1的ME-curvelet系數(shù)矩陣Cjl(j=1,2,…，J，J為最大分解尺度，1=1，…，Lj,Lj為第j個尺度下方向的個數(shù))。3、利用改進的PSO算法對改進的增益函數(shù)中的各個參數(shù)進行優(yōu)化，得到改進的增益函數(shù)中的各個參數(shù)的最優(yōu)值。即本發(fā)明采用的改進的增益函數(shù)為改進的將去噪和特征增強融為一體的增益函數(shù)，其中:T2=S3T1(3)T3=S4T2(4)在上述改進的增益函數(shù)中χ為輸入，這里即為各分解尺度j下各個方向1的ME-curvelet系數(shù)矩陣Cjl中的ME-curvelet系數(shù)，y為相應的非線性變換后的輸出，即對應的去噪和特征增強后的ME-curvelet系數(shù)矩陣c'J1中的ME-curvelet系數(shù)。p、s、si、s2、s3、s4為待優(yōu)化的6個參數(shù)，分別滿足Pe(0,1],Se(0，l]，Sle[3，7],s2e[3,7],S3e[2,3],s4e(1,4]；ρ決定了增益函數(shù)的非線性度，s為動態(tài)壓縮范圍參數(shù)，當s為非零值時，既可增強弱邊緣，又可弱化強邊緣，使增強后的圖像更加均衡。T1的選取和噪聲標準差以及分解尺度相關，式(2)中，οχ為輸入x(即不同分解尺度下不同方向的ME-curvelet系數(shù)矩陣Cjl)的二范數(shù)，σ為對數(shù)圖像f'的噪聲標準差，其計算公式為其中，median。)表示取矩陣中所有系數(shù)的中值，|·|表示取模，f'是對對數(shù)圖像f'進行一尺度小波分解得到的對角方向高頻子帶(HH子帶)小波系數(shù)矩陣。為得到改進的增益函數(shù)中待優(yōu)化參數(shù)的最優(yōu)值，本發(fā)明采用改進的粒子種群優(yōu)化算法(改進的PSO算法)對Sl，s2,S3,s4,P，s進行迭代優(yōu)化處理。經(jīng)典的PSO算法為假設搜索空間是D維，則第i個粒子的位置和速度分別可表示為Xi=(Xil'Xi2'…，xiD)和Vi=(Vil,Vi2，···，、)。在每一次迭代中，第i個粒子通過跟蹤兩個最優(yōu)解來更新自己。第一個就是粒子本身所找到的最優(yōu)解，即個體極值Pi=(Pil，Pi2，…，PiD)，另一個是整個種群目前找到的最優(yōu)解，即全局極值Pg=(pgl，pg2，…，PgD)。粒子的速度更新公式和位置更新公式分別如下(7)其中，d=l，2，…，D，i=l，2，…，S，S是種群大小，一般取值為[20，40];t表示當前的迭代次數(shù);w是慣性權重，取值范圍為W，2]J1和θ2是學習因子，通常取Q1=θ2=2;ri和r2是之間均勻分布的隨機數(shù)。經(jīng)典的PSO算法雖然搜索速度快，但存在著早熟收斂現(xiàn)象，因此對其做如下改進①提出一種新的粒子學習方式在迭代的前期，粒子以較大的概率向自身最優(yōu)和其他部分粒子的均值學習；而在迭代的后期，為了趨于收斂，粒子則以較大的概率向自身最優(yōu)和全局最優(yōu)學習。②引進了一個變異操作算子。對全局最佳粒子Pg的變異通過添加一個隨機擾動以避免種群陷入局部最優(yōu)。具體過程為(1)設定粒子種群大小S，并隨機初始化各個粒子的速度”和位置Zf(i=1，2，…，S)，產(chǎn)生一個初始種群，由于本發(fā)明中待優(yōu)化參數(shù)有6個，因此，搜索空間的維數(shù)為D=6，即每個粒子為一個6維向量；(2)計算粒子的適應度值，包括粒子當前位置的適應度值、粒子個體極值的適應度值和全局極值的適應度值。粒子當前位置的適應度值的計算過程為(a)令式(1)的改進的增益函數(shù)中各待優(yōu)化參數(shù)取值為各粒子當前位置，增益函數(shù)中的輸入χ為不同分解尺度j下不同方向1的ME-curvelet系數(shù)矩陣Cjl，并按式(1)進行非線性變換，得到非線性變換后的不同分解尺度j下不同方向1的系列ME-curvelet系數(shù)矩陣(b)對非線性變換后的系列ME-curvelet系數(shù)矩陣進行ME-curvelet逆變換，得到系列ME-curvelet逆變換結果矩陣={<，.·.,《}；(c)對進行指數(shù)變換，得到此次迭代去噪和特征增強后的系列圖像矩陣={￥,···,《};(d)按式(8)計算G={《，···,《}中各圖像矩陣gΟ’=!,···;)的評價準則函數(shù)值，即為粒子i當前位置的適應度值。根據(jù)人類的視覺特性，一副質量好的增強圖像應該有盡量多的邊緣和盡量少的噪聲。綜合這兩方面的因素，本發(fā)明給出去噪和特征增強后圖像的評價準則函數(shù)為_4]EvaKgti)="^.(8)In孖(孓)其中，M為圖像矩陣g丨的行數(shù)，N為圖像矩陣g丨的列數(shù)；H為圖像矩陣g丨的熵；η為圖像矩陣g的邊緣數(shù)目，計算方法為首先，按式(9)檢測圖像的邊緣，得到邊緣圖像Edge；Edgeigtl)=2max{|g；(m,η)-g't(m—1，)\,\g't(m,η)-g\(m,η-1)|}(9)其中，!11和η表示圖像中像素所在的行和列的位置，g,'(m，《)為位置為(m，η)處的像素的灰度值，max{·，·}表示取二者之中值大者；m=1時，g丨(m-l，《)=0，η=1時，=0；然后，將邊緣圖像Edge進行閾值化處理即將邊緣圖像Edge中灰度值大于閾值的像素置為1，反之，置為0，得到閾值化處理后的二值圖像。其中，閾值按(1+δ)σ計算，δ為大于0的常數(shù)，σ為按式(5)計算所得對數(shù)圖像f'的噪聲標準差。最后，統(tǒng)計閾值化處理后的二值圖像中的值為1的像素的個數(shù)，即為圖像中的邊緣數(shù)目n。粒子個體極值的適應度值的計算過程為(a)令式(1)的改進的增益函數(shù)中各待優(yōu)化參數(shù)取值為此次迭代時粒子的個體極值，增益函數(shù)中的輸入X為不同分解尺度j下不同方向1的ME-curvelet系數(shù)矩陣Cjl，并按式(1)進行非線性變換，得到非線性變換后的不同分解尺度j下不同方向1的ME-curvelet系數(shù)矩陣&；(b)對上述非線性變換后的ME-curvelet系數(shù)矩陣&(j=1，…，J，1=1，…，Lj)進行ME-curvelet逆變換，得到ME-curvelet逆變換結果矩陣療；(c)對汐進行指數(shù)變換，得到此次迭代去噪和特征增強后的圖像矩陣6；(d)按式⑶計算圖像矩陣g的評價準則函數(shù)值(用G替換S)，即為粒子個體極值的適應度值。全局極值的適應度值的計算過程為(a)令式(1)的改進的增益函數(shù)中各待優(yōu)化參數(shù)取值為此次迭代時的全局極值，增益函數(shù)中的輸入X為不同分解尺度j下不同方向1的ME-curvelet系數(shù)矩陣Cjl，并按式(1)進行非線性變換，得到非線性變換后的不同分解尺度j下不同方向1的ME-curvelet系9數(shù)矩陣；(b)對上述非線性變換后的ME-curvelet系數(shù)矩陣&(j=1，…，J，1=1，…，Lj)進行ME-curvelet逆變換，得到ME-curvelet逆變換結果矩陣0'；(c)對&進行指數(shù)變換，得到此次迭代去噪和特征增強后的圖像矩陣0；(d)按式⑶計算圖像矩陣0的評價準則函數(shù)值(用0替換g)，即為全局極值的適應度值。(3)對粒子i(i=1,2,…，S)，如果其當前位置的適應度值大于其個體極值Pi的適應度值，則用其當前的位置替換其個體極值Pi；(4)對粒子i(i=1,2,…，S)，如果其當前位置的適應度值大于全局極值Pg的適應度值，則用其當前的位置替換全局極值Pg；(5)根據(jù)式(10)對全局極值Pg的每個分量Pgk進行隨機擾動，從而產(chǎn)生一個新的全局極值P'g=(p'gl，p'g2，…，P'gD)。如果P'g的適應度值大于Pg的適應度值，則用P'g替換Pg;否則，Pg保持不變；p'gk=pgkx(i+Nk(0，l))(10)其中，k表示第k個分量，Nk(0，1)表示對Pgk進行隨機擾動時產(chǎn)生的一個滿足均值為0且方差為1的高斯分布的隨機數(shù)。(6)根據(jù)新的學習策略更新每個粒子的速度，具體為首先，按Rt=t/MaxGen計算值Rt，并產(chǎn)生一個之間均勻分布的隨機數(shù)r；其中，t為當前迭代次數(shù)；MaxGen為最大迭代次數(shù)，取值范圍為[10，100]；然后，比較值Rt和隨機數(shù)r的大小，如果r>Rt，則在種群中隨機選擇一個除當前粒子自身和最佳粒子(全局極值)之外的一個粒子\，并用隨機選擇的這個粒子\的最佳位置代替全局極值Pg，否則，保持全局極值Pg不變；最后，按粒子速度更新公式(6)對粒子的速度進行更新；(7)按粒子位置更新公式(7)更新每個粒子的位置；(8)重復步驟(2)至步驟(7)直至達到最大迭代次數(shù)MaxGen，此時，得到粒子的全局極值即為改進的增益函數(shù)中各參數(shù)最優(yōu)值的組合，即全局極值的每個分量對應于各參數(shù)的最優(yōu)值。4、令改進的增益函數(shù)中的各個待優(yōu)化參數(shù)取值為步驟3利用改進的PSO算法自適應迭代優(yōu)化得到的最優(yōu)值，并利用其對步驟2中得到的不同分解尺度j下不同方向1的ME-curvelet系數(shù)矩陣(^1進行非線性變換，得到非線性變換后的不同分解尺度j下不同方向1的ME-curvelet系數(shù)矩陣；5、對步驟4得到的非線性變換后的ME-curvelet系數(shù)矩陣進行ME-curvelet逆變換，得到ME-curvelet逆變換矩陣；6、對步驟5得到的ME-curvelet逆變換矩陣進行指數(shù)變換，即得到最終的去噪和特征增強后的SAR圖像。為進一步說明本發(fā)明方法的效果，采用真實SAR圖像進行實驗，并與非抽樣小波變換(UWT)方法和離散curvelet變換(FDCT)方法進行比較。實驗中的相關參數(shù)設置為ME-curvelet變換的最大分解尺度為J=4，改進的PSO算法中粒子種群大小設為30，最大迭代次數(shù)設為50，學習因子θ1=θ2=2，慣性權重初始值為w°=0.9，此后隨迭代次數(shù)而10變，即wt+1=Wt-O.01，計算圖像邊緣數(shù)目的閾值(1+δ)σ中δ取0.1。圖2為真實SAR圖像及采用不同方法進行去噪和特征增強后的結果圖像。從圖2(b)-(d)給出的三種方法的去噪和特征增強結果圖像可看出，本發(fā)明提出的自適應去噪和特征增強方法有效地抑制了平滑區(qū)域的噪聲，同時邊緣也得到了增強，其去噪和特征增強性能優(yōu)于其它兩種方法。圖2(f)_(h)中所示的邊緣圖也表明了本發(fā)明提出的自適應去噪和特征增強方法在抑噪的同時保持邊緣的明顯優(yōu)勢。權利要求一種SAR圖像自適應去噪和特征增強方法，其特征在于步驟如下步驟1對輸入的SAR圖像灰度值矩陣進行對數(shù)運算，得到SAR圖像灰度值矩陣的對數(shù)矩陣；步驟2對SAR圖像灰度值矩陣的對數(shù)矩陣進行ME-curvelet正變換，得到不同分解尺度下不同方向的ME-curvelet系數(shù)矩陣；步驟3利用改進的PSO算法對改進的增益函數(shù)中的各個待優(yōu)化參數(shù)進行優(yōu)化，得到改進的增益函數(shù)中的各個待優(yōu)化參數(shù)的最優(yōu)值，并利用各個待優(yōu)化參數(shù)取最優(yōu)值的改進的增益函數(shù)對步驟2得到的ME-curvelet系數(shù)矩陣分別進行非線性變換，得到非線性變換后的不同分解尺度下不同方向的ME-curvelet系數(shù)矩陣；步驟4對步驟3得到的ME-curvelet系數(shù)矩陣進行ME-curvelet逆變換，得到ME-curvelet逆變換結果矩陣；步驟5對步驟4得到的ME-curvelet逆變換結果矩陣進行指數(shù)運算，得到最終去噪和特征增強后的SAR圖像灰度值矩陣；所述的改進的增益函數(shù)為<mrow><mi>y</mi><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mn>0</mn></mtd><mtd><mi>x</mi><mo>&lt;</mo><msub><mi>T</mi><mn>1</mn></msub></mtd></mtr><mtr><mtd><mfrac><mrow><mi>x</mi><mo>-</mo><msub><mi>T</mi><mn>1</mn></msub></mrow><msub><mi>T</mi><mn>1</mn></msub></mfrac><msup><mrow><mo>(</mo><mfrac><msub><mi>T</mi><mn>3</mn></msub><msub><mi>T</mi><mn>2</mn></msub></mfrac><mo>)</mo></mrow><mi>p</mi></msup><mo>+</mo><mfrac><mrow><msub><mi>T</mi><mn>2</mn></msub><mo>-</mo><mi>x</mi></mrow><msub><mi>T</mi><mn>1</mn></msub></mfrac></mtd><mtd><msub><mi>T</mi><mn>1</mn></msub><mo>&le;</mo><mi>x</mi><mo>&lt;</mo><msub><mi>T</mi><mn>2</mn></msub></mtd></mtr><mtr><mtd><mrow><msup><mrow><mo>(</mo><mfrac><msub><mi>T</mi><mn>3</mn></msub><mi>x</mi></mfrac><mo>)</mo></mrow><mi>p</mi></msup></mrow></mtd><mtd><msub><mi>T</mi><mn>2</mn></msub><mo>&le;</mo><mi>x</mi><mo>&lt;</mo><msub><mi>T</mi><mn>3</mn></msub></mtd></mtr><mtr><mtd><msup><mrow><mo>(</mo><mfrac><msub><mi>T</mi><mn>3</mn></msub><mi>x</mi></mfrac><mo>)</mo></mrow><mi>s</mi></msup></mtd><mtd><mi>x</mi><mo>&GreaterEqual;</mo><msub><mi>T</mi><mn>3</mn></msub></mtd></mtr></mtable></mfenced></mrow>其中，x為輸入，y為輸出；p和s為待優(yōu)化的參數(shù)，分別滿足p∈(0，1]，s∈(0，1]；T1、T2、T3的計算公式分別為<mrow><msub><mi>T</mi><mn>1</mn></msub><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><msub><mi>s</mi><mn>1</mn></msub><msub><mi>&sigma;&sigma;</mi><mi>x</mi></msub></mtd><mtd><mi>j</mi><mo>=</mo><mn>1</mn></mtd></mtr><mtr><mtd><msub><mi>s</mi><mn>2</mn></msub><msub><mi>&sigma;&sigma;</mi><mi>x</mi></msub></mtd><mtd><mi>j</mi><mo>></mo><mn>1</mn></mtd></mtr></mtable></mfenced></mrow>T2＝s3T1T3＝s4T2其中，j為分解尺度，σ為按σ＝median(|SHH|)/0.6745計算得到的SAR圖像灰度值矩陣的對數(shù)矩陣的噪聲標準差，median(·)表示取中值，|·|表示取模，SHH是對SAR圖像灰度值矩陣的對數(shù)矩陣進行一尺度小波分解得到的對角方向高頻子帶小波系數(shù)矩陣；σx為輸入x的二范數(shù)；s1、s2、s3、s4為待優(yōu)化的參數(shù)，分別滿足s1∈[3，7]，s2∈[3，7]，s3∈[2，3]，s4∈(1，4]；所述的利用改進的PSO算法對改進的增益函數(shù)中的各個待優(yōu)化參數(shù)進行優(yōu)化的具體步驟為步驟(1)設定搜索空間維數(shù)為待優(yōu)化參數(shù)的個數(shù)，設定粒子種群大小，并取任意位置和速度為粒子的位置和速度，產(chǎn)生一個初始粒子種群；所述的粒子種群大小取值為[20，40]；步驟(2)按計算粒子的適應度值；所述的粒子的適應度值包括粒子當前位置的適應度值、個體極值的適應度值和全局極值的適應度值；其中，I表示此次迭代去噪和增強后的SAR圖像灰度值矩陣，M為I的行數(shù)，N為I的列數(shù)；H(I)為I的熵；η(I)為I中的邊緣數(shù)目；ln(·)表示取自然對數(shù)；所述的此次迭代去噪和增強后的SAR圖像灰度值矩陣I包括對應于粒子當前位置、個體極值和全局極值的此次迭代去噪和特征增強后的SAR圖像灰度值矩陣，計算過程為令改進的增益函數(shù)中各個待優(yōu)化的參數(shù)取值為此次迭代時粒子的當前位置/個體極值/全局極值，并利用改進的增益函數(shù)對步驟2得到的不同分解尺度下不同方向的ME-curvelet系數(shù)矩陣進行非線性變換，再對非線性變換后的ME-curvelet系數(shù)矩陣進行ME-curvelet逆變換并取指數(shù)，得到對應于粒子的當前位置/個體極值/全局極值的此次迭代去噪和特征增強后的SAR圖像灰度值矩陣I；步驟(3)如果粒子當前位置的適應度值大于其個體極值的適應度值，則用粒子當前的位置替換其個體極值；步驟(4)如果粒子當前位置的適應度值大于全局極值的適應度值，則用粒子當前的位置替換全局極值；步驟(5)對全局極值的每個分量按p′gk＝pgk×(1+Nk(0，1))進行隨機擾動，如果擾動后的全局極值的適應度值大于原全局極值的適應度值，則用擾動后的全局極值替換原全局極值；否則，保持原全局極值不變；其中，pgk表示原全局極值Pg的第k個分量，p′gk表示擾動后的全局極值P′g的第k個分量，Nk(0，1)表示對pgk進行隨機擾動時產(chǎn)生的一個滿足均值為0且方差為1的高斯分布的隨機數(shù)；k＝1，2，…，D，D為搜索空間維數(shù)；步驟(6)按Rt＝t/MaxGen計算值Rt，并產(chǎn)生一個之間均勻分布的隨機數(shù)r，如果r＞Rt，則在種群中隨機選擇一個除粒子自身和最佳粒子之外的一個粒子，并用隨機選擇的這個粒子的個體極值替換全局極值，否則，保持全局極值不變；其中，t為當前迭代次數(shù)；MaxGen為最大迭代次數(shù)，取值范圍為[10，100]；步驟(7)按粒子速度更新公式對粒子的速度進行更新；其中，V表示粒子的速度，X表示粒子的位置，Pi為第i個粒子的個體極值，Pg為全局極值；w是慣性權重，取值范圍為，θ1和θ2是學習因子，取值范圍均為，r1和r2是之間均勻分布的隨機數(shù)；i＝1，2，…，S，S為粒子種群大??；步驟(8)按粒子位置更新公式對粒子的位置進行更新；步驟(9)重復步驟(2)至步驟(8)直至達到最大迭代次數(shù)MaxGen，迭代終止，此時得到的全局極值為各待優(yōu)化參數(shù)的最優(yōu)值；在步驟(2)中所述的邊緣數(shù)目η(I)的計算方法為步驟(a)按Edge(I)＝2max{|I(m，n)-I(m-1，n)|，|I(m，n)-I(m，n-1)|}檢測I的邊緣，得到邊緣圖像Edge(I)；其中，m和n表示I中像素所在的行和列的位置；步驟(b)將邊緣圖像Edge(I)進行閾值化處理將邊緣圖像Edge(I)中灰度值大于閾值的像素置為1，反之，置為0，得到閾值化處理后的二值圖像；所述的閾值按(1+δ)σ計算，其中，δ為大于0的常數(shù)；步驟(c)統(tǒng)計閾值化處理后的二值圖像中的值為1的像素的個數(shù)作為I中的邊緣數(shù)目η(I)。FSA00000175183700022.tif,FSA00000175183700041.tif,FSA00000175183700042.tif全文摘要本發(fā)明公開了一種SAR圖像自適應去噪和特征增強方法，主要為了克服現(xiàn)有方法抗噪性差以及對實驗中參數(shù)不能自適應選取的不足。其步驟為對原SAR圖像先進行對數(shù)運算再進行ME-curvelet變換；然后，采用改進的PSO算法參照提出的評價準則對改進的增益函數(shù)中的參數(shù)進行自適應選擇和優(yōu)化；最后，采用改進的增益函數(shù)對ME-curvelet系數(shù)進行非線性變換，并進行ME-curvelet逆變換和指數(shù)變換，得到最終的去噪和特征增強后的SAR圖像。采用本發(fā)明方法能夠在增強特征的同時去除噪聲，并降低處理的復雜度，取得較好的SAR圖像去噪和特征增強效果。文檔編號G06T5/00GK101882304SQ201010210108公開日2010年11月10日申請日期2010年6月24日優(yōu)先權日2010年6月24日發(fā)明者張艷寧,李映,龔紅麗申請人:西北工業(yè)大學