基于小波域中字典学习的SAR图像相干斑抑制方法技术

本发明专利技术公开了一种基于小波域中字典学习的SAR图像相干斑抑制方法，主要解决现有技术去斑结果边缘不够清晰，同质区域不够平滑的问题。其实现过程为：首先利用方差图方法分割原始SAR图像Y，得到平滑标记矩阵SY和边缘标记矩阵EY；对原始SAR图像Y进行N层平稳小波变换，得到子带图像WY(s)；采用零均值高斯分布对WY(s)中的非对数加性噪声建模；应用近似KSVD算法得到每个子带图像WY(s)的学习字典D′s和稀疏表示矩阵Λ′s，并根据D′s和Λ′s得到重构的子带图像利用边缘标记矩阵EY得到子带图像WY(s)的边缘区域，替换重构子带图像中的边缘区域，得到修正的子带图像W′Y(s)；对W′Y(s)进行逆平稳小波变换得到去斑后的图像。本发明专利技术具有去斑结果边缘信息完整，同质区域光滑的优点，可用于SAR图像理解的预处理过程。

【技术实现步骤摘要】
基于小波域中字典学习的SAR图像相干斑抑制方法
本专利技术属于图像处理
，涉及一种SAR图像相干斑抑制的方法，可用于SAR 图像的解译分析和图像理解预处理。
技术介绍
SAR图像在军用和民用领域有着非常广泛的应用。但是在SAR的成像过程中，由于散射体回波的相干作用，使图像不能真实的反应地物目标的散射特性，这种干涉现象在SAR 图像中称为相干斑。相干斑的存在严重影响着对图像的自动解译和目标识别，降低了图像分割、目标提取的有效性与准确性。因此有效地抑制相干斑对SAR图像的后续处理非常重要。空域滤波是进行SAR图像抑斑的一类主要方法，其主要思想是基于SAR图像相干斑噪声的统计特性，通过在图像上取一个滑动窗口对图像进行滤波处理。其代表方法有Lee 滤波，Frost滤波，Gamma MAP滤波方法。这些方法在抑斑的同时较难保持图像的边缘和纹理细节。频域滤波主要是将图像先经过频域变换，然后再进行处理。典型的有对图像进行小波变换，对小波系数进行阈值收缩处理后重建图像。但这种方法对图像细节的表示不够精确，图像中容易出现“振铃”现象，从而对后续的解译分析带来不便。近年来，基于稀疏表示和字典学习的方法在众多领域取得了广泛的应用。设定一个过完备字典D e RnXK，其中字典D的每一列·^&表示一个字典原子，信号y e Rn可以表示少数字典原子…的线性组合。信号的稀疏表示模型可以描述为4 = argmam||i4 s. t.Da y。其中α是信号y在字典D下的稀疏表示系数。| | a | Itl表示向量α的非零个数，有I I a I IciS< η。在该过程中，一个重要问题是对字典D的选择，D可通过两个方面得到解析法和基于学习的方法。在解析法中，设定数据遵从特定的数学模型，基于该模型推导解的有效形式来表示信号。该方法通过一定的算法来描述其理念，没有明确的字典形式，所以被称为为隐式字典法。这种方法包括小波分析及由小波发展而来的众多多尺度分析，如CurveletContourlet，Directionlet等。基于学习的方法主要思路是根据机器学习理论，从样本中训练一个字典矩阵。这种方法可以得到一个显式的字典模型，故称为显式字典法。基于小波阈值处理的方法正是隐式字典法的应用，其处理后的图像细节信息不够完整，图像中划痕效应比较明显；与此同时，显式字典法在SAR图像抑斑上的研究还处于起步阶段。S. Foucher应用稀疏冗余表示对SAR图像相干斑抑制做了初步的尝试，他先对图像进行对数变换，然后通过修正目标函数来重建图像。对数变换使得处理后的图像辐射度出现一定的失真，边缘也出现了一定的模糊。
技术实现思路
本专利技术的目的在于克服上述已有技术的不足，提出了一种基于小波域中字典学习的SAR图像相干斑抑制方法，将隐式字典法和显式字典法有效地结合以保持图像的边缘清晰度，提高SAR图像的降斑质量。实现本专利技术目的的技术方案是首先利用方差图方法把待降斑的SAR图像Y分割为平滑区域像素集Yi2s和边缘区域像素集ΥΩΕ，得到平滑标记矩阵Sy和边缘标记矩阵& ； 对待降斑的SAR图像Y进行N层平稳小波变换SWT，得到不同尺度上不同方向的子带图像 ffY(s), s = 1,2,…，3N+1 ；基于近似KSVD算法，得到每个子带图像Wy(S)的学习字典D' s 和稀疏表示矩阵Λ' s，根据得到的学习字典D' 3和稀疏表示矩阵Λ' 3得到重构的子带图像；利用边缘标记矩阵&得到子带图像Wy(S)的边缘区域，替换重构子带图像巧(力中的边缘区域，得到修正的子带图像W' Y(s)；最后对修正的子带图像W' Y(s)进行逆平稳小波变换ISWT得到去斑后的图像R。具体步骤包括如下(1)利用方差图方法把待降斑的SAR图像Y分割为平滑区域像素集Yi2s和边缘区域像素集ΥΩΕ，得到平滑标记矩阵Sy和边缘标记矩阵& ；(2)对待降斑的SAR图像Y进行N层平稳小波变换SWT，得到不同尺度上不同方向的子带图像WY(s)，s = 1，2，…，3N+1;C3)对待降斑的SAR图像Y采用非对数加性噪声模型，采用零均值的局部高斯分布对子带图像WY(s)，s = 1,2,…，3N+1中的加性噪声建模；(4)基于近似KSVD算法，得到每个子带图像Wy(S)的学习字典D' s和稀疏表示矩阵 Λ ‘ s, s = 1,2, ...，3N+1 (4a)将子带图像Wy(S)，s = 1,2,…，3N+1分解为重叠的图像块Wy，将每个图像块 Wy拉成列向量W' y，每个列向量W',满足加性噪声模型，即w' y = w' X+W' n，其中W' x 为该列向量W' y中需要恢复的真实信号，W' 为满足高斯分布的加性噪声，所有的列向量 W',构成矩阵X;(4b)选择初始字典Dtl为离散余弦变换DCT字典，其中Dtl的每一列(Ii称为一个字典原子，当列向量W' y = ff' x+ff' n中的加性噪声W' n为高斯分布时，按如下公式应用正交匹配追踪算法实现对真实信号W' x的编码，得到W' x^D0a a = arg rnin - D0af2 + μ ||α||ο,其中α是真实信号W' χ在初始字典Dtl下的稀疏表示向量， 为迭代后的最终稀疏表示向量，I I α I Io代表向量α的非零个数，μ与噪声标准差cVn有关，对矩阵X中所有的列向量进行该操作，得到子带图像Wy(S)的初始稀疏表示矩阵Λ ；(4c)对初始字典Dtl中所有原子dpi = 1，2，3... L，L为字典Dtl中的原子数目，进行原子更新首先，从矩阵X中提取出应用原子Cli的信号子矩阵&及其对应的稀疏表示系数子矩阵A1，此时信号子矩阵&与字典Dtl和稀疏表示系数子矩阵A1之间的关系为 Xi^D0A1;其次，将稀疏表示系数子矩阵A1中的第i行元素置为零得到&，计算此时信号子矩阵&与之间的残差E1,尽=X1-D0A1 ；通过将残差E1最小化，即min|；^ -D0AjIJ，得到更新后的字典原子d d = E1Q / I IeiQ Il2,其中0工是α的转置向量，得到更新后的字典原子d之后，将对应的稀疏表示系数更新为《'=埒么其中硿是E1的转置矩阵；对所有字典原子重复进行该步骤，得到该子带图像％(8)的学习字典D'和稀疏表示系数矩阵Λ‘；(4d)重复进行步骤Ga)-(4c)，得到每个子带图像Wy(S)的一个学习字典D' 3和稀疏表示矩阵Λ' s, S= 1,2,…，3N+1，其中N为平稳小波变换SWT的分解层数。(5)利用每个子带图像Wy(S)的学习字典D' 3和稀疏表示矩阵Λ' s，得到重构的每个子带图像巧(X)，S = 1，2，…，3N+1;(6)利用重构子带图像巧㈨的平滑像素矩阵与子带图像Wy(S)的边缘像素矩阵得到修正的子带图像W' Y(s)，s=l，2，…，3N+1;(7)对修正的子带图像W' Y(S)，s = 1,2,…，3N+1，进行逆平稳小波变换ISWT， 得到去斑后的图像R。本专利技术与现有技术相比具有以下优点(1)本专利技术是小波变换和字典学习方法的有效结合，小波变换能保证SAR图像中的点目标得到较好的保留，字典学习方法能使平滑区域的相干斑噪声得到有效的抑制本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：焦李成，侯彪，蒋继光，王爽，刘芳，尚荣华，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：