一種基于Primal Sketch分類和SVD域改進(jìn)MMSE估計(jì)的SAR圖像去噪算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像去噪技術(shù)領(lǐng)域，涉及合成孔徑雷達(dá)SAR圖像的去噪，具體地說是 一種基于Primal Sketch分類和SVD域改進(jìn)MMSE估計(jì)的SAR圖像去噪算法。
【背景技術(shù)】
[0002] 合成孔徑雷達(dá)技術(shù)的出現(xiàn)是雷達(dá)技術(shù)發(fā)展非常重要中的里程碑，其全天時(shí)、全天 候的檢測(cè)能力，高分辨率和強(qiáng)穿透能力的特點(diǎn)，使得在軍事和民用中獲得了非常廣泛的應(yīng) 用。但是，由于在傳播過程中，電磁波之間相互干涉，同相位疊加增強(qiáng)，反相位疊加振幅為 零，導(dǎo)致SAR圖像中有一些明暗隨機(jī)劇烈變化的斑點(diǎn)，即相干斑噪聲。相干斑噪聲的存在對(duì) SAR圖像的理解和解譯帶來了很大的困難。所以，對(duì)SAR圖像進(jìn)行相干斑抑制是SAR圖像處 理中非常重要的一個(gè)環(huán)節(jié)，是SAR圖像后期處理的基礎(chǔ)。對(duì)SAR圖像相干斑抑制的主要目 的是：在保持邊緣和點(diǎn)目標(biāo)的情況下，盡量的對(duì)同質(zhì)區(qū)域的噪聲進(jìn)行有效地抑制。
[0003] 先對(duì)圖像進(jìn)行分類，然后在對(duì)不同類別進(jìn)行去噪，在圖像去噪中有著廣泛的應(yīng)用。 2009 年 Zhong 等在文獻(xiàn)中 "Zhong hua, Jingjing Xu, Classification based nonlocal means despeckling for SAR image[J]. The International Society for Optical Engineering, 2009, V7495-74950"先對(duì)SAR圖像進(jìn)行分類，對(duì)不同的類別采用不同的非 局部光滑參數(shù)，實(shí)現(xiàn)圖像去噪；2010年zhang等在文獻(xiàn)中"Zhang W.，Liu F.，and Jiao L. et al. SAR image despeckling using edge detection and feature clustering in Bandelet domain [J] .IEEE Geosci. Remote Sens. Lett. ,2010, 7(1): 131-135." 中米用 canny邊緣檢測(cè)算子，將SAR圖像分為邊緣區(qū)域和平滑區(qū)域兩類，對(duì)平滑區(qū)域采用Bandlet 域的模糊C均值聚類，聚類得到原輸入圖像信息和噪聲，然后將邊緣區(qū)域與原輸入圖像信 息合成得出去噪結(jié)果。先分類再去噪的方法，分類的好壞對(duì)最終的效果影響較大，所以選擇 一個(gè)好的分類方法是非常重要的。
[0004] 非局部均值算法是有著非常重要意義的算法，該算法利用相似性作為權(quán)值加 權(quán)平均得出像素點(diǎn)的灰度值。但是該算法采用統(tǒng)一的相似性度量方法使得在較好的 處理平滑區(qū)域的同時(shí)，會(huì)造成一些邊緣、細(xì)節(jié)信息的丟失。于是，很多學(xué)者將奇異值分 解（singular value decomposition，SVD)融入到非局部均值算法中對(duì)其改進(jìn)，2012年 董偉生等在文獻(xiàn)"Weisheng Dong, Guangming Shi, Nonlocal Image Restoration With Bilateral Variance Estimation:A Low-Rank Approach[J]. IEEE Transactions on Image Processing, 2013, vol. 22, "依據(jù)非局部聯(lián)合稀疏模型思想，采用歐式距離的方法選取相似 塊進(jìn)行SVD分解并對(duì)奇異值緊縮，然后通過數(shù)次迭代實(shí)現(xiàn)噪聲的去除；2013年Zhang等在 文獻(xiàn)中 "Yongqin Zhang, Joint image denoising using adaptive principal component analysis and self-similarity [J]. Information Sciences, 2014, v259, pl28_41, "在非局 部思想的基礎(chǔ)上，首先對(duì)預(yù)選的相似塊SVD分解，用蒙特卡洛模擬重新定義的平行分析對(duì) 圖像鄰域塊自適應(yīng)的低秩近似，然后用三維的維納濾波實(shí)現(xiàn)去噪；但是這些方法應(yīng)用于自 然圖像中，對(duì)SAR圖像的效果并不理想，一定程度上會(huì)造成邊緣信息的模糊或者同質(zhì)區(qū)的 欠平滑，所以需要對(duì)其進(jìn)行改進(jìn)。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于針對(duì)SAR圖像去噪中點(diǎn)目標(biāo)難以保持和邊緣容易模糊的問題， 提出了一種基于Primal Sketch分類和SVD域改進(jìn)MMSE估計(jì)的SAR圖像去噪算法，使得在 有效抑制平滑區(qū)域噪聲的同時(shí)，保持圖像邊緣和點(diǎn)目標(biāo)清晰，提高去噪效果。
[0006] 本發(fā)明的技術(shù)方案是：
[0007] 一種基于Primal Sketch分類和SVD域改進(jìn)MMSE估計(jì)的SAR圖像去噪算法，包括 如下步驟：
[0008] 步驟一：輸入一幅SAR圖像Y，其圖像的尺寸大小為MXN，M和N分別為圖像的行 和列的像素個(gè)數(shù)；
[0009] 步驟二：對(duì)輸入圖像Y每個(gè)像素點(diǎn)采用局部濾波器組進(jìn)行卷積，并求解聯(lián)合響應(yīng)， 將聯(lián)合響應(yīng)中最大響應(yīng)值所對(duì)應(yīng)的卷積值和濾波器的方向Θ m，分別作為該像素的能量值 和方向，遍歷所有的像素得到能量圖像ES和方向圖像ER ;
[0010] 步驟三：計(jì)算能量圖像ES的對(duì)比度和輸入圖像Y的鄰域均值，限定圖像的增強(qiáng)范 圍，得到增強(qiáng)能量圖像ESN，然后將增強(qiáng)能量圖像ESN中每一個(gè)像素點(diǎn)（x，y)進(jìn)行非極大值 抑制，得到建議圖像AD，其中（X，y)表示能量圖ESN中像素點(diǎn)的橫縱坐標(biāo)；
[0011] 步驟四：依據(jù)稀疏表示理論，采用匹配追蹤算法的思想，得到未修復(fù)的素描圖 RSK，然后通過圖操作得到最終的素描圖SK ;
[0012] 步驟五：對(duì)最終素描圖像SK中的每一條筆畫上的所有像素點(diǎn)（X，y)依據(jù)步驟二中 得到的該像素點(diǎn)的方向Θ 的法線方向及其反方向行擴(kuò)展，得到每條筆畫法線方向上寬度 為Wx個(gè)像素的素描圖，將輸入圖像中位于素描圖中的像素點(diǎn)判定為邊緣類(；，令像素值為 1，將剩余的像素點(diǎn)判定為非邊緣類C m，令像素值為0,則得到一幅二分類圖像Y。，在二分類 圖像Y。中像素值為1所形成的區(qū)域稱為邊緣區(qū)域Y 像素值為〇所形成的區(qū)域稱為非邊緣 區(qū)域Ym，其中，Wx的取值范圍為3~10;
[0013] 步驟六：在邊緣區(qū)域之中，采用基于比值距離統(tǒng)計(jì)分布的相似性的度量方法，對(duì)任 意一個(gè)邊緣點(diǎn)PS為中心的圖像鄰域塊尋找K e個(gè)相似的圖像鄰域塊，得到邊緣圖像鄰域塊 集合Af ;
[0014] 步驟七：在非邊緣區(qū)域Yne中，采用基于比值距離統(tǒng)計(jì)分布的相似性的度量方法， 對(duì)任意一個(gè)非邊緣點(diǎn)ps為中心的圖像鄰域塊尋找K m個(gè)相似的圖像鄰域塊，得到非邊緣圖 像鄰域塊集合A=;
[0015] 步驟八：對(duì)邊緣圖像鄰域塊集合Af和非邊緣圖像鄰域塊集合Ais中的每一個(gè)圖 像鄰域塊分別列向量化，得到邊緣列向量集合11 和非邊緣列向量集合 KT(L)IL = I.2.···，&,」，分別組成二維邊緣矩陣ΖΓ和二維非邊緣矩陣ΖΓ ;計(jì)算邊緣 列向量集合和非邊緣列向量集合中的每一個(gè)列向量的均值，分別得到邊緣列向量均值集合 反廠⑷I夂= I,2,…式}和非邊緣列向量均值集合{d)K2, ···,【}，分別組成邊緣 均值矩陣和非邊緣均值矩陣Zr ;對(duì)Zf 進(jìn)行SVD分解得到邊緣左奇異向量矩陣 "Γ、邊緣奇異值矩陣、邊緣右奇異向量矩陣F/%對(duì)Z= -?:進(jìn)行SVD分解得到非邊 緣左奇異向量矩陣、非邊緣奇異值矩陣、非邊緣右奇異向量矩陣。其中，kJP kM 分別為邊緣區(qū)域和非邊緣區(qū)域中的相似圖像鄰域塊序號(hào)，&和別為邊緣區(qū)域和非邊 緣區(qū)域中相似圖像塊的個(gè)數(shù)；
[0016] 步驟九：對(duì)步驟八中得到的邊緣奇異值矩陣5T和非邊緣奇異值矩陣分別采用 含有收縮因子的改進(jìn)最小均方誤差進(jìn)行估計(jì)，得到估計(jì)邊緣奇異值矩陣和估計(jì)非邊緣 奇異值矩陣* ;
[0017] 步驟十：將步驟八得到的邊緣左奇異向量矩陣t/f、邊緣右奇異向量矩陣Gpi、邊 緣均值矩陣為"和步驟九得到的估計(jì)邊緣奇異值矩陣句"進(jìn)行SVD反變換，得到估計(jì)圖像鄰 域塊集合I之=1么…，X}，遍歷邊緣區(qū)域乙中所有的像素點(diǎn)，重構(gòu)得到估計(jì)邊緣區(qū) 域欠；同樣地，將步驟八得到的非邊緣左奇異向量矩陣、非邊緣右奇異向量矩陣、 邊緣均值矩陣和步驟九得到的估計(jì)非邊緣奇異值矩陣^:進(jìn)行SVD反變換，得到估計(jì)圖 像鄰域塊集合Ur= 1,2，···,ZmJ，遍歷非邊緣區(qū)域Ym中所有的像素點(diǎn)進(jìn)行估計(jì)，并 重構(gòu)得到估計(jì)非邊緣區(qū)域;
[0018] 步驟十一：計(jì)算分類圖像Υ。中類邊界的像素點(diǎn)PS的邊緣系數(shù)//Γ，并依據(jù)邊緣系 數(shù)?7f計(jì)算巴特沃斯函數(shù)權(quán)值W b(Ps)，對(duì)估計(jì)邊緣區(qū)域文和估計(jì)非邊緣區(qū)域t的類邊界進(jìn) 行加權(quán)融合，其他像素點(diǎn)保持不變，最終得到去噪的圖像?。
[0019] 上述步驟三的具體步驟如下：
[0020] 3a)對(duì)能量圖像ES中的每一個(gè)像素點(diǎn)（x，y)，采用其大鄰域和小鄰域來計(jì)算該像 素點(diǎn)雙鄰域?qū)Ρ榷菴 (X，y)，其公式為：
【主權(quán)項(xiàng)】
1. 一種基于Primal Sketch分類和SVD域改進(jìn)MMSE估計(jì)的SAR圖像去噪算法，其特征 在于，包括如下步驟： 步驟一：輸入一幅SAR圖像Y，其圖像的尺寸大小為MXN，M和N分別為圖像的行和列 的像素個(gè)數(shù)； 步驟二：對(duì)輸入圖像Y每個(gè)像素點(diǎn)采用局部濾波器組進(jìn)行卷積，并求解聯(lián)合響應(yīng)，將聯(lián) 合響應(yīng)中最大響應(yīng)值所對(duì)應(yīng)的卷積值和濾波器的方向Θ m，分別作為該像素的能量值和方 向，遍歷所有的像素得到能量圖像ES和方向圖像ER ; 步驟三：計(jì)算能量圖像ES的對(duì)比度和輸入圖像Y的鄰域均值，限定圖像的增強(qiáng)范圍，得 到增強(qiáng)能量圖像ESN，然后將增強(qiáng)能量圖像ESN中每一個(gè)像素點(diǎn)（x，y)進(jìn)行非極大值抑制， 得到建議圖像AD，其中（X，y)表示能量圖ESN中像素點(diǎn)的橫縱坐標(biāo)； 步驟四：依據(jù)稀疏表示理論，采用匹配追蹤算法的思想，得到未修復(fù)的素描圖RSK，然 后通過圖操作得到最終的素描圖SK ; 步驟五：對(duì)最終素描圖像SK中的每一條筆畫上的所有像素點(diǎn)（x，y)依據(jù)步驟二中得到 的該像素點(diǎn)的方向Θ m的法線方向及其反方向行擴(kuò)展，得到每條筆畫法線方向上寬度為Wx 個(gè)像素的素描圖，將輸入圖像中位于素描圖中的像素點(diǎn)判定為邊緣類(；，令像素值為1，將 剩余的像素點(diǎn)判定為非邊緣類Cm，令像素值為0,則得到一幅二分類圖像Y。，在二分類圖像 Y。中像素值為1所形成的區(qū)域稱為邊緣區(qū)域Y 像素值為〇所形成的區(qū)域稱為非邊緣區(qū)域 Ym，其中，Wx的取值范圍為3~10個(gè)像素； 步驟六：在邊緣區(qū)域之中，采用基于比值距離統(tǒng)計(jì)分布的相似性的度量方法，對(duì)任意一 個(gè)邊緣點(diǎn)ps為中心的圖像鄰域塊尋找Ke個(gè)相似的圖像鄰域塊，得到邊緣圖像鄰域塊集合 Af; 步驟七：在非邊緣區(qū)域