一种合成孔径雷达图像去噪方法与流程

本发明涉及图像处理技术，具体的说涉及一种合成孔径雷达图像去噪方法。
背景技术：
：合成孔径雷达(sar)具有全天候、全天时工作，精度高、信息丰富、直观真实等优点，sar图像的质量和视觉特性也是众多学者的研究热点，近年来，在国土、水文、军事等领域都有广泛应用，但由于相干成像机制，合成孔径雷达图像中含有相干斑噪声，有必要进行去噪处理。sar图像的去噪方法主要分为以下两类：空域去噪算法和变换域去噪算法，空域去噪算法是基于图像的局部统计特性，在平滑区域有着较好的去噪效果，但对于图像的边缘及一些纹理信息比较丰富的区域，容易发生过度平滑，导致丢失图像细节信息；变换域去噪算法主要包括基于小波变换的图像去噪算法和基于多尺度几何变换的图像去噪算法，但是这些去噪算法大都是针对整幅sar图像进行去噪的，从而导致去噪图像产生人造纹理或边缘模糊。可见，已有的去噪方法多均有诸多不足，无法满足对sar图像去噪要求。技术实现要素：本发明的目的是提供一种合成孔径雷达图像去噪方法，以克服现有去噪方法会丢失图像细节或导致去噪图像产生人造纹理、边缘模糊的问题。本发明的目的是这样实现的：一种合成孔径雷达图像去噪方法，该方法具体包括以下步骤：(1)对待处理的合成孔径雷达图像原始图像先分别利用bssr和nsst-gnl去噪算法进行去噪，得到两幅去噪图像，图像a和图像b；(2)对图像a和图像b分别进行分块重叠，得到块组矩阵xa和xb；(3)对xa和xb求共享相似块(4)在共享相似块中对xa和xb进行奇异值分解，选择较大的奇异值作为融合图像的奇异值，相对应的特征向量作为融合图像所对应的特征向量，并重构融合图像的块组矩阵xf；(5)将含有噪声的图像模型转化为yj＝xj+nj，其中yj为步骤(4)所得块组矩阵xf，xj表示清晰图像所对应的块组矩阵，nj表示噪声所对应的块组矩阵，通过核范数最小化算法进行图像修复，得到融合后的去噪图像。本发明的方法不仅有效的改善了去噪图像的视觉效果，还有效的保存了图像的局部结构，能够较好的保持图像的结构信息，还提高了去噪图像的客观指标。附图说明图1是本发明方法的流程结构框图。图2中，(a)是原始sar图像，(b)是手动加入方差0.05的乘性噪声的噪声图像。图3是对图2中(b)滤波后的图像。图3中，(a)是采用lee滤波算法的结果，(b)是采用nsst-gnl滤波算法的结果，(c)是bssr滤波算法的结果，(d)是本发明算法的结果。图4是一幅电力线路设计的真实遥感图像原始图像。图5是对图4中的原始图像滤波后的图像。图5中，(a)是采用lee滤波算法的结果，(b)是采用nsst-gnl滤波算法的结果，(c)是bssr滤波算法的结果，(d)是本发明算法的结果。具体实施方式下面结合附图对本发明作进一步详细的说明，图1是本发明方法的结构框图。实施例1step1：对需要进行降噪处理的sar原始图像(如图2中(a)所示)进行对数变换，手动加入方差0.05的乘性噪声，以将相干噪声抑制模型转换为类似高斯噪声模型，结果如图2中(b)所示。step2：对step1处理后的图像利用bssr去噪算法(即非下采样剪切波域稀疏表示去噪算法)进行去噪，得到去噪后的图像a(见图3中(c)所示)。step3：对step1处理后的图像利用nsst-gnl去噪算法(即非下采样剪切波域广义非局部均值去噪算法)进行去噪，得到去噪后的图像b(见图3中(b)所示)。step4：对图像a进行分块，分成11×11的块组，然后通过块匹配算法搜索块组中的每个参考块的非局部相似块，再将这些非局部相似块堆叠成一组，从而形成块组矩阵xa；对图像b进行分块，分成11×11的块组，然后通过块匹配算法搜索块组中的每个参考块的非局部相似块，再将这些非局部相似块堆叠成一组，从而形成块组矩阵xb。step5：对xa和xb求共享相似块为其中r表示共享相似块的个数，这里选择值为7；然后在共享相似块中对xa和xb进行奇异值分解：定义xa(r)是中属于xa的相似块构造的块组矩阵，xb(r)是中属于xb的相似块构造的块组矩阵，则xa(r)的奇异值分解为xb(r)的奇异值分解为step6：根据step5中xa和xb进行奇异值分解的计算结果，选择较大的奇异值作为融合图像的奇异值，并以相对应的特征向量作为融合图像所对应的特征向量，重构融合图像的块组矩阵xf：用xf(r)表示中属于xf的相似块构造的块组矩阵，则：其中i＝1，2，...，r。step7：根据step6的计算结果，将含有噪声的图像转化为yj＝xj+nj，其中，yj为step6所得到的块组矩阵xf，xj表示清晰图像所对应的块组矩阵，nj表示噪声所对应的块组矩阵。由于xj具应有低秩性，因此可以通过核范数最小化算法进行图像修复，即运用加权核范数最小化算法可得到融合后的图像，为了方便描述，yj＝xj+nj可简写为y＝x+n，则加权核范数最小化算法具体步骤如下：其中：λ为正则参数，取值为0.6，y是已知矩阵，x是要得到的近似y的低秩矩阵，是frobenius范数，||x||*是x的核范数；上述计算公式的全局最优解为：其中y＝u∑vt表示矩阵y的奇异值分解，矩阵u和v满足uut＝i，vvt＝i，∑是矩阵y的奇异值构成的对角阵，并且∑ii的值按大小降序排列，sλ(∑)是矩阵∑的软阈值操作，即对任一∑中的对角元素∑ii都有sλ(∑)ii＝max(∑ii-λ，0)。step8：将融合后的图像进行对数变化，得到去噪后的图像，如图3中(d)所示。实施例2对需要进行降噪处理的sar原始图像行对数变换，手动加入方差0.1的乘性噪声，以将相干噪声抑制模型转换为类似高斯噪声模型，然后按照与实施例1中step2～step8相同的处理方法进行计算。实施例3对需要进行降噪处理的sar原始图像行对数变换，手动加入方差0.02的乘性噪声，以将相干噪声抑制模型转换为类似高斯噪声模型，然后按照与实施例1中step2～step8相同的处理方法进行计算。对比例1对实施例1中step1处理后的图像(图2(b))采利用lee滤波算法进行处理，结果如图3中(a)所示。从图3中四个图像去噪结果对比可以看出，采用lee滤波去噪后的图像比较模糊且丢失了大量的细节，nsst-gnl去噪算法虽然有效地抑制了图像的相干噪声，但是去噪图像中存在人造纹理，bssr去噪算法模糊了sar图像的边缘，而本发明的算法与nsst-gnl和nssr算法相比具有更好的视觉效果，充分的说明了本文算法的优势。为进一步体现本发明方法的优越性，下面通过峰值信噪比(psnr)、等效视数(enl)、边缘保持指数(epi)三个指标来加以说明，该三个指标中，psnr越大表明算法的去噪能力越强，enl越大表明算法的去噪后的视觉效果越好，而epi越大表明算法的边界保持能力越强。表1给出了对含有不同噪声方差的含噪图像进行去噪后各算法的客观评价数值。表1：从表1中评价结果对比可以看出，本发明的算法能够较好的保持图像的结构信息，优于其它去噪方法。实施例4采用本发明的方法对真实遥感图像，进行去噪处理，如图4所示，其为陕西省物理网实验研究中心电力线路设计sar图像，图像大小为256×256。对图4中原始图像按照实施例1中step2～step8的方法进行去噪处理，结果如图5中(d)所示。同时，图5中还给出了本发明方法实施过程中的nsst-gnl去噪算法和bssr去噪算法的处理结果，如图5中(b)和(c)所示，以及给出了采用lee去噪算法的处理结果，如图5中(a)所示。从图5所示的实验结果来看，图5(a)的效果最差，这也说明lee滤波对sar图像的相干噪声处理的效果不佳。对比图5(b)、(c)和(d)，nsst-gnl去噪算法引入了人造纹理，在左下角的电线明显的有一些线状纹理，而bssr去噪算法则模糊了sar图像的边缘，很明显在图5(c)左下角的电线被模糊的很厉害，几乎看不出是几条线了，而图5(d)所显示的本发明的去噪算法的视觉效果最好。另外，在表2中给出了sar图像各去噪算法去噪后的客观评价标准。表2：去噪算法psnrenlepilee滤波19.3311.040.85nsst-gnl21.8513.450.96bssr22.5512.540.94实施例423.0117.160.96从表2可以看到本文算法所有指标是所有算法中最高的。当前第1页12