一种烧火模型去除微波噪声方法与流程

本发明涉及遥感图像处理领域，更具体的，涉及到利用烧火模型去除高分辨率雷达斑点噪声的方法。

背景和技术

甘蔗是我国重要的经济产物，在我国包括广东广泛种植。准确、及时地掌握甘蔗在时间和空间上的分布信息具有重要意义。卫星遥感能够客观、准确和及时地提取甘蔗信息。由于广东甘蔗区多位于多云雨地区，运用光学遥感数据监测甘蔗收到限制。

利用雷达数据可以不受云雨影响提取甘蔗信息，本研究利用Radarsat-2数据。Radarsat-2于2007年12月14日，在哈萨克斯坦的拜科努尔太空基地成功发射，在新的图像获取能力及性能方面，又有了长足的进展。Radarsat-2数据具有较高的分辨率(3米-8米)、三种极化模式、重访次数高、编程，数据处理速度高，几何准确度高的特点。

Radarsat2影像具有一定的噪声，这种噪声是雷达目标不断运动会引起测量参数的不规则变化，故称为雷达目标噪声。大部分雷达目标的形状很复杂，尺寸也比雷达波长大得多，所以目标回波是目标各部分(散射体)回波信号的矢量合成。目标噪声按其性质和对雷达测量参数的影响，可以分为幅度噪声、角噪声和距离噪声等。本实验比较几种不同滤波方法效果后，选用gamma滤波5次滤波后，去除噪声。

经过阈值处理后，影像上出现较大量的斑点噪声(如图1)，分为两部分：一是甘蔗区域内的空洞噪声(如图2(a)区域内黑色小块)，一部分为甘蔗区域外的斑点噪声(如图2(a)白色小块).这种噪声不同于之前的雷达噪声，经过阈值处理后噪声性质发生一定程度改变，之前的gamma滤波、sigma滤波等滤波方法去除此种噪声效果差，不适于去除此种斑点噪声，如图2(b)LEE滤波，图2(c)Frost滤波，图2(d)Gamma滤波。因为去除的区域中的斑点噪声不具有传统的乘性或加性噪声性质，因此传统的雷达噪声滤波方法不适用于本例。

利用窗口统计除噪声和窗口连通性去除噪声结果分别如图3(b)和3(d)所示(处理前原图分别对应图3(a)和图3(c))。关于两种除噪声方法的解释：

窗口统计除噪声：选取一定的窗口，统计窗口内甘蔗像元的数目，按统计像元数占窗口像元数的比与阈值对比判断是否去除。但这种方法计算量大，而且对甘蔗区域的边缘进行计算时，改变了边缘形状，这与实际情况不符。传统的基于腐蚀和膨胀的算法去除斑点噪声方法，能部分去除噪声，但进行处理后，边缘发生严重变形，且像素具有颗粒状，不适于噪声的去除，如图2(e)Erode滤波，图2(f)Dilate滤波。

边缘连通性去噪声原理：改变以上方法利用一个大小的窗口W扫过图像的每个区域。判断窗口区域类的斑块是否为噪声，判断是否为噪声方法：当窗口内的斑块点边缘不与窗口接触，则认为是噪声去除。以此方法可以较好地去除甘蔗阈值处理后的噪声，而且能够完全保持缘，不会产生利用窗口局部统计的边缘畸变。但当噪声形态复杂或者噪声处于形态复杂的区域，窗口难以判断为噪声，使得无法去除，如图3(b)和图3(d)，复杂形态边缘难以去除；计算量大，导致运算耗时长。

利用本文提出的方法，可较好的去除噪声，同时完全保留甘蔗区域边缘不发生改变，计算效率高。

技术实现要素：

本发明的目的是，提出一种基于形态学去除高分辨率雷达噪声的方法，该方法与经典的极化合成孔径雷达滤波方法相比，更加高效，原理简单、计算方便，可较好地滤除影像噪声。为达到以上目的，本发明采用如下技术方案：

对实验区内的甘蔗进行研究，面积48平方公里。实验区位于雷州半岛北部，雷州半岛属于华夏台背斜、雷州台凸的一部分。由于喜马拉雅运动，形成规模巨大的构造盆地──琼雷凹陷。研究区地形单一，起伏和缓，以台地为主，次为海积平原。地面坡度一般仅3～5度。半岛北部为和缓的坡塘地形，海拔25～50米，多湛江系滨海相。

试验区属半岛属热带季风气候。年均温在23度以上，最冷月均温超过15度,极端最低温一般大于4度, 全年无霜。0度左右低温仅见于个别年份。年降水量1300～1700毫米，由东向西渐减。降水集中夏、秋两季，多暴雨。12月～翌年3月的降水量不及年总量的10％,且年变率大。一般10年有6年春旱。半岛上海陆风明显,主导风向为偏东风，年均风速3.5～4米/秒。夏秋间多台风暴雨。影响半岛的台风年均约5.1次。天然植被为热带季雨林，以热带性常绿树种为主。但天然森林多已无存。研究区广泛分布人工经济作物林，如水稻，甘蔗，桉树，香蕉等，本实验对试验区内甘蔗进行提取。

对其中的连片区域和零散点进行了调查，为了检验研究结果的准确性,对提取的甘蔗集中连片区域和零散点开展了实地调查.对连片区域主要采用电话咨询当地糖业主管部门进行验证；对零散和可疑区域主要利用手持式GPS野外定点的方式进行,验证点共74个点.通过询问结果及统计发现约85％以上的验证点落在提取的甘蔗区内，影像上的空洞噪声为甘蔗，斑点噪声为非甘蔗的正确率分别为95％和91％.由此可见,利用Radarsat2遥感数据提取的甘蔗种植空间分布信息与甘蔗实际种植空间分布是基本相符，并且对于空洞噪声为甘蔗和斑点噪声为非甘蔗的假设成立.

使用Radarsat-2全极化数据进行研究。经过结合校正和进行地面调查。地面调查在2013年2月到12月进行，测量甘蔗的分布，生长时期等。

1影像校正和gmma滤波

首先对Radarsat2数据进行定标和几何纠正,获取了湛江地区2013年1月到2013年12月每个月的Radarsat2影像。Radarsa2影像的预处理工作，主要包括了影像去噪、影像纠正、影像配准等工作。影像纠正采用PCI软件中的Radarsat-2模块进行正射纠正。计算各个月份的影像entropy、alpha和T11值。对影像进行滤波，经过实验，Gamma滤波效果优于sigma和Frost滤波等方法。因此选择Gamma滤波，滤波窗口5X5,视数3，进行5次滤波，并达到数据置信度需求。

2阈值处理

实验证明，3月份和8月份影像较容易区分甘蔗和其他作物，因此选择3月28日和8月19日两景雷达影像。3月28日影像和8月19日影像具有一定错位，需要选择两张影像公共区域进行公共区域裁剪。根据公式进行数据计算，根据甘蔗经验公式设置阈值提取甘蔗，将相减后数据中的负值赋为零，公式如下：

P_R2代表经过阈值处理后的影像像元，Alpha8.19和Alpha3.28分别代表8月19日和3月28日Radarsat2像元的Alpha值，T11代表3月28日的Radarsat2像元的T11值。阈值153由利用实地已知区域和经验选取得到，提取效果展示(21％的甘蔗区域)，如图1。

3噪声去除

由于雷达波扫描成像的特性，SAR卫星影像存在随机散布的相干斑噪声。相干斑噪声与较细小的地物目标相互掺杂，会显著降低影像信噪比，破坏地物成像的纹理特征，影响影像的判读效果。噪声严重时，甚至可导致地物特征消失，而无法判读。因此，影像去噪是雷达影像处理环节中的重要一环。

烧火模型去除微波噪声方法：设想一种场景，在一块草场中(图5(a)为待处理数据，将白色区域看为草场)，点燃一个长草地点，周围相连接的区域引燃会燃烧完全。而被隔离的区域不会点燃。噪声有这种形态性质，传统的微波噪声去除方法是以窗口内的像素综合进行计算，本专利从某个像素点开始。像点燃草场一样，从局部引燃火种，会烧完相连接的噪声斑块的像素，如果噪声斑块满足条件(即斑块内像素数小于阈值)，则燃烧掉(去除)，否则保留。已经“燃烧过”的点标记，不再引燃，提高计算效率。此为“火烧”模型去除噪声。如此，可以去除阈值和满足条件的所有噪声，满足去除噪声的三个要求。算法流程如图4：

图5(a)方框内为窗口连同法未去除的噪声，因为噪声周围形态复杂，用该方法不能有效去除。图5(b)利用火烧法，灰色部分为标记待去除斑点噪声，去除结果如图5(c)，去除斑点噪声的同时，噪声边缘不变。去除完全了斑点噪声，仍然残余部分孔洞噪声，如图图5(d)红框内对应噪声。去除孔洞噪声和去除斑点噪声原理类似，只需将颜色反转(如图5(d))，空洞噪声即变为斑点噪声。按去除斑点噪声的方法去除，如图5(e).去除完毕后，将图像反转，得到最后结果图，图5(f).将原图5(g)与最后结 果图图5(h)对比，发现，火烧法不仅能够完全有效地去除斑点噪声和空洞噪声，而且边缘形状完全保持不变，优于窗口法和边缘连通性去除噪声方法。计算时间上，对以上影像，时间分别为32秒，110秒和20秒(火烧法)。火烧法在时间上也优于其它两种方法。队大实验区(面积48平方公里)进行实验，大实验去原阈值处理后影像如图6，用该方法去除噪声结果如图7所示，去除了较多非目标地物(噪声)。

附图说明：

图1为阈值处理后甘蔗提取结果图(白色代表甘蔗)

图2为几种常用雷达滤波方法效果对比

图3为不能去除部分噪声

图4为火烧法算法流程

图5火烧法出去噪声步骤结果图

图6甘蔗区域图(大区域)

图7甘蔗区域除噪后(大区域)

具体实施方式：

(1)影像校正和gmma滤波

首先对Radarsat2数据进行定标和几何纠正,获取了湛江地区2013年1月到2013年12月每个月的Radarsat2影像。Radarsa2影像的预处理工作，主要包括了影像去噪、影像纠正、影像配准等工作。影像纠正采用PCI软件中的Radarsat-2模块进行正射纠正。计算各个月份的影像entropy、alpha和T11值。对影像进行滤波，经过实验，Gamma滤波效果优于s igma和Frost滤波等方法。因此选择Gamma滤波，滤波窗口5X5,视数3，进行5次滤波，并达到数据置信度需求。

(2)阈值处理

选择3月28日和8月19日两景雷达影像，选择两张影像公共区域进行公共区域裁剪。根据公式进行数据计算，根据甘蔗经验公式设置阈值提取甘蔗，将相减后数据中的负值赋为零，公式如下：

P_R2代表经过阈值处理后的影像像元，Alpha8.19和Alpha3.28分别代表8月19日和3月28日Radarsat2像元的Alpha值，T11代表3月28日的Radarsat2像元的T11值。阈值153由利用实地已知区域和经验选取得到，进行提取。

(3)噪声去除

从影像左上角像素出发，判断该像素是否标记：如果标记，则忽略，进行下一个像素(逐行列)的判断；如果未标记，则进行“点燃”方法处理：判断噪声所在斑块是否可去除(燃烧)，即判断斑块是否大于阈值，若大于则不燃烧，标记该斑块所有像素。斑块小于阈值，则去除该斑块。然后进行下一个像素判断，像素遍历编程使用迭代方式，直到所有像素遍历完则结束进程。如图4所示。

以上步骤去除了区域外斑点噪声，区域内空洞噪声采用方法：先颜色反转二值图像，如图5(d)，利用之前斑点噪声去除方法去除，再颜色反转二值图像，即可去除区域内空洞噪声。