專利名稱：基于相似性特征分類的極化sar圖像斑點(diǎn)抑制方法
技術(shù)領(lǐng)域：
本發(fā)明屬于極化SAR圖像預(yù)處理技術(shù)領(lǐng)域，涉及SAR圖像斑點(diǎn)抑制技術(shù)，特別是涉及一種基于相似性特征分類的極化SAR圖像斑點(diǎn)抑制方法。
背景技術(shù)：
近年來(lái)，PolSAR的應(yīng)用領(lǐng)域不斷擴(kuò)大，已在海洋探測(cè)、農(nóng)業(yè)生產(chǎn)監(jiān)測(cè)、搜尋救助等方面展示出了特有的優(yōu)勢(shì)。但極化SAR圖像中固有的相干斑噪聲，會(huì)降低圖像的信噪比，掩蓋圖像的真實(shí)特征，嚴(yán)重影響了極化SAR數(shù)據(jù)的有效應(yīng)用。極化SAR圖像濾波方法中具有代表性的是Lee J. S.于2006年提出的基于散射模型降斑方法，該方法是通過(guò)Freeman極化分解對(duì)圖像像素進(jìn)行分類，并選擇散射特性類別相近的像素參與濾波，濾波效果明顯，能夠有效地保持目標(biāo)的極化散射特性。但同時(shí)也存在幾個(gè)問(wèn)題，如(I)復(fù)雜地表散射體通常具有隨機(jī)取向，散射回波具有一定隨機(jī)波動(dòng)性，該方法直接對(duì)原始數(shù)據(jù)進(jìn)行分解，易產(chǎn)生錯(cuò)誤分類。(2)Freeman分解方法基于反射對(duì)稱性假設(shè)，對(duì)于人造目標(biāo)、地物較復(fù)雜等不滿足假設(shè)條件的情況，容易出現(xiàn)錯(cuò)誤解譯。(3)采用Wishart分類器進(jìn)行迭代分類，涉及大量矩陣求逆、求跡運(yùn)算，運(yùn)算量較大。(4)強(qiáng)功率像素是否被保留與像素樣本空間的選擇有關(guān)，當(dāng)樣本空間改變時(shí)，圖像細(xì)節(jié)保持情況可能不同。國(guó)防科技大學(xué)的陳強(qiáng)等，在斑點(diǎn)抑制過(guò)程中也考慮到了參與濾波的像素的功率值與極化散射特性，但篩選準(zhǔn)則并不嚴(yán)格，忽略掉了暗線目標(biāo)的保持；并且僅考慮到了與三種特殊散射模型的相似性，也未能最大程度地保持極化散射特性。此外，像素相干矩陣之間的相似性在極化SAR圖像處理應(yīng)用中一般只考慮相干矩陣與幾個(gè)特定相干矩陣的相似性，應(yīng)用范圍較窄。清華大學(xué)的安文韜提出了一種通過(guò)計(jì)算矩陣內(nèi)積衡量任意兩個(gè)極化相干矩陣相似性的計(jì)算方法，用以海面目標(biāo)的檢測(cè)，但該計(jì)算方法中涉及到較為復(fù)雜的矩陣求跡運(yùn)算，存在部分冗余計(jì)算；并且由于計(jì)算矩陣內(nèi)積，第一個(gè)矩陣的元素與位于第二個(gè)矩陣關(guān)于對(duì)角線對(duì)稱位置上的元素相乘，并不能準(zhǔn)確體現(xiàn)出像素相干矩陣之間的相似性。

發(fā)明內(nèi)容
為了解決上述問(wèn)題，本發(fā)明的目的在于提供一種在很好地抑制斑點(diǎn)噪聲的同時(shí)，能夠有效地保持圖像的極化散射特性和目標(biāo)的結(jié)構(gòu)類型，并且運(yùn)算簡(jiǎn)單的基于相似性特征分類的極化SAR圖像斑點(diǎn)抑制方法。為了達(dá)到上述目的，本發(fā)明提供的基于相似性特征分類的極化SAR圖像斑點(diǎn)抑制方法包括按順序進(jìn)行的下列步驟(I)對(duì)原始圖像極化相干矩陣進(jìn)行極化去取向處理并形成矢量K ；
(2)依次以圖像中每個(gè)像素為中心，取其周圍nXn窗口內(nèi)的像素，分別計(jì)算中心像素與其余每個(gè)像素相干矩陣的相似系數(shù)；(3)在原始圖像中選擇幾個(gè)均勻程度不同的區(qū)域，構(gòu)造相干矩陣相似系數(shù)閾值矢量;(4)將像素的結(jié)構(gòu)類型劃分成亮點(diǎn)線目標(biāo)、暗點(diǎn)線目標(biāo)和非點(diǎn)線目標(biāo)三種類型；(5)根據(jù)像素的結(jié)構(gòu)類型篩選參與濾波的像素；(6)對(duì)參與濾波的像素進(jìn)行加權(quán)濾波。所述的步驟(I )中對(duì)原始圖像極化相干矩陣進(jìn)行極化去取向處理并形成矢量K的方法是先對(duì)原始圖像極化相干矩陣τ°進(jìn)行極化去取向處理，得到極化相干矩陣Τ，以克服散射回波引起的隨機(jī)取向問(wèn)題；然后將相干矩陣T矢量化，形成1X9維的矢量K。所述的步驟⑵中相似系數(shù)定義為兩個(gè)矢量Ki和Kj的夾角余弦值。所述的步驟(3)中構(gòu)造相似系數(shù)閾值矢量的方法是首先在濾波圖像中選取Ii1個(gè)不同地物類型的、均勻程度不同的區(qū)域，每個(gè)區(qū)域像素的平均相似系數(shù)構(gòu)成一個(gè)數(shù)據(jù)集合，并計(jì)算每個(gè)集合的均值，然后在其中選擇η2個(gè)典型的、有一定差額的數(shù)值并按照從小到大進(jìn)行排列，形成閾值矢量Th。所述的步驟(4)中將像素的結(jié)構(gòu)類型劃分成亮點(diǎn)線目標(biāo)、暗點(diǎn)線目標(biāo)和非點(diǎn)線目標(biāo)三種類型的方法是首先計(jì)算窗內(nèi)各像素的功率值，并依次由小到大排序，通過(guò)考察中心像素的功率值，以及與中心像素相鄰的3 X 3小窗口內(nèi)，相干矩陣相似系數(shù)大于Th (I)、功率值在一定范圍內(nèi)的像素?cái)?shù)目來(lái)劃分像素類別。所述的步驟(5)中篩選參與濾波像素的方法是亮點(diǎn)線目標(biāo)不予濾波，直接保留；暗點(diǎn)線目標(biāo)在窗口內(nèi)逐級(jí)篩選屬于第i(i = 1,2, -,n2)級(jí)、且功率值位于功率序列前2/5的像素作為濾波像素；非點(diǎn)線目標(biāo)在窗口內(nèi)逐級(jí)篩選屬于第i級(jí)、且不為亮目標(biāo)的作為濾波像素。所述的步驟出)中對(duì)參與濾波的像素進(jìn)行加權(quán)濾波的方法為將參與濾波的像素按其相干矩陣與中心像素相干矩陣的相似系數(shù)級(jí)別進(jìn)行加權(quán)，按最小均方誤差準(zhǔn)則濾波。本發(fā)明提供的基于相似性特征分類的極化SAR圖像斑點(diǎn)抑制方法是首先定義了去取向相干矩陣的相似系數(shù)，然后通過(guò)計(jì)算經(jīng)過(guò)去取向的相干矩陣之間的相似系數(shù)構(gòu)造閾值矢量，利用該矢量對(duì)圖像像素進(jìn)行分類和濾波像素的選取，最后進(jìn)行加權(quán)濾波。本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)①克服了散射回波引起的隨機(jī)取向問(wèn)題。②所定義的相干矩陣相似系數(shù)可以衡量任意兩個(gè)相干矩陣之間的相似系數(shù)，應(yīng)用范圍擴(kuò)大且計(jì)算簡(jiǎn)單。③本發(fā)明方法能夠很好地抑制斑點(diǎn)噪聲。④本發(fā)明可以有效保持圖像的極化散射特性和目標(biāo)的結(jié)構(gòu)類型。⑤運(yùn)算簡(jiǎn)單。本技術(shù)可進(jìn)一步用于極化SAR圖像的目標(biāo)檢測(cè)、識(shí)別與分類中。


圖I為本發(fā)明提供的基于相似性特征分類的極化SAR圖像斑點(diǎn)抑制方法流程圖。圖2(a)為半月灣地區(qū)的Pauli分解圖。圖2(b)為半月灣地區(qū)對(duì)應(yīng)的光學(xué)圖像。圖3為半月灣地區(qū)圖像平均相干矩陣相似系數(shù)示意圖。圖4為代表不同地物的像素的平均相干矩陣相似系數(shù)分布圖。圖5(a)為半月灣地區(qū)各通道的原始圖像。圖5(b)為半月灣地區(qū)基于散射模型降斑方法濾波后各通道的圖像。
圖5(c)為半月灣地區(qū)本發(fā)明方法濾波后各通道的圖像。圖6 (a)為半月灣數(shù)據(jù)海洋地區(qū)的原始圖像(放大圖)。圖6(b)為半月灣數(shù)據(jù)海洋地區(qū)基于散射模型降斑方法濾波后圖像(放大圖)。圖6 (C)為半月灣數(shù)據(jù)海洋地區(qū)本發(fā)明方法濾波后圖像(放大圖)。圖7為計(jì)算等效視數(shù)和極化散射特性保持指數(shù)選擇區(qū)域示意圖。圖8為等效視數(shù)結(jié)果比較圖。 圖9為邊緣保持指數(shù)結(jié)果比較圖。圖10為極化散射特性保持指數(shù)兩結(jié)果比較圖。圖11為極化散射特性保持指數(shù)std.結(jié)果比較圖。
具體實(shí)施例方式下面參照附圖和具體實(shí)施例對(duì)本發(fā)明提供的基于相似性特征分類的極化SAR圖像斑點(diǎn)抑制方法進(jìn)行詳細(xì)說(shuō)明。如圖I所示，本發(fā)明提供的基于相似性特征分類的極化SAR圖像斑點(diǎn)抑制方法包括按順序進(jìn)行的下列步驟(I)對(duì)原始圖像極化相干矩陣進(jìn)行極化去取向處理并形成矢量K 設(shè)原始圖像極化相干矩陣為T°，對(duì)其進(jìn)行極化去取向運(yùn)算以得到去取向相干矩陣Τ，然后將相干矩陣T矢量化，形成I X 9維的向量K :K = V(T) = [T11 T12 T13 T21 T22 T23 T31 T32 T33It(I)其中，V(·)為矢量化算子。(2)依次以圖像中每個(gè)像素為中心，取其周圍nXn窗口內(nèi)的像素，分別計(jì)算中心像素相干矩陣與其它像素相干矩陣的相似系數(shù)去取向相干矩陣1\、T2的相似系數(shù)R定義為兩個(gè)矢量化后得到的向量的夾角余弦值，如下7 iT T I =__(2)
(1，2) WLWL其中，1\、T2為兩個(gè)去取向相干矩陣，Il · I |2為向量的2-范數(shù)。以AIRSAR系統(tǒng)在美國(guó)半月灣地區(qū)采集的L波段的實(shí)測(cè)數(shù)據(jù)為例(該數(shù)據(jù)地物比較豐富，有城鎮(zhèn)I、農(nóng)田2、草地3、機(jī)場(chǎng)4，海洋5，靠近海灣的海面上停有大量的艦船6等，如圖2所示)，利用上述相似系數(shù)定義計(jì)算該圖像中各像素點(diǎn)的平均相似度系數(shù)(計(jì)算窗口大小為9X9)，得到的相似系數(shù)圖像如圖3所示，圖像上不同類型區(qū)域的平均相似系數(shù)分布情況如圖4所示。圖3、圖4清晰地反映了各像素與鄰域像素之間的相似與區(qū)別程度，如勻質(zhì)區(qū)域像素相干矩陣之間的相似系數(shù)值都較高，且分布更加集中，值域跨度較??；復(fù)雜地物區(qū)域以及均勻場(chǎng)景下出現(xiàn)的孤立點(diǎn)目標(biāo)，相似系數(shù)較低，分布發(fā)散，值域跨度相對(duì)較大。公式⑵可以計(jì)算兩個(gè)任意相干矩陣的相似系數(shù)，應(yīng)用范圍廣。與矩陣內(nèi)積計(jì)算方法相比，性質(zhì)是相似的，但可以保證兩個(gè)極化相干矩陣處于相同位置的元素進(jìn)行相乘運(yùn)算，能夠更有效地體現(xiàn)任意兩個(gè)像素間的極化散射特性相似程度。并且，公式(2)中完全是向量計(jì)算，避免了矩陣求跡運(yùn)算中非對(duì)角線元素的冗余運(yùn)算，運(yùn)算量?jī)H為矩陣內(nèi)積方法的O. 4倍，在提高了準(zhǔn)確度的同時(shí)，顯著降低了運(yùn)算量。(3)在原始圖像上選擇幾個(gè)均勻程度不同的區(qū)域，構(gòu)造相干矩陣相似系數(shù)閾值矢量I)在原始圖像中選取Ii1個(gè)不同地物類型的、均勻程度不同的區(qū)域(包括勻質(zhì)、非勻質(zhì)區(qū)域，大小均為IOX 10)，每個(gè)區(qū)域像素的平均相似系數(shù)形成一個(gè)數(shù)據(jù)集合φ，Φ ={Φ1 Φ2, Φ3，…，Φη1}，<^的維數(shù)是 100X1。 2)對(duì)每一個(gè)Φ i按下式計(jì)算均值
權(quán)利要求
1.一種基于相似性特征分類的極化SAR圖像斑點(diǎn)抑制方法，其特征在于所述的基于相似性特征分類的極化SAR圖像斑點(diǎn)抑制方法包括按順序進(jìn)行的下列步驟 (1)對(duì)原始圖像極化相干矩陣進(jìn)行極化去取向處理并形成矢量K; (2)依次以圖像中每個(gè)像素為中心，取其周圍nXn窗口內(nèi)的像素，分別計(jì)算中心像素與其余每個(gè)像素相干矩陣的相似系數(shù)； (3)在原始圖像中選擇幾個(gè)均勻程度不同的區(qū)域，構(gòu)造相干矩陣相似系數(shù)閾值矢量； (4)將像素的結(jié)構(gòu)類型劃分成亮點(diǎn)線目標(biāo)、暗點(diǎn)線目標(biāo)和非點(diǎn)線目標(biāo)三種類型； (5)根據(jù)像素的結(jié)構(gòu)類型篩選參與濾波的像素； (6)對(duì)參與濾波的像素進(jìn)行加權(quán)濾波。
2.根據(jù)權(quán)利要求I所述的基于相似性特征分類的極化SAR圖像斑點(diǎn)抑制方法，其特征在于所述的步驟(I)中對(duì)原始圖像極化相干矩陣進(jìn)行極化去取向處理并形成矢量K的方法是先對(duì)原始圖像極化相干矩陣T°進(jìn)行極化去取向處理，得到極化相干矩陣T，以克服散射回波引起的隨機(jī)取向問(wèn)題；然后將相干矩陣T矢量化，形成1X9維的矢量K。
3.根據(jù)權(quán)利要求I所述的基于相似性特征分類的極化SAR圖像斑點(diǎn)抑制方法，其特征在于所述的步驟(2)中相似系數(shù)定義為兩個(gè)矢量Ki和&的夾角余弦值。
4.根據(jù)權(quán)利要求I所述的基于相似性特征分類的極化SAR圖像斑點(diǎn)抑制方法，其特征在于所述的步驟(3)中構(gòu)造相似系數(shù)閾值矢量的方法是首先在濾波圖像中選取Ii1個(gè)不同地物類型的、均勻程度不同的區(qū)域，每個(gè)區(qū)域像素的平均相似系數(shù)構(gòu)成一個(gè)數(shù)據(jù)集合，并計(jì)算每個(gè)集合的均值，然后在其中選擇n2個(gè)典型的、有一定差額的數(shù)值并按照從小到大進(jìn)行排列，形成閾值矢量Th。
5.根據(jù)權(quán)利要求I所述的基于相似性特征分類的極化SAR圖像斑點(diǎn)抑制方法，其特征在于所述的步驟(4)中將像素的結(jié)構(gòu)類型劃分成亮點(diǎn)線目標(biāo)、暗點(diǎn)線目標(biāo)和非點(diǎn)線目標(biāo)三種類型的方法是首先計(jì)算窗內(nèi)各像素的功率值，并依次由小到大排序，通過(guò)考察中心像素的功率值，以及與中心像素相鄰的3 X 3小窗口內(nèi)，相干矩陣相似系數(shù)大于Th (I)、功率值在一定范圍內(nèi)的像素?cái)?shù)目來(lái)劃分像素類別。
6.根據(jù)權(quán)利要求I所述的基于相似性特征分類的極化SAR圖像斑點(diǎn)抑制方法，其特征在于所述的步驟(5)中篩選參與濾波像素的方法是亮點(diǎn)線目標(biāo)不予濾波，直接保留；暗點(diǎn)線目標(biāo)在窗口內(nèi)逐級(jí)篩選屬于第i(i = 1，2，…，n2)級(jí)、且功率值位于功率序列前2/5的像素作為濾波像素；非點(diǎn)線目標(biāo)在窗口內(nèi)逐級(jí)篩選屬于第i級(jí)、且不為亮目標(biāo)的作為濾波像素。
7.根據(jù)權(quán)利要求I所述的基于相似性特征分類的極化SAR圖像斑點(diǎn)抑制方法，其特征在于所述的步驟出)中對(duì)參與濾波的像素進(jìn)行加權(quán)濾波的方法為將參與濾波的像素按其相干矩陣與中心像素相干矩陣的相似系數(shù)級(jí)別進(jìn)行加權(quán)，按最小均方誤差準(zhǔn)則濾波。
全文摘要
一種基于相似性特征分類的極化SAR圖像斑點(diǎn)抑制方法。該方法是首先定義了去取向相干矩陣的相似系數(shù)，然后通過(guò)計(jì)算經(jīng)過(guò)去取向的相干矩陣之間的相似系數(shù)構(gòu)造閾值矢量，利用該矢量對(duì)圖像像素進(jìn)行分類和濾波像素的選取，最后進(jìn)行加權(quán)濾波。本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)①克服了散射回波引起的隨機(jī)取向問(wèn)題。②所定義的相干矩陣相似系數(shù)可以衡量任意兩個(gè)相干矩陣之間的相似系數(shù)，應(yīng)用范圍擴(kuò)大且計(jì)算簡(jiǎn)單。③本發(fā)明方法能夠很好地抑制斑點(diǎn)噪聲。④本發(fā)明可以有效保持圖像的極化散射特性和目標(biāo)的結(jié)構(gòu)類型。⑤運(yùn)算簡(jiǎn)單。
文檔編號(hào)G06T5/00GK102637296SQ20121011936
公開(kāi)日2012年8月15日 申請(qǐng)日期2012年4月23日 優(yōu)先權(quán)日2012年4月23日
發(fā)明者于曉紅, 吳仁彪, 晏珂, 董菲, 韓萍 申請(qǐng)人:中國(guó)民航大學(xué)