一種基于偽pid的自然梯度的極化sar圖像相干斑去噪方法
【專利摘要】本發(fā)明屬于合成孔徑雷達(dá)圖像相干斑去噪處理領(lǐng)域，具體涉及一種基于偽PID的自然梯度的極化SAR圖像相干斑去噪方法。本發(fā)明包括：把同一時(shí)刻采集的一組n幅極化SAR圖轉(zhuǎn)換成一維矢量圖像；對(duì)一維圖像信號(hào)進(jìn)行預(yù)處理；預(yù)處理之后的圖像信號(hào)通過(guò)使用偽PID自然梯度算法進(jìn)行迭代解算得到分離矩陣，與白化后的信號(hào)相乘得到各個(gè)圖像一維信號(hào)輸出；圖像重構(gòu)：找出等效視數(shù)最大的一維信號(hào)，等效視數(shù)最大的是降噪后的SAR圖，將等效視數(shù)最大的一維信號(hào)轉(zhuǎn)換成二維圖像，按照二維轉(zhuǎn)一維相逆的方法轉(zhuǎn)換成一個(gè)N×M像素點(diǎn)的灰度圖像。本發(fā)明應(yīng)用了一種偽PID的方法來(lái)調(diào)節(jié)自然梯度算法的分離步長(zhǎng)，能使得處理結(jié)果圖像比傳統(tǒng)方法清晰，更快速。
【專利說(shuō)明】—種基于偽PID的自然梯度的極化SAR圖像相干斑去噪方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)圖像相干斑去噪處理領(lǐng)域，具體涉及一種基于偽PID的自然梯度的極化SAR圖像相干斑去噪方法。

【背景技術(shù)】
[0002]合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)是一種多參數(shù)、多通道的微波成像雷達(dá)系統(tǒng)，可以同時(shí)獲得地面場(chǎng)景在不同極化組合下的雷達(dá)圖像，提供了單極化SAR無(wú)法比擬的更多的信息量。在海洋學(xué)、冰河學(xué)以及陸地研究中有著廣泛的應(yīng)用。其能夠獲得高質(zhì)量圖像并具有全天候工作能力，在過(guò)去幾十年里，很多國(guó)家都發(fā)展了星載和機(jī)載SAR技術(shù)。SAR克服了傳統(tǒng)雷達(dá)的缺陷，能夠獲得高分辨率圖像，這十分有利于目標(biāo)的偵查和識(shí)別。SAR還突破了傳統(tǒng)相干雷達(dá)的限制，不會(huì)受多云氣候和夜間天氣的影響，尤其是類似熱帶地區(qū)的多變化天氣國(guó)家的地理圖像獲取能力很突出。目前，很多衛(wèi)星裝備都裝載了 SAR系統(tǒng)，尤其是在軍事領(lǐng)域的應(yīng)用更廣泛，在軍事偵察時(shí)，SAR利用其高分辨和高穿透能力，被應(yīng)用于發(fā)現(xiàn)和識(shí)別軍事目標(biāo)，因?yàn)榻饘俨牧蠈?duì)電磁波由很強(qiáng)的后向散射效應(yīng)。由于SAR圖像中的相干斑噪聲現(xiàn)象很大程度上地降低了圖像的可讀性，以致圖像解譯和信息提取變得很困難。由于SAR能夠?qū)ν坏匚镄畔⒔o出一組極化組合圖像這一特點(diǎn)，獨(dú)立分量分析(ICA)在SAR圖像信號(hào)處理領(lǐng)域的應(yīng)用前景很突出，在處理SAR圖像相干斑時(shí)有很大的優(yōu)勢(shì)。本發(fā)明把ICA應(yīng)用在在遙感領(lǐng)域中的SAR圖像處理方面，在極化SAR圖像增強(qiáng)以及相干斑去噪方面取得了很好的實(shí)現(xiàn)結(jié)果。
[0003]為了抑制SAR圖像的相干斑，早期采用的多視處理技術(shù)是在SAR的成像過(guò)程中，在方位向降低處理器帶寬，將方位向信號(hào)的頻譜分割成若干段，進(jìn)行分別成像，形成SAR多視子圖像，然后進(jìn)行非相干疊加；另外可以在方位處理時(shí)，保持原來(lái)的分辨率，雷達(dá)成像后以犧牲SAR圖像的空間分辨率為代價(jià)，通過(guò)降低SAR圖像分辨率的方法進(jìn)行非相干疊加。隨著SAR圖像的應(yīng)用范圍不斷擴(kuò)展，提高了對(duì)地面分辨率的要求，多視處理已經(jīng)不能滿足要求，這樣成像后的相干斑降噪就成為SAR圖像濾波技術(shù)研究的主流方向。在假定噪聲模型基礎(chǔ)上，經(jīng)典濾波算法有Lee濾波、Frost濾波、MAP濾波等，這些算法的特點(diǎn)是能夠自適應(yīng)地平滑地濾掉均勻區(qū)域內(nèi)的斑點(diǎn)噪聲，同時(shí)能夠比較好地保留圖像細(xì)節(jié)紋理和目標(biāo)特征。
[0004]ICA的著眼點(diǎn)是從多個(gè)混合數(shù)據(jù)出發(fā)，利用觀測(cè)數(shù)據(jù)間的高階統(tǒng)計(jì)特性，實(shí)現(xiàn)源信號(hào)與噪聲的分離。應(yīng)用ICA處理實(shí)際數(shù)據(jù)之前，需要實(shí)驗(yàn)數(shù)據(jù)滿足ICA的基本數(shù)學(xué)模型以及一定的約束條件。若將ICA應(yīng)用到處理極化SAR圖像相干斑噪聲抑制中，那么極化SAR圖像的多幅極化組合圖像可以轉(zhuǎn)化為ICA算法的輸入觀測(cè)向量，生成的輸出向量經(jīng)過(guò)重構(gòu)處理后，根據(jù)極化SAR相干斑性能評(píng)估標(biāo)準(zhǔn)來(lái)確定其中的一幅圖像為去除斑點(diǎn)后的圖像。
[0005]在ICA中自然梯度算法又是最常用的一類方法，本發(fā)明基于自然梯度算法，提出了偽PID自然梯度方法。


【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于提出了一種是通過(guò)偽PID來(lái)調(diào)節(jié)步長(zhǎng)使得ICA中的自然梯度算法具有快速去斑能力的有效消除SAR圖像相干斑的基于偽PID的自然梯度的極化SAR圖像相干斑去噪方法。
[0007]本發(fā)明的目的是這樣實(shí)現(xiàn)的:
[0008](I)把同一時(shí)刻采集的一組η幅極化SAR圖轉(zhuǎn)換成一維矢量圖像，第i幅圖像表示為Xi,每一幅圖像的大小為NXM像素點(diǎn)，每一幅圖像把后一行的第一個(gè)像素點(diǎn)緊跟著前一行的最后一個(gè)像素點(diǎn)，得到一個(gè)長(zhǎng)度為NXM的一維行矢量Xi,將所有的行矢量組成一個(gè)輸
X'
人圖像矢量信號(hào)X=…卜
尺
[0009](2)對(duì)一維圖像信號(hào)進(jìn)行預(yù)處理:
[0010]X中減去均值矢量E(X)，使X為均值為零的變量；每一路信號(hào)Xi的數(shù)學(xué)期望采用算術(shù)平均值代替，第i路信號(hào)去均值為:

I NxM
[0011]ΧΟΙ{? = Χ,(?-^Σχ:(?)
[0012]其中t是數(shù)據(jù)點(diǎn)數(shù)；
[0013]通過(guò)特征值分解Xtli的協(xié)方差矩陣\, = E(X0iXJ) = QDQt，其中D為A1,,特征值組成的對(duì)角矩陣，Q為對(duì)應(yīng)特征值的特征向量組成的矩陣，得到白化矩陣T = D_1/2Qt，由變換Z =TX0i得白化信號(hào)，最后得到白化數(shù)據(jù)Z ；
[0014](3)預(yù)處理之后的圖像信號(hào)通過(guò)使用偽PID自然梯度算法進(jìn)行迭代解算得到分離矩陣，與白化后的信號(hào)相乘得到各個(gè)圖像一維信號(hào)輸出；
[0015]偽PID自然梯度算法的實(shí)現(xiàn)包括:
[0016](3.1)隨機(jī)初始化第一個(gè)分離矩陣 W(I) W I Iw(I) I = 1,Y(1) = W(I)Z, k = I ；
[0017](3.2)初始化參數(shù)kp、k1、kd和η (I) = η (2) = α，計(jì)算分離度:
[0018]SD(k) = ||[/ -/(F) Yt^W (k)^F
[0019]當(dāng)k>2 時(shí)，
[0020]
Δ"⑷=診 *(SD ⑷-SD(/(-1))+灸/*SD ⑷+M*(SD ⑷-2*SD(/<:-l)+SD(yt-2))n{k + \) = i](k) + Ai](k)
[0021]W(k+1) = W(k) + n (k) [1-f(Y)YT]ff(k)更新權(quán)值矢量 W(k+1)；

, 、W (k + \)
[0022](3.3)歸一化計(jì)算:(左+ 1)= !j『(左+ 1)丨丨;
[0023](3.4)如果 I |W(k+l)_W(k) I I 彡 ε ,則算法不收斂,計(jì)算 Y (k) =ff(k+l)Z,k = k+1,返回(3.2)，否則算法結(jié)束輸出W，并計(jì)算Y = WZ ;
[0024](4)圖像重構(gòu):因?yàn)閅的每一個(gè)行向量就是一個(gè)一維圖像信號(hào)，計(jì)算各重構(gòu)圖像的等效視數(shù)ENL，第i幅圖等效視數(shù)為:

E2(K)
[0025]ENLi=~V4
1 Var(Yi)
[0026]找出等效視數(shù)最大的一維信號(hào)，等效視數(shù)最大的是降噪后的SAR圖，將等效視數(shù)最大的一維信號(hào)轉(zhuǎn)換成二維圖像，按照二維轉(zhuǎn)一維相逆的方法轉(zhuǎn)換成一個(gè)NXM像素點(diǎn)的灰度圖像。
[0027]本發(fā)明的有益效果在于:
[0028]在現(xiàn)有的技術(shù)中，大多是通過(guò)濾波的方法來(lái)解決圖像的相干斑干擾，有時(shí)候在不知道圖像的具體信息的時(shí)候，傳統(tǒng)的Lee濾波、Frost濾波、MAP濾波等方法是不能解決此類問(wèn)題的，用ICA的方法可以在需求圖像、未知干擾情況下和圖像混合情況未知的情況下來(lái)分離出需求圖像，并把干擾圖分離出來(lái)，并能進(jìn)一步分析干擾圖像，這是傳統(tǒng)方法不能比擬的。本發(fā)明應(yīng)用了一種偽PID的方法來(lái)調(diào)節(jié)自然梯度算法的分離步長(zhǎng)，能使得處理結(jié)果圖像比傳統(tǒng)方法清晰，更快速。

【專利附圖】

【附圖說(shuō)明】
[0029]圖1是整個(gè)去噪過(guò)程流程圖；
[0030]圖2是偽PID自然梯度算法解算過(guò)程示意圖；
[0031 ] 圖3是香港地區(qū)C波段的C-HH極化圖像；
[0032]圖4是香港地區(qū)C波段的C-HV極化圖像；
[0033]圖5是香港地區(qū)C波段的C-VV極化圖像；
[0034]圖6是Frost濾波器處理結(jié)果圖；
[0035]圖7是Iee濾波器處理結(jié)果圖；
[0036]圖8是kuan濾波器處理結(jié)果圖；
[0037]圖9是本發(fā)明方法一基于偽PID的自然梯度方法處理的濾波結(jié)果圖。

【具體實(shí)施方式】
[0038]下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步描述。
[0039]一種基于偽PID的自然梯度的極化SAR圖像相干斑去噪方法。包括:
[0040](I)把通過(guò)極化SAR采集的SAR沒(méi)一幅圖像轉(zhuǎn)換成一維信號(hào)；
[0041](2)對(duì)上述一維圖像信號(hào)進(jìn)行預(yù)處理，包括:去均值的中心化和去相關(guān)的白化兩個(gè)步驟。把一維圖像處理成具有零均值的單位方差信號(hào)；
[0042](3)預(yù)處理之后的圖像信號(hào)通過(guò)使用偽PID自然梯度算法進(jìn)行迭代解算得到分離矩陣，使其與白化后的信號(hào)相乘得到各個(gè)圖像一維信號(hào)輸出；
[0043](4)圖像重構(gòu)，通過(guò)計(jì)算每一個(gè)一維信號(hào)等效視數(shù)，最大等效視數(shù)圖像就是降噪后的極化SAR信號(hào)，然后將這個(gè)一維信號(hào)轉(zhuǎn)換成二維灰度圖像信號(hào)。
[0044]偽PID自然梯度算法是步長(zhǎng)的偽PID解算的自然梯度算法，步長(zhǎng)解算過(guò)程是基于分離度的，每一次迭代瞬時(shí)分離度計(jì)算公式為奶(/() = ||[/-/(101^叫|:，根據(jù)每一次迭代得到的W算出Y，得到分離度SD，如果分離度為零，則不需繼續(xù)迭代，說(shuō)明信號(hào)分離完成；如果信號(hào)沒(méi)有分離完成，首先計(jì)算出分離度，根據(jù)當(dāng)前和前兩個(gè)時(shí)刻的分離度來(lái)解算當(dāng)前的步長(zhǎng)的變化量Λ n (k)，運(yùn)用PID調(diào)節(jié)的思想得到步長(zhǎng)調(diào)節(jié)方法:
[0045]Δ n (k) = kp* (SD (k) -SD (k_l)) +ki*SD (k) +kd* (SD (k) _2*SD (k_l) +SD (k_2))
[0046]其中kp、k1、kd為偽PID參數(shù)，由拍攝圖像的實(shí)際的天氣或噪聲的強(qiáng)弱狀況來(lái)確定，上述調(diào)節(jié)方法稱作偽PID調(diào)節(jié)方法。通過(guò)上式可以計(jì)算出每一次迭代的步長(zhǎng)的變換量，然后改變步長(zhǎng)，得到最終步長(zhǎng)調(diào)節(jié)公式n(k+i) = n(k) + A n(k)0這樣調(diào)節(jié)步長(zhǎng)的好處，可以根據(jù)分離要求及時(shí)的改變步長(zhǎng)。從分離度的定義可以看出
5?(&) = |[/-/(1^尸]『【=||￥￡4，梯度的二范數(shù)就是分離度，根據(jù)上一節(jié)改進(jìn)的自適應(yīng)步長(zhǎng)的自然梯度算法分析可知，分離度的變化反映了信號(hào)的分離快慢。用偽PID來(lái)解算Δη有多重意義:
[0047]I)可以避免直接用分離度來(lái)表示步長(zhǎng)產(chǎn)生的步長(zhǎng)變換劇烈的影響；
[0048]2)kp*(SD(k)-SD(k-l))反映了分離度的變化程度，kp*(SD(k)-SD(k_l))越大說(shuō)明分離度變化很劇烈，如果分離度減小，則分離步長(zhǎng)n也隨之減小，kp調(diào)節(jié)分離度變化強(qiáng)弱；
[0049]3)ki*SD(k)直接放映了分離的劇烈程度，有利于步長(zhǎng)調(diào)節(jié)的快速性，ki調(diào)節(jié)快速性；
[0050]4)kd*(SD(k)-2*SD(k-l)+SD(k_2))反映了步長(zhǎng)將來(lái)的變化趨勢(shì)，kd調(diào)節(jié)變化趨勢(shì)的快慢。
[0051]這些調(diào)節(jié)方法都是符合實(shí)際調(diào)節(jié)規(guī)律的
[0052]通過(guò)上述分析，該步長(zhǎng)調(diào)節(jié)規(guī)律具有快速性，各部分的物理意義明確，受到干擾影響較小，可以穩(wěn)定的調(diào)節(jié)步長(zhǎng)，使得分離性能跟隨分離的不同階段需求。
[0053]本發(fā)明涉及一種極化SAR圖像相干斑去噪的方法。
[0054](I)把得到的一組灰度SAR圖像一一轉(zhuǎn)換成一維行矢量信號(hào)。
[0055](2)對(duì)轉(zhuǎn)化后的這些一維矢量信號(hào)進(jìn)行預(yù)處理，包括:中心化使得信號(hào)的均值為零；去相關(guān)使得信號(hào)的方差為1，且各個(gè)信號(hào)間不相關(guān)，最后得到零均值方差為I的信號(hào)。
[0056](3)對(duì)預(yù)處理過(guò)后的信號(hào)采用偽PID的自然體算法進(jìn)行迭代解算分離矩陣，當(dāng)分離矩陣達(dá)到收斂的時(shí)候，輸出分離矩陣，用當(dāng)前分離矩陣乘以白化后的信號(hào)就得到了一組一維行矢量。
[0057](4)圖像重構(gòu):計(jì)算每一行矢量的等效視數(shù)，等效視數(shù)最大的行矢量就是降噪后的SAR圖一維信號(hào)。將等效視數(shù)最大的一維行矢量轉(zhuǎn)換成二維灰度圖像就是降噪后的極化SAR圖像。
[0058]本發(fā)明的方法在相干斑抑制和邊緣細(xì)節(jié)保存方面有很大的優(yōu)勢(shì)，并且在降噪穩(wěn)定性上具有很大優(yōu)勢(shì)。
[0059]第I步，圖像信號(hào)的轉(zhuǎn)化。對(duì)一組(3幅為宜)待處理的二維SAR圖像都轉(zhuǎn)化為可處理的一維矢量，這樣可得到一組不同極化組合圖像轉(zhuǎn)化成的一組單維矢量，他們就可以組成一個(gè)數(shù)據(jù)矩陣，作為整個(gè)處理過(guò)程的具體輸入。
[0060]第2步，輸入信號(hào)預(yù)處理。預(yù)處理為一個(gè)白化過(guò)程，其分為兩個(gè)步驟:去均值和去相關(guān)，在白化的同時(shí)可以進(jìn)行降維處理，預(yù)處理后的隨機(jī)變量為Z。
[0061]第3步，偽PID自然梯度算法的實(shí)現(xiàn)。首先，隨機(jī)初始化分離矩陣W，其模為I ;其次，利用偽PID自然梯度算法優(yōu)化算法迭代求解分離矩陣W ;最后，通過(guò)公式Y(jié) = WZ估計(jì)獨(dú)立源分量。
[0062]第4步，圖像重構(gòu)。將ICA處理后的矩陣Y的各行向量還原為同原始極化圖像同樣尺寸的二維灰度圖像，并計(jì)算各重構(gòu)圖像的等效視數(shù)，選擇其中等效視數(shù)值最大的圖像作為降噪后的SAR圖像，剩下的幾幅圖像被認(rèn)為是噪聲圖像。
[0063]本發(fā)明描述的方法是一種SAR圖像相干斑去噪的方法，把SAR圖像變換成一維信號(hào)，然后通過(guò)預(yù)處理使得信號(hào)為零均值方差為I的信號(hào)，然后通過(guò)偽PID變步長(zhǎng)的自然梯度算法來(lái)分離預(yù)處理過(guò)后的信號(hào)，得到分離后的信號(hào)。本發(fā)明設(shè)計(jì)方案如圖1所示，步驟如下:
[0064]步驟1:把同一時(shí)刻采集的一組η幅極化SAR圖轉(zhuǎn)換成一維矢量圖像，第i幅圖像表示為為Xi。為了描述方便，社每一副圖像的大小為NXM像素點(diǎn)，每一副圖像把后一行的第一個(gè)像素點(diǎn)緊跟著前一行的最后一個(gè)像素點(diǎn)，這樣就得到一個(gè)長(zhǎng)度為NXM的一維行矢


X'
量Xi,然后將所有的行矢量組成一個(gè)輸入圖像矢量信號(hào)I =...^。


Λ,
[0065]步驟2:預(yù)處理為一個(gè)白化過(guò)程，去均值即信號(hào)X去均值，也就是X中減去其均值矢量E(X)，使得X為均值為零的變量。在實(shí)際的計(jì)算中，每一路信號(hào)Xi的數(shù)學(xué)期望采用算術(shù)平均值代替，第i路信號(hào)去均值如下式:

I NxM
[0066]Χ^?^χχ?-^-^^χχ?(I)
[0067]其中t是數(shù)據(jù)點(diǎn)數(shù)。
[0068]去相關(guān)是通過(guò)特征值分解Xtli的協(xié)方差矩陣^,，其中D為&。,特征值組成的對(duì)角矩陣，Q為對(duì)應(yīng)特征值的特征向量組成的矩陣，得到白化矩陣T = D_1/2Qt，由變換Z = TX0i得白化信號(hào)，最后得到白化數(shù)據(jù)Z。
[0069]步驟3 --偽PID自然梯度算法的實(shí)現(xiàn)，具體如下:
[0070]第I步，隨機(jī)初始化第一個(gè)分離矩陣W(I)有I |W(1) I I =1，Y⑴=W(1)Z，k =I;
[0071]第2步,初始化參數(shù)kp、k1、kd和η⑴=n(2) = α，這些參數(shù)都是根據(jù)極化SAR拍攝時(shí)候的天氣或者拍攝圖像噪聲多少設(shè)定的；然后計(jì)算分離度:
[0072]SD (Zf) = ||[/ - /(F) Yt ] W{k)^pin
[0073]當(dāng)k>2時(shí)，計(jì)算
[0074]
|A/7(/c) = kp *(SD⑷-SD(/f -1))+/d * SD(k)+kd *(SD(/c)-2 * SD(k -1)+SD(/c - 2))⑴汾|/7(/? + ?)-/;(/ν) + Δ/;(^)
[0075]通過(guò)式W (k+1) = ff(k)+n (k) [1-f(Y) YT] W (k)更新權(quán)值矢量 W (k+1)；

, 、W(k + \)
[0076]第3步,歸一化計(jì)算:叫是+ 1) = I^7(H1)I;
[0077]第4 步,如果 I |W(k+l)_W(k) I I 彡 ε，則算法不收斂，計(jì)算 Y(k) = W(k+l)Z, k =k+1，返回第二步，否則算法結(jié)束輸出W，并計(jì)算Y = WZ。
[0078]步驟4:圖像重構(gòu):因?yàn)閅的每一個(gè)行向量就是一個(gè)一維圖像信號(hào)，計(jì)算各重構(gòu)圖像的等效視數(shù)ENL，第i幅圖等效視數(shù)計(jì)算公式如下:
[0079]ENL1 =(4)

VaryYj)
[0080]找出等效視數(shù)最大的一維信號(hào)，等效視數(shù)最大的認(rèn)為是降噪后的SAR圖，然后將該一維圖像信號(hào)轉(zhuǎn)換成二維圖像，按照二維轉(zhuǎn)一維相逆的方法轉(zhuǎn)換成一個(gè)NXM像素點(diǎn)的灰度圖像。
[0081]實(shí)驗(yàn)
[0082]本發(fā)明實(shí)驗(yàn)數(shù)據(jù)使用的圖像如圖3-5所示，其為航天飛機(jī)在SIR-C雷達(dá)L波段香港地區(qū)的一組圖像，象素為250*250，我們選取其中相對(duì)均勻的區(qū)域，主要包含的地物目標(biāo)為島嶼和海洋，可將其主要部分即海洋認(rèn)為是均勻場(chǎng)景。
[0083]運(yùn)用傳統(tǒng)的Frost、Lee和Kuan三個(gè)統(tǒng)計(jì)類濾波器去噪結(jié)果如圖6?8所示,直觀看上去有很好的去噪效果，和本發(fā)明提出方法處理后的結(jié)果圖9比較可以看出，傳統(tǒng)方法處理后的圖像紋理特征反而變差，特別是在灰度分布跳變明顯的邊緣區(qū)域，圖像邊緣紋理信息保持不足，比較結(jié)果說(shuō)明了本發(fā)明的方法在相干斑抑制和邊緣細(xì)節(jié)保存方面有很大的優(yōu)勢(shì)。
【權(quán)利要求】
1.一種基于偽PID的自然梯度的極化SAR圖像相干斑去噪方法，其特征在于: (1)把同一時(shí)刻采集的一組η幅極化SAR圖轉(zhuǎn)換成一維矢量圖像，第i幅圖像表示為Xi,每一幅圖像的大小為NXM像素點(diǎn)，每一幅圖像把后一行的第一個(gè)像素點(diǎn)緊跟著前一行的最后一個(gè)像素點(diǎn)，得到一個(gè)長(zhǎng)度為NXM的一維行矢量Xi，將所有的行矢量組成一個(gè)輸入圖像矢量信號(hào)X=...;
Λ, (2)對(duì)一維圖像信號(hào)進(jìn)行預(yù)處理: X中減去均值矢量E(X)，使X為均值為零的變量；每一路信號(hào)Xi的數(shù)學(xué)期望采用算術(shù)平均值代替，第i路信號(hào)去均值為:
I NxM 其中t是數(shù)據(jù)點(diǎn)數(shù)； 通過(guò)特征值分解Xtli的協(xié)方差矩陣B= ，其中D為i?特征值組成的對(duì)角矩陣，Q為對(duì)應(yīng)特征值的特征向量組成的矩陣，得到白化矩陣T = D_1/2Qt，由變換Z = TX0i得白化信號(hào)，最后得到白化數(shù)據(jù)Z ; (3)預(yù)處理之后的圖像信號(hào)通過(guò)使用偽PID自然梯度算法進(jìn)行迭代解算得到分離矩陣，與白化后的信號(hào)相乘得到各個(gè)圖像一維信號(hào)輸出； 偽PID自然梯度算法的實(shí)現(xiàn)包括: (3.1)隨機(jī)初始化第一個(gè)分離矩陣W(I)有I Iw(I) 11 = 1，Y(I) = W(l)Z，k = I ; (3.2)初始化參數(shù)kp、k1、kd和η⑴=n(2) = α，計(jì)算分離度:
SD(^r) = |[/-/(F)Fr]^(/f)|^ 當(dāng)k > 2時(shí)，
|Δ/;(/?) -/f/;*(SD(/f)-SD(/c-1))+/(/*SD(/v )+/vy/*(SD(/v)-2*SD(/c-1)+SD(/c-2))
'[77(/( +1) -1](k) + Αη[/()
w(k+i) =w(k) + n (k) [1-f(Y)YT]w(k)更新權(quán)值矢量 w(k+i)；


yy (/c + I) (3.3)歸-化計(jì)算坤+1)=p^4;
(3.4)如果 I |W(k+l)-W(k) I I 彡 ε，則算法不收斂，計(jì)算 Y(k) = W(k+1) Z, k = k+Ι,返回(3.2)，否則算法結(jié)束輸出W，并計(jì)算Y = WZ ; (4)圖像重構(gòu):因?yàn)閅的每一個(gè)行向量就是一個(gè)一維圖像信號(hào)，計(jì)算各重構(gòu)圖像的等效視數(shù)ENL，第i幅圖等效視數(shù)為: CM = E ⑷
'Var(Yj) 找出等效視數(shù)最大的一維信號(hào)，等效視數(shù)最大的是降噪后的SAR圖，將等效視數(shù)最大的一維信號(hào)轉(zhuǎn)換成二維圖像，按照二維轉(zhuǎn)一維相逆的方法轉(zhuǎn)換成一個(gè)NXM像素點(diǎn)的灰度圖像。
【文檔編號(hào)】G01S13/90GK104133196SQ201410373183
【公開(kāi)日】2014年11月5日 申請(qǐng)日期:2014年7月31日 優(yōu)先權(quán)日:2014年7月31日
【發(fā)明者】呂淑平, 張 成, 楊麗微 申請(qǐng)人:哈爾濱工程大學(xué)