一种结合极化分解向量统计分布的极化sar图像滤波方法
【技术领域】
[0001] 本发明属于图像处理技术领域，可以用于极化SAR图像的相干斑抑制。具体是一 种结合极化分解向量统计分布的极化SAR图像滤波方法。
【背景技术】
[0002] 极化合成孔径雷达（Pol-SAR)是在SAR的基础上发展来的，它获得的目标信息更 为丰富，在军事和民事领域都得到了广泛的应用。但是，极化SAR图像中存在相干斑噪声， 这给后续的图像解译和分析带来了困难，所以，首先就是要对极化SAR图像进行降斑处理。
[0003]目前，有很多的极化SAR降斑方法，具有代表性的有极化白化滤波（PWF)，极化精 致Lee滤波等方法，这些方法虽然对极化SAR图像有一定的降斑效果，但是在边缘，线条 等领域丢失了很多细节，使得图像变得模糊不清。最近几年有很多学者将非局部的思想 引入到极化SAR降斑中，提出了很多的方法，如杨健等人提出的极化SAR的非局部均值滤 波------Pretest方法，该方法是利用图像的相似块计算权值，该方法很好的利用了图像 的结构信息，对图像也有一定的降斑效果，但是经降斑后的图像丢失了很多的小细节，如目 标点，细线条等，边缘处了也出现了模糊现象。
【发明内容】
[0004] 本发明的目的是针对以上问题，提出一种结合极化分解向量统计分布的极化SAR 图像滤波方法，主要解决现有的滤波算法在对图像滤波时不能很好的保持图像的细节信息 和散射特性的问题。
[0005] 本发明的技术方案是，一种结合极化分解向量统计分布的极化SAR图像滤波方 法，包括如下步骤：
[0006] 步骤一：输入极化SAR数据的相干矩阵T;
[0007] 步骤二：对相干矩阵T进行混合四分量分解，即HH)分解，每一个像素点分成四种 散射类型，即：表面散射ps，偶次散射pd，体散射pv和螺旋散射ph，每一个像素点的散射特 性用一个3X1向量表示，则像素点i的散射特性为：veCi= [psDpc^pVi+phi];
[0008] 步骤三：利用非局部技术，求得每一个像素点i和其邻域内其他像素点j的权值 w(i,j)；
[0009] 步骤四：根据极化SAR数据的极化分解向量的分布特性，求得极化相似性的度量 公式及阈值，进而找到每一个像素点i在其邻域窗内相似性像素点，对权值进行修改，得到 最终的权值公式；
[0010]步骤五：利用最终的权值公式对每一个像素点进行估计，得到整个极化SAR图像 滤波后的相干矩阵Γ;
[0011] 步骤六：利用Pauli分解方法将滤波后的相干矩阵f合成伪彩图。
[0012] 上述步骤二包括如下步骤：
[0013] 201:将相干矩阵T进行去定向处理，得到去定向后的相干矩阵T°，
[0014]
[0015] 202 :根据相干矩阵T°可以得到HPD分解向量vec，
[0016] I '' 11 ·：- ^ Λ·.
·?J
[0017] 203:求解pv和ph，
[0018] 当Γ303 <g+ 4 ±2*Re(r』）时：
[0019] μη -^·|?ιιι^2；^
[0020] 其中，Re( ·)和Im( ·)分别表示复数的实部和虚部，r的定义为：
[0021]
[0022] 当Γ/ρg+ ± 2也6(2；〇2)或者Pv< 0 时：
[0023]
[0024] 204 :结束目标分解算法，每个像素点i分解成一个3X1散射向量，标记为VeCl =[pSi，pdi，pVi+phJ0[0025] 上述步骤201包括如下步骤：[0026] 301 :使用Huynen参数估计出每个像素点的定向角Θ;
[0027] 302:利用公另 I到去定向角后 的相干矩阵T°。
[0028] 上述步骤三包括如下步骤：
[0029] 401 :图像块I表示以像素点i为中心扩展出7X7的图像块，将以像素点i为中心 的15X15的搜索窗Ω内的每个像素点j1，j2,. . .，/为中心扩展出各自的7X7的图像块， 分别标记为图像块J1，J2, ...，JN，N为搜索窗内的像素点数，为225 ;
[0030] 402 :计算出图像块I和图像块Jn之间的相似性度量矩阵其中η= 1，2,. . .，Ν，即为像素点i和像素点jn之间的相似性度量矩阵，
[0031]
[0032] 其中，Μ为图像块内像素点的个数，为49，L为图像的视数，|lk|为图像块I的第k 个像素点矩阵的行列式值，|乃|为图像块Γ的第k个像素点矩阵的行列式值；
[0033]403 :根据相似矩阵，计算出权值函数w(i，jn)，
[0034]
[0035]其中，&为阈值，//, = -ν'77Ι·Λ/，K为一个可调参数，取20,L为图像视数，Μ为 图像块内像素点的个数，Zi为归一化权值，ΖΣiEsWw(i，j)，s(i)表示像素点i所在搜 索区域。
[0036] 上述步骤四包括如下步骤：
[0037] 501 :像素点i的散射特性向量标记为veCi=[psDpc^pVi+phi]，搜索窗Ω内的 每个像素点j1，j2, . . .，/的散射向量标记为vecV，vec/，-，vec>，其中
[0038]
η=1，2，…，N，计算出像素点i和像素点^在 三个分量上的差值的绝对值，将其作为相似性参数：-声,.，= ,
[0039] 502 :将501得到的两个像素点的三个差值的绝对值分别和阈值进行比较，如果
(/n)+/)/7,)^ Γ//3,则像素点 f 对 于像素点i的最终权值W(i，jn) =w(i，jn);否则，像素点jn就不是像素点i的相似点，像 素点Γ不参与像素点i的估计，即W(i，jn) = 0,得到最终的权值公式；其中，三个分量上差 值的绝对值的阈值是由模拟极化SAR数据统计得到的，相似点的三个分量上的差值服从的 分布近似为正态分布，通过大量数据得到三个分量上差值的标准差，由正态分布的性质知 P(μ-2δ<X<μ+2δ)= 〇. 954,将阈值设为两倍的标准差，得到各个分量上差值绝对值 的阈值为：ΤΗ1 = 2*(0.992L。·4994 .pSi+0· 3146 ·Ι^.1246)，ΤΗ2 = 28(1.00101/.4997 1(^+0.01 50L°.7533)，TH3 = 2*(0· 8639L°.4321 (ρν'ρ?Ο+Ο· 0293L°.2°3S-0· 0242)，L为图像视数。
[0040] 上述步骤五包括如下步骤：
[0041] 601 :利用像素点i搜索窗内的像素点j1，j2, . . .，jN和权值进行加权平均，得到像 素点i的滤波结果?:，目 ，其中是归一化 71-^[ 参数；
[0042] 602 :对每一个像素点都按步骤601处理，得到整幅图像滤波后的相干矩阵f
[0043]本发明的有益效果：本发明对输入的极化SAR数据进行目标分解，得到散射向量； 对极化SAR数据利用非局部方法，求的像素点和其搜索窗内的像素点之间的权值；根据极 化SAR数据的极化分解向量的分布特性，求得极化相似性的度量公式及阈值，进而求得像 素点在其搜索窗内的相似点，对权值公式进行修改；利用最终的权值公式对数据滤波处理。 与以前的极化SAR滤波技术相比，本发明具有以下优点：
[0044] 1.本发明的实现过程简单。
[0045] 2.本发明将像素点散射向量的三个分量上差值的绝对值作为相似性参数，通过数 据拟合出阈值，通过相似性参数和阈值来选择像素点的相似像素点，使选择的相似像素点 更准确。
[0046] 3.本发明将利用散射分解向量得出的相似性度量方法和和非局部均值结合，在对 极化SAR图像进行滤波的同时也能很好的保持图像的细节信息和散射特性。
[0047] 以下将结合附图对本发明做进一步详细说明。
【附图说明】
[0048] 图1是本发明的流程图；
[0049] 图2是本发明输入的两组极化SAR数据图，其中图2(a)所示的第一组极化SAR数 据为C波段的十视加拿大Ottawa地区的极化SAR数据；图2 (b)所示的第二组极化SAR数 据为L波段的四视SanFrancisco地区的极化SAR数据；
[0050] 图3是用现有精致极化Lee滤波、Pretest滤波和本发明对图2 (a)进行滤波的结 果图；
[0051] 图4是用现有精致极化Lee滤波、Pretest滤波和本发明对图2 (b)进行滤波的结 果图。
【具体实施方式】
[0052] 本发明提供了一种结合极化分解向量统计分布的极化SAR图像滤波方法，将极化 相似性度量方法和非局部均值相结合，在利用非局部技术求的像素点的权值之后，根据极 化SAR数据的极化分解向量的分布特性，求得像素点在其邻域内的相似像素点，并对权值 进行修改，使权值更为准确。
[0053] 本发明首先对输入的极化SAR数据进行目标分解，得到散射向量；对极化SAR数据 利用非局部方法，求的像素点和其搜索窗内的像素点之间的权值；根据极化SAR数据的极 化分解向量的分布特性，求得极化相似性的度量公式及阈值，进而求的像素点在其搜索窗 内的相似点，对权值公式进行修改；利用最终的权值公式对数据滤波处理。
[0054] 参照附图1，本发明提供的这种结合极化分解向量统计分布的极化SAR图像滤波 方法，详细步骤为：
[0055] 步骤一：输入极化SAR数据的相干矩阵T;
[0056] 步骤二：对相干矩阵T进行混合四分量（HPD)分解，每一个像素点分成四种散射类 型，表面散射（ps)，偶次散射（pd)，体散射（pv)和螺旋散射（ph)，每一个像素点i的散射特 性用一个3X1向量表示，即veCi=[ps;，pdi,pvi+phj;具体包括以下步骤：
[0057] (1)去定向角，首先使用Huynen参数估计出每个像素点i的定向角Θ;，利用公式
得到像素点i定向后的相干矩阵"，进 而得到整幅图的相干矩阵T°，
[0058]
[0059] (2)根据相干矩阵T°可以得到HPD分解向量vec，
[0060]
[0061]
[0062]
[0063]
[0064] 其中，Re( ·)和Im( ·)分别表示复数的实部和虚部，r的定义为：
[0065]
[0066] 当Γ303>U+7；02土2.Re(7；02)或者Pv<0时：
[0067]
[0068] (4)结束目标分解算法，每个像素点i分解成一个3X1散射向量，标记为VeCl =
[pSi，pdi，pVi+phJ0
[0069] 步骤三：利用非局部技术，求的每一个像素点i和其邻域内其他像素点j的权值 w(i，j)，具体包括以下步骤：
[0070] (1)图像块I表示以像素点i为中心扩展出7X7的图像块，将以像素点i为中心 的15X15的搜索窗Ω内的每个像素点j1，j2,. . .，/为中心扩展出各