抗脉冲干扰的多时相sar图像多层贝叶斯盲解卷积方法
【技术领域】
[0001] 本发明涉及一种抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷积方法，属于遥 感图像处理技术领域。
【背景技术】
[0002] 合成孔径雷达（SyntheticApertureRadar，SAR)图像的生成受到硬件物理极限、 运行状态稳定性、复杂环境状况、成像算法效能和成本约束等多因素影响，难以摆脱畸变、 模糊、混叠、噪声等各类干扰，图像质量会不同程度下降，导致分辨率无法满足科研与应用 要求。
[0003]图像解卷积是一种经济、可行且有效的原始SAR图像估计（图像分辨率提升）技 术，其中的图像盲解卷积，先对原始SAR图像和点扩散函数（PSF)进行先验建模，且依中心 极限定理设定SAR噪声服从高斯分布；接着根据观测图像和先验模型，同时对原始图像和 PSF进行基于贝叶斯框架的估计。相对于一般的SAR图像解卷积，SAR图像盲解卷积无需事 先获得PSF，操作执行更便捷，结果也较客观。
[0004] 然而，现有的SAR图像盲解卷积算法大多处理的是单帧降质图像，由于单帧待处 理图像所提供信息有限，有时解卷积效果仍不理想。再者，所建先验模型中的参数值，一般 通过试错或人为设定，这样就影响了盲解卷积效率甚至准确性。另外，噪声之所以设为高 斯分布，是考虑了SAR系统常见的电子电路噪声和低照度或高温传感噪声等因素，这样却 忽视了可能存在的SAR系统开闭操作、突发点目标和配准误差等异常情况所导致的脉冲干 扰。SAR图像中出现脉冲干扰，使得中心极限定理的条件不再满足，如仍用高斯分布来表征 噪声，则很难有效抑制脉冲干扰，从而降低盲解卷积的精度。
[0005] 综上所述，现有的SAR图像盲解卷积存在下述不足：
[0006] 第一、对单帧图像进行解卷积处理，效果并不理想；
[0007] 第二、先验模型参数值的设定不够便捷有效；
[0008] 第三、用高斯分布表征噪声难以抑制SAR图像中的脉冲干扰。
【发明内容】
[0009] 针对上述问题，本发明提供一种抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷 积方法，利用时相相近的多帧SAR图像融合而后再进行盲解卷积，将先验模型参数值的估 计也耦合到SAR图像盲解卷积中，使得盲解卷积更加高效、准确，同时，采用拉普拉斯分布 的噪声模型更适于抑制SAR图像中的脉冲干扰，提高SAR图像盲解卷积的精度。
[0010] 为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
[0011] 抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷积方法，其特征在于，包括如下 步骤：
[0012] 步骤1、输入同一场景时相间隔小于ξ的多帧SAR图像并进行空间配准；
[0013] 步骤2、将配准后的所有SAR图像融合成单帧SAR图像g，作为解卷积的初始图像；
[0014] 步骤3、采用拉普拉斯分布对g中的噪声进行建模，得到g的条件概率分布 P(gIf，h)，并依次对原始SAR图像f和点扩散函数h进行先验建模，得到f和h的先验模型 P(fIα im)和P(hIah)，并初始化h;
[0015] 其中，αιηι表示f的先验模型参数，ah表示h的先验模型参数，/Κ·|?)表示已知 ⑩时?的条件概率分布；
[0016] 步骤4、依次对aim和ah进行先验建模，得到aim和ah的先验模型p(aim)和 P(ah)，并初始化αιη和ah;
[0017]步骤 5、通过多层贝叶斯分解框架p(aim,ah,f,h,g) =p(aim)p(ah)p(f|aim) P(h|ah)p(g|f,h)，实现对联合概率分布p(aim,ah,f,h,g)的建模；
[0018]步骤 6、基于后验分布p(aim,ah,f,h|g)=p(aim,ah,f,h,g)/p(g)和多层贝叶 斯分解框架P(aim,ah，f，h,g) =p(aim)p(ah)p(fIaim)p(hIah)p(gIf,h)，利用变分贝 叶斯推理和积分去除非感兴趣变量，从而迭代估计后验分布P(fIg)、P(hIg)、p(a1Π11g)和 P(ah|g)，并以后验分布的数学期望对应作为f、h、ain^Pah的估计值；其中，p(g)表示g 的概率分布，在g已知时为常数；
[0019] 步骤7、将迭代最终估计值作为SAR图像盲解卷积结果输出。
[0020] 优选，步骤3具体包括如下步骤：
[0021] 步骤301、将单帧SAR图像g中的噪声用零均值、标准差为σ的拉普拉斯分布建 模，则g的条件概率分布p(gIf,h)为
[0022] 其中，N表示原始图像中的像素数，exp是以e为底的指数函数，II·IL表示1-范 数运算符，Η为h的矩阵表示，使得Hf=h*f，*表示卷积运算符；
[0023] 步骤302、确定噪声模型参数σ的值；
[0024] 步骤303、将原始SAR图像f和点扩散函数h的先验模型均设为高斯分布，分别为：
，其中， C表示已给定的高通算子，| | · | |2表示2-范数运算符，N和Μ分别表示原始图像f中的像 素数和点扩散函数h中的元素数；
[0025] 步骤304、设点扩散函数h的初始数学期望为h°，矩阵表示为H°，即E°(h) =h°，其 三维图形为一椭圆抛物面。
[0026] 优选，步骤4具体包括如下步骤：
[0027] 步骤401、将参数a1|〇和ah的先验模型均设为伽马分布，分别为：
其中，Γ( ·)表 示伽马函数，参数均大于〇,且数学期望
[0028]步骤402、设定参数^、\、、和\的初始值（、和 <，取得合 理的初始数学期望
，并分别作为α1|〇和ah的初始值 < 和4，即
[0029] 优选，步骤6具体包括如下步骤：
[0030] 步骤601、初始设定：作为上标的迭代序数k= 0、迭代退出阈值为ε;确认 ?<：、hk是否为已知，若否，则退出迭代；
[0031] 步骤602、通过变分法估计出后验分布pk(f|g)，有如下关系式： -
表示常数，对关系式右边求偏 导并构造以下方程式：
其中，sign[ ·]表示符号函数， 利用最速下降法求解上述方程得到f，并将其作为数学期望表示为fk，矩阵表示为Fk;
[0032] 步骤603、通过变分法估计出后验分布pk+1(h|g)，有如下关系式： -
，对关系式右边求偏导并构造以下方程 式：-严別=〇，利用最速下降法求解上述方程得到h，并将其作为 数学期望表示为hk+1，矩阵表示为Hk+1;
[0033] 步骤604、通过变分法估计出后验分布pk+1(aJg)，有如下关系式：
;i,n，由此Pk+1(ain|g)仍为伽 马分布，且
求出α1Π1的数学期望为
[0034] 步骤605、通过变分法估计出后验分布pk+1(ah|g)，有如下关系式：
，由此pk+1(ah|g)仍为伽马分布， 且
求出ah的数学期望为
[0035] 步骤606、判断是否满足迭代退出条饵
，如满足则退出迭代， 否则k=k+Ι，返回步骤602继续迭代。
[0036] 优选，步骤601中迭代退出阈值ε可在如下范围设定：εe[104,103]。
[0037] 优选，步骤1中ξ的值为6小时。
[0038] 本发明的有益效果是：
[0039] 第一、利用时相相近的多帧SAR图像融合后再进行盲解卷积，以增加盲解卷积的 可用信息量；
[0040]第二、在SAR图像盲解卷积（即原始SAR图像和PSF进行联合估计）的同时，将先 验模型参数值的估计与盲解卷积相耦合迭代，实现多层贝叶斯图像盲解卷积，提高了参数 值的估计效率和准确性；
[0041] 第三、采用拉普拉斯分布的噪声模型，更适于抑制SAR图像中不满足中心极限定 理条件建模的脉冲干扰，提高了SAR图像盲解卷积的精度；
[0042] 本方法可为SAR图像的检测、跟踪、识别等应用提供有力保障。
【附图说明】
[0043]图1是本发明抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷积方法的整体流程 图；
[0044] 图2是本发明后验分布及数学期望的迭代估计流程图。
【具体实施方式】
[0045] 下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述，以使本领 域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限 定。
[0046] 抗脉冲干扰的多时相SAR图像多层贝叶斯盲解卷积方法，如图1所示，包括如下步 骤：
[0047] 步骤1、输入同一场景时相间隔小于ξ的多帧SAR图像并进行空间配准，一般的 ξ的值为6小时，即输入同一场景时间间隔为6小时的多时相SAR图像并进行空间配准，包 括：a)对各个SAR图像进行几何校正，b)计算经几何校正后的图像间的相对位置信息；
[0048] 步骤2、将配准后的所有SAR图像融合成单帧SAR图像g，作为解卷积的初始图像， 即根据配准结果，将几何校正后的所有SAR图像置于一个控制网格内，并用插值法使网格 内不均匀分布的像素达到均匀分布；
[0049] 步骤3、采用拉普拉斯分布对g中的噪声进行建模，得到g的条件概率分布 P(gIf，h)，并依次对原始SAR图像f和点扩散函数h进行先验建模，得到f和h的先验模型 P(fIα im)和P(hIah)，并初始化h;
[0050] 其中，αιηι表示f的先验模型参数，ah表示h的先验模型参数，/Κ·Ι?)表示已知 逸时?的条件概率分布；
[0051] 步骤4、依次对（^和ah进行先验建模，得到α1|0和ah的先验模型ρ(α1Π1)和 P(ah)，并初始化αιη和ah;
[0052]步骤 5、通过多层贝叶斯分解框架p(aim,ah,f,h,g)=p(aim)p(ah)p(fIaim) P(hIah)p(gIf,h)，实现对联合概率分布p(aim,ah,f,h,g)的建模；
[0053]步骤 6、基于后验分布p(aim,ah,f,h|g)=p(aim,ah,f,h,g)/p(g)和多层贝叶 斯分解框架P(aim,ah，f，h,g) =p(aim)p(ah)