差估计的SAR图像降噪方法，具体步骤包括 如下：
[0047] 步骤一、相似图像块聚类
[0048] 首先对含噪图像进行图像块抽取，得到图像块集合扔，72,…，yw]，然后从 [y。72,…，yw]中随机抽取I个图像块作为初始类中屯、，接着对于相似块集合中每个图像 块，通过式（1)分别计算它们与I个类中屯、之间的距离，并将每个图像块归于类中屯、到自身 距离最短的类，当所有图像块归类完W后，再将每类图像块集合的均值作为新的类中屯、，重 复m次图像块归类和更新类中屯、过程，得到最终聚类结果。在得到初始降噪图像块集合后， 将式（1)相似度测量改为式（2)，W进一步提高聚类精度。其中C为权重控制参数，韦和 与:为初始估计的结果，同样d(yi，yp越大表示相似度越小。
[0049] 步骤二、基于局部稀疏与非局部稀疏相结合的降噪模型
[0050] 对于每类含噪相似块集合Y，基于局部稀疏与非局部稀疏相结合的降噪模型为：
[0化1]
[005引对于式（14)模型的求解，首先对Y进行SVD分解，得到左乘字典D，右乘字典0T W及含噪奇异值系数2,然后利用2估计真实奇异值系数玄。
[0053] 步骤=、变换域奇异值系数线性最小均方误差估计
[0054] 首先利用式（13)估计真实图像奇异值系数，噪声奇异值方差cri,,,为：
[0化5]
[0化6] 其中式=1/Z为噪声方差，L为SAR图像等效视数。根据双向方差估计理论计算 真实信号奇异值方差
[0057]
[0058] 其中丫i表示Y的第i个奇异值，k为奇异值个数。利用式（17)将估计系数重 构得到初始降噪图像块乂：
[0059]
[0060] 在初始降噪的基础上重新对含噪图像块聚类并降噪，再利用式（18)将降噪后图 像块重构得到最终降噪图像i:
[0061]
[006引其中R康示图像块抽取矩阵，韦表示降噪后图像块。
[0063] 本发明的效果可W通过W下仿真实验进一步说明：
[0064] 一、实验条件和内容
[00化]实验条件；实验使用的输入图像为图2,像素大小为512X512。实验中各降噪算法 都使用MTLAB语言编程实现。
[0066] 实验内容；在上述实验条件下，使用log-KSVD方法、PPB方法与本发明方法进行对 比。降噪能力的客观评价结果用同质区等效视数E化衡量。
[0067] 实验1 ;用本发明方法和现有的PPB方法及log-KSVD方法分别对图2进行降噪， 其中log-KSVD算法残差迭代终止条件为2. 5 0 2 ( 0 2为log域转化后噪声方差），重叠图像 块大小为8X8,字典大小为64X256,训练字典迭代次数为8,降噪结果如图3所示；PPB方 法的图像块大小为7X7,捜索窗大小为21X21，迭代次数为25,降噪结果如图4所示；本发 明中图像块大小为8X8,权重控制参数C=1，相似图像块集合数1 = 60,降噪结果如图 5所示。
[0068] log-KSVD算法利用稀疏表示降噪，先将含噪图像转换到log域，然后直接利用 KSVD算法对其降噪，将其与PPB算法和本发明算法比较可W看出，其降噪结果不仅同质区 平滑度较低，异质区纹理细节也相对模糊，整体视觉效果不佳；PPB算法利用图像的非局部 相似特性降噪，同质区平滑度较高，整体降噪能力较强，但某些边缘部分仍残留噪声；本发 明方法将稀疏表示与图像的非局部相似性相结合，并通过线性最小均方误差准则估计变换 域稀疏系数，进一步提高其估计精度，降噪结果不仅同质区较平滑，异质区的纹理细节也得 到了很好的保持，图像的整体视觉效果良好。
[0069] 表1同质区1，2的脚L指标 [00701
[007。 表1给出了图2中的两个矩形同质区降噪前后的脚L情况，其中脚L值提高越多 表示降噪效果越强。可W看出本发明方法略高于PPB方法，且均远高于log-KSVD方法，此 结果与降噪效果图相吻合。
[0072] 上述实验表明，本发明降噪方法不仅降噪效果明显，而且降噪后图像内容丰富，同 时视觉效果及客观评价指标都较好，由此可见本发明对SAR图像降噪是有效的。
【主权项】
1. 一种基于线性最小均方误差估计的SAR图像降噪方法，其特征在于具体步骤如下： 步骤一、相似图像块聚类 图像中结构存在大量非局部相似信息，利用这些相似信息对图像块进行降噪不仅去噪 效果明显，同时有利于保护图像的纹理细节，为了利用图像的非本地相似信息，对于含噪图 像块，首先通过Kmeans聚类方法将含有相似真实信息的图像块聚类，并采用基于统计估计 的相似块评价代替基于欧氏距离的相似块评价来进一步提高相似块聚类精度； 步骤二、基于局部稀疏与非局部稀疏相结合的降噪模型 为对图像块集合X = [X1, X2，…，xm]局部稀疏表示，将X表示为字典左乘系数： X = D[a " α2，…，a J 其中D为字典，[a i，a 2，…，a m]为[Xl，X2，…xm]的系数集合；当X中图像块为相似图 像块时，实现了 X的非局部稀疏，进一步将[a a 2，…，a m]表示为字典右乘系数： [ai，a2，...，cO = ΣφΤ 其中Φτ为右乘字典，Σ = diag{y i，γ2，…yk}为稀疏表示系数，当同时对相似图像 块集合进行局部稀疏与非局部稀疏表示时，X可表示为： X = ?Σ Φτ 其中稀疏表示系数Σ同时包含X的行相关信息和列相关信息；因此，利用图像的非局 部相似件，将局部稀疏与非局部稀疏结合的降曝樽型为：其中Y表示含噪相似图像块集合，i为估计后系数； 步骤三、变换域奇异值系数线性最小均方误差估计 为求解降噪模型，首先将SAR图像的乘性相干斑噪声转化为加性噪声，然后对含噪相 似图像块集合Y进行SVD分解，对应的奇异值系数可表示为： ^ Y - ^ X+ ^ W 其中Σγ，Σχ*别表示含噪奇异值系数和真实信号奇异值系数，2"表示加性噪声；采 用线性最小均方误差准则对真实信号的奇异值系数进行估计：其中Ε[ ·]表示期望，Cov(Sy)表示协方差矩阵，Cov(Σ χ，Σγ)表示Σ γ 的互协方差矩阵；将估计系数式r重构得到初始降噪图像块，在初始降噪的基础上重新对含 噪图像块聚类与降噪，并将降噪后图像块重构得到最终图像。
【专利摘要】本发明公开了一种基于线性最小均方误差估计的SAR图像降噪方法。属于数字图像处理技术领域。它是一种将图像非局部相似性与稀疏表示相结合的SAR图像降噪方法。首先通过Kmeans聚类法将相似图像块聚类；再对相似块集合做奇异值分解，得到包含行列相关信息的含噪奇异值系数。为使降噪后奇异值系数更好的逼近真实系数，利用线性最小均方误差准则估计奇异值系数。接着将估计后的奇异值系数重构得到初始降噪图像块，结合初始降噪结果重新对含噪图像块进行聚类降噪，并将降噪后图像块重构得到最终降噪图像。本发明不仅去噪效果明显且能够有效的保持图像纹理细节，还具有良好的视觉效果，可用于SAR图像降噪。
【IPC分类】G06T5/00, G06K9/62
【公开号】CN104978716
【申请号】CN201510311551
【发明人】刘书君, 吴国庆, 张新征, 杨婷, 徐礼培
【申请人】重庆大学
【公开日】2015年10月14日
【申请日】2015年6月9日