基于ssim校正聚类稀疏表示的sar图像降斑方法
【技术领域】
[0001] 本发明属于图像处理技术领域，更进一步设及合成孔径雷达SAR图像的降斑方 法，可用于SAR图像分割和目标识别的预处理。
【背景技术】
[0002] 合成孔径雷达SAR具有全天候、全天时、高分辨率和穿透力强等特点，因此SAR在 军事方面和民用方面都得到了广泛的应用。由于SAR系统是微波相干成像，因此SAR图像在 获取的过程中容易受到斑点噪声的影响。斑点噪声的存在大大降低了 SAR图像的分辨率， 影响了 SAR图像后续的处理与解译，如何有效地抑制SAR图像中的斑点噪声变得尤为重要。
[0003] 近年来，稀疏表示被广泛的应用到图像去噪中。然而，标准的稀疏表示算法假定稀 疏矩阵中非零系数的出现是随机的，并没有考虑到图像块之间的相似性。因此，一些学者提 出了将图像的几何结构相似性与稀疏表示相结合的算法。其中，董伟生等人提出的基于聚 类的稀疏表示CSR算法认为图像块之间的稀疏表示系数的分布不是随机的，而是在某种程 度上与图像信号的自相似性有关。
[0004] 西安电子科技大学在其专利申请"基于稀疏域噪声分布约束的SAR图像抑斑方 法"（专利申请号；201410229349. 2,公开号；CN103971346A)中提出了一种基于稀疏域噪声 分布约束的SAR图像抑斑方法。该方法首先对SAR图像进行对数变换，利用K均值聚类的方 法对图像块进行聚类。针对每类图像块，采用主成分分析的方法求出对应的子字典。然后， 利用非局部均值算法和软阔值收缩算法得到最终的稀疏表示系数，通过反稀疏变换和反对 数变换得到最终的SAR图像。该方法虽然解决了现有降斑方法不能同时保持图像纹理细节 与福射特性的问题，能对图像块进行聚类，但是不能保证所有图像块都得到了最好的划分。
[0005] 西安电子科技大学在其专利申请"基于SAR图像局部统计特性的KSVD相干斑抑 制方法"（专利申请号；201110318457. 3,公开号；CN102509263A)中提出了一种基于SAR图 像局部统计特性的KSVD相干斑抑制方法。该方法从图像中随机抽取训练样本，利用SAR_ KSVD算法对字典进行训练，得到最终的训练字典。然后，利用SAR_OMP算法进行稀疏编码 的过程，得到稀疏编码系数。最后，根据冗余稀疏表示图像噪声抑制理论，得到最终的降斑 图像。该方法能够很好的解决现有相干斑抑制方法中的边缘和纹理等细节信息被模糊的问 题。但是由于该方法在提取训练图像块时并没有将图像块进行详细的划分，而是通过随机 抽取的方法进行选取，导致训练得到的字典不能充分的包含图像中的纹理细节信息。
【发明内容】
[0006] 本发明针对上述现有技术的不足，提出一种基于SSIM校正聚类稀疏表示的SAR图 像降斑方法，W在保留点目标和纹理细节信息的前提下，提高SAR图像中的斑点噪声抑制 效果。
[0007] 为实现上述目的，本发明的技术方案包括如下步骤：
[000引 （1)输入任选的一幅合成孔径雷达SAR图像；
[0009] (2)估计输入SAR图像中噪声的方差：
[0010] (2a)对SAR图像进行方向波变换，得到低频子带系数矩阵和高频子带系数矩阵；
[0011] (2b)按照下式，采用基于方向波域的斑点噪声估计方法，估计SAR图像中噪声的 方差：
[0012]
【主权项】
1. 一种基于SSIM校正聚类稀疏表示的SAR图像降斑方法，包括如下步骤： (1) 输入任选的一幅合成孔径雷达SAR图像； (2) 估计输入SAR图像中噪声的方差： (2a)对SAR图像进行方向波变换，得到低频子带系数矩阵和高频子带系数矩阵； (2b)按照下式，采用基于方向波域的斑点噪声估计方法，估计SAR图像中噪声的方差：
其中，σ表示SAR图像中噪声的标准差，C表示噪声的归一化标准差，Ψ表示控制参 数，μ y表示SAR图像的均值，y表示SAR图像矩阵，< 表示SAR图像的高频子带系数矩阵 的方差，Dy表示SAR图像的高频子带系数矩阵； (3) 图像块分类： (3a)采用KSVD算法，对SAR图像进行预滤波，得到滤波后的SAR图像y'; (3b)以滤波后的SAR图像太中任意像素为中心，抽取大小为8X8的图像块，得到滤 波后的SAR图像y'像素图像块集合B1，以SAR图像的低频子带系数矩阵中任意系数为中 心，抽取大小为8 X 8的图像块，得到SAR图像低频子带图像块集合B2，合并SAR图像像素图 像块集合&和SAR图像低频子带图像块集合B 2，得到总图像块集合B ; (3c)计算总图像块集合B中每个图像块的方差，根据得到的图像块的方差大小，将总 图像块集合B分为光滑图像块集合E和非光滑图像块集合F ; (4) 初始化字典： (4a)采用基于SSIM校对的K均值聚类算法，对非光滑图像块集合F中的所有图像块进 行聚类，得到N类相似图像块集合Sk，I < k < N，N为K均值聚类所得到的类别总数； (4b)采用主成分分析方法，求解相似图像块集合Sk对应的64个特征向量，将这64个 特征向量按列排列，得到Sk对应的字典D k，I < k < N ; (4c)将字典Dk作为相似图像块集合S k的初始字典，将大小为64X256的离散余弦变 换DCT字典D1作为光滑图像块集合E的初始字典； (5) 根据基于结构聚类的稀疏表示方法和字典更新方法，对相似图像块集合Sk和光滑 图像块集合E进行稀疏表示矩阵更新和字典更新，得到最终的稀疏表示矩阵5和最终的字 典 (6) 根据上述得到的总图像块集合B、最终的稀疏表示矩阵S和最终的字典D ,利用下 式得到降斑后的SAR图像X :
其中，λ表示拉格朗日因子，I表示与SAR图像大小一样的单位矩阵，R表示总图像块 集合B中任意图像块矩阵，1^表示图像块矩阵R的转置。
2. 根据权利要求1所述基于SSM校正聚类的稀疏表示SAR图像降斑方法，其特征在 于，步骤（3a)所述的采用KSVD算法，对SAR图像进行预滤波，按如下步骤进行： (3al)以SAR图像y中任意像素为中心，抽取大小为8X8的图像块，得到的SAR图像像 素图像块集合M，初始化字典D为大小是64X256的离散余弦变换DCT字典； (3a2)按照下式，更新稀疏表示矩阵：
其中，a'表示更新后的稀疏表示矩阵，a表示稀疏表示矩阵，μ表示控制参数，表 示取二范数的平方操作，IMi1表示取零范数操作； (3a3)按照下式，更新字典，得到更新后的字典D':
其中，Il · M1表示取一范数操作； (3a4)重复执行步骤（3a2)和（3a3)共10次，得到KSVD算法的目标稀疏表示矩阵a" 和目标字典D"; (3a5)按照下式重构得到KSVD算法滤波后的SAR图像y':
其中，Rm表示SAR图像像素图像块集合M中任意图像块矩阵，表示图像块矩阵Rm的 转置。
3. 根据权利要求1所述基于SSM校正聚类的稀疏表示SAR图像降斑方法，其特征在 于，步骤（3c)所述的根据得到的图像块的方差大小，将总图像块集合B分为光滑图像块集 合E和非光滑图像块集合F，是将每个图像块的方差与设定的阈值进行比较，若该图像块的 方差大于设定的阈值τ，则将该图像块划分到非光滑图像块集合F中，否则，将该图像块划 分到光滑图像块集合E中，其中τ的取值为最大图像块方差的三分之一。
4. 根据权利要求1所述基于SSM校正聚类的稀疏表示SAR图像降斑方法，其特征在 于，步骤（4a)所述的对非光滑图像块集合F中的所有图像块进行聚类，按如下步骤进行： (4al)利用K均值聚类算法，对非光滑图像块集合F中的所有图像块进行N类聚类，得 到每个图像块的类别和每个类别的聚类中心； (4a2)计算每个图像块与其所属类别的聚类中心的结构相似度SSIM值，判断该SSIM值 是否小于0.85,若是，则执行（4a3)，否则，执行（4a4); (4a3)计算该图像块与其他类别的聚类中心的SSIM值，将该图像块划分到其最大的 SSIM值所对应的类别中； (4a4)将所属类别为k的所有图像块聚集起来，得到相似图像块集合Sk，I < k < N，N 为K均值聚类所得到的类别总数。
5. 根据权利要求1所述基于SSM校正聚类的稀疏表示SAR图像降斑方法，其特征在 于，所述步骤（5)，按如下步骤进行： (5a)按照下式，更新稀疏表示矩阵和聚类中心所对应的稀疏表示矩阵，得到更新后的 稀疏表示矩阵5和聚类中心所对应的稀疏表示矩阵0 ;
其中，Uk表示类别为k的聚类中心向量，k= 1，2，...，Ν，λ JP λ 2表示两个不同数值 的常数，N表示K均值聚类的类别总数，Ck表示类别为k的稀疏表示向量矩阵，i表示稀疏 表示向量的列数，S i表示列数为i的稀疏表示向量，β k表示类别为k的聚类中心对应的稀 疏表示向量； (5b)利用步骤（3a)中KSVD算法的字典更新方法，更新字典Dk和D1; (5c)重复执行步骤（5a)和（5b)共3次，得到最终的稀疏表示矩阵5和最终的字典 b。
【专利摘要】本发明公开了一种基于SSIM校正聚类的稀疏表示SAR图像降斑方法，主要解决现有技术中不能保留更多的点目标和纹理细节的问题。其实现步骤为：(1)输入图像；(2)估计输入SAR图像中噪声的方差；(3)对输入图像进行分类；(4)对分类后图像进行初始化字典；(5)更新分类后图像的稀疏表示矩阵和字典；(6)利用更新后的稀疏表示矩阵和字典重构图像，得到降斑后的SAR图像。本发明不仅能够提高SAR图像中斑点噪声的抑制效果，而且能很好保留图像中点目标和纹理细节信息，可用于SAR图像分割和目标识别的预处理。
【IPC分类】G06T5-00
【公开号】CN104537624
【申请号】CN201510002988
【发明人】白静, 焦李成, 张钊, 韩雪云, 王爽, 马晶晶, 马文萍, 侯彪
【申请人】西安电子科技大学
【公开日】2015年4月22日
【申请日】2015年1月5日