本發(fā)明涉及圖像濾波算法領(lǐng)域，具體是一種三維小波變換的極化SAR濾波方法。

背景技術(shù)：

極化合成孔徑雷達(dá)由于受自身成像機(jī)制約束不可避免地帶有相干斑噪聲。它的存在增加了極化SAR圖像解譯的難度，降低了后續(xù)圖像分割和分類的準(zhǔn)確性，因此，研究極化SAR圖像相干斑抑制算法具有重要的理論意義和實(shí)用價(jià)值。

極化SAR圖像相干斑抑制的基本準(zhǔn)則是在有效去除相干斑噪聲的同時(shí)盡可能地保持結(jié)構(gòu)特性和極化散射特性。早期的Refined Lee濾波使用邊緣方向窗，類似地，還有基于區(qū)域增長(zhǎng)技術(shù)的強(qiáng)度驅(qū)動(dòng)自適應(yīng)鄰域(IDAN)濾波都是在一定鄰域內(nèi)自適應(yīng)地選擇同質(zhì)像素參與濾波，減少了濾波過程中結(jié)構(gòu)信息的損失。但這些方法只使用了圖像的局部結(jié)構(gòu)特征，也沒有充分利用像素的極化散射特性。研究者為了在更大范圍內(nèi)選擇結(jié)構(gòu)相似像素，將非局部均值濾波推廣到了極化SAR鄰域，這類方法基于圖像塊模型將像素結(jié)構(gòu)相似性度量的范圍理論上擴(kuò)大到了整個(gè)圖像，具有良好的相干斑去噪能力和結(jié)構(gòu)保持能力，但該類方法仍沒有充分利用極化散射信息。雙邊濾波同時(shí)在像素的空間鄰域和極化域選擇相似像素，取得了一定的相干斑抑制和特性保持效果。但該類方法使用固定的矩形鄰域參與濾波，對(duì)于含有豐富結(jié)構(gòu)信息的圖像可能會(huì)因無(wú)法自適應(yīng)選擇鄰域大小而降低結(jié)構(gòu)保持性能。

以上方法都沒有考慮到在較大范圍內(nèi)同時(shí)提取極化SAR圖像的結(jié)構(gòu)信息和極化散射信息用于相干斑抑制。近兩年提出的基于同質(zhì)像素預(yù)選擇的非局部均值(NLHPP)濾波算法，在搜索窗范圍內(nèi)利用邊界對(duì)齊窗提取結(jié)構(gòu)信息的同時(shí)結(jié)合Sigma范圍提取散射信息以構(gòu)建同質(zhì)像素集合參與濾波，在獲得顯著相干斑抑制效果的同時(shí)，很好地保持了極化SAR圖像的結(jié)構(gòu)特性和散射特性。但該方法是直接在原始數(shù)據(jù)生成的極化總功率(Span)圖上提取信息，因而不可避免地受到相干斑噪聲的影響，使得結(jié)構(gòu)特性和極化散射特性的保持仍然不充分。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種三維小波變換的極化SAR濾波方法，以提高結(jié)構(gòu)相似像素選擇的準(zhǔn)確性，解決現(xiàn)有技術(shù)極化SAR圖像結(jié)構(gòu)信息保持不足的問題。

為了達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案為：

一種三維小波變換的極化SAR濾波方法，其特征在于：包括以下步驟：

(1)、預(yù)濾波，具體步驟如下：

1a)、構(gòu)建三維樣本組：

在Span圖上以步長(zhǎng)step選取中心點(diǎn)，選取n×n的圖像塊，在s×s的搜索窗范圍內(nèi)，使用PPB距離度量以每個(gè)像素點(diǎn)為中心的參考?jí)K和中心塊的權(quán)重，選擇權(quán)重最大即最相似的m個(gè)參考?jí)K組成樣本組；

1b)、三維小波變換：

對(duì)三維樣本組先進(jìn)行l(wèi)evel級(jí)二維非抽樣小波變換，再進(jìn)行l(wèi)evel級(jí)一維非抽樣小波變換；

1b)、三維小波變換：

對(duì)三維樣本組先進(jìn)行l(wèi)evel級(jí)二維非抽樣小波變換，再進(jìn)行l(wèi)evel級(jí)一維非抽樣小波變換得到高頻和低頻小波域系數(shù)；

1c)、局部線性最小均方誤差估計(jì)：

對(duì)步驟1b)得到的高頻小波域系數(shù)按下式使用LLMMSE：

$\hat{X}\left(i\right)=\max \left(0,\frac{{\stackrel{\‾}{Z^2}}_{SB\left(i\right)}-\frac{{\mathrm{\σ}}_u^2}{1+{\mathrm{\σ}}_u^2}{\stackrel{\‾}{Z^2}}_G}{{\stackrel{\‾}{Z^2}}_{SB\left(i\right)}}\right)Z\left(i\right)$

式中，Z(i)表示小波變換后第i個(gè)高頻子帶的觀測(cè)值，表示小波變換后第i個(gè)高頻子帶無(wú)噪信號(hào)的估計(jì)值，表示第i個(gè)高頻子帶觀測(cè)值平方的均值，表示整個(gè)樣本組觀測(cè)值平方的均值，表示噪聲方差；

1d)、重構(gòu)：

對(duì)步驟1c)中經(jīng)過LLMMSE估計(jì)后的高頻小波域系數(shù)和原始低頻系數(shù)進(jìn)行逆變換，得到經(jīng)過信噪分離的m個(gè)相似圖像塊的估計(jì)值，取平均后選擇塊的中心像素點(diǎn)構(gòu)成新的Span圖；

(2)、相似像素選擇，具體步驟如下：

2a)、構(gòu)建均值矩陣：

選取Span圖上一定大小的矩形窗劃分成9個(gè)可以重合的鄰域，計(jì)算各鄰域的均值，構(gòu)成3×3的矩陣；

2b)、選擇邊界對(duì)齊窗：

將4種邊緣檢測(cè)算子與3×3矩陣對(duì)應(yīng)元素相乘求和，選取值最大者為邊緣方向，由于每個(gè)邊緣方向有2個(gè)反向的邊界對(duì)齊窗，進(jìn)一步根據(jù)矩陣中心值與邊緣方向上相鄰位置的接近程度選擇對(duì)齊窗作為結(jié)構(gòu)相似像素集合；

2c)、Sigma范圍選擇：

在協(xié)方差矩陣三個(gè)主對(duì)角線元素的強(qiáng)度圖上選擇3×3的鄰域，使用最小均方誤差估計(jì)均值后再與Sigma范圍(I₁,I₂)相乘得到三個(gè)Sigma強(qiáng)度選擇范圍(C_meanI₁,C_meanI₂)，不同視數(shù)Sigma范圍也不同；

2d)、選擇相似像素：

選擇同時(shí)處于三個(gè)Sigma強(qiáng)度范圍和結(jié)構(gòu)相似集合的像素參與濾波；

(3)、濾波權(quán)重優(yōu)化，過程如下：

3a)、在相似像素集合上計(jì)算SSIM：

$SSIM(s,t)=\frac{(2{\mathrm{\μ}}_s{\mathrm{\μ}}_t+{\mathrm{\η}}_1)(2{\mathrm{\σ}}_{st}+{\mathrm{\η}}_2)}{({\mathrm{\μ}}_s^2+{\mathrm{\μ}}_t^2+{\mathrm{\η}}_1)({\mathrm{\σ}}_s^2+{\mathrm{\σ}}_t^2+{\mathrm{\η}}_2)}$

式中，μ_s和σ_s分別表示以像素點(diǎn)s為中心的圖像塊p_s的灰度均值和標(biāo)準(zhǔn)差，μ_t和σ_t分別表示以像素t為中心的圖像塊p_t的均值和方差，σ_st表示塊p_s和p_t中灰度的協(xié)方差，η₁和η₂是為了防止計(jì)算溢出而設(shè)定的非0極小常數(shù)；

3b)、計(jì)算結(jié)構(gòu)保持權(quán)重函數(shù)：

$w_p(s,t)=\exp (-\frac{d(C_{p_s},C_{p_t})}{h}\×\frac{1-SSIM(s,t)}{2})$

上式與原有極化SAR非局部均值濾波權(quán)值函數(shù)單調(diào)性一致，圖像塊越相似，權(quán)值越大，將上式應(yīng)用到極化SAR非局部均值濾波中。

本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)：

1)本發(fā)明將多個(gè)相似圖像塊構(gòu)成圖像塊組克服了單一圖像塊模型對(duì)極化數(shù)據(jù)結(jié)構(gòu)特征描述不準(zhǔn)確的缺陷，基于圖像塊組的三維非抽樣小波變換能夠利用小波框架分解的結(jié)構(gòu)特性分離信號(hào)與噪聲，克服了相干斑噪聲對(duì)結(jié)構(gòu)特征提取的影響。相比原有的圖像塊模型，采用三維塊匹配的小波變換不僅有效減弱了噪聲的干擾，還能更突出地表達(dá)結(jié)構(gòu)特征，提高結(jié)構(gòu)相似像素選取的準(zhǔn)確性。

2)本發(fā)明在結(jié)構(gòu)相似性指數(shù)的基礎(chǔ)上構(gòu)建非局部均值濾波算法的結(jié)構(gòu)保持權(quán)重函數(shù)，更加突出結(jié)構(gòu)特征對(duì)像素相似性度量的貢獻(xiàn)，使結(jié)構(gòu)相似的像素被賦予更大的權(quán)值，增大結(jié)構(gòu)信息在濾波過程中的比重，在抑制相干斑噪聲的同時(shí)，進(jìn)一步保持像素的結(jié)構(gòu)特性。

附圖說明

圖1是本發(fā)明的三維小波變換的極化SAR濾波方法流程圖。

圖2是Refined Lee極化SAR濾波算法的結(jié)果圖。

圖3是本發(fā)明中采用三維塊匹配小波變換的極化SAR非局部均值濾波結(jié)果圖。

具體實(shí)施方式

如圖1所示，一種三維小波變換的極化SAR濾波方法，其特征在于：包括以下步驟：

步驟一：預(yù)濾波，在Span圖上構(gòu)造三維圖像塊樣本組，使用三維非抽樣小波變換并利用局部線性最小均方誤差估計(jì)進(jìn)行系數(shù)收縮，再逆變換重構(gòu)更新Span圖；

步驟二：相似像素選擇，在更新的Span圖上利用邊界對(duì)齊窗提取結(jié)構(gòu)信息，對(duì)原始極化SAR數(shù)據(jù)利用Sigma范圍選取散射相似像素構(gòu)成相似像素集合參與濾波；

步驟三：濾波權(quán)重優(yōu)化，根據(jù)相似像素集合在更新的Span圖上計(jì)算結(jié)構(gòu)相似性指數(shù)并結(jié)合原始極化SAR數(shù)據(jù)以確定濾波結(jié)構(gòu)保持權(quán)重，之后進(jìn)行非局部均值濾波。

至此，采用三維塊匹配小波變換的極化SAR非局部均值濾波處理基本完成。

以下通過機(jī)載極化SAR圖像實(shí)驗(yàn)進(jìn)一步說明本發(fā)明的有效性。

機(jī)載極化SAR圖像對(duì)比實(shí)驗(yàn)：

1.實(shí)驗(yàn)設(shè)置：

實(shí)驗(yàn)數(shù)據(jù)是AIRSAR系統(tǒng)獲取的L波段San Francisco海灣極化強(qiáng)度圖像，圖像視數(shù)是4視，分辨率為10m×10m，大小為512×512像素。對(duì)比實(shí)驗(yàn)分別實(shí)現(xiàn)了Refined Lee濾波，非局部均值的Pretest算法和HPP算法。在實(shí)驗(yàn)測(cè)試中，Refined Lee的搜索窗大小設(shè)定為7×7，NLPretest濾波、NLHPP濾波均選擇15×15的搜索窗和3×3的相似窗。

2.結(jié)果分析：

從圖2可以看出，Refined Lee算法對(duì)圖像的平滑效果很好，但同時(shí)San Francisco圖像中森林和城市區(qū)域的紋理結(jié)構(gòu)也被平滑，造成了圖像細(xì)節(jié)信息丟失。

從圖3可以看出，本發(fā)明提出的三維小波變換的極化SAR濾波方法不僅在均質(zhì)區(qū)域抑制了相干斑噪聲，而且在圖像細(xì)節(jié)信息豐富的區(qū)域結(jié)構(gòu)特征保持更好。