改进非局部均值滤波的SAR图像降噪

在非局部均值滤波(NLMF)的基础上,通过预生成相似集与2DPCA(two-dimensional principle component analysis)对NLMF进行改进,提出一种新的SAR(synthetic aperture radar)图像降噪方法。在NLMF算法框架下,针对SAR图像噪声的特点,首先经预处理选择邻近的子图像生成相似集,然后通过2DPCA提取子图像的主要特征,此过程减小了斑点噪声对相似性度量的影响,最后在降维后子图像的基础上进行相似性度量。通过仿真SAR图像和真实SAR图像的降噪实验,将本文方法与经典Lee滤波、Kuan滤波、Gamma-Map滤波和NLMF滤波相比较,结果表明,该方法无论在边缘保持还是一致区域的平滑上,都能取得较好的效果,是一种有效的SAR图像降噪算法。     

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。     

基于静态小波分解的多尺度SAR图象滤波

由于雷达回波的相干性 ,合成孔径雷达 (SAR)图象上存在着斑点噪声 ,因此 ,为消除这种噪声 ,提出了一种基于静态小波分解的硬阈值滤波方法 ,该方法首先将 SAR图象分解至静态小波域 ,然后在静态小波域中将噪声的小波系数收缩至零 .将此算法应用于 ERS- 1SAR图象斑点噪声滤波 ,并与基于 Mallat分解的滤波算法和另外 3种典型的 SAR图象滤波算法进行比较 ,结果表明 ,该方法不仅可以有效地去除斑点噪声 ,并且可以保持 SAR图象的精细纹理结构     

高分辨率SAR图像高速公路提取算法

给出了一种新的高分辨率合成孔径雷达(SAR)图像高速公路提取算法。首先对SAR图像进行FROST滤波,抑制斑点噪声,再使用OSTU算法对SAR图像进行二值化,然后使用腐蚀-膨胀算法与HOUGH变换对二值化后的SAR图像进行处理,提取出高速公路中的隔离带,再利用圆形模板匹配方法提取高速公路中单行道的道路中心线,最后基于单行道的宽度提取出整个高速公路。实验结果表明,该方法可以消除噪声与干扰的影响,完整地提取出高速公路。     

SAR图像斑点噪声的滤波方法研究

针对SAR图像的斑点噪声,分析斑点噪声的模型,给出一种改进的加权中值滤波和增强Lee滤波相结合的去噪方法流程,并用VC++实现这一方法流程。通过实例验证表明该方法流程能有效去除SAR图像中的斑点噪声和保持图像边缘信息。     

高分辨率合成孔径雷达图像高速公路检测法

针对高分辨率合成孔径雷达（SAR）图像中高速公路的特征,提出了一种结合多级非线性加权平均中值滤波和Hough变换的高速公路检测算法。该算法首先对原始高分辨率SAR图像进行多级非线性加权平均中值滤波,抑制斑点噪声,同时较好地保留图像的几何特性。然后对滤波后的图像进行Hough变换快速检测高速公路,并将检测到的高速公路信息叠加到原始SAR图像上显示。实验结果证明该算法能快速、有效地从不同工作模式下取得的高分辨率SAR图像中检测到直线高速公路。     

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。     

基于静态小波分解的多尺度SAR图像滤波

由于雷达回波的相干性，合成孔径雷达（SAR）图象上存在着斑点噪声，因此，为消除这种噪声，提出了一种基于静态小波分解的硬阈值滤波方法，该方法首先将SAR图象分解至静态小波域，然后在静态小波域中将噪声的小波系数收缩至零，将此算法应用于ERS－1 SAR图象斑点噪声滤波，并与基于Mallat分解的滤波算法和另外3种典型的SAR图象滤波算法进行比较，结果表明，该方法不仅可以有效地去除斑点噪声,并且可以保持SAR图象的精细纹理结构。     

SAR图像多时相组合滤波方法

提出一种SAR图像多时相组合滤波方法,利用同区域多幅时间序列SAR图像构建最优线性组合,得到权矩阵,通过处理使多幅图像在信息互补过程中达到抑制斑噪的目的。利用3幅不同时相真实SAR图像进行滤波实验分析,并与经典SAR图像滤波方法比较,结果表明,该方法能够保持空间细节信息,且去除斑点噪声效果良好,可以同时应用于同一区域多幅SAR图像的滤波处理。     

SAR与可见光图象匹配方法的研究

由于SAR和可见光成象传感器图象的物理特征不同,因此进行匹配难度很大。本文在深入分析了这两种传感器图象物理特征的基础上,提出了一种图象匹配的新方法。该方法运用形态学滤波方法去除SAR图象斑点噪声,利用图象的边缘特征进行匹配,并采用多分辨率分级搜索技术减少计算量,在对实验结果进行分析的基础上提出了搜索真实匹配位置的原则,大大提高了匹配的准确率。通过实验对SAR图象斑点噪声滤波和SAR与可见光图象匹配算法进行了验证,实验证明本算法的SAR图象去噪效果明显优于传统的Frost方法,图象匹配精度高,稳定性好。     

基于稀疏重构框架下剪切波的SAR图像去噪

SAR图像很容易被乘性噪声多污染,进而影响SAR图像后序的分析与处理。本文中提出了一种基于剪切波稀疏编码的SAR图像移除乘性噪声的新模型。首先通过压缩感知理论建立SAR图像去噪模型;其次通过剪切波变换获得剪切波系数,每个尺度的系数视为一个单元;对于每个单元,通过剪切波域的贝叶斯估计对稀疏系数进行迭代估计。重现的单元最后结合起来构造去噪后的图像。SAR图像去噪效果显示了该算法有良好的表现性,对噪声具有鲁棒性;本文提出的算法不仅有较好的去噪效果,而且还保存了更多的边界信息。     

A statistical and Wiener filtering algorithm based on the curvelet transform for SAR images

Synthetic aperture radar (SAR) images contain many kinds of noise. Speckle noise is multiplicative noise generated by the coherent imaging processes involved in SAR images and brings a great hindrance to the interpretation and application of SAR images, so it is considered the first major kind of noise in SAR images. SAR images also contain other incoherent additive noises generated by other factors, such as Gaussian noise, which are all considered the second major kind of noise. In order to reduce the impact of noise as much as possible, after an in-depth study of SAR imaging and noise-generating mechanism, curvelet transform principle, and Wiener filtering characteristic, a novel filtering method, here called the statistical and Wiener based on curvelet transform (SWCT) method is proposed. The SWCT algorithm processes two different kinds noise based on their properties. Specifically, it establishes a two-tiered filtering framework. For the first kind of noise, the algorithm uses the curvelet transform to decompose the SAR image and uses the statistical characteristics of the SAR image to generate an adaptive filtering threshold of the coefficients of decomposition to recover the original image. Then it filters every sub-band image at each decomposed scale and performs the inverse curvelet transform. The second kind of noise is directly filtered using the Wiener filter in the SWCT algorithm. Using the two-tiered filtering model and fully exploiting statistical characteristics, the SWCT algorithm not only reduces the amount of coherent speckle noise and incoherent noise effectively but also retains the edges and geometric details of the original SAR image. This is very good for target detection, classification, and recognition. Qualitative and quantitative tests were performed using simulated speckle noise, Gaussian noise, and real SAR images. The proposed SWCT algorithm was found to remove noise effectively and the performance of the algorithm was tested and compared to the mean filter, enhanced gamma-MAP (maximum a posterior probability) filter, wavelet transform filter, Wiener filter, and curvelet transform filter. Experiments carried out on real SAR images confirmed that the new method has a good filtering effect and can be used on different SAR images.     

改进的基于结构检测的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.为此该文提出了一种改进的结构检测的SAR图像去斑算法.利用概率迭代方法分割图像并检测边缘,结合强点检测图,将SAR图像标为结构区和非结构区,在非结构区域内进行Lee滤波以平滑噪声,对结构区直接保留原值,获得了非常好的去斑效果.利用RADARSAT实测图像进行实验,并对实验结果作充分分析,证明了本算法的有效性.     

一种抑制SAR图像相干斑的空域滤波算法

为在保护SAR图像边缘特征的同时有效抑制乘性相干斑噪声,提出了一种空域滤波新算法。该算法以负指数衰减型加权滤波模型为基础,通过将SAR图像多种局部统计参量巧妙结合作为联合衰减因子,形成与SAR图像区域分布特性相适应的负指数型加权系数;同时采取两次滤波策略,先由预滤波削弱SAR图像相干斑噪声并估计获得更精准的局部统计参量,然后借助精细局部统计参量再对原SAR图像实施精细滤波。实验结果表明,与多种抑斑算法相比,该算法在SAR图像抑斑与边缘保护方面均获得了更好的性能。     

SRAD-CNN for adaptive synthetic aperture radar image classification

The performance of synthetic aperture radar (SAR) image classification based on a conventional convolutional neural network (CNN) is limited by a trade-off between immunity to speckle noise and the ability to locate boundaries accurately. Difficulties regarding the accurate location of boundaries are a result of the smoothing effect of the pooling layer. To address this issue, we propose a novel framework called SRAD-CNN for SAR image classification. In this framework, we apply a filtering layer constructed according to prior knowledge of the speckle reducing anisotropic diffusion (SRAD) filter. The filtering layer can not only reduce speckle but also enhance the boundaries. The main parameter that controls the degree of filtering can be optimized adaptively by a backpropagation algorithm. Image patches adaptively filtered by the filtering layer are then put into the CNN layers to assign a label. Due to the effect of the filtering layer, for our proposed SRAD-CNN, both the speckle noise immunity and the sensitivity to boundaries are superior to those of conventional CNN.To confirm the performance of the proposed SRAD-CNN, we conducted experiments using both simulated and real SAR images. The experimental results demonstrated that the parameter of the filtering layer could be optimized adaptively for different scenes, different noise levels, and different image resolutions. The SRAD-CNN outperformed the conventional CNN in both overall classification accuracy and maintenance of boundary accuracy on images with different resolutions and noise levels with limited training samples.     

基于复小波噪声方差显著修正的SAR图像去噪

提出了一种基于复小波域统计建模与噪声方差估计显著性修正相结合的合成孔径雷达(Synthetic Aperture Radar,SAR)图像斑点噪声滤波方法。该方法首先通过对数变换将乘性噪声模型转化为加性噪声模型,然后对变换后的图像进行双树复小波变换(Dualtree Complex Wavelet Transform,DCWT),并对复数小波系数的统计分布进行建模。在此先验分布的基础上,通过运用贝叶斯估计方法从含噪系数中恢复原始系数,达到滤除噪声的目的。实验结果表明该方法在去除噪声的同时保留了图像的细节信息,取得了很好的降噪效果。     

基于引导滤波和Tsallis熵的SAR图像分割算法

针对合成孔径雷达(SAR)图像易受噪声干扰、分割方法精度低的问题,提出了一种基于频域引导滤波和Tsallis熵的SAR图像多阈值分割算法.利用非下采样Contourlet变换(NSCT)对图像多尺度分解,提取图像各方向的高频信息;通过引导滤波增强高频分量的边缘信息,在保持边缘的同时抑制了相干斑噪声;利用改进的二维Tsallis熵多阈值对增强图像精确分割.实验结果表明:分割算法对噪声不敏感,分割精度和适应性明显提高.     

改进的基于非局部均值的极化SAR相干斑抑制

贝叶斯形式的非局部均值模型在极化SAR图像相干斑抑制中有良好的应用,在实现抑制相干斑的同时较好地保持了边缘细节和点目标.通过分析合成孔径雷达(SAR)图像多视数据的空间统计分布,结合贝叶斯形式的非局部均值模型,得出在该模型下多视与单视SAR图像中像素间相似性度量函数一致性的结论,并对该相似性度量函数进行了修正,使之满足对称性;最后针对算法全局使用一个固定滤波参数影响滤波效果的问题,提出一种根据像素间相似程度自适应选取滤波参数的方法.实验结果验证了本文算法的有效性.