一种SAR幅度图像均匀相对误差量化方法与流程

本发明涉及合成孔径雷达(sar)信号量化领域，尤其涉及一种sar幅度图像均匀相对误差量化方法。
背景技术：
：合成孔径雷达(syntheticapertureradar,sar)是一种搭载在飞机或卫星上，可对地面进行遥感观测的主动微波成像传感器。在观测过程中，sar每隔一段时间便通过其天线向地面发射一束电磁波，并在发射的间隔时间内接收地面散射回sar天线的电磁波信号。通对观测过程中接收到的所有地面散射回的电磁波信号进行成像处理后即可获得地面的微波幅度图像(以下简称：sar幅度图像)，图像中每一像素点数值对应的是该地面位置实际地物的散射电磁波幅度值(以下简称散射幅度值)。散射幅度值是一个连续取值的非负实变量，在将sar幅度图像存储在电脑中时需要进行量化处理。量化在数字信号处理领域指将信号的连续取值(或者大量可能的离散取值)近似为有限多个(或较少的)离散值的过程。目前，sar幅度图像通常采用16bit的均匀量化方法进行存储。均匀量化是把输入信号的值域范围进行等间隔分割的量化方法，也是最基本的一种量化方法，它并没有充分考虑散射幅度值和sar幅度图像的特点，其量化后图像具有如下明显缺陷。16bit均匀量化对应65536个量化等级，sar图像均匀量化后通常仅能使用不到10％的量化等级(后文“具体实施方式”中会给出一个实例)，且这些量化等级都集中在较小值部分。这会使得量化后图像在人眼观测时显得非常黑暗，图像细节几乎不可见，非常不利于人眼直接观察。并且由于使用的量化等级仅占所有可用量化等级的很少一部分，这意味着量化误差还是较大，因为如果能更加充分的利用更多量化等级，将可进一步降低量化误差。造成上述均匀量化缺陷的主要原因是一幅sar幅度图像的散射幅度值绝大部分会集中在靠近零值的值域较小值部分，但同时还会存在少量像素点的散射幅度值会非常大，即散射幅度值的值域范围非常大，但绝大部分值却都集中分布在靠近值域范围下限的较小值部分。均匀分布会按照整个值域范围的上、下限进行均匀分割量化，所以才造成仅靠近值域下限的量化等级被大量使用。技术实现要素：本发明的目的是根据散射幅度值和sar幅度图像自身特点，给出一种均匀相对误差量化方法(uniformrelativeerrorquantization简称ure量化)，从而克服现有均匀量化方法的不足。本发明的目的通过以下的技术方案来实现：一种sar幅度图像均匀绝对误差量化方法，包括：步骤a、将sar幅度图像中非零数据先变换到对数域；步骤b、将变换后的对数域数据进行均匀量化，并将量化后的数据编码存储；步骤c、对sar幅度图像中零值数据进行单独量化编码，并存储；步骤d、根据量化编码存储结果对原sar幅度图像数据进行量化解码。与现有技术相比，本发明的一个或多个实施例可以具有如下优点：该方法针对散射幅度值域范围大的特点，将待量化数据先变换到对数域然后再进行均匀量化。对数运算带来的一个新问题是若存在零数据则其对数结果会变为负无穷大。实际散射幅度值通常为非零值，但sar幅度图像中可能存在零值，因为sar很少是正南正北观测的，所以经过正南正北的地图投影后的sar幅度图像中通常包括四个黑角，这四个黑角对应的是sar没能观测到的区域，其内像素值通常设为零值。为解决零值问题，ure量化在做对数运算前采用了先检查待量化sar幅度图像中是否存在零值，若存在则对零值数据进行独立编码的操作。即ure量化为采用了零值独立编码和对数运算后的均匀量化，该方法的相对量化误差符合均匀分布，ure量化较均匀量化可以使用更多的量化等级、具有更小的量化误差，且其量化后图像具备较好的可视效果。附图说明附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：图1是sar幅度图像均匀绝对误差量化方法流程图；图2a是实施例1中试验sar幅度图像均匀量化结果的图形显示；图2b是实施例1中试验sar幅度图像均匀相对误差量化结果的图形显示；图3a是实施例1中试验sar幅度图像均匀量化绝对误差|a’-a|分布直方图；图3b是实施例1中试验sar幅度图像均匀量化相对误差|a’-a|/a分布直方图；图3c是实施例1中试验sar幅度图像ure量化绝对误差分布直方图；图3d是实施例1中试验sar幅度图像ure量化相对误差分布直方图。具体实施方式为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。如图1所示，本实施例提供了一种sar幅度图像均匀绝对误差量化方法，包括：步骤a、将sar幅度图像中非零数据先变换到对数域；步骤b、将变换后的对数域数据进行均匀量化，并将量化后的编码存储；步骤c、对sar幅度图像中零值数据进行量化编码，并存储；步骤d、根据量化编码存储结果对原sar幅度图像散射幅度值进行量化解码。一、量化编码量化编码指将sar幅度图像中每个像素点对应的散射幅度值转换为电脑可存储的离散值的过程。通常离散值可选取为16bit数或8bit数，下面以16bit数为例进行叙述，8bit数的量化编码过程与之类似，仅需将65535换为255即可。首先，统计sar幅度图像中为零值的像素点个数记为z。若z＝0则表示sar幅度图像中不包含零值，那么采用下面标题(1)的量化编码过程；若z>0则表示sar幅度图像中有零值，则采用下面标题(2)的量化编码过程。(1)不包括零值的量化编码过程令a表示sar幅度图像中像素点的散射幅度值，首先将所有像素点的散射幅度值都变换为db值，即u＝10×log10(a)(1)其中log10()表示以10为底的对数。随后对u采用16bit的均匀量化，其具体过程包括：首先对u进行归一化，即将其值域变为[0,1]，具体方法是利用整幅图像全部像素点u值的最小值min(u)和最大值max(u)进行如下变换x＝(u-min(u))/[max(u)-min(u)](2)然后将x对应为[0,1,2,…,65535]量化等级，具体可使用下面的表达式实现y＝round(65535×x)(3)其中round()表示四舍五入取整运算。上述量化编码过程完成后即可按16bit无符号整形存储每个像素点的y值，且还需存储全图的最小值min(u)和最大值max(u)，以及零值个数z。(2)含零值的量化编码过程令a表示sar幅度图像中的非零值的散射幅度值，首先将这些非零散射幅度值变换为db值，即u＝10×log10(a)(4)其中log10()表示以10为底的对数。随后对u采用16bit不包括零值的均匀量化，其具体过程包括：首先对u进行归一化，即将其值域变为[0,1]，具体方法是利用整幅图像全部非零像素点u值的最小值min(u)和最大值max(u)进行如下变换x＝(u-min(u))/[max(u)-min(u)](5)然后将x对应为[1,2,…，65535]量化等级，具体可使用下面的表达式实现y＝round(65534×x)+1(6)其中round()表示四舍五入运算取整运算。最后，对图像中的z个零值像素点，直接将其y值编码为16bit数的零值。上述量化编码完成后即可按16bit无符号整形存储每个像素点的y值，且还需存储全图非零像素点的最小值min(u)和最大值max(u)，以及零值个数z。二、量化解码量化解码指根据量化编码的存储结果还原原来的sar幅度图像散射幅度值的过程。量化解码的过程仍以16bit数为例进行叙述，8bit数的量化解码过程与之类似，仅需将65535换为255即可。ure量化解码具体过程如下。首先，读取sar幅度图像中为零值的像素点个数z。若z＝0则表示原sar幅度图像中不包含零值，那么采用下面标题(1)的量化解码过程；若z>0则表示原sar幅度图像中有零值，则采用下面标题(2)的量化编码过程。(1)不包括零值的量化解码过程首先，将图像中所有像素点的y值进行归一化，公式如下x’＝y/65535(7)然后，利用min(u)和max(u)将x’值转换为u’值，公式如下u’＝x’×[max(u)-min(u)]+min(u)(8)最后，将u’值转换为散射幅度值，公式如下a’＝10(u’/10)(9)(2)包括零值的量化解码过程首先，将图像中所有y＝0的像素点散射幅度值直接设定为0。随后，将图像中其它不为零的y值转换为x’值，公式如下x’＝(y-1)/65534(10)然后，利用min(u)和max(u)将x’值转换为u’值，公式如下u’＝x’×[max(u)-min(u)]+min(u)(11)最后，将u’值转换为散射幅度值，公式如下a’＝10(u’/10)(12)上述叙述中a’的形式表示a值先后经过量化编码和量化解码后还原的散射幅度值，量化过程必然带来量化误差，即a’通常并不等于a。由上述量化编码和量化解码的叙述可知，ure量化主要可应用于非负实数集的量化，其核心思想包括两部分：一是，对零值数据进行独立的量化编码；二是，将非零数据变换到对数域在进行均匀量化。有关具体过程的一些补充说明如下。1)变换到对数域可以采用上述叙述中使用的变换为db值的方法，也可以使用其他对数变换(如以e为底的对数等)，因为不同对数底变换的结果仅相差乘以一个系数。2)使用round(·)计算实现的16bit均匀量化其量化误差并非最优，但非常有利于电脑编程实现。如果为了保证量化误差最小，可以采用将[min(u),max(u)]值域范围进行完全等间隔划分的最优均匀量化。下面以具体实施例进行详细说明：实施例1针对德国机载e-sar系统对某一机场区域观测的一幅实际sar幅度图像进行均匀相对误差量化(ure量化)，该图像每个像素点为float型的散射幅度值。具体量化编码过程如下：首先，统计该sar幅度图像中为零值的像素点个数记为z，经统计发现z＝0即图像不包括0值。然后，采用“不包括零值的量化编码过程”，即先将该sar幅度图像中像素点的散射幅度值a利用公式(1)转换为db值u；然后对u采用16bit均匀量化，即先利用公式(2)对u进行归一化获得x，再利用公式(3)将x对应为y。最后，按16bit无符号整形存储每个像素点的y值，并按float型存储全图的最小值min(u)和最大值max(u)，以及零值个数z。与上述量化编码过程对应的量化解码过程如下：首先，读取零值个数z，可知z＝0，因此使用“不包括零值的量化解码过程”，即先利用公式(7)由y计算出x’，然后读取min(u)和max(u)并利用公式(8)由x’计算出u’，最后利用公式(9)由u’计算出a’。为了显示ure量化的性能，将其量化结果与均匀量化方法的结果进行比较，并进行量化误差分析，具体如下。附图2a和2b给出了两种量化方法的结果图，通过对比可以发现均匀量化的结果图显得非常黑暗，图像细节几乎完全不可见；而均匀相对误差量化的结果具有较好的人眼可视效果。通过分析量化结果发现均匀量化仅使用了16bit数65536个量化等级中的5903个占比仅9％，且绝大部分集中在较小量化等级部分；均匀相对误差量化使用了37871个量化等级占比58％，其分布要比均匀量化分散很多。量化误差的大小通常用一幅图的平均绝对误差ea和平均相对误差er来衡量，计算公式分别如下ea＝mean(|a’-a|)(13)er＝mean(|a’-a|/a)(14)其中mean(·)表示对全图取平均。ea和er越小表示量化误差越小，即量化方法性能越好。附图3a、3b、3c和3d中分别给出了均匀量化和ure量化的绝对误差分布直方图和相对误差分布直方图，其中最明显的是均匀量化的绝对误差呈现均匀分布特征，这是均匀量化自身的一个特点；而ure量化的相对误差呈现均匀分布特征，这正是ure量化自身的一个特点，也是称其为均匀相对误差量化的原因。分别计算平均绝对误差和平均相对误差结果如下表1所示。表1实施例1不同量化方法的量化误差量化方法平均绝对误差ea平均相对误差er均匀量化2.9805×10-38.1831×10-4均匀相对误差量化1.5497×10-42.6061×10-5通过表1中数据对比可以发现，均匀相对误差量化的平均绝对误差和平均相对误差较均匀量化均缩小了一个数量集以上，这表明均匀相对误差量化方法拥有更小的量化误差，具备更好的量化性能。还有一点值得指出的是针对该试验sar幅度图像，均匀量化结果中最大相对误差为6.887×10-3，而均匀相对误差量化方法的最大相对误差仅5.2135×10-5，即最大相对误差缩小了两个数量集以上。且对于均匀相对误差量化方法，其理论上的最大相对误差可直接按照如下公式进行计算ermax＝10[max(u)-min(u)]/n/2/10(15)其中n表示有效量化等级个数，对于实施例1使用round(·)计算的16bit均匀量化n＝65535。实施例2仍以实施例1中数据作为试验数据，但将其前3行共3600个像素全部置为零。使用本发明的量化编码过程如下。首先，统计该sar幅度图像中为零值的像素点个数记为z，经统计发现z＝3600。然后，采用“包括零值的量化编码过程”，即先将该sar幅度图像中所有非零值的散射幅度值a利用公式(4)转换为db值u；然后对u进行均匀量化，即先利用公式(5)对u进行归一化获得x，再利用公式(6)将x对应为y。随后，对图像中的z个零值像素点，直接将其y值编码为16bit数的零值。最后，按16bit无符号整形存储每个像素点的y值，并按float型存储全图非零像素点的最小值min(u)和最大值max(u)，以及零值个数z。与上述量化编码过程对应的量化解码过程如下：首先，读取零值个数z，可知z＝3600，因此使用“包括零值的量化解码过程”，即先将图像中所有y＝0的像素点散射幅度值直接设定为0。然后，利用公式(10)由非零值y计算出x’，然后读取min(u)和max(u)并利用公式(11)由x’计算出u’，最后利用公式(12)由u’计算出a’。a’和直接设定的零值即为还原后的散射幅度值。为了显示上述ure量化的性能，仍将其量化结果与均匀量化方法的结果进行比较，并进行量化误差分析。其中量化结果图和误差分布直方图分别与附图2a、2b和附图3a、3b、3c和3d非常类似，这里不再重复给出。两种量化方法的平均绝对误差和平均相对误差结果如下表2所示。表2实施例2不同量化方法的量化误差量化方法平均绝对误差ea平均相对误差er均匀量化2.978×10-38.1791×10-4均匀相对误差量化1.5474×10-42.6014×10-5通过表2中数据对比可以发现，均匀相对误差量化的平均绝对误差和平均相对误差较均匀量化均缩小了一个数量集以上，因此表明均匀相对误差量化方法拥有更小的量化误差，具备更好的量化性能。通过对比表1和表2可以发现表2中数据都要稍稍小一些，这是因为3600个零值数据经过本发明的量化编码、量化解码后仍未零，即其绝对误差和相对误差都为零，因此使得针对全图的平均绝对误差和平均相对误差都有所缩小。但值得指出的是，均匀相对误差量化全图最大相对误差变为5.2136×10-5，要比不包含零值的量化方法稍稍大一些。这是因为零值独立编码会占用一个量化等级，也就是说公式(15)中有效量化等级个数n由65535减少为65534，因此带来了最大相对误差10-9量级的增大。上述实施例针对sar幅度图像可能包含零值的特点，对零值数据采用独立编码；针对非零像素的值域范围大的特点，将非零数据先变换到对数域然后再进行均匀量化。即本发明给出的均匀相对误差量化方法为采用了零值独立编码和对数变换后的均匀量化方法。该方法的相对量化误差符合均匀分布，因此称其为均匀相对误差量化方法。通过使用实际sar数据的实施例试验显示，均匀相对误差量化方法较均匀量化方法可使用更多的量化等级、具有更小的量化误差，且量化后图像具备更好的可视效果。虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属
技术领域：
内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。当前第1页12