专利名称：基于pca变换的sar图像相干斑抑制方法
技术领域：
本发明属于图像数据处理技术领域，具体地说是ー种相干斑抑制方法，可用于SAR图像斑点噪声的抑制。
背景技术：
合成孔径雷达SAR是ー种高分辨率成像雷达。它具有全天候，多极化，多视角，多俯角数据获取能力及对ー些地物的穿透能力，不仅被广泛地应用在军事上，在农业、气象、地形地貌、灾情监控等民用上也有大量的应用。但由于SAR发射的是相干波，这些相干波经过与地物的相干作用，特别是地物的后向散射作用，使目标回波信号产生了衰减，这种衰减表现在图像上就是相干斑噪声。因为原理的缺陷性，导致SAR图像存在着严重的相干斑噪声，影响了后续的图像解译，因此如何抑制SAR图像中的相干斑噪声，提高图像的解读能力以及获得更多的信息成为ー个重要的问题。SAR图像相干斑抑制的首要目标是在滤除斑 点噪声的同时，尽可能的保持图像的细节信息。SAR图像的相干斑噪声是一种复杂的乘性噪声模型，对于斑点噪声这种特殊的性质，在过去的近二十年中，人们提出了很多经典的SAR图像相干斑抑制方法，如Lee滤波，增强Lee滤波，Kuan滤波等。这些方法是用ー个已定义好的滤波器窗来估计局域相干斑噪声的方差，并进行滤波处理，其结果通常过分的平滑了图像的边缘细节信息，在一定程度上取得了较好的效果。除了在空域进行图像相干斑抑制外，1995年，美国学者Donoho把小波理论引入到图像去噪中，提出了小波软阈值方法。小波软阈值法开创了变换域进行图像去噪的先河，之后涌现了许多变换域去噪的优秀成果，包括多尺度变换的图像去噪方法。小波软阈值方法是ー种非线性的算法，依然存在破坏图像细节信息的问题，对图像的辐射特性保持也不好。PCA变换作为ー种数据降维和去噪的相关工具，广泛的应用于很多领域，比如人脸识别等。PCA变换已有人用来做自然图像的去噪，跟小波变换一祥，它也能捕获图像的结构特征，但是由ー维小波基张成的ニ维小波变换，不是图像的最优表示，用ー个固定的小波基无法表示图像中大量丰富的局部结构，因此基于小波的去噪方法，会引入视觉上的划痕，也就是变换域中最常见的“振铃”现象。为了克服小波变换去噪方法带来的ー些问题，Muresan和Parks等人第一次提出了空间自适应的PCA去噪的策略。2010年Lei Zhang和WeishengDong等人在Muresan的算法基础上提出了性能更加优良的方法，这种方法为PLG-PCA，其效果与目前非常优秀的非局部均值方法NLM和三维块匹配的联合滤波BM3D方法相差无几，但是以上PCA算法目前只应用于噪声模型为加性的自然图像中，不能用到噪声模型为乘性的SAR图像中。
发明内容
本发明的目的在于提出了一种基于PCA变换的SAR图像相干斑抑制方法，将性能优异的PCA变换域去噪方法扩展到噪声模型为乘性的SAR图像中，实现对SAR图像充分滤波的同时保持点目标和边缘细节信息。为实现上述目的，本发明技术方案包括如下步骤(I)取SAR图像的一个像素点X，以像素点X为中心取7X7大小的邻域窗，记为图像块V ；(2)以像素点X为中心取21X21的大窗为训练样本搜索窗，并在训练样本搜索窗中选取与图像块V相似的图像块S，共同组成样本矩阵X ；(3)计算样本矩阵X的协方差矩阵Q，求出协方差矩阵Q的特征值和特征向量；(4)对特征值与特征向量进行PCA变换，即将协方差矩阵Q的特征值按从大到小排列，得到新的特征值V，将特征值所对应的特征向量也重新排列，得到新的特征向量P ; (5)由样本矩阵X的中心化矩阵i和特征向量P的转置矩阵PT，求得含噪的特征系
数J =が；(6)用线性最小均方误差方法对含噪特征系数Y的第一列Y1进行估计，得到估计后的特征系数;(7)用估计后的特征系数f重建图像块，得到去噪后的图像块^ = + 其中，U是样本矩阵X的均值；(8)将SAR图像的每ー个像素点对应的图像块，进行步骤(2)-步骤(7)处理，并对一些重复估计的像素点，取平均，得到基本的去噪结果；(9)在基本的去噪结果上，更新噪声水平，再重复一次步骤(I)-步骤(8)，得到最终的噪声抑制結果。本发明与现有技术相比具有以下优点1、本发明在SAR图像相干斑抑制过程中，采用PCA变换得到的特征系数对图像进行重建，能有效的分离干净图像信号和噪声信号，使图像滤波更加充分并对边缘细节和纹理イ目息保持良好；2、本发明通过选取相似图像块，克服了小波软阈值滤波因无法表示图像大量丰富的局部结构，对噪声抑制时产生的伪吉布斯效应，即振铃现象；3、本发明通过选取相似图像块及用特征系数对图像进行重建，在平滑区域的平滑效果，边缘细节和纹理信息的保留方面比其它现有的SAR图像相干斑抑制方法都理想。
图1是本发明的流程图；图2是本发明仿真使用的两幅人工合成图像模拟的SAR图像；图3是本发明仿真使用的barbara自然图像模拟的SAR图像；图4是本发明仿真使用的光学图像模拟的SAR图像；图5是本发明仿真使用的真实的幅度SAR图像；图6是本发明仿真使用的真实的强度SAR图像；图7是用现有方法及本发明对第一幅人工合成图像模拟的SAR图像滤波后的结果图；图8是用现有方法及本发明对第二幅人工合成图像模拟的SAR图像滤波后的结果图9是用现有 方法及本发明对barbara自然图像模拟的SAR图像滤波后的结果图；图10是用现有方法及本发明对光学图像模拟的SAR图像滤波后的结果图；图11是用现有方法及本发明对真实的幅度SAR图像滤波后的结果图；图12是用现有方法及本发明对真实的强度SAR图像滤波后的结果图。具体实施步骤參照图1，本发明的具体实现步骤如下步骤1，取SAR图像的一个像素点X，以像素点X为中心取7X7大小的邻域窗，记为图像块V。步骤2，以像素点X为中心取21X21的大窗为训练样本搜索窗，并在训练样本捜索窗中选取与图像块V相似的图像块S，共同组成样本矩阵X 2a)在训练样本搜索窗中选取d (V，s)较大的250个值所对应的图像块为相似的图像块S，其中d(V，S)表示图像块V和图像块S之间的相似程度，两个图像块越相似，值越接近0，对于幅度SAR图像两个图像块的相似程度按如下公式计算
权利要求
1.基于PCA变换的SAR图像相干斑抑制方法，包括如下步骤(1)取SAR图像的一个像素点X，以像素点X为中心取7X7大小的邻域窗，记为图像块V；(2)以像素点X为中心取21X21的大窗为训练样本搜索窗，并在训练样本搜索窗中选取与图像块V相似的图像块S，共同组成样本矩阵X ；(3)计算样本矩阵X的协方差矩阵Ω，求出协方差矩阵Ω的特征值和特征向量；(4)对特征值与特征向量进行PCA变换，即将协方差矩阵Ω的特征值按从大到小排列， 得到新的特征值V，将特征值所对应的特征向量也重新排列，得到新的特征向量P;(5)由样本矩阵X的中心化矩阵I和特征向量P的转置矩阵Ρτ，求得含噪的特征系数Y= AP1 (6)用线性最小均方误差方法对含噪特征系数Y的第一列Y1进行估计，得到估计后的特征系数f;(7)用估计后的特征系数f重建图像块，得到去噪后的图像块“; = /> + #,其中，μ 是样本矩阵X的均值；(8)将SAR图像的每一个像素点对应的图像块，进行步骤(2)-步骤(7)处理，并对一些重复估计的像素点，取平均，得到基本的去噪结果；(9)在基本的去噪结果上，更新噪声水平，再重复一次步骤(I)-步骤(8)，得到最终的噪声抑制结果。
2.根据权利要求1所述的基于PCA变换的SAR图像相干斑抑制方法，其中步骤(2)所述的在训练样本搜索窗中选取与图像块V相似的图像块S，按如下步骤进行2a)在训练样本搜索窗中选取d(V，s)较大的250个值所对应的图像块为相似的图像块S，其中，d (V，s)表示图像块V和图像块s之间的相似程度，两个图像块越相似，值越接近0，对于幅度SAR图像两个图像块的相似程度按如下公式计算
3.根据权利要求1所述的基于PCA变换的SAR图像相干斑抑制方法，其中步骤(3)所述的计算样本矩阵X的协方差矩阵Ω，按如下步骤进行3a)设一个行数为m,列数为η的样本矩阵X
4.根据权利要求1所述的基于PCA变换的SAR图像相干斑抑制方法，其中步骤(6)所述的用线性最小均方误差方法对含噪的特征系数Y的进行估计，得到估计后的特征系数 :·, 按如下公式进行
全文摘要
本发明公开了一种基于PCA变换的SAR图像相干斑抑制方法，主要是解决现有的PCA变换域去噪方法不能应用于噪声模型为乘性的SAR图像中。其实现过程是对SAR图像进行取块并在训练样本搜索窗选取相似块，组成样本矩阵；计算样本矩阵的协方差矩阵,求解特征值与特征向量；对特征值与特征向量进行变换求得含噪的特征系数；用最小线性均方误差对含噪的特征系数估计；用估计后的特征系数重建图像块，对重复估计的像素点取平均，得到基本的去噪结果；在基本的滤波结果上重复该过程，得到满意的滤波效果。本发明在抑制相干斑的同时保持点目标和边缘纹理细节信息，提高了SAR图像的相干斑抑制效果，可用于SAR图像目标识别和地物分类。
文档编号G06T5/00GK103020922SQ20131000931
公开日2013年4月3日 申请日期2013年1月10日 优先权日2013年1月10日
发明者王爽, 焦李成, 蒋含禄, 刘坤, 于佳平, 马文萍, 马晶晶, 侯小瑾, 张涛 申请人:西安电子科技大学