一种基于异质性预矫正的小波域SAR图像去斑方法与流程

本发明涉及一种基于异质性预矫正的小波域SAR图像去斑方法，属于SAR图像处理技术领域。

背景技术：
：

合成孔径雷达(SAR)因具有全天时、全天候、多极化、多视角的数据获取能力及较好的穿透性能，被视为新一代遥感信息源。但由于SAR系统利用相干波成像，相干斑噪声严重降低了SAR图像的可解译性，影响了目标的检测、分类、识别和信息提取等应用。因此，研究SAR图像相干斑抑制方法十分必要。

随着小波工具在SAR图像处理方面的应用,基于小波的去斑方法成为SAR图像去斑方法中的重要分支，其中现有技术的基于统计模型的方法利用图像的统计先验知识，取得了一大批研究成果，但这类方法没有考虑图像的结构信息，虽然在处理农田、海面等均匀(同质)区域效果良好，但对于处理山区、城区等非均匀(异质)区域图像存在比较明显的过平滑现象，造成重要边缘纹理信息的损失，降低了主观视觉效果。而根据图像纹理结构信息对图像进行异化处理是一种有效解决图像去斑过平滑问题的方法。

SAR图像存储了大量丰富的结构信息，根据结构信息可以有针对性的平滑同质区域，保护异质区域。异质性反映了SAR图像纹理信息变化程度，主要用来描述同一目标区域内不同场景之间的差别。现有技术的异质性测量方法，主要包括基于变差系数、基于算术-几何均值比和基于信息论的SAR图像异质性测量方法，前两种方法仅侧重于局部异质性测量，而基于信息论的异质性测量方法虽然反映SAR图像的全局异质性，但其计算复杂度较高。发明专利名称为“基于非局部平均和异质性测量的SAR图像斑点噪声抑制方法”，公开号：CN103886563A，公开日：2014年6月25日，公开了一种异质性测量的SAR图像斑点噪声抑制方法，在空间域内进行SAR图像斑点噪声抑制。但是，上述发明专利仍然存在以下缺陷：一是在空间域对图像结构进行划分，不能实现时-频窗的自适应调整，不能对非平稳信号进行时-频局域化分析，对图像信号进行处理的针对性弱；二是将异质性测量方法定义为图像局部区域的标准差与该区域均值之比，用来描述空间域中搜索子块的异质性大小，该方法对噪声不敏感，抗干扰能力较弱；三是根据变差系数判断搜索子块是同质子块还是异质子块，子块尺寸的选择对分类的准确性有很大的影响，这种二元分类不能细致的反应各子块之间细微的差异性；四是基于局部区域的处理方法，根据搜索区域的变差系数，再结合非局部平均滤波的思想完成对点目标点和非点目标的处理，由于采用了非局部平均滤波思想，其计算复杂度高。

技术实现要素：
：

本发明旨在提供一种基于异质性预矫正的小波域SAR图像去斑方法。在小波域内，通过统计SAR图像局部异质度，将异质度信息与预矫正函数相结合，在图像去斑前平滑同质区域，保护异质区域纹理信息，改善图像去斑过程中过平滑的问题，该方法去斑效果好，预矫正算法计算复杂度低，过程简单，解决现有技术的SAR图像去斑方法存在的图像信号进行处理的针对性弱，对噪声不敏感，抗干扰能力较弱，不能细致反应各子块之间细微的差异性，图像去斑效果不佳，计算复杂，过程繁琐等问题。

为解决上述技术问题，本发明所采用的技术方案如下：

一种基于异质性预矫正的小波域SAR图像去斑方法，方法包括如下步骤：

(1)小波变换，利用平稳小波变换对图像做J层分解，在每个尺度上得到一个低频子带和三个方向的高频子带；

(2)计算异质度，逐层计算每个小波系数所对应的多尺度局部变差系数MLCV，和该层的模态mode值，具体包括以下三个子步骤：

(2-1)对于第j层子带d＝LH,HL,HH表示子带方向、k表示空间位置，对于第j层子带LL表示子带方向、k表示空间位置,分别按照公式计算在实现过程中按3×3模板窗口的方式遍历图像子带；

(2-2)按照下述公式计算MLCV，

式中：c(k)代表每个小波系数所对应的多尺度局部变差系数MLCV；

(2-3)统计c(k)的分布得到其直方图，并求出直方图中纵坐标对应的最大值，该最大值所对应的横坐标值即为模态mode；

(3)异质度分类，对小波系数进行分类，根据计算的MLCV值和模态mode值对每一层三个高频子带中的小波系数按如下公式进行异质度分类：

同质区域：0＜c(k)≤mode，

弱纹理区域：mode＜c(k)≤2mode，

强纹理区域：2mode＜c(k)≤5mode，

孤立散射点区域：c(k)＞5mode；

(4)预矫正处理，按照下列预矫正函数对每一层三个高频子带(LH,HL,HH)中的小波系数做预矫正处理：

上式中：w_k表示预矫正前的小波系数，幅度因子α、指数因子λ及gate的取值范围用(α,λ,gate)表示，(α,λ,gate)在同质区域、弱纹理区域、强纹理区域的取值范围分别为(0.65-0.85,2-2.5,0.9-1.1)、(0.01-0.5,0.1-0.5,1.2-1.8)、(0.6-0.8,0.7-0.85,1.8-2.3)，孤立散射点区域的小波系数保留原有值不变，不进行预矫正处理；

(5)小波域去斑处理。

一种基于异质性预矫正的小波域SAR图像去斑方法，所述步骤(1)小波变换的具体方法为：选取小波基，设置小波分解的最大层数J，利用MATLAB小波工具箱对图像做平稳小波变换，在第j尺度上得到一个低频子带和三个方向的高频子带：j＝1，2，…，J。

一种基于异质性预矫正的小波域SAR图像去斑方法，所述步骤(2)模态(mode)的另外一种求解方法为：用对数正态分布对MLCV分布进行建模，对于第j层子带，在各小波系数多尺度局部变差系数c(k)的基础上，对c(k)取对数后求出其均值，再做指数变换，即mode＝exp{mean[ln(c(k))]}。

一种基于异质性预矫正的小波域SAR图像去斑方法，所述步骤(5)还包括以下具体子步骤：

(5-1)采用小波域SAR图像去斑算法对预矫正小波系数作进一步处理；

(5－2)小波反变换，得到去斑后的空域图像。

一种基于异质性预矫正的小波域SAR图像去斑方法，所述步骤(5－2)的小波反变换的具体方法为：利用MATLAB小波工具箱对图像做平稳小波反变换。

与现有技术相比，本发明的优点在于：

一是本发明利用小波变换将图像进行J尺度多分辨率分解，根据信号分析理论，小波变换将信号分解为若干时域分量之和，而每一时域分量又代表了频域中的一个子频带，小波变换将信号分解为代表了子频带特点的时域分量之和，实现了时-频窗的自适应调整，可以有效的对非平稳信号进行时-频局域化分析；而现有技术的时域或者空域方法则不具备这种优势，具体的说，图像每经过一次小波分解，得到一个低频子带和三个方向的高频子带，能够在不同的尺度上将图像低频信息和不同方向上的高频信息分开，能够更有针对性地对图像信号进行处理；

二是本发明采用多尺度局部变差系数MLCV作为小波系数的异质性测度，充分利用了每一尺度所对应的一个低频子带和三高频子带中的信息，具有更好的抗噪声干扰能力；

三是本发明通过异质性测度直方图可以精确的得到模态mode，根据模态mode对图像区域进行分类，具有较高的精确性和客观性；

四是本发明基于多尺度局部变差系数MLCV判断单个小波系数的异质性，不存在尺寸选择问题；同时采用了四元分类，能够对小波系数的异质性差异做出更加精细的评价；

五是本发明根据多尺度局部变差系数MLCV、采用预矫正函数对小波系数做弱矫正处理，方法简单、计算复杂度远低于现有技术，并且该矫正方法可以与其他多种经典算法相结合，具有较高的推广和实用价值。

附图说明：

图1是本发明中异质性(MLCV)分布统计直方图及其对数正态分布拟合图。

图2是本发明中提出的自适应预矫正函数曲线图。

图3是真实SAR图像测试样本基于异质性分类的二值图像。

图4是真实SAR图像的去斑结果示意对比图。

具体实施方式：

下面结合附图和具体实施例对本发明进一步说明，包括以下步骤：

(1)小波变换：选取小波基，设置小波分解的最大层数J；利用MATLAB小波工具箱对图像做平稳小波变换，在第j尺度上得到一个低频子带和三个方向的高频子带：j＝1，2，…，J。

(2)异质度的计算：异质度反映小波域SAR图像在空间分布上的不均匀性及其复杂性，以多尺度局部变差系数MLCV作为异质度指标，充分利用了每一尺度所对应的一个低频子带和三高频子带中的信息，于现有技术相比具有更好的抗噪声干扰能力，逐层计算该层中每个小波系数所对应的MLCV，同时计算出该层的模态mode值，具体包括以下三个子步骤：

(2-1)：对于第j层子带(d＝LH,HL,HH表示子带方向、k表示空间位置)，对于第j层子带LL表示子带方向、k表示空间位置,分别按计算在实现过程中可以3×3模板窗口的方式遍历图像子带。

(2-2)：按照下面公式计算MLCV

c(k)代表每个小波系数所对应的多尺度局部变差系数MLCV。

变差系数是图像局部区域的标准差与该区域均值之比，现有技术用此描述空域中搜索子块的异质性大小，对噪声不敏感、抗干扰能力较弱。本发明采用多尺度局部变差系数MLCV作为小波系数的异质度指标，充分利用了每一尺度所对应的一个低频子带和三高频子带中的信息，具有更好的抗噪声干扰能力。

(2-3)：统计上述c(k)的分布得到其直方图，并求出直方图中纵坐标对应的最大值，该最大值所对应的横坐标值即为模态mode。

估计模态的另外一种方法为：参见图1中的红色实线，用对数正态分布对MLCV分布进行建模，根据对数正态分布理论，对于第j层子带，在各小波系数多尺度局部变差系数c(k)的基础上，对c(k)取对数后求出其均值，再做指数变换。即mode＝exp{mean[ln(c(k))]}。

(3)对小波系数进行分类：根据步骤(2)中计算出来的MLCV值对每一层三个高频子带中的小波系数按照下面公式进行异质度分类：

同质区域：0＜c(k)≤mode，

弱纹理区域：mode＜c(k)≤2mode，

强纹理区域：2mode＜c(k)≤5mode，

孤立散射点区域：c(k)＞5mode；

参见图1中异质性MLCV分布统计直方图及其对数正态分布拟合图、图2中自适应预矫正函数曲线图和本发明的模态估计方法，多尺度局部变差系数MLCV的值在模态mode内时，按同质区域进行分类，预矫正处理好；多尺度局部变差系数MLCV的值在mode＜c(k)＜2mode时，按弱纹理区域进行分类，预矫正处理好；多尺度局部变差系数MLCV的值在按强纹理区域进行分类，预矫正处理好；多尺度局部变差系数(MLCV)的值在c(k)＞5mode时，按孤立散射点区域进行分类，预矫正处理好；

参见图3，是真实SAR图像测试样本基于异质性分类的二值图像，反应了本方法分类的效果。

(4)预矫正处理：采用下面的预矫正函数对每一层三个高频子带(LH,HL,HH)中的小波系数做预矫正处理：

预矫正函数以sigmoid函数为原型，并根据去斑算法的需要进行改进。上式中w_k表示预矫正前的小波系数。上式中，幅度因子α、指数因子λ及gate的取值范围用(α,λ,gate)表示，(α,λ,gate)在同质区域、弱纹理区域、强纹理区域的取值范围分别为(0.65-0.85,2-2.5,0.9-1.1)、(0.01-0.5,0.1-0.5,1.2-1.8)、(0.6-0.8,0.7-0.85,1.8-2.3)，孤立散射点区域的小波系数保留原有值不变，不进行预矫正处理。参见图2，是本发明中自适应预矫正函数曲线图，反应了不同异质性(MLCV)下得到的预矫正结果。

(5)小波域去斑处理，包括以下具体子步骤：(5-1)采用传统的小波域SAR图像去斑算法对预矫正小波系数作进一步处理，得到去斑后小波系数的估计值；(5-2)小波反变换：利用MATLAB小波工具箱对图像做平稳小波反变换，得到最终去斑后的空域图像。

参见图4，是SAR图像的去斑结果示意对比图，(a)为Pizurica算法去斑结果图，(b)为本发明一种基于异质性预矫正的小波域SAR图像去斑方法的去斑结果图，(c)为Pizurica算法局部放大去斑结果图，(d)为本发明一种基于异质性预矫正的小波域SAR图像去斑方法去斑结果的局部放大图，通过对比可得，本发明一种基于异质性预矫正的小波域SAR图像去斑方法，在图像去斑前平滑同质区域，保护异质区域纹理信息，改善图像去斑过程中过平滑的问题，去斑效果好。