基于ssim校正聚類稀疏表示的sar圖像降斑方法
【技術領域】
[0001] 本發明屬于圖像處理技術領域，更進一步設及合成孔徑雷達SAR圖像的降斑方 法，可用于SAR圖像分割和目標識別的預處理。
【背景技術】
[0002] 合成孔徑雷達SAR具有全天候、全天時、高分辨率和穿透力強等特點，因此SAR在 軍事方面和民用方面都得到了廣泛的應用。由于SAR系統是微波相干成像，因此SAR圖像在 獲取的過程中容易受到斑點噪聲的影響。斑點噪聲的存在大大降低了 SAR圖像的分辨率， 影響了 SAR圖像后續的處理與解譯，如何有效地抑制SAR圖像中的斑點噪聲變得尤為重要。
[0003] 近年來，稀疏表示被廣泛的應用到圖像去噪中。然而，標準的稀疏表示算法假定稀 疏矩陣中非零系數的出現是隨機的，并沒有考慮到圖像塊之間的相似性。因此，一些學者提 出了將圖像的幾何結構相似性與稀疏表示相結合的算法。其中，董偉生等人提出的基于聚 類的稀疏表示CSR算法認為圖像塊之間的稀疏表示系數的分布不是隨機的，而是在某種程 度上與圖像信號的自相似性有關。
[0004] 西安電子科技大學在其專利申請"基于稀疏域噪聲分布約束的SAR圖像抑斑方 法"（專利申請號；201410229349. 2,公開號；CN103971346A)中提出了一種基于稀疏域噪聲 分布約束的SAR圖像抑斑方法。該方法首先對SAR圖像進行對數變換，利用K均值聚類的方 法對圖像塊進行聚類。針對每類圖像塊，采用主成分分析的方法求出對應的子字典。然后， 利用非局部均值算法和軟闊值收縮算法得到最終的稀疏表示系數，通過反稀疏變換和反對 數變換得到最終的SAR圖像。該方法雖然解決了現有降斑方法不能同時保持圖像紋理細節 與福射特性的問題，能對圖像塊進行聚類，但是不能保證所有圖像塊都得到了最好的劃分。
[0005] 西安電子科技大學在其專利申請"基于SAR圖像局部統計特性的KSVD相干斑抑 制方法"（專利申請號；201110318457. 3,公開號；CN102509263A)中提出了一種基于SAR圖 像局部統計特性的KSVD相干斑抑制方法。該方法從圖像中隨機抽取訓練樣本，利用SAR_ KSVD算法對字典進行訓練，得到最終的訓練字典。然后，利用SAR_OMP算法進行稀疏編碼 的過程，得到稀疏編碼系數。最后，根據冗余稀疏表示圖像噪聲抑制理論，得到最終的降斑 圖像。該方法能夠很好的解決現有相干斑抑制方法中的邊緣和紋理等細節信息被模糊的問 題。但是由于該方法在提取訓練圖像塊時并沒有將圖像塊進行詳細的劃分，而是通過隨機 抽取的方法進行選取，導致訓練得到的字典不能充分的包含圖像中的紋理細節信息。
【發明內容】
[0006] 本發明針對上述現有技術的不足，提出一種基于SSIM校正聚類稀疏表示的SAR圖 像降斑方法，W在保留點目標和紋理細節信息的前提下，提高SAR圖像中的斑點噪聲抑制 效果。
[0007] 為實現上述目的，本發明的技術方案包括如下步驟：
[000引 （1)輸入任選的一幅合成孔徑雷達SAR圖像；
[0009] (2)估計輸入SAR圖像中噪聲的方差：
[0010] (2a)對SAR圖像進行方向波變換，得到低頻子帶系數矩陣和高頻子帶系數矩陣；
[0011] (2b)按照下式，采用基于方向波域的斑點噪聲估計方法，估計SAR圖像中噪聲的 方差：
[0012]
【主權項】
1. 一種基于SSIM校正聚類稀疏表示的SAR圖像降斑方法，包括如下步驟： (1) 輸入任選的一幅合成孔徑雷達SAR圖像； (2) 估計輸入SAR圖像中噪聲的方差： (2a)對SAR圖像進行方向波變換，得到低頻子帶系數矩陣和高頻子帶系數矩陣； (2b)按照下式，采用基于方向波域的斑點噪聲估計方法，估計SAR圖像中噪聲的方差：
其中，σ表示SAR圖像中噪聲的標準差，C表示噪聲的歸一化標準差，Ψ表示控制參 數，μ y表示SAR圖像的均值，y表示SAR圖像矩陣，< 表示SAR圖像的高頻子帶系數矩陣 的方差，Dy表示SAR圖像的高頻子帶系數矩陣； (3) 圖像塊分類： (3a)采用KSVD算法，對SAR圖像進行預濾波，得到濾波后的SAR圖像y'; (3b)以濾波后的SAR圖像太中任意像素為中心，抽取大小為8X8的圖像塊，得到濾 波后的SAR圖像y'像素圖像塊集合B1，以SAR圖像的低頻子帶系數矩陣中任意系數為中 心，抽取大小為8 X 8的圖像塊，得到SAR圖像低頻子帶圖像塊集合B2，合并SAR圖像像素圖 像塊集合&和SAR圖像低頻子帶圖像塊集合B 2，得到總圖像塊集合B ; (3c)計算總圖像塊集合B中每個圖像塊的方差，根據得到的圖像塊的方差大小，將總 圖像塊集合B分為光滑圖像塊集合E和非光滑圖像塊集合F ; (4) 初始化字典： (4a)采用基于SSIM校對的K均值聚類算法，對非光滑圖像塊集合F中的所有圖像塊進 行聚類，得到N類相似圖像塊集合Sk，I < k < N，N為K均值聚類所得到的類別總數； (4b)采用主成分分析方法，求解相似圖像塊集合Sk對應的64個特征向量，將這64個 特征向量按列排列，得到Sk對應的字典D k，I < k < N ; (4c)將字典Dk作為相似圖像塊集合S k的初始字典，將大小為64X256的離散余弦變 換DCT字典D1作為光滑圖像塊集合E的初始字典； (5) 根據基于結構聚類的稀疏表示方法和字典更新方法，對相似圖像塊集合Sk和光滑 圖像塊集合E進行稀疏表示矩陣更新和字典更新，得到最終的稀疏表示矩陣5和最終的字 典 (6) 根據上述得到的總圖像塊集合B、最終的稀疏表示矩陣S和最終的字典D ,利用下 式得到降斑后的SAR圖像X :
其中，λ表示拉格朗日因子，I表示與SAR圖像大小一樣的單位矩陣，R表示總圖像塊 集合B中任意圖像塊矩陣，1^表示圖像塊矩陣R的轉置。
2. 根據權利要求1所述基于SSM校正聚類的稀疏表示SAR圖像降斑方法，其特征在 于，步驟（3a)所述的采用KSVD算法，對SAR圖像進行預濾波，按如下步驟進行： (3al)以SAR圖像y中任意像素為中心，抽取大小為8X8的圖像塊，得到的SAR圖像像 素圖像塊集合M，初始化字典D為大小是64X256的離散余弦變換DCT字典； (3a2)按照下式，更新稀疏表示矩陣：
其中，a'表示更新后的稀疏表示矩陣，a表示稀疏表示矩陣，μ表示控制參數，表 示取二范數的平方操作，IMi1表示取零范數操作； (3a3)按照下式，更新字典，得到更新后的字典D':
其中，Il · M1表示取一范數操作； (3a4)重復執行步驟（3a2)和（3a3)共10次，得到KSVD算法的目標稀疏表示矩陣a" 和目標字典D"; (3a5)按照下式重構得到KSVD算法濾波后的SAR圖像y':
其中，Rm表示SAR圖像像素圖像塊集合M中任意圖像塊矩陣，表示圖像塊矩陣Rm的 轉置。
3. 根據權利要求1所述基于SSM校正聚類的稀疏表示SAR圖像降斑方法，其特征在 于，步驟（3c)所述的根據得到的圖像塊的方差大小，將總圖像塊集合B分為光滑圖像塊集 合E和非光滑圖像塊集合F，是將每個圖像塊的方差與設定的閾值進行比較，若該圖像塊的 方差大于設定的閾值τ，則將該圖像塊劃分到非光滑圖像塊集合F中，否則，將該圖像塊劃 分到光滑圖像塊集合E中，其中τ的取值為最大圖像塊方差的三分之一。
4. 根據權利要求1所述基于SSM校正聚類的稀疏表示SAR圖像降斑方法，其特征在 于，步驟（4a)所述的對非光滑圖像塊集合F中的所有圖像塊進行聚類，按如下步驟進行： (4al)利用K均值聚類算法，對非光滑圖像塊集合F中的所有圖像塊進行N類聚類，得 到每個圖像塊的類別和每個類別的聚類中心； (4a2)計算每個圖像塊與其所屬類別的聚類中心的結構相似度SSIM值，判斷該SSIM值 是否小于0.85,若是，則執行（4a3)，否則，執行（4a4); (4a3)計算該圖像塊與其他類別的聚類中心的SSIM值，將該圖像塊劃分到其最大的 SSIM值所對應的類別中； (4a4)將所屬類別為k的所有圖像塊聚集起來，得到相似圖像塊集合Sk，I < k < N，N 為K均值聚類所得到的類別總數。
5. 根據權利要求1所述基于SSM校正聚類的稀疏表示SAR圖像降斑方法，其特征在 于，所述步驟（5)，按如下步驟進行： (5a)按照下式，更新稀疏表示矩陣和聚類中心所對應的稀疏表示矩陣，得到更新后的 稀疏表示矩陣5和聚類中心所對應的稀疏表示矩陣0 ;
其中，Uk表示類別為k的聚類中心向量，k= 1，2，...，Ν，λ JP λ 2表示兩個不同數值 的常數，N表示K均值聚類的類別總數，Ck表示類別為k的稀疏表示向量矩陣，i表示稀疏 表示向量的列數，S i表示列數為i的稀疏表示向量，β k表示類別為k的聚類中心對應的稀 疏表示向量； (5b)利用步驟（3a)中KSVD算法的字典更新方法，更新字典Dk和D1; (5c)重復執行步驟（5a)和（5b)共3次，得到最終的稀疏表示矩陣5和最終的字典 b。
【專利摘要】本發明公開了一種基于SSIM校正聚類的稀疏表示SAR圖像降斑方法，主要解決現有技術中不能保留更多的點目標和紋理細節的問題。其實現步驟為：(1)輸入圖像；(2)估計輸入SAR圖像中噪聲的方差；(3)對輸入圖像進行分類；(4)對分類后圖像進行初始化字典；(5)更新分類后圖像的稀疏表示矩陣和字典；(6)利用更新后的稀疏表示矩陣和字典重構圖像，得到降斑后的SAR圖像。本發明不僅能夠提高SAR圖像中斑點噪聲的抑制效果，而且能很好保留圖像中點目標和紋理細節信息，可用于SAR圖像分割和目標識別的預處理。
【IPC分類】G06T5-00
【公開號】CN104537624
【申請號】CN201510002988
【發明人】白靜, 焦李成, 張釗, 韓雪云, 王爽, 馬晶晶, 馬文萍, 侯彪
【申請人】西安電子科技大學
【公開日】2015年4月22日
【申請日】2015年1月5日