本发明实施例涉及雷达图像相干斑抑制领域,尤其涉及一种基于比值距离的非局部均值雷达图像相干斑抑制方法。
背景技术:
在传统的非局部均值算法中,使用图像块灰度值的欧氏距离作为计算相似性不再适用于乘性模型,而经过严格的理论推导可知,比值距离更适用于乘性模型,能够保持像素之间的真实相关性。但是利用比值距离计算相似性时,距离越接近于1的相似性越大,而离1越远的相似性越小,因此不能直接将比值距离作为衡量两个图像块相似性的度量标准。
传统相干斑抑制方法包括空域类、小波、各向异性扩散和非局部均值方法。
空域类相干斑抑制方法在强边缘和纹理区域出现过平滑,造成抑制性能降低;小波和各向异性扩散相干斑抑制会在雷达图像出现部分干扰块,影响可视性;目前非局部均值方法仅通过比值距离度量相似性,相干斑抑制性能不够稳定。
技术实现要素:
本发明实施例提供一种基于比值距离的非局部均值雷达图像相干斑抑制方法,以克服上述问题。
本发明一种基于比值距离的非局部均值雷达图像相干斑抑制方法,包括:
读取合成孔径雷达相干斑图像;
设定对应的搜索窗口和相似性窗口大小;
根据所述任意两个相似性窗口中的灰度值确定所述任意两个相似性窗口比值距离;
根据所述任意两个相似性窗口的中心点的灰度值确定所述任意两个相似性窗口中心点的灰度值比值;
根据所述任意两个相似性窗口的中心点的空间坐标确定所述任意两个相似性窗口中心点的空间距离;
根据所述比值距离、所述中心点灰度值比值以及所述中心点空间距离计算两个相似性窗口内像素点的权重值;
通过所述的权重值估计当前像素点的估计值。
进一步地,所述根据相似性窗口大小和所述相似性窗口中的灰度值确定所述两个相似性窗口比值距离,包括:
采用公式
计算两个图像块比值距离,其中,所述W为相似性窗口的尺寸大小,其中,Ni与Nj分别是以像素点Qi与Qj为中心的图像块,而与则是观测图像f中的两个图像块,D1(i,j)为两个图像块比值距离,(i,j)分别为任意两个图像块中心像素点的位置坐标,M为任一图像块内像素点个数。
进一步地,所述根据所述任意两个相似性窗口的中心点的灰度值确定所述任意两个相似性窗口之间中心点的灰度值比值,包括:
采用公式
计算两个中心像素点之间的灰度值比值,其中,所述(x,y)和(p,q)分别是图像块Ni与Nj的中心像素点位置,D2(i,j)为两个中心像素点之间的灰度值比值。
进一步地,根据所述任意两个相似性窗口的中心点的空间坐标确定所述任意两个相似性窗口中心点的空间距离,包括:
采用公式
D3(i,j)=(x-p)2+(y-q)2 (3)
确定任意两个相似性窗口中心点的空间距离,其中,(x,y)和(p,q)分别是两个相似性窗口的中心点位置坐标,D3(i,j)为两个相似性窗口中心点的空间距离。
进一步地,所述根据所述比值距离、所述中心点灰度值比值以及所述中心点空间距离计算权重值,包括:
采用公式
计算两个相似性窗口内像素点的权重值,其中,所述h1、h2和h3分别是控制滤波程度的变量,将控制滤波程度的变量定义为h1=h2=h3=kLσ,L为图像的视数,k为常量,σ为图像的标准差,w(i,j)为两个相似性窗口内像素点的权重值。
本发明的比值距离能够鲁棒地适应于乘性模型,通过将该比值距离结合图像块的中心点灰度值信息和空间位置信息来更好的计算图像块之间的相似性。本发明不但能够有效的抑制相干斑噪声,还能有效的保持边缘,提高了性能指标,而且可视性更好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于比值距离的非局部均值雷达图像相干斑抑制方法流程图;
图2为本发明三种位置图像块示意图;
图3为本发明三种位置图像块示意图;
图4为本发明基于合成图像的相干斑抑制对比图
图5为本发明基于真实雷达图像的相干斑抑制对比图;
图6为本发明合成图像的等效视数与基于均值比率的边缘保持度值随h1变化曲线图;
图7为本发明真实雷达图像的等效视数与基于均值比率的边缘保持度值随h1变化曲线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明基于比值距离的非局部均值雷达图像相干斑抑制方法流程图,如图1所示,本实施例的方法可以包括:
步骤101、读取合成孔径雷达相干斑图像;
步骤102、设定对应的搜索窗口和相似性窗口大小;
步骤103、根据所述任意两个相似性窗口中的灰度值确定所述任意两个相似性窗口比值距离;
步骤104、根据所述任意两个相似性窗口的中心点的灰度值确定所述任意两个相似性窗口中心点的灰度值比值;
步骤105、根据所述任意两个相似性窗口的中心点的空间坐标确定所述任意两个相似性窗口中心点的空间距离;
步骤106、根据所述比值距离、所述中心点灰度值比值以及所述中心点空间距离计算两个相似性窗口内像素点的权重值;
步骤107、通过所述的权重值估计当前像素点的估计值。
进一步地,所述根据相似性窗口大小和所述相似性窗口中的灰度值确定所述两个相似性窗口比值距离,包括:
采用公式
计算两个图像块比值距离,其中,所述W为相似性窗口的尺寸大小,其中,Ni与Nj分别是以像素点Qi与Qj为中心的图像块,而与则是观测图像f中的两个图像块,D1(i,j)为两个图像块比值距离,(i,j)分别为任意两个图像块中心像素点的位置坐标,M为任一图像块内像素点个数。
具体来说,定义公式(1)的意义在于,为了分析公式(1)的距离公式能否适用于乘性模型,所以我们现在对距离公式D1(i,j)的数学期望进行数学推导,推导过程如下:
这里我们采用的假设条件为:我们这里将公式(2)推导出如下表达式:
同样,相干斑噪声v是服从均值为1,方差为的随机噪声,所以,
将公式(4)带入公式(3)中,得到:
公式(5)展现了不论是在同质区域还是在异质区域,观测图像f和未被相干斑污染的真实图像u中所对应的图像块之间距离的数学期望保留了像素间相同的相似性,具有更好的鲁棒性和有效性。
进一步地,所述根据所述任意两个相似性窗口的中心点的灰度值确定所述任意两个相似性窗口之间中心点的灰度值比值,包括:
采用公式
计算两个中心像素点之间的灰度值比值,其中,所述(x,y)和(p,q)分别是图像块Ni与Nj的中心像素点位置,D2(i,j)为两个中心像素点之间的灰度值比值。
进一步地,根据所述任意两个相似性窗口的中心点的空间坐标确定所述任意两个相似性窗口中心点的空间距离,包括:
采用公式
D3(i,j)=(x-p)2+(y-q)2 (7)
确定任意两个相似性窗口中心点的空间距离,其中,(x,y)和(p,q)分别是两个相似性窗口的中心点位置坐标,D3(i,j)为两个相似性窗口中心点的空间距离。
具体来说,当图像块Ni和图像块Nj完全相似时,新的距离D1(i,j)=0。若两个图像块越不相似,则距离D1(i,j)越大。距离D1可直接用于两个图像块的权值计算,但为了提高边缘像素点估计值的精确性,另外增加了两个条件:两个相似性窗口之间中心点的灰度值比值D2和两个相似性窗口中心点的空间距离D3,下面以仿真图像举例说明。
如图2所示,图中有A、B两个同质区域,1、2、3代表三个图像块,其中每个块中间的圆点代表该块的中心像素点,1号图像块完全处于A同质区域中,2号图像块完全处于B同质区域中,而3号图像块位于A、B两个同质区域之间,但是3号图像块的中心像素点位于B同质区域中。若利用D1计算1与3之间的距离和2与3之间的距离,两个距离几乎相等,有D1(1,3)≈D1(2,3)。这是因为图像块1与图像块3的左边近似相似,右边不相似;而图像块2与图像块3的情况情况正好与前者相反,图像块3的右边与图像块2近似相似,而左边不相似。若根据这个距离是不能准确的度量出图像块1与图像块2对图像块3的差异,容易造成估计边缘值不准确。所以,在本实施例中还要考虑图像块中的中心点的灰度值信息,也即公式(2)中D2(i,j)。取两个图像块的中心点灰度值相比的最大值,若两个块处于同一个同质区域,D2(i,j)较小;若两个块处于两个不同的区域中,两个中心点的像素值会差别很大,导致D2(i,j)也较大。从图2可以验证上述结论,即1和3图像块的中心像素点不在同一个同质区域中,所以,两个块的中心点灰度值差异较大,有可能有一个块的中心点处于另一个不同的同质区域附近,所以得到的D2(i,j)较大。但图像块2与3的中心像素点处于相同的同质区域中,所以D2(i,j)比较小,趋于0的可能性比较大。
如图3所示,若图像块Ni或Nj有一个含有比较丰富的纹理信息,并且两个图像块之间相距的比较远,此时两个图像块应该具有比较小的相似性,最好是两者的相似性为0。同样以仿真图像为例。
图3中有1、2、3三个图像块,并且三个图像块位于同一个搜索区域中,图像块2与图像块3中都包含边缘,并且三个图像块的中心点都位于同一个同质区域。若使用D1(i,j)和D2(i,j)计算图像块1与图像块2的距离和图像块1与图像块3的距离,则会得到D1(1,2)≈D1(1,3)和D2(1,2)≈D2(1,3)。由于图像块3内包含边缘,并且距离图像块1较远,所以我们希望图像块3与图像块1就有较小的相似性。所以,本文再根据图像块中心点的空间位置,构建一种空间距离度量公式D3(i,j),其表达式如公式(7)所示。
进一步地,所述根据所述比值距离、所述中心点灰度值比值以及所述中心点空间距离计算权重值,包括:
采用公式
计算两个相似性窗口内像素点的权重值,其中,所述h1、h2和h3分别是控制滤波程度的变量,将控制滤波程度的变量定义为h1=h2=h3=kLσ,L为图像的视数,k为常量,σ为图像的标准差,w(i,j)为两个相似性窗口内像素点的权重值。
根据上述两个相似性窗口内像素点的权重值计算像素点i的估计值为:
为了说明基于比值和空间距离的乘性非局部均值相干斑抑制算法各方面的性能,针对两类图像进行实验,其中一类是合成图像,另一类是真实雷达图像。分别使用空域Frost相干斑抑制算法(以下简称:Frost)、各向异性SRAD相干斑抑制算法(以下简称:SRAD)、基于Gaussian-Gamma双窗的改进SRAD相干斑抑制算法(以下简称:GGSRAD)和SAR-BM3D相干斑抑制算法四种相干抑制算法与本文算法进行实验对比。
一、合成图像
如图4所示,从图中可以看出,本文算法不论是抑制相干斑的效果还是边缘保持的效果都比较好。
其中图4中(a)为16视合成图像原图,大小为300×300,图5中(a)为8视合成图像,大小为256×256。图4b是针对图4a的Frost算法处理结果,图4中(c)是针对图4a的SRAD算法相干斑抑制处理结果,图4中(d)是针对图4中(a)的GGSRAD算法相干斑抑制处理结果,图4中(e)是针对图4中(a)的雷达-BM3D算法相干斑抑制处理结果,图4中(f)是本申请方法针对图4中(a)相干斑抑制处理结果。
对于合成图像来说,各种抑制相干斑噪声算法的参数设置如下:Frost相干斑抑制算法的局域窗尺度是7×7;SRAD算法、GGSRAD算法都采用3×3局域窗,迭代次数为100,步长为0.1;SAR-BM3D算法中搜索窗口为21×21,相似性窗口为7×7,控制滤波程度的变量h1=h2=h3=kLσ,k=3。
二、真实图像
如图5所示,从图中可以看出,本文算法在相干斑抑制方面抑制的比较彻底,同时,边缘也未出现模糊或过度平滑现象。
其中,图5中(a)为5视真实雷达图像,图像大小都为256×256。图5中(b)是针对图5中(a)的Frost算法相干斑抑制处理结果,图5中(c)是针对图5中(a)的SRAD算法相干斑抑制处理结果,图5中(d)是针对图5中(a)的GGSRAD算法相干斑抑制处理结果,图5中(e)是针对图5中(a)的雷达-BM3D算法相干斑抑制处理结果,图5中(f)是本申请方法针对图5中(a)相干斑抑制处理结果。
对于真实雷达图像来说,各种抑制相干斑噪声算法的参数设置如下:Frost相干斑抑制算法的局域窗尺度是7×7;SRAD算法、GGSRAD算法都采用3×3局域窗,迭代次数为80,步长为0.1;雷达-BM3D算法中所使用的参数为参考文献中默认值;本文算法的搜索窗口为21×21,相似性窗口为7×7,控制滤波程度的变量h1=h2=h3=kLσ,k=5。
本文利用等效视数(简记为VENL)与基于均值比率的边缘保持度(简记为VEPD_ROA)两个性能指标,对合成图像与真实雷达图像含有相干斑乘性噪声的图像进行抑斑性能评估。获得表1与表2所示的各类算法抑斑效果性能比较结果。其中,计算的VENL值是选择每个图像中两块同质区域,分别为区域1和区域2,计算出的VENL值越大,就代表去除噪声能力强;VEPD_ROA中的HD和VD分别代表所选区域中沿水平方向和垂直方向所计算的VEPD_ROA值,这两个值越接近于1,越代表边缘保持能力强。表1为针对合成图像,本文算法与对比算法性能比较。
表1
表1中第一列为针对雷达图像的图像名和对比算法与本文算法名称,第二列为所选两个区域的等效视数值,记为VENL,第三列为边缘保持能力,记为VEPD_ROA。由于本文的比值距离适用于乘性噪声模型,而且还增加了中心点的灰度值信息和空间位置信息的约束,使得图像不论是在边缘保持方面还是在相干斑抑制方面都比较好。针对合成图像来说,本文算法的ENL值比原有的经典算法要高很多。除了雷达-BM3D算法之外,本文的边缘保持指数也要高于其他算法。综合图像和性能指标来看,本文算法都能实现抑制相干斑的同时保持边缘。表2为针对真实雷达图像,本文算法与对比算法性能比较。
表2
表2中第一列为输入图像名称和各相干斑抑制算法名称,第二列为在所选区域中计算的等效视数(VENL),代表相干斑抑制算法抑制噪声的能力;第三列为计算的边缘保持能力(VEPD_ROA),代表滤波之后的边缘结构保持程度。由于本文算法是将本文提出的比值距离替换原有的欧氏距离计算权重,该比值距离可以鲁棒地应用于乘性噪声模型中。同时,为了保护边缘信息,本文算法针对边缘处的结构做了相应的处理。所以,不论是直接观察图像还是比较性能指标,本文算法总体上都要优于其他对比算法。
在本文中需要手动设置的参数有控制滤波程度变量h1、h2、h3。由于针对一类图像的每个算法中的参数h1、h2、h3都是相同的数值。所以,本节接下来讨论该参数对雷达图像性能的影响。针对合成图像和真实雷达图像进行分析,其中h1={0.1,1,3,5,7,9,11,15},ENL的值是通过计算图像中所选出的两块同质区域。
如图6和图7所示,随着参数h1的逐渐增大,不论是对合成图像还是真实雷达图像的ENL值都逐渐增大,当到一定数值之后,增大的速率变得缓慢,而EPD_ROA值则是逐渐减小。由此说明,h1越大,相干斑抑制能力强,但是边缘保持能力较弱,反之,h1越小,相干斑抑制能力弱,而边缘保持效果很好。所以,选择一个合适的h1是至关重要的。
本发明能够保证被噪声污染的图像和无噪声图像像素间的相同相似性。同时,引入了图像块的中心点的灰度值信息和中心点的空间位置信息,同时能够保持在处理图像块靠近边缘或者图像块中包含大量的纹理信息时,保护边缘和纹理信息。所以,本文算法在相干斑抑制的同时很好的保持了边缘。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。