專利名稱：：基于隱馬爾科夫樹模型的sar圖像去噪方法
技術領域：
：本發明屬于圖像處理
技術領域：
，特別是一種涉及SAR圖像去噪的.方法，可用于對'SAR圖像、自然圖像及醫學圖像的去噪。
背景技術：
：合成孔徑雷達SAR作為主動雷達，具有不受光照、天氣條件影響的特點，可以全天候、全天時對地觀測，還可以透過地表和植被獲取信息，在農業、林業、地質、環境、水文、海洋、災害、測繪與軍事領域得到了廣泛的應用。SAR圖像中由于成像散射體散射回波的相干作用造成的斑點噪聲的存在不利于圖像中場景的自動分析和SAR圖像的理解，使得圖像的解譯工作變得困難，尤其是對SAR圖像中的點目標和邊緣的影響非常明顯。因此斑點噪聲的去除對SAR圖像的后續處理例如邊緣檢測是非常重要的。近年來，SAR圖像相干斑噪聲抑制技術飛速發展，可分為成像前多視平滑技術和成像后濾波技術兩大類，后處理技術中空域濾波和變換域方法得到了廣泛地研究。空域濾波如Lee，Gamma-MAP等對SAR圖像進行去噪實現過程簡單易于理解，一定程度上可以有效的減弱噪聲的影響，但此類濾波器都不同程度的對圖像產生了過平滑作用，使圖像變模糊，細節信息丟失嚴重。近年來，變換域的方法也得到了發展，其中基于小波變換的方法成為研究的焦點，如Crouse等人將小波變換與隱馬爾科夫模型聯系起來，提出了小波域隱馬爾科夫模型，開辟了多尺度變換域統計信號處理這一新的研究領域。但對于具有線狀奇異的目標函數，例如圖像中的邊緣，小波系數不再稀疏，因此小波在SAR圖像去噪中并不能夠很好地保持圖像中的細節信息。為了解決小波基函數各向同性帶來的問題，Donoho等人提出了多尺度幾何分析，其能夠有效表示和處理高維奇異函數，并在圖像處理得到了廣泛的應用，Contouriet便是其中一種分析工具。隨著多尺度幾何分析的發展，眾多學者提出了多尺度幾何變換域下的HMT模型和各種改善的HMT模型。Contourlet變換作為新的多尺度信號表示方法，除了具有小波變換的優點外，還具有多方向和各向異性的特點。以Contourlet系數的統計特征為基礎，Po和Do提出了Contourlet域用于圖像去噪的HMT模型，Contourlet域HMT模型和小波域HMT模型相比，不但可以描述尺度間的相關性，而且可以描述不同方向間系數的相關性。但這種模型只捕獲了微小的尺度內的依賴性，用于SAR圖像去噪時，一些細節、紋理信息被平滑，同質區域內的噪聲去除不夠徹底導致同質區域等效視數低，去噪效果并不理想。
發明內容本發明的目的在于克服上述已有方法存在的細節、紋理信息被平滑及同質區域等效視數低的缺點，提出一種基于隱馬爾可夫樹模型的SAR圖像去噪方法，以達到更徹底的去噪效果，并很好的保持圖像的細節和紋理信息。本發明的技術方案是以Contourlet系數鄰域間和尺度間都具有很大的相關性為基礎，利用隱馬爾可夫樹模型HMT模型來捕獲系數尺度間的依賴性，利用背景隱馬爾科夫模型CHMM來捕獲系數鄰域內的依賴性，把HMT和CHMM結合起來建立Contourlet域改進的HMT統計模型，模型結構如圖3所示，用該統計模型對SAR圖像進行去噪處理。具體實現步驟如下-(1)對輸入SAR圖像依次進行對數變換和Contourlet變換，獲得不同方向的Contourlet變換系數；(2)采用單方向傳遞HMT模型和多方向傳遞HMT模型分別對不同方向的Contourlet系數進行尺度間HMT建模；(3)用EM算法對建立的HMT模型進行訓練，得到均值、方差、狀態轉移概率和狀態概率最優估計參數，并利用該最優估計參數按照貝葉斯最小均方誤差準則對Contouriet系數進行萎縮，得到初始無斑系數；(4)對初始無斑系數建立尺度內的背景隱馬爾科夫模型CHMM，利用EM算法對尺度內的CHMM進行訓練，得到尺度內的估計參數，利用尺度內的估計參數對初始無斑系數進行萎縮，得到最終無斑系數；(5)對最終無斑系數依次進行Contourlet逆變換和指數變換，得到初步的去噪圖像/A(6)采用各向異性擴散方法對原始SAR圖像和去噪圖像/7的差值圖像進行去噪處理，得到二次去噪圖像/2;'(7)用模極大值方法對初步去噪圖像和二次去噪圖像/2進行融合-(8)對融合后的圖像用CycleSpi皿ing方法進行旋轉平移處理，獲得最終去噪圖像，并輸出。本發明與現有技術相比具有如下優點1)本發明充分利用了Contourlet系數之間的相關性傳統的HMT去噪方法，只考慮了Contourlet系數微小的尺度內相關性，沒有充分利用系數之間的相關性，導致去噪圖像的一些細節、紋理信息被平滑，圖像噪聲去除的不徹底，等效視數較低，本發明提出的改進HMT算法克服了系數相關性沒有充分利用的缺點，利用了Contourlet系數尺度間、尺度內和方向內的相關性，得到了較好的去噪結果。2、本發明提供了更好的相干斑抑制結果傳統的空域濾波不同程度的對圖像產生了過平滑作用，細節信息丟失嚴重，傳統的Contourlet域去噪算法，由于Contourlet變換非平移不變性，會出現劃痕即偽吉布斯現象；本發明采用各向異性擴散方法對差值圖像進行去噪，補充了去噪中丟失的圖像細節信息，使得融合后圖像的細節特征也得到了較好的保持；引入了CycleSpinning，克服Contourlet變換非平移不變性帶來的偽吉布斯現象，使得同質區域內噪聲去除的徹底，用于評價去噪后同質區域內噪聲去除多少的等效視數得到提高。仿真實驗的結果表明，本發明方法更好的保持了圖像的細節和紋理信息，同質區域內噪聲去除的較徹底。圖1是本發明的主要操作過程示意圖；圖2是本發明Contourlet變換域尺度間HMT模型圖；圖3是本發明改進的Contourlet變換域HMT模型圖；圖4是用本發明與已有方法對SARI圖像去噪效果對比圖；圖5是用本發明與已有方法對SAR2圖像去噪效果對比圖。具體實施例方式參照圖l,本發明的具體實現步驟如下步驟l:對SAR圖像作對數變換，將乘性噪聲轉換成為加性高斯白噪聲來處理logj=logz+logx,其中；;表示輸入sar圖像，z表示噪聲圖像，^表示不含噪聲的圖像，采用方向不相同的兩組方向濾波器，該兩組方向濾波器的方向分別為4，4,4和4，8，8，對經對數變換后的數據進行Contourlet分解，得到的Contourlet變換系數分別為乂和J^。步驟2:對變換系數Yi建立單方向傳遞HMT模型，如圖2(a)所示，黑色方形為父節點，四個空方形是其子節點，該模型的參數集為1;對變換系數^2建立多方向傳遞HMT模型，如圖2(b)所示，黑色方形為父節點，四個空方形是其子節點，每一個父節點對應的四個子節點分布在兩個不同的方向子帶內，該模型的參數集為2。步驟3:對包括均值、方差、狀態轉移概率及根節點的初始狀態概率的兩個參數集0i和2進行初始化，再用EM算法對單方向傳遞HMT模型和多方向傳遞HMT模型進行訓練，得到A和2的最優估計參數;利用該最優估計參數按照貝葉斯最小均方誤差準則對Contourlet系數進行萎縮，得到初始無斑系數，萎縮公式如下其中m表示節點的狀態，取值為1或2，p(5^,^m)是J尺度，A:方向，Z位置的節點狀態概率，《".,M是狀態為m，/尺度，*方向，H立置的節點的方差，a^^^是尺度/的噪聲方差，".是/尺度，*方向，/位置的Contourlet系數，"w是萎縮后的初始無斑系數。步驟4:對初始無斑系數建立尺度內的背景隱馬爾科夫模型CHMM，如圖3所示，黑色的節點是Contourlet變換系數，白色的圓形節點是Contourlet的系數的隱狀態變量，狀態數為2，菱形節點為Contouriet的系數的背景變量，一個父節點的狀態對應4個子節點的狀態，y尺度，/t方向，/位置的節點的背景,是由鄰域內八個節點的局部能量平均值決定的，如下式其中，A^,為系數c,t,的八領域內Contourlet系數的局部能量平均值，《是尺度y內系數的平均能量；利用EM算法對尺度內的CHMM進行訓練，先將步驟(3)得到的均值、方差和狀態概率最優估計參數作為CHMM訓練的初始參數，然后進行訓練，得到尺度內的估計參數,利用尺度內的估計參數對初始無斑系數進行萎縮，得到最終無斑系數。步驟5:對第(4)步得到的最終無斑系數依次進行Contourlet逆變換和指數變換，得到初步的去噪圖像//。步驟6:用各向異性擴散方法對原始SAR圖像和去噪圖像//的差值圖像進行去噪處理，得到二次去噪圖像/2。對差值圖像利用梯度算子來區分邊緣和噪聲，然后對差值圖像進行擴散去噪，擴散去噪方程如下:其中《是進行各向異性擴散之前的差值圖像像素值，《1是進行=《"Zr，s=—1(r，"-(O,O)2,2r+s10次各向異性擴散后的差值圖像像素值，r是尺度參數，取值范圍是0"<1/6,r,s是目標點鄰域系數坐標相對于目標點的位置，g是擴散率函數，在上式中使用的擴散率函數是Perona-Malik擴散率gW=1/(1+jc2/—)，〃是擴散率中的對比參數。對于AT的選取，根據多次實驗，通過比較發現，廳取50時效果最好。步驟7:用模極大值方法對初步去噪圖像/7和二次去噪圖像/2進行融合，具體步驟如下-(7a)對初步去噪圖像/7和二次去噪圖像/2分別進行Contourlet分解，選擇的濾波器方向均為4，4，4,得到初步去噪圖像//和二次去噪圖像/2的Contourlet變換系數；(7b)對兩個去噪圖像的Contourlet變換系數的細節項進行模極大值融合得到融合圖像的Contourlet系數的細節項，兩個去噪圖像的Contourlet變換系數的模糊項直接相加得到融合圖像Contourlet系數的模糊項；(7c)對融合圖像的Contourlet系數進行Contourlet反變換得到融合后的圖像。步驟8:對融合后的圖像用CycleSpi皿ing方法進行旋轉平移處理，具體步驟如下(8a)通過行和列方向上的每組平移量得到一個不同的去噪結果其中，S是循環平移算子，T是Contourlet變換算子，T-1是Contourlet逆變換算子，A為Contourlet域HMT去噪算子，下標-/，-_/，/和_/分別為行和列方向上的平移量；(8b)對所有去噪結果進行線性平均,得到抑制偽吉布斯現象的去噪結果-《1《2i=0，_/=0，其中，《，i^分別表示行和列方向上的最大平移量，均為4。步驟9:把步驟(8)中得到的去噪結果&作為最終去噪結果，并輸出。以下給出仿真實驗結果分析，以進一步說明本發明的效果1、仿真條件本發明中的兩幅測試SAR圖像均是從美國SandiaLabs網站上獲得的HorsetrackSAR圖像上截取的，大小均為256x256，分別命名為SARI和SAR2。采用Gamma—MAP濾波方法、Lee濾波方法、小波域HMT去噪方法、Contourlet域HMT去噪方法和本發明方法1改進單方向傳遞HMT模型及本發明方法2改進多方向傳遞HMT模型對SARI和SAR2圖像進行去噪處理。2、仿真結果分析仿真的結果如圖4和圖5，其中圖4(a)為SAR1原圖像，圖4(b)為SARI圖像經Gamma一MAP濾波后的去噪圖像，圖4(c)為SARI圖像經Lee濾波后的去噪圖像，圖4(d)為SARI圖像經小波域HMT去噪后的去噪圖像圖4(e)為SARI圖像經Contourlet域HMT去噪后的去噪圖像，圖4(f)為SARI圖像經本發明改進單方向傳遞HMT模型方法去噪后的去噪圖像，圖4(g)為SARI圖像經本發明改進多方向傳遞HMT模型方法去噪后的去噪圖像。圖5(a)為SAR2原圖像，圖5(b)為SAR2圖像經Gamma—MAP濾波后的去噪圖像，圖5(c)為SAR2圖像經Lee濾波后的去噪圖像，圖5(d)為SAR2圖像經小波域HMT去噪后的去噪圖像，圖5(e)為SAR2圖像經Contourlet域HMT去噪后的去噪圖像，圖5(f)為SAR2圖像經本發明改進單方向傳遞HMT模型方法去噪后的去噪圖像，圖5(g)為SAR2圖像經本發明改進多方向傳遞HMT模型方法去噪后的去噪圖像。從圖4(b)和圖4(c)可以看出，Gamma_MAP濾波和Lee濾波對SARI圖像的斑點噪聲去除的較好，但SAR1圖像的邊緣被模糊，圖像細節信息丟失較嚴重；由圖4(d)和圖4(e)，從同質區域內噪聲的去除可以看出Contourlet域HMT方法要優于小波域HMT方法，但這兩種方法對SARI圖像去噪后的同質區域內噪聲去除的都不夠徹底。從圖4(f)和圖4(g)，可以看出SAR1去噪后同質區域內噪聲去除的很徹底，細節信息、邊緣信息及紋理信息得到了很好的保持。從圖5可以看出，本發明在徹底去除噪聲的同時更多的保持了SAR2圖像的邊緣和紋理細節；可見，本發明在細節，紋理保持方面有相當大的優勢。對SAR圖像去噪性能的評價指標包括等效視數KV丄、均值及均值比，這些評價標準的定義如下(i)等效視數(五M:):五^￡=」~其中"和cr分別為相干斑抑制后圖像中某同質區域的均值和標準差，對于強度圖像^=1，對于幅度圖像^=4"-1。它是衡量圖像中相干斑相對強度的一種指標，相干斑抑制程度越深，等效視數越大。對于SAR1圖像選擇尺寸為40x40，50x50，40x40的同質區域作為計算五7仏的測試數據，如圖4(a)中的方形框標示區域；對于SAR2圖像選擇尺寸為30x30,30x30，30x30的同質區域作為計算^V丄的測試數據，如圖5(a)中的方形框標示區域。(2)圖像的均值均值反映圖像的平均亮度，相干斑抑制前后的圖像均值要基本保持一致。(3)均值比原圖像/與相干斑抑制后圖像"均值之比，理想情況下比率y為純斑點噪聲的統計幅值1。實際的r值與l相差越大，表明輻射度失真越厲害。SAR1和SAR2圖像去噪后的評價指標如表1和表2所示表1對SAR1圖像楚e行去噪后去噪圖像的評'價指標比較SAR1圖像區域l區域2冊丄區域3五m:均值均值比Gamma—MAP217.1888122.2114107.955983.12470.9913Lee濾波217.1888122.2114107.955983.66540.9978小波HMT78.818558.168436.542980.31430.9577ContourletHMT120.216080.063952.256079.94570.9533本發明方法1327.6217158.3174140.774283,78110.9992本發明方法2338.5326153.0471143.338783,77410.999114表2對SAR2圖像進行去噪后去噪圖像的i5<table>tableseeoriginaldocumentpage15</column></row><table>價指標比較從表1及表2可以看出(a)本發明的等效視數值均比其它幾種經典方法的等效視數值大，表明本發明對SAR圖像相干斑噪聲抑制程度較深，斑點噪聲去除的較徹底，去噪效果較好；(b)本發明的均值和相應原圖像的均值基本相同，表明本發明去噪后圖像的平均亮度基本保持不變；(c)本發明的均值比與1的差距比其它經典方法小，表明本發明去噪過程中輻射度失真很小，細節信息和紋理信息保持的較好。綜上，本發明方法既較好地保持了SAR圖像中的點目標及其邊緣等細節特征和紋理信息，也大幅度的減少了SAR圖像同質區域內的斑點噪聲。權利要求1、一種基于隱馬爾科夫樹模型HMT的SAR圖像去噪方法，包括如下步驟(1)對輸入SAR圖像依次進行對數變換和Contourlet變換，獲得不同方向的Contourlet變換系數；(2)采用單方向傳遞模型和多方向傳遞模型分別對不同方向的Contourlet系數進行尺度間HMT建模；(3)用EM算法對建立的HMT模型進行訓練，得到均值、方差、狀態轉移概率和狀態概率最優估計參數，并利用該最優估計參數按照貝葉斯最小均方誤差準則對Contourlet系數進行萎縮，得到初始無斑系數；(4)對初始無斑系數建立尺度內的背景隱馬爾科夫模型CHMM，利用EM算法對尺度內的CHMM進行訓練，得到尺度內的估計參數，利用尺度內的估計參數對初始無斑系數進行萎縮，得到最終無斑系數；(5)對最終無斑系數依次進行Contourlet逆變換和指數變換，得到初步的去噪圖像I1；(6)采用各向異性擴散方法對原始SAR圖像和去噪圖像I1的差值圖像進行去噪處理，得到二次去噪圖像I2；(7)用模極大值方法對初步去噪圖像I1和二次去噪圖像I2進行融合；(8)對融合后的圖像用CycleSpinning方法進行旋轉平移處理，獲得最終去噪圖像，并輸出。2、根據權利要求i所述的的SAR圖像去噪方法，萁中步驟(1)中所述的Contourlet變換，采用方向不相同的兩組方向濾波器，該兩組方向濾波器的方向分別為4，4，4禾Q4，8，8，得到的Contourlet變換系數分別為兀和h。3、根據權利要求1所述的SAR圖像去噪方法，其中步驟(2)所述的采用單方向傳遞模型和多方向傳遞模型分別對不同方向的Contourlet系數進行尺度間HMT建模，是對變換系數力建立單方向傳遞模型，該模型的參數集為1;對變換系數^建立多方向傳遞模型，該模型的參數集為2。4、根據權利要求1所述的SAR圖像去噪方法，其中步驟(3)中所述的用EM算法對建立的HMT模型進行訓練，是先對包括均值和方差，狀態轉移概率，根節點的初始狀態概率的兩個參數集^和02進行初始化，再用EM算法對HMT模型進行訓練，得到A和2的最優估計參數。5、根據權利要求1所述的SAR圖像去噪方法，其中步驟(4)中所述的利用EM算法對尺度內的CHMM進行訓練，是將步驟(3)得到的均值、方差、狀態轉移概率和狀態概率最優估計參數作為CHMM訓練的初始參數。6、根據權利要求1所述的SAR圖像去噪方法，其中步驟(8)中所述的對融合后的圖像用CycleSpinning方法進行旋轉平移處理，按如下步驟進行(6a)通過行和列方向上的每組平移量得到一個不同的去噪結果、其中，S是循環平移算子，T是Contourlet變換算子，T-1是Contourlet逆變換算子，A為Contourlet域HMT去噪算子，下標-/,，/和_/分別為行和列方向上的平移量；(6b)對所有去噪結果進行線性平均,得到抑制偽吉布斯現象的去噪其中，《，《2分別表示行和列方向上的最大平移量。全文摘要本發明公開一種基于隱馬爾科夫樹模型的SAR圖像去噪方法，它涉及圖像處理領域，主要解決圖像細節、紋理信息被平滑及同質區域等效視數低的問題。其步驟為(1)對數變換和Contourlet分解；(2)對Contourlet系數進行HMT建模，并訓練；(3)利用估計參數對Contourlet系數進行校正；(4)建立背景隱馬爾科夫訓練模型，用該估計參數重新校正系數，并進行Contourlet逆變換和指數變換，得到一次去噪圖像；(5)對差值圖像進行去噪，得到二次去噪圖像；(6)對兩次去噪圖像進行融合，并對融合后的圖像進行旋轉平移，獲得最終去噪圖像并輸出。本發明較好地保持了SAR圖像的細節和紋理信息，減少SAR圖像同質區域內斑點噪聲，可用于對SAR圖像進行去噪處理。文檔編號G06T5/00GK101685158SQ20091002317公開日2010年3月31日申請日期2009年7月2日優先權日2009年7月2日發明者彪侯,張向榮,焦李成,爽王,田福苓,馬文萍申請人:西安電子科技大學