雷达影像斑点噪声滤除方法的探究

雷达影像判读之前需要进行斑点噪声的滤除。本文采用不同的滤波算法对SAR影像进行处理,并分别从定性与定量指标方面对不同算法的滤波效果进行评价对比,从而为SAR影像斑点噪声滤波算法的选择与改进提供指导。     

基于MAR模型的SAR图像的聚类分割

合成孔径雷达（SAR）图像中的斑点噪声是SAR图像处理困难的主要原因,如何抑制斑点噪声及图像处理一直是SAR图像研究的热点。根据SAR图像的成像机理,采用能够描述不同尺度（分辨率）下固有特性的多尺度自回归（MAR）模型,提出一种有效的多尺度抑制斑点噪声和分割方法。首先对SAR图像多分辨率序列建立MAR模型,然后依据模型对SAR图像抑制斑点噪声,重构,最后用Ward聚类分割方法对SAR图像进行分割、比较。     

非下采样小波域的四阶偏微分SAR图像去噪

针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像受相干斑噪声的干扰会严重影响后续图像处理与分析的问题,提出了一种非下采样小波变换(NonSubsampled Wavelet Transform,NSWT)与四阶偏微分方程相结合的SAR图像去噪算法。首先利用NSWT将SAR图像分解为不同尺度、不同分辨率的高低频分量,然后利用四阶偏微分方程变换消除高频噪声,利用小波软阈值消除低频噪声,在去噪的同时能有效保留图像的边缘与细节,最后再利用NSWT逆变换进行重构。实验表明,该算法可以有效消除SAR图像的斑点噪声。     

基于小波变换的SAR图像去噪方法研究及应用

本文探讨在小波频域内进行SAR斑点噪声分析的特点和优势,分析比较小波频域斑点噪声滤除的若干种方法,结合前人阈值优化、边缘检测的思想和边缘方向特征提出一种新的斑点噪声滤除方法。实验表明所研究的噪声滤除方法,同各种空间域滤波方法和已有的小波频域方法比较,在噪声滤除和信息保留两方面的综合效果有明显提高,具有一定的应用价值。     

多极化SAR图像斑点抑制综述

SAR(合成孔径雷达)图像斑点抑制一直是SAR图像应用中的一个重要课题。近二十几年来,伴随着SAR的发展和应用,涌现出了大量的斑点抑制算法。这些算法可分为两类:一类是基于单通道数据;另一类是基于多通道数据。对相干斑抑制问题进行了全面系统的研究,并侧重于多极化SAR图像的斑点抑制,归纳总结了近十几年来国内外所出现的多极化SAR图像斑点抑制算法,并对各种算法的性能进行了分析和比较。     

基于小波域空间树结构的合成孔径雷达图像压缩

空间树结构SOT(Spatial-Orientation Tree)在基于小波的SAR图像压缩中扮演着及其重要的角色,包括EZW(Embedded Zero-tree Wavelet)和SPIHT(Set Partitioning in Hierarchical Trees)的图像压缩编码方法,都利用了SOT中的父子关系。斑点噪声的存在,严重降低了SAR图像的质量和可压缩性。作为研究不同分辨率小波系数的空间相关性的非常有效的数据结构,SOT在斑点噪声去除中并没有得到很好的利用。提出一种新的SAR图像压缩方法,该方法结合基于SOT结构的斑点噪声去除和EZW嵌入式零树编码算法,对机载合成孔径雷达图像压缩实验的结果显示,该方法优于JPEG和标准EZW算法。     

SAR图像斑点噪声整体变分偏微分方程滤波算法研究

SAR图像固有的斑点噪声严重影响了图像的判读和后续处理,因此抑制SAR图像斑点噪声显得尤其重要。一个良好的斑点噪声抑制算法应该在降低斑点噪声的同时,能很好地保持图像的细节特征,但现有的去噪算法没有一种能够完美地解决这个问题的。本文基于SAR图像斑点噪声滤波的重要性以及存在的问题,将整体变分偏微分方程用于去除斑点噪声。根据整体偏微分方程建立了去噪模型,并分析了模型的性能和参数选择的重要性。通过实验验证了该算法的有效性,并以峰值信噪比（PSNR）为评价准则,利用多项式拟合方法选择了最优参数。引入边缘保持指数(EPI),与其他滤波算法比较,本算法在去除噪声的同时较好地保持了边缘。     

基于惩罚系数自适应修正的SAR图像滤波新算法

合成孔径雷达(SAR)图像存在较强的相干斑点噪声,严重地影响了地物信息的提取与SAR图像的应用效果。提出了一种新的SAR图像斑点噪声滤波算法,该算法以一种基于膜模型的M arkov随机场的近似最优迭代滤波算法(TSPR)为基础,考虑了邻域空间关系对势能函数的影响,并通过在迭代过程中自适应修正惩罚系数,来达到更好的斑点噪声滤波效果。通过对含不同强度斑点噪声的退化图像的对比试验结果来看,该算法在提高处理后图像的信噪比方面,能够取得较TSPR算法更佳的效果。     

一种新的SAR图像快速自适应去斑算法

针对SAR图像斑点噪声的滤除,提出了一种新的基于Countourlet变换的快速自适应性噪声去除方法。鉴于SAR图像的Countourlet系数主要取决于斑点噪声和信号腐化,且呈现出很强的非高斯分布特性,据此,首先建立了SAR图像Countourlet系数的高斯混合分布解析模型;然后用每个系数的邻域系数通过估计其去斑收缩因子来实现系数的自适应收缩;最后对Lee滤波、Foster滤波、Gamma滤波、小波、Curvelet和Contourlet变换的去斑性能进行了比较分析。实验结果表明,该新方法在保留细节和锐化图像的同时,能强有力地抑制斑点噪声。     

一种联合小曲与小波的SAR图像降噪方法

斑点噪声的抑制方法是合成孔径雷达(SAR)图像处理的重要研究课题之一.离散小波变换和随后出现的离散小曲(Curvelet)变换均已被应用于SAR图像降噪且表现出了各自独特的优势.为进一步提高降噪质量,目前出现了两种将两者联合应用于SAR图像降噪的方法--联合滤波法(CFA)和自适应联合法(ACM).在以ACM为重点对已有联合降噪方法进行介绍的基础上,提出了一种联合Curvelet与小波抑制SAR图像斑点噪声的新方法--区域性模糊联合法(TFCM).与ACM相比,它能够更有效地抑制SAR图像斑点噪声.     

SAR图像去斑方法

合成孔径雷达图像固有的相干斑噪声严重降低了图像的可解译程度，影响了后续目标检测、分类和识别等应用。因此，SAR图像的相干斑抑制问题一直是SAR图像应用的重要课题之一。一个理想的去斑算法应该在平滑的同时保持图像的边缘等细节不受损失，目前存在各种各样的算法，但没有一种方法能够完美的满足这一要求。本文对SAR图像的相干斑抑制问题进行了全面系统的研究，分析了相干斑的形成原因，总结了目前存在的相干斑抑制算法的主要思路，介绍了具有代表性的算法，并对各种算法的性能进行了定性分析和比较，给出了去斑算法定量评估方法，展望了SAR图像相干斑抑制的发展方向。     

极化SAR图像相干斑抑制的ICA方法与分析

极化合成孔径雷达(synthetic aperture radar,SAR)图像为雷达图像中的信息处理和获取提供了更为便捷的途径。提出了基于独立分量分析(independent component analysis,ICA)的极化SAR图像相干斑抑制方法。该方法将极化SAR图像斑点噪声的乘积模型,变换为应用ICA的信号加噪模型。并且将HV/VV的比值图像,也作为ICA的输入数据。分别使用几种不同的ICA算法,得到了分别对应于HH、HV和VV极化的3幅降噪图像,并对结果进行了比较分析。实验结果表明,应用ICA算法可以有效地降低极化SAR图像的相干斑噪声,提高图像质量。     

极化合成孔径雷达图像相干斑抑制和分类方法综述

极化合成孔径雷达（Polarimetric synthetic aperture radar,PolSAR）是一种多参数、多通道的微波成像系统,在农林业、地质、海洋和军事等领域有着广泛的应用前景.PolSAR图像的相干斑抑制和分类是数据解译的重要环节,已经成为遥感领域的研究热点.本文综述了现有PolSAR图像的相干斑噪声抑制和分类方法并进行展望.首先,简要介绍了PolSAR系统的主要进展和应用;然后,对PolSAR图像相干斑抑制的评价指标和方法进行综述并对几种代表性方法进行了实验对比;接下来,对PolSAR图像的特征进行分析归纳,分别对有监督、无监督和半监督的PolSAR分类方法进行总结并给出了几种有监督分类方法的实验比较;最后,对PolSAR图像相干斑抑制和分类方法未来可能的研究方向进行了思考和讨论.     

基于偏微分方程的医学超声图像去噪方法

研究了各向异性扩散方程在医学超声图像去噪中的应用。在理论上对去噪原理进行了分析,并在此基础上采用改进的针对乘性噪声的各向异性扩散算法对医学超声图像去噪,实验结果表明,该方法在有效去除噪声的同时较好地保留了医学超声图像中的重要细节信息,使图像的细节部分清晰。该方法可以有效地去除超声图像斑纹噪声,提高图像的质量。     

基于形态Haar小波的SAR图像斑点噪声抑制方法

针对现有相干斑抑制算法不能在去除斑点噪声和保持图像边缘、细节信息之间做到很好的折中,提出了一种新的基于形态Haar小波变换的合成孔径雷达(SAR)图像斑点噪声抑制方法。该方法首先对SAR图像进行二维形态Haar小波分解,图像的边缘、细节和纹理信息在低频子带中得到了更好的保留,噪声主要分布在高频子带;然后,根据各高频子带噪声的特点,分别对高频子带进行均值和中值滤波达到去除斑点噪声的目的;最后,再对低频子带和处理后的高频子带进行形态Haar小波精确重构得到去斑图像。实验证明:该算法不仅大大改善了原始SAR图像的画面质量,同时很好地保持了原始SAR图像的纹理特性和细节信息;该算法去斑性能指标总体优于传统的Lee滤波、Frost滤波、Kuan滤波和小波软阈值法。     

方向小波域的选择性阈值SAR图像去噪

SAR图像去噪一直是SAR图像处理中一个具有特殊意义的研究课题。噪声抑制的关键是解决图像平滑与保持纹理之间的矛盾。提出了一种基于方向小波的选择性阈值SAR图像去噪算法。该算法利用方向小波的多方向框架对图像作12个方向的分解和变换。针对方向小波分解图像所产生的系数序列长度不同的特点,利用白噪声的置信区间,将不同长度的系数分成3组,对中间长度的系数序列采用统一阈值,对其他长度序列采用白噪声置信区间阈值处理。为了更好地保持图像细节信息,将每一尺度高频系数的方差中值作为噪声方差估计值。利用真实的SAR图像进行去噪试验,与几种经典的空域滤波和小波软阈值算法进行比较结果表明,该算法在平滑图像的同时更好地保持了图像本身的纹理信息,图像的视觉效果优于其他算法,等效视数和边缘保持指数分别提高了97和0.15。     

A novel method for speckle noise reduction and ship target detection in SAR images

It is very difficult to detect small targets when the scattering intensity of background clutter is as strong as the targets and the speckle noise is serious in synthetic aperture radar (SAR) images. Because the scattering of man-made objects lasts for a longer time than that of background clutter in azimuth matching scope, it is much easier for man-made objects to produce strong coherence than ground objects. As the essence of SAR imaging is coherent imaging, the contrast between targets and background clutter can be enhanced via coherent processing of SAR images. This paper proposes a novel method to reduce speckle noise for SAR images and to improve the detected ratio for SAR ship targets from the SAR imaging mechanism. This new method includes the coherence reduction speckle noise (CRSN) algorithm and the coherence constant false-alarm ratio (CCFAR) detection algorithm. Real SAR image data is used to test the presented algorithms and the experimental results verify that they are feasible and effective.     

Application of special-purpose artificial neural networks for speckle reduction in SAR images

Synthetic aperture radar (SAR) is used extensively for remote-sensing applications due to its ability to operate under all weather conditions and provide high-resolution images. However, high-resolution images constructed from SAR data often suffer from speckle, which makes identification and classification of edges/boundaries a difficult task. Speckle noise is multiplicative in nature and is a result of constructive and destructive interference of signals from randomly distributed scatterers in a resolution cell illuminated by a coherent signal. Usually, speckle is reduced by incoherent averaging of high-resolution image pixels that degrade resolution. The principal goal in all speckle-reduction algorithms is to reduce speckle with minimum loss of resolution. In this investigation, we used specially trained and validated artificial neural networks (ANNs) for speckle reduction in images generated with a radar-depth sounder/imager and compared their performance to the conventional adaptive filtering and Speckle Reducing Anisotropic Diffusion (SRAD) algorithm. We show that by training different ANNs to reduce speckle noise at different levels of signal-to-noise ratio (SNR), rather than training one ANN to operate at all levels of SNR, improved performance in speckle reduction can be obtained. Real SAR images and synthetic noise are used in this research to compare the performance of the proposed ANN-based approaches with that obtained from conventional methods. This investigation shows that on combining the results from a set of properly trained and validated neural networks, the SNRs of the output images improve beyond those obtained from conventional approaches when the input SNRs are greater than or equal to 4 dB. For input SNRs greater than 0 dB, however, the ANNs provide better performance in edge preservation compared with conventional methods. We also found that once a set of ANNs is properly trained to reduce speckle from an image, these ANNs can be used in de-speckling other images without any further training. The merits and demerits of different configurations of the ANNs are studied to find useful speckle noise-tolerant ANN architectures.     

An adaptive order-statistics filter for SAR images

An algorithm based on local order statistics is proposed for adaptive reduction of speckle noise in synthetic aperture radar (SAR) images. A selective smoothing is obtained by replacing a pixel value belonging to either of the tails of the local histogram by its percentile, whose area is adaptively defined by a Gaussian function of the Local Variation Coefficient. The filter can fit the actual noise level and preserves structures, textures, and point targets, as well as the local mean without introducing any blur on the edges, mostly due to its closure property. Comparisons with algorithms suitable for speckle smoothing are performed on true SAR images and show selective signal-to-noise ratio (SNR) enhancements.