一种可操纵金字塔的相干斑去噪方法

可操纵金字塔的小波系数比一般小波金字塔具有更强的层间和层内相关性,更有利于区分信号与噪声的小波系数,本文提出一种可操纵金字塔的相干斑去噪算法.此算法使用可操纵金字塔对图像进行多尺度分解,并通过建立小波系数的几何先验模型.对每个小波系数进行自适应的贝叶斯估计,达到去除相干斑的目的.实验结果表明,与传统的相干斑去噪算法相比.本算法能更有效地抑制斑点噪声,又保留有用信号及边缘信息.     

一种基于小波域隐马尔可夫模型的SAR相干斑抑制算法

相干斑噪声是SAR图像的固有特点。对相干斑抑制的要求是在平滑噪声的同时，尽量保持原始图像的结构信息。现有的许多相干斑抑制方法各有优点和不足，没有普遍的适用性。基于图像在小波域的隐马尔可夫模型(HMMs)结构，结合SAR图像中相干斑噪声的统计特性，本文提出了一种新的小波域相干斑抑制方法。仿真及实测数据处理结果表明，该方法在有效抑制相干斑的同时，更好地保持了边缘结构。与小波域软阈值去噪方法和Lee滤波器相比较，该方法在噪声平滑及边缘保持上都取得了较大的改进，并得到了较好的视觉效果。     

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。     

基于小波变换和PCA的SAR图像相干斑抑制

提出一种SAR图像相干斑噪声抑制新的滤波方法。该方法利用小波变换结合主分量分析(PCA)对SAR图像进行去噪。小波变换可以很好地保持边缘细节信息,主分量分析(PCA)能从混合信号中提取出主分量即信号的主要特征,将小波变换结合PCA用于图像处理,能在有效消除噪声的同时保持边缘信息。与Kirsch模板加权平滑滤波和结合小波变换的Kirsch模板加权平滑滤波去噪方法进行比较,实验结果表明,该方法具有良好的抑制相干斑噪声效果和较强的边缘保持能力。     

基于Curvelet域隐马尔可夫树模型的SAR图像去噪

从SAR图像相干斑噪声的统计特点出发,将Curvelet变换与隐马尔可夫树(HMT)模型相结合,提出了一种基于Curvelet域隐马尔可夫树(HMT)模型的图像去噪方法.利用HMT模型捕获Curvelet系数之间的尺度从属性,较好地实现了普通图像去噪和SAR图像的相干斑噪声抑制,同时分析了文中算法的去噪机理和计算复杂度.仿真实验证明,与小波域HMT模型方法和Curvelet变换方法比较,主观视觉效果和数值指标都有明显改进.平滑指数(FJ)值大小适中,水平和垂直边缘保持指数(ESI)平均提高了约0.2～O.3.     

SAR图像的NSCT域自适应收缩相干斑抑制

提出了一种基于Nonsubsampled Contourlet（NSCT）变换域自适应收缩的SAR图像相干斑抑制算法。首先将SAR图像分解至NSCT域,其次对NSCT系数进行Pizurica自适应收缩。利用NSCT变换的良好的方向选择性及平移不变性,同时结合Pizurica自适应收缩的方向空间相关性及其局部噪声度量,自适应地得到各方向的高频子带系数对应的收缩因子,修正NSCT系数,最终将修正后的子带系数通过NSCT逆变换获得经过斑点噪声抑制的图像。实验结果表明,与小波域软阈值和Contourlet域软阈值算法相比,该算法在有效抑制SAR图像斑点噪声的同时能更好、更清晰地保持图像的边缘细节特征。     

关于SAR图像处理滤波器的评估参数研究

由于SAR图像中相干斑噪声的存在，人们提出了许多抑制相干斑噪声的滤波器，然而，抑制相干斑噪声与图像边缘特征的保持是一对固有的矛盾。人们总是在力求找到两者的最佳结合点。文章主要介绍了一种新的方法来评估滤波器的相干斑抑制与边缘保持能力，通过实验数据验证了该方法的可行性，为以后滤波器的设计提供了可供参考的指标。     

一种改进的增强Lee滤波算法

为了有效地去除SAR图像固有的相干斑噪声,给出一种将改进的中值滤波与Lee滤波相结合的增强Lee滤波算法。实验表明这种方法不仅能有效地去除斑点噪声,而且能很好地保持图像的边缘信息。     

基于Mallat-Zhong离散小波变换小波的超声图像各向异性扩散抑噪方法

针对传统各向异性扩散方法在超声图像散斑噪声抑制中存在的噪声抑制不充分与边缘特征保持不足的问题,提出一种基于Mallat-Zhong离散小波变换(MZ-DWT)小波的散斑噪声抑制方法。该方法将MZ-DWT小波分析与期望值最大化(EM)算法作为图像中均匀区域与边缘区域的鉴别因子,使扩散系数能够更准确地控制扩散强度与扩散速度,从而达到充分抑制噪声和保护边缘的目的。实验结果表明,所提方法在有效抑制散斑噪声的同时,更好地保持了图像细节信息,其性能优于传统各向异性扩散方法。     

改进的P-M扩散方程在相干斑抑制中的应用

直接基于Perona-Malik扩散方程的滤波算法对于加性噪声非常有效,但是对于乘性噪声（如合成孔径雷达（SAR）图像相干斑噪声）收效甚微。提出了一种基于改进的Perona-Malik扩散方程抑制SAR图像相干斑噪声的新算法。分析对数变化对相干斑噪声的影响,为将P-M扩散方程应用于相干斑噪声抑制奠定了理论基础;通过P-M扩散和稳健统计学的联系,建立了基于Biweight Estimator误差模型的扩散系数;同时利用非线性衰减技术对梯度阈值的选择改进。实验表明,该方法不仅有效抑制了SAR图像相干斑噪声,较好地保持了细节和边缘信息,而且视觉效果比较好。     

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.     

基于Curvelet变换抑制SAR图像斑点噪声的方法

提出了一种基于Curvelet变换来抑制合成孔径雷达（SAR）图像中噪声的方法，Curvelet是一种新的多尺度变换理论，具有各向异性的特征，克服了小波在处理大干一维的高维信号时的不足。该文在介绍Curvelet变换理论及其实现的基础上，引出了SAR图像斑点噪声的去除方法，并改进了Curvelet算法，降低了其运算复杂度，讨论了SAR图像噪声方差的估计，最后和其它的SAR图像去噪方法作了对比和分析。     

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。     

Unsupervised change detection in SAR images based on frequency difference and a modified fuzzy c-means clustering

Change detection for synthetic aperture radar (SAR) images is a key process in many applications exploiting remote-sensing images. It is a challenging task due to the presence of speckle noise in SAR imaging. This article investigates the problem of change detection in multitemporal SAR images. Our motivation is to avoid using only one detector to measure the change level of different features which is usually considered by classical methods. In this article, we propose an unsupervised change detection approach based on frequency difference in wavelet domain and a modified fuzzy c-means (FCM) clustering algorithm. First, the proposed method extracts high-frequency and low-frequency components using wavelet transform, and then constructs high-frequency and low-frequency difference images using different detectors. Finally, inverse wavelet transform is carried out to obtain the final difference image. In addition, inspired by manifold structure constraint, we incorporate weighted local information into the FCM to reduce the influence of speckle noise. Experimental results performed on simulated and real SAR images show the effectiveness of the proposed method, in terms of detection performance, compared with the state-of-the-art methods.     

基于灰色Tsallis熵的SAR图像快速分割*

针对SAR图像斑点噪声及分割速度慢的问题,提出一种基于灰色理论和Tsallis熵的SAR图像快速分割方法。该方法首先对待分割图像进行小波变换,将表征图像概貌信息的低频部分重构为概貌图像,表征图像细节和边缘的高频部分重构为细节图像,并建立了相应的概貌—细节共生矩阵模型;然后利用灰色理论和Tsallis熵设计了基于该共生矩阵的灰色Tsallis熵模型,用于求解最优分割阈值;同时,为加快阈值搜索速度,引入群体智能中的粒子群优化算法。实验结果显示,新方法在抗噪性、分割速度和灵活性三个方面均有明显提高。     

基于盲源分离SAR图像相干斑抑制

针对SAR图像相干斑的随机性,采用统计信号处理中盲源分离的方法进行去噪。方法利用了基于峰度的盲源分离(BSS)开关算法,从轮廓(contourlet)变换域和小波的多方向滤波器分解(DFB)的变换域中,进行盲源分离以达到SAR图像的去噪。实验结果显示,与contourlet变换域的其他去噪方法相比,基于峰度的BSS开关算法不仅从视觉上对图像的质量有明显改进,而且在量化图像指标上也得到了较大的提高;而contourlet变换域与小波的多方向分解(DFB)变换域的相应的各类去噪方法相比,后者能得到更好的结果。     

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。