星载SAR图像的斑点噪声抑制与滤波研究

根据斑点噪声的来源,分析和比较了抑制SAR图像斑点噪声的Lee滤波、Gamma MAP滤波、Frost滤波算法,并用台湾地区的SAR图像数据验证了不同滤波算法对斑点噪声的抑制效果.结果表明,Lee滤波抑制斑点噪声的综合性能最好.     

一种改进的最优全方位结构元约束层叠滤波设计方案

改进的中心加权中值滤波方案较常规中值滤波方案对图像的降噪或噪声衰减能力较强,同时对图像的边缘保持较好;而最优全方位结构元约束层叠滤波适于消除加性白噪声和脉冲噪声,但对图像高频部分的微波细节的保持能力较差,于是在最优全方位结构元约束层叠滤波设计中引入改进的中心加权中值滤波的主要思想,得到了一种新的滤波改进算法,从理论分析和图像处理仿真实验表明,该类滤波器既有有效地滤除噪声,又可充分保留原图像的细节信息。     

改进的基于小波变换SAR图像去噪方法的性能评价

文章从两个方面研究了改进的基于小波变换的SAR图像去噪方法的性能,与常用的几种滤波方法进行对比;并考察该算法在抑制相干斑点噪声的同时保持图像的边缘等细节信息的性能;结果表明,该算法在有效滤除SAR图像斑点噪声的同时,有更强的图像细节信息保持能力。     

基于局部统计的自适应SAR图像去噪算法研究

合成孔径雷达(SAR)图像固有的相干斑噪声对图像质量有严重影响,使检测、识别等进一步应用受到很大限制.相干斑噪声是一种乘性噪声,传统的空域去噪算法(均值滤波、中值滤波)难以将其消除.针对SAR图像的去噪问题,本文研究了Lee滤波和Kuan滤波两种基于局部统计的自适应去噪算法,给出了MATLAB实现并在MSTAR的SAR图像上进行实验.结果表明,Lee滤波和Kuan滤波都能够有效抑制SAR图像的相干斑噪声,去噪图像更平滑,目标更清晰.与传统的均值滤波和中值滤波相比,这两种基于局部统计的自适应去噪算法在视觉效果、方差和等效视数等评价指标上取得更好效果.     

基于小波域显著性修正的SAR图像相干斑抑制

提出了一种基于小波域统计建模与小波系数显著性修正相结合的斑点噪声滤波方法．通过对数变换将乘性噪声模型转化为加性噪声模型,将对数变换后的图像进行小波变换并对小波域的高频子带系数用混合高斯模型与隐马尔可夫树模型进行建模,采用EM算法来估计模型参数．利用贝叶斯最小均方误差准则来估计“干净”的小波系数,在贝叶斯最小均方误差估计的基础上引入基于显著性准则的小波系数进行修正,显著性准则采用小波系数的模极大值准则作为判据,通过小波逆变换与指数变换获得抑制斑点噪声后的图像．实验表明,所提出的方法能够有效地抑制SAR图像中的斑点噪声,同时能够很好保存边缘细节结构与强散射中心．     

基于改进PCNN模型的对称中值滤波方法

为滤除灰度图像中椒盐噪声同时保留图像细节,提出了一种椒盐噪声滤波算法.首先利用改进PCNN模型执行一次点火操作从而定位灰度图像中噪声像素点位置,然后利用提出的对称检测中值滤波算法对已定位的噪声点进行滤波而其他位置像素信息保持不变.实验仿真表明,新提出的方法对噪声密度低于60%的椒盐噪声图像较已有的滤波算法有更优异的滤波性能.该算法能有效滤除噪声而且对图像的边缘细节保留完整,实验结果证明了算法的有效性.     

基于改进PCNN模型的椒盐噪声级化滤波方法

为有效滤除椒盐噪声同时保留图像的灰度细节,提出了一种椒盐噪声滤波算法.首先利用改进PCNN简化模型进行一次点火过程,定位灰度图像中被噪声污染和未被噪声污染的像素点,然后采用提出的级化中值滤波算法对已定位的噪声点进行滤波而保持其他像素点不变.仿真实验表明,提出的方法对不同强度的椒盐噪声图像均有较好的滤波性能.比较已有的滤波算法,该算法能在高噪声强度时有效滤除噪声并同时很好地保留图像的边缘细节,实验结果证明了算法的有效性.     

基于小波包分解的SAR图像斑点噪声抑制

论述利用小波包分解技术和软门限理论对合成孔径雷达(SAR)图像斑点噪声(speckle)进行抑制与滤除，首先对SAR图像进行小波包分解，选取最优基，加大小波系数之间的差距；然后应用Donoho的软门限(soft threshold)理论，针对SAR图像斑点噪声的特点，在小波包变换域内选取合适的门限进行滤波；最后，通过小波包重构技术获得去除斑点噪声的SAR图像，实验证明，该方法能有效抑制SAR图像中的斑点噪声。     

基于小波域非对称广义Gauss分布纹理的SAR图像盲去噪

SAR图像盲去噪对后续图像处理具有重要的意义,结合非对称广义Gauss分布提出了新的Wiener滤波算法.首先广义Gauss分布函数被推广到非对称广义Gauss函数,用来描述SAR图像纹理特征.利用该纹理模型,由最大似然准则估计图像小波域的局部信号方差.实验表明非对称广义Gauss分布盲去噪算法能够有效地滤除斑点噪声同时较好地保持图像纹理信息.     

一种去除乘性噪声的自适应混合阶偏微分方法

针对偏微分方程在图像处理中的斑点噪声滤除问题,在自适应全变分去噪模型和四阶LLT去噪模型的基础上,提出一种针对乘性噪声的自适应混合阶变分去噪方法。该方法引入混合阶偏微分方程和尺度自适应边缘检测函数作为正则项,并利用乘性噪声分布构建保真项。用标准测试数据对所提自适应混合阶变分降噪模型进行验证,试验结果表明,该模型在有效滤除图像乘性噪声的同时,能很好地保护图像的边缘和纹理细节信息。处理后的图像在峰值信噪比PSNR、均方误差MSE、运行效率方面均优于自适应全变分和LLT模型。     

利用区域划分的合成孔径雷达图像相干斑抑制算法

为在有效保护合成孔径雷达(SAR)图像边缘特征的同时进一步提高乘性相干斑噪声的抑制性能,提出了一种基于区域划分的SAR图像相干斑抑制(DABRS)算法.首先利用带方向的高斯-伽马平行窗通过比率运算生成边缘强度映射(ESM),并利用阈值化ESM对SAR图像进行区域划分,然后利用改进的变窗Kuan滤波与改进的Sigma滤波分别对SAR图像的均匀区域与边缘区域进行相干斑抑制.为进一步提高抑斑效果,两种改进抑斑算法均采用迭代滤波方式,且改进Kuan滤波的窗尺度随迭代次数的增加而增大.实验结果表明:与多种抑斑算法相比,DABRS算法在抑斑与边缘保护方面具有优势,等效视数提高超过30％,边缘保持指数提高8％以上,而且抑斑图像同质区还具有更平滑的视觉效果.     

一种基于保留边缘的SAR图像相干斑滤除方法

研究一种能保持边缘的星载ＳＡＲ图像相干斑噪声滤除方法,常规滤波算法在滤除噪声的同时也带来了图像边缘模糊问题,利用多种检测图像边缘算法的有机组合,首先提取出图像边缘,然后将边缘从图像中剔除,对剩下的无边缘噪声图像用改进Ｌｅｅ滤波法进行噪声抑制,再把边缘图像加入,最后得到了能保持边缘的ＳＡＲ图像相干斑滤除图像。用实际数据进行检验,并和常规方法得到的结果比较,验证了本算法的有效性。     

基于边缘特性的极化Lee滤波改进算法

针对极化Lee滤波因受到滤波窗尺寸影响,存在抑制相干斑与保留细节信息这一矛盾,提出了一种基于边缘特性的自适应窗改进滤波方法。通过比较不同尺寸邻域窗内边缘方向的变化情况,自适应地选择滤波窗尺寸。实验结果表明,该方法在有效抑制相干斑的同时,也能较好地保留图像细节信息,能有效克服Lee滤波的固定尺寸滤波窗这一限制。     

基于T分布的雷达斑点滤波方法研究

在对合成孔径雷达（synthetic aperture radar,SAR）滤波器的研究状况进行回顾的基础上,介绍了基于T分布的可调节斑点噪声滤波器的算法和特点,通过目视比较和定量分析,将该滤波器与Lee,Frost,Lee-Sigma,GammaMAP等滤波器进行了比较,结果表明该滤波器在斑点滤除和细节保留方面均取得了很好的效果.最后,以1998年马来西亚吉兰丹地区SAR洪水为例,显示了可调节滤波器在水灾监测方面的巨大潜力.     

基于小波域中SOT结构的SAR相干斑抑制

论述了在小波域中通过空间向树结构对合成孔径雷达(SAR)图像相干斑噪声的抑制。首先从SAR图像相干斑噪声产生的机理出发,论述了采用传统滤波方法去除SAR图像中相干斑噪声的局限性以及在小波变换域中如何通过空间向树结构对相干斑噪声进行有效的滤波;实验结果表明,此方法对SAR图像相干斑噪声有良好的抑制作用,同时还尽可能多保留目标的纹理细节。     

用多视技术抑制SAR图像斑点的新方法

为抑制合成孔径雷达图像中的相干斑,提出了一种新的滤波方法。利用多视技术,定义一个参数向量来描述场景中每一点,并估计其协方差矩阵。对该矩阵进行主成分分析,分解为代表信号子空间和噪声子空间的两个子阵。根据矩阵特征值能量集中程度,判定当前点处于何种区域,并采取不同的滤波策略。信号子空间中包含目标边界特征,将参数向量中非直流部分投影到信号子空间,得到场景内目标细节信息,然后据此估计场景各点的雷达反射截面(RCS)。对比已有的几种斑点滤波方法,该方法更有效地保持了目标细节,并且斑点抑制不逊色。由于无需假定统计分布模型,也不依赖对ENL的估计,新方法有很好的普适性。     

基于能量谱函数相关系数的极化SAR数据滤波方法研究

有效的极化SAR相干斑滤波器需要在抑制噪声的同时避免图像细节信息的模糊。然而固定大小窗口的滤波器很难做到两方面都好的效果。由于极化总功率(Span)图像可以有效地反映地物极化散射特征的变化,提出根据Span图像局部能量谱函数的相关系数值自适应地选择窗口大小,能够在均质地区选择较大窗口而在异质地区选择较小窗口,再利用方向窗选择像素进行最小均方误差(MMSE)滤波。实验结果表明,该方法能在滤除噪声的同时,有效地保持对地物细节的分辨能力,为极化SAR数据的后期处理和应用打下基础。