專利名稱：一種降低合成孔徑雷達影像斑點噪聲的方法
技術領域：
本發明涉及一種降低斑點噪聲的方法，特別是涉及一種降低合成孔徑雷達影像斑點噪聲的方法。
背景技術：
合成孔徑雷達(SAR)已經成為獲取地球表面信息的重要資源，在越來越的部門得到了廣泛的應用，如地質探礦、農業估產、水災監測、城市擴展、生態環境調查等。由于采用主動式相干波成像方式，在從原始信號到圖像的重建過程中，存在一個固有的問題，即斑點噪聲(Speckle)的干擾。斑點噪聲在降低SAR圖像空間分辨率的同時，也干擾了對SAR后向散射系數的測量，嚴重影響了SAR圖像的應用。
SAR圖像有很多不足之處，最突出的問題是雷達的成像難以理解。雷達圖像形成的是一種距離投影，與我們所常見的可見光影像的成像規律不同，因此人們必須經過訓練才能準確辨認雷達圖像所傳達的信息。雖然現在有人開始否定這種說法，認為現在的SAR圖像已經非常完美，與普通照片的相像程度已經達到85％，但是多數專家認為SAR剛開始由抽象圖像到直觀圖像的轉變。另一個不足之處是，SAR對平臺軌道的精度要求高，對雷達設備和技術要求的門檻也很高，導致SAR的研制和應用的費用很高。回顧SAR發展的歷史，其壽命周期費用一直比可見光和紅外系統高。但現在這種情況已經開始改變，有專家認為目前SAR的壽命周期費用已經下降到與紅外及較復雜的可見光系統相當的程度。
綜上所述，可以發現，目前世界各國普遍高度重視SAR傳感器的研發與應用。21世紀，合成孔徑雷達遙感技術將朝著多平臺、高分辨率、多波段、多極化和多工作模式等方向迅速發展。
發明內容
本發明目的在于公開一種降低合成孔徑雷達影像斑點噪聲的方法。
本發明目的通過如下技術方案實現的 步驟1進行圖像對數變換，將乘性噪聲轉變為加性噪聲； 步驟2對變換后的圖像進行均值校正，使得校正的結果滿足零均值高斯白噪聲的假設前提； 步驟3對經過均值校正的圖像進行循環平移，從而消除Contourlet變換可能造成的圖像可視效果畸變； 步驟4對一系列得到的平移影像分別應用Contourlet變換，使用Contourlet域濾波器進行濾波處理； 步驟5對濾波過的各個平移影像進行逆Contourlet變換，然后將所有經過逆變換的影像分別進行逆平移變換，再將這些經過逆平移變換的影像求平均； 步驟6對平均影像進行指數變換，得到濾波后的影像。
其中步驟1乘性噪聲轉化為加性噪聲的方法 乘性噪聲模型來描述SAR圖像，如下式(i)所示 g＝f·e (i) 其中，g代表觀測值，也就是SAR圖像；f代表真實值；e代表噪聲。
對數變換(LOG)是一種有效的方法，如式(ii) δ＝K+ε (ii) 其中，δ＝LOG(g)，K＝LOG(f)，ε＝LOG(e)。
進行完對數變換之后要進行Contourlet變換，由于Contourlet變換是一種線性變換，用下式表示 y＝x+n(iii) 其中，y＝CT(δ)代表含噪聲的Contourlet系數，x＝CT(κ)表示原始信號的Contourlet系數，n＝CT(ε)表示噪聲的Contourlet系數。CT(·)代表Contourlet變換； 其中步驟2對變換后的圖像進行均值校正在進行指數變換之前，從Contourlet逆變換后的影像中減去經過對數變換的噪聲影像的均值即得； 其中步驟3循環平移方法的實現過程如下，讓圖像在水平方向以一定的步長S重復移動K1次，同樣在垂直方向重復移動K2次，得到K1×K2個循環平移的圖像。
其中步驟4濾波算法閾值(threshold)方法(硬閾值或軟閾值)或基于貝葉斯估計的系數收縮(shrinkage)方法或基于隱馬爾可夫樹模型(HMT)的濾波算法或基于上下文的隱馬爾可夫模型的濾波算法。
其中基于隱馬爾可夫樹模型(HMT)的濾波算法為 首先，對y建立HMT模型，并運用EM算法對其參數進行估計，獲取其模型參數(假設Contourlet系數服從由M個0均值的混合高斯分布)，然后，通過將噪聲的方差從θy中去除，可以獲得去噪的Contourlet系數的參數θx，即 其中，[x]+表示如果x大于等于0，則[x]+＝x，否則[x]+＝0。(j，k，i)表示在尺度為j方向為k的子波段中的第i個Contourlet系數，m為Contourlet系數所屬的狀態。其中，噪聲的系數的方差
可以通過對最精細尺度的Contourlet系數進行中值估計獲得，或者通過蒙特卡羅(Monte-Carlo)方法獲得。
當獲得了去噪影像的HMT參數θx之后，利用該參數對去噪影像的Contourlet系數進行估計得到 本發明在圖像(SAR)乘性斑點噪聲模型的基礎上，通過分別應用對數變換將乘性噪聲轉化為加性噪聲，應用循環平移方法消除圖像可視效果畸變，使用均值校正解決對數變換后的均值偏移，為使用各種不滿足平移不變性變換的算法(如wavelet，contourlet)進行SAR圖像濾波處理建立了統一的濾波處理框架；在此框架之下，應用幾種常用的SAR濾波算法，對模擬影像和真實SAR影像進行了濾波處理，通過比較各種方法的可視效果和統計指標，表明在SAR濾波處理統一框架下，基于contourlet域隱馬爾可夫樹模型的去噪方法在濾波結果在可視效果和統計指標方面均優于常用的SAR濾波算法。
下述實驗例和實施例用于進一步說明但不限于本發明； 實驗例1 模擬圖像降低影像斑點噪聲實驗 選用模擬圖像對各種濾波器的效果進行評估。模擬影像是向一幅QuickBird影像中加入方差為0.05(該值已經過歸一化，即在加入噪聲時，假設圖像的值在0～1之間)的服從Gamma分布的speckle噪聲生成。圖像大小為256像素×256像素。濾波方法包括基于斑點噪聲模型的Lee濾波算法(Lee J S.Speckle Suppression and Analysis for Synthetic ApertureRadar Images[J].Opt.Eng.1986，25(5)636-643.)(濾波器窗口為5×5)、小波軟閾值法(WST)和CHMT方法---基于K均值粗分類的綁定法(CC-CHMT，本發明實施例1中所述的濾波算法)。CHMT模型訓練中均使用零均值、2狀態的混合高斯分布，LP分解選用’9-7’，方向濾波器組均選用pkva(Do M N，Vetterli M.The Contourlet TransformAn EfficientDirectional Multiresolution Image Representation[J].IEEETransactions on Image Processing.2005，14(12)2091-2106.)，Contourlet分解層數為3，每層的方向數分別為4，8，16；小波域濾波器中，為了避免使用不同的小波基對結果產生的影響，小波基選用與Contourlet變換相同的’9-7’，分解層數也為3層。
圖1-5是對模擬影像使用不同濾波器的處理結果。圖1為原始QuickBird遙感影像，圖2為加入噪聲后的QuickBird影像，圖3為使用Lee濾波器進行處理得到的結果，圖4為使用小波軟閾值法(WST)處理的結果，圖5是使用基于K均值粗分類綁定方法(CC-CHMT)得到的結果。原始QuickBird影像加入噪聲后退化的比較嚴重。從濾波結果來看，Lee方法雖然細節信息保持的比較好，但噪聲壓制的能力明顯低于其他方法；WST方法產生了較嚴重的“振鈴”效應，喪失了很多細節信息。
從總體上來說，基于Contourlet域的HMM方法得到的結果可視效果好于Lee方法和WST方法，其結果在斑點濾除和細節的保留上均取得了較好的效果，其可視效果也更接近于原始的Quickbird影像。
為了進一步研究各種濾波方法的濾波能力，在圖像上任取一行，通過其剖面(profile)對濾波后影像與原始影像進行比較。Profile的位置如圖1中的直線所示。這條線經過了很多邊緣，便于我們比較不同的濾波器在處理邊緣時的能力。圖6顯示了原始影像、Lee方法、WST方法、CC-CHMT方法的profile。可以看到，在Lee方法的曲線上產生了很多小的“尖峰”，與原始圖像的曲線不能很好的吻合，表現在圖像上就是噪聲壓制的效果不強；CST方法是與原始圖像重疊的最好的，但從圖4中可以發現，該方法得到的圖像有較強的“振鈴”效應。
實驗例2 SAR影像利用不同濾波器實驗 SAR影像選用Radarsat影像(C波段，HH極化，空間分辨率25m×25m)。圖像大小為256像素×256像素。圖7(a)為Radarsat影像；圖7(b)為使用Lee濾波器進行處理得到的結果，圖7(c)為使用小波軟閾值法(WST)處理的結果，圖7(d)是使用CHMT得到的結果。總得來說，各種方法的表現與使用模擬影像的結果較為近似。Lee方法在濾除噪聲的同時，較大地模糊了影像(比如左上角的高反射區域經過濾波后，幾乎合并成一片)，紋理細節信息丟失較嚴重；WST方法的視覺效果較差，有明顯的“振鈴”現象；CHMT方法的在有效濾除噪聲的同時，都具備較強的細節保留能力，濾波后的圖像比較自然、清晰。
我們使用等效視數(Equivalent Number of Looks，ENL)和信噪比(Signal Noise Ration，SNR)這2個參數來定量評價濾波器的性能。ENL可以評價一個濾波器的斑點抑制能力，ENL越大，表明濾波器對噪聲的壓制效果越強，在勻質區域，ENL定義為該區域均值的平方除以該區域的方差。SNR表示含噪聲圖像或者濾波后圖像與原始圖像相比，質量變化的情況。信噪比越高，表示濾波的效果越好。
表1 濾波器性能比較 表1列出了對模擬影像和SAR影像利用不同濾波器進行濾波后的參數指標。從模擬影像的統計結果可以看到，Lee方法不論是ENL還是SNR都遠低于其他幾種方法；WST方法有較高的ENL和SNR，但是通過觀察發現，這兩種方法都在很大程度上模糊了影像，也就是說，由于該方法具有很強的“平滑”能力，才導致了較高的ENL和SNR值；從指標值來看，CHMT的方法能取得較好的效果。
下述實施例均能夠實現上述實驗例所述的效果 圖1為原始QuickBird遙感影像 圖2為加入噪聲后的QuickBird影像 圖3為使用Lee濾波器進行處理得到的結果 圖4為使用小波軟閾值法(WST)處理的結果 圖5是使用基于K均值粗分類綁定方法(CC-CHMT)得到的結果。
圖6不同濾波方法的剖面圖 圖7(a)為Radarsat影像 圖7(b)為使用Lee濾波器進行處理得到的結果 圖7(c)為使用小波軟閾值法(WST)處理的結果 圖7(d)是使用CHMT得到的結果 圖8是本發明實施例1的流程圖 Y代表含噪SAR圖像，X代表濾波處理后的圖像；LOG代表對數變換，R代表均值校正處理，Zi和Z-i分別代表進行步長為i的循環平移變換和循環平移逆變換，CT和CT-1分別代表Contourlet變換和逆變換，w代表濾波處理算法，EXP代表指數變換。
具體實施例方式 實施例1 步驟1乘性噪聲轉化為加性噪聲的方法 乘性噪聲模型來描述SAR圖像，如下式(i)所示 g＝f·e(i) 其中，g代表觀測值，也就是SAR圖像；f代表真實值；e代表噪聲。
對數變換(LOG)是一種有效的方法，如式(ii) δ＝K+ε (ii) 其中，δ＝LOG(g)，K＝LOG(f)，ε＝LOG(e)。
進行完對數變換之后要進行Contourlet變換，由于Contourlet變換是一種線性變換，用下式表示 y＝x+n(iii) 其中，y＝CT(δ)代表含噪聲的Contourlet系數，x＝CT(κ)表示原始信號的Contourlet系數，n＝CT(ε)表示噪聲的Contourlet系數。CT(·)代表Contourlet變換； 步驟2對變換后的圖像進行均值校正在進行指數變換之前，從Contourlet逆變換后的影像中減去經過對數變換的噪聲影像的均值即得； 步驟3循環平移方法的實現過程如下，讓圖像在水平方向以一定的步長S重復移動K1次，同樣在垂直方向重復移動K2次，得到K1×K2個循環平移的圖像。
步驟4濾波算法其中基于隱馬爾可夫樹模型(HMT)的濾波算法為 首先，對y建立HMT模型，并運用EM算法對其參數進行估計，獲取其模型參數(假設Contourlet系數服從由M個0均值的混合高斯分布)，然后，通過將噪聲的方差從θy中去除，可以獲得去噪的Contourlet系數的參數θx，即 其中，[x]+表示如果x大于等于0，則[x]+＝x，否則[x]+＝0。(j，k，i)表示在尺度為j方向為k的子波段中的第i個Contourlet系數，m為Contourlet系數所屬的狀態。其中，噪聲的系數的方差
可以通過對最精細尺度的Contourlet系數進行中值估計獲得，或者通過蒙特卡羅(Monte-Carlo)方法獲得。
當獲得了去噪影像的HMT參數θx之后，利用該參數對去噪影像的Contourlet系數進行估計得到 步驟5對濾波過的各個平移影像進行逆Contourlet變換，然后將所有經過逆變換的影像分別進行逆平移變換，再將這些經過逆平移變換的影像求平均； 步驟6對平均影像進行指數變換，得到濾波后的影像。
上述整個算法的流程可以用示意圖8表示。
權利要求
1、一種降低SAR影像斑點噪聲的方法，其特征在于包括如下步驟
步驟1進行圖像對數變換，將乘性噪聲轉變為加性噪聲；
步驟2對變換后的圖像進行均值校正，使得校正的結果滿足零均值高斯白噪聲的假設前提；
步驟3對經過均值校正的圖像進行循環平移，從而消除Contourlet變換可能造成的圖像可視效果畸變；
步驟4對一系列得到的平移影像分別應用Contourlet變換，使用Contourlet域濾波器進行濾波處理；
步驟5對濾波過的各個平移影像進行逆Contourlet變換，然后將所有經過逆變換的影像分別進行逆平移變換，再將這些經過逆平移變換的影像求平均；
步驟6對平均影像進行指數變換，得到濾波后的影像。
2、如權利要求1所述的方法，其中步驟1乘性噪聲轉化為加性噪聲的方法為
乘性噪聲模型來描述圖像，如下式(i)所示
g＝f·e (i)
其中，g代表觀測值，也就是圖像；f代表真實值；e代表噪聲；
對數變換LOG，如式(ii)
δ＝κ+ε(ii)
其中，δ＝LOG(g)，κ＝LOG(f)，ε＝LOG(e)；
進行Contourlet變換，用(iii)式表示
y＝x+n (iii)
其中，y＝CT(δ)代表含噪聲的Contourlet系數，x＝CT(κ)表示原始信號的Contourlet系數，n＝CT(ε)表示噪聲的Contourlet系數；CT(·)代表Contourlet變換。
3、如權利要求1所述的方法，其中步驟2中對變換后的圖像進行均值校正，在進行指數變換之前，從Contourlet逆變換后的影像中減去經過對數變換的噪聲影像的均值即得。
4、如權利要求1所述的方法，其中步驟3循環平移方法的步驟如下使圖像在水平方向以一定的步長S重復移動K1次，同樣在垂直方向重復移動K2次，得到K1×K2個循環平移的圖像。
5、如權利要求1所述的方法，其中步驟4濾波算法為閾值方法或基于貝葉斯估計的系數收縮方法或基于隱馬爾可夫樹模型的濾波算法或基于上下文的隱馬爾可夫模型的濾波算法。
6、如權利要求5所述的方法，其中基于隱馬爾可夫樹模型的濾波算法為
對y建立HMT模型，并運用EM算法對其參數進行估計，獲取其模型參數通過將噪聲的方差從θy中去除，獲得去噪的Contourlet系數的參數θx，即
其中，[x]+表示如果x大于等于0，則[x]+＝x，否則[x]+＝0；(j，k，i)表示在尺度為j方向為k的子波段中的第i個Contourlet系數，m為Contourlet系數所屬的狀態；
其中，噪聲的系數的方差
通過對最精細尺度的Contourlet系數進行中值估計獲得，或者通過蒙特卡羅(Monte-Carlo)方法獲得；
獲得去噪影像的HMT參數θx后，利用該參數對去噪影像的Contourlet系數進行估計得到
全文摘要
本發明公開了一種降低合成孔徑雷達影像(SARSynthetic Aperture Radar)斑點噪聲的方法，包括進行圖像對數變換，將乘性噪聲轉變為加性噪聲；對變換后的圖像進行均值校正，使得校正的結果滿足零均值高斯白噪聲的假設前提；對經過均值校正的圖像進行循環平移，從而消除Contourlet變換可能造成的圖像可視效果畸變；對一系列得到的平移影像分別應用Contourlet變換，使用Contourlet域濾波器進行濾波處理；對濾波過的各個平移影像進行逆Contourlet變換，然后將所有經過逆變換的影像分別進行逆平移變換，再將這些經過逆平移變換的影像求平均；對平均影像進行指數變換，得到濾波后的影像，本發明可以極大地降低SAR影像斑點噪聲。
文檔編號G01S13/00GK101398487SQ20071017536
公開日2009年4月1日 申請日期2007年9月28日 優先權日2007年9月28日
發明者陳云浩, 磊 鄧, 京 李 申請人:北京師范大學