基于比值分布的SAR图像非局部降斑方法

摘要

本发明公开了一种基于比值分布的SAR图像非局部降斑方法,主要解决现有非局部降斑方法中相似性权值计算不准确的问题，实现过程是：1.输入SAR图像，初始化参数；2.对输入SAR图像每个像素，用比值分布算出与其邻域像素的比值距离dt1；3.计算出相邻像素间的先验距离dt2；4.根据距离dt1和dt2，算出与其邻域的每个像素点的相似度权值；5.对中心像素加权平均，得到中心像素估计值；6.重复步骤2～5，遍历整个图像，得到估计图像；7.重复步骤3～6，到迭代终止，得到最终降斑图像。本发明利用SAR图像的乘性斑点特性，采用比值距离和先验距离，并通过迭代的方式提高图像块的相似性度量的准确性，在有效滤除SAR图像斑点噪声的同时，较好保持了边缘、纹理等细节信息。

权利要求

1.一种基于比值分布的SAR图像非局部降斑方法，其特征在于，包括有如下步骤：(1).输入一个L视数的合成孔径雷达图像 令其初始化迭代次数i＝1，把输入图像作为初始估计图像(2).从输入的合成孔径雷达图像 中取其任意的像素点vs，以像素点vs为中心的像素块称为中心像素块 以像素点vs邻域的像素点vt为中心的像素块称为邻域像素块 计算出中心像素块 和邻域像素块 之间比值距离dt1；

(3).计算估计图像里相邻像素间的先验距离dt2：

若i＝1，从初始估计图像 中取像素点 以像素点 为中心的像素块称为中心估计块 以像素点 邻域的像素点 为中心的像素块称为邻域估计块 计算出中心估计块与其邻域估计块 之间的先验距离dt2；

若i＞1，从i-1次迭代得出的估计图像 中取像素点 以像素点 为中心的像素块称为中心估计块 以像素点 邻域的像素点 为中心的像素块称为邻域估计块计算出中心估计块 与其邻域估计块 之间的先验距离dt2；

(4).根据比值距离dt1和先验距离dt2计算其邻域中的每一个点vt的第i次迭代的权值ws，ti；

(5).对邻域内的每一个点加权平均后估计图像中的像素点(6).对于输入的整个合成孔径雷达图像中的每一个像素点，重复步骤(2)～(5)，遍历整个合成孔径雷达图像得到第i次迭代的估计图像(7).若迭代次数i＜n，n为给定的迭代终止次数，则重复步骤(3)～(6)，进入下一次迭代；若i＝n，则迭代终止，并输出第i＝n次迭代的估计图像 作为最终的降斑图像。

2.根据权利要求1所述的基于比值分布的SAR图像非局部降斑方法，其特征在于，步骤(2)计算出中心像素块 和邻域像素块 之间比值距离dt1，包括有如下步骤：(2a).以像素点vs为中心，选取N×N大小的邻域作为该像素点的搜寻区域；

(2b).以像素点vs为中心，取M×M大小的块，用块内各像素点的灰度值矩阵 表示该中心像素块；

(2c).以搜寻区域中除中心像素点vs外的每一个像素点vt为中心，取M×M大小的块，用块内各像素点的灰度值矩阵 表示该邻域像素块；

(2d).计算上述两个像素块 和 中每一个对应像素点的比值：其中vs，k和vt，k分别表示 和 的第k个像素点；

(2e).根据比值分布概率公式，计算出两个像素块 和 中每一个对应像素点的比值rs，k出现的概率，如果输入合成孔径雷达图像是强度图像，使用强度概率公式：如果输入合成孔径雷达图像是幅度图像，则使用幅度概率公式：(2f).计算出中心像素块 与邻域像素块 之间的比值距离dt1，

3.根据权利要求1所述的基于比值分布的SAR图像非局部降斑方法，其特征在于，步骤(3)计算出中心估计块 与其邻域估计块 之间的先验距离dt2，包括有如下步骤：(3a).以估计点 为中心，选取N×N大小的邻域作为该估计点的搜寻区域；

(3b).以估计点 为中心，取M×M大小的块，用块内各估计点的灰度值矩阵 表示该中心估计块；

(3c).以搜寻区域中除中心估计点vs外的每一个邻域估计点 为中心，取M×M大小的块，用块内各估计点的灰度值矩阵 表示该邻域估计块；

(3d).计算上述中心估计块 和其邻域估计块 之间的先验距离：其中 和 分别表示 和 的第k个像素点。

4.根据权利要求1所述的基于比值分布的SAR图像非局部降斑方法，其特征在于步骤(4)所述的“根据比值距离dt1和先验距离dt2计算其邻域中的每一个点vt的第i次迭代的权值iws，t”，包括如下步骤：

(4a).若输入为强度合成孔径雷达图像，则模拟产生两个相互独立的视数为L的服从gamma分布的噪声图，分别记为第一强度噪声图 和第二强度噪声图  其比值矩阵将比值矩阵 带入下面的式子求得分布矩阵 若输入为幅度合成孔径雷达图像，则模拟产生两个相互独立的视数为L的服从Nakagami分布的噪声图，分别记为第一幅度噪声图 和第二幅度噪声图 比值矩阵将比值矩阵 带入下面的式子求得分布矩阵(4b).取分布矩阵 中分布在分位点为α处的元素q，α＝0.92， 的均值为m，按如下公式计算平滑参数h：h＝q-m；

(4c).若输入为强度合成孔径雷达图像，则第i次迭代的权值ws，ti为：若输入为幅度合成孔径雷达图像，则第i次迭代的权值ws，ti为：其中T是局部自适应参数。

说明书

基于比值分布的SAR图像非局部降斑方法

技术领域

[0001] 本发明属于图像处理技术领域，主要涉及对合成孔径雷达(Synthetic Aperture Radar，SAR)图像的斑点滤波，具体说是一种基于比值分布的SAR图像非局部降斑方法，可用于对SAR图像的降斑处理。

背景技术

[0002] 合成孔径雷达所成的图像具有全天候、全天时、高分辨率和强大的穿透能力等特点，因此，这种图像被广泛的应用到目标识别，变换检测和水面监视。然而，SAR图像被乘性相干斑噪声所腐蚀，这种噪声来自后向散射雷达反射的连续干扰。这种斑点噪声毁坏了SAR图像辐射测量的分辨率，同时影响到背景分析和理解。

[0003] 去斑方法的目标就是在去除噪声的同时保留图像的特征信息，像纹理，边缘和点状目标。但是由于斑点噪声的乘性相干特性，抑制斑点噪声非常困难。目前，已经有很多的斑点滤波方法，大致可分为空域和频域两大类。频域类的去斑方法如基于小波、Contourlet等变换的SAR图像去斑算法由于其多尺度、多分辨等优点获得了广泛的应用。但是变换域去斑算法本质上仍是基于固定窗口的滤波，在图像的边缘、线等区域会产生吉布斯现象。其缺点是不能很好的保留图像的边缘信息。空域统计类去斑方法一般先假定噪声的乘性模型，然后基于像素邻域窗口的局部统计特性进行滤波。基于空域滤波的典型算法有Lee滤波，Kuan滤波，Frost滤波及其增强版。这些方法在同质区域取均值，对变化较快的点采取保留的策略，其缺点是边缘周围的噪声也会被保留，同时图像结构信息如边缘、线性体、点等目标会在一定程度上被模糊或滤除。近几年，非局部的方法被用于图像滤波。由于非局部方法能更好的利用图像的冗余性，取得了很好的效果。2009年，Charles等人提出了一种基于像素块概率分布(Probability Patch-Based，PPB)的方法，它是一种迭代的非局部SAR图像降斑方法，被认为是当前最好的SAR图像去斑方法之一。然而，PPB算法在对SAR图像的去斑过程中，依然使用欧氏距离度量像素块之间的相似性。理论和实验都证明，这种欧氏距离的度量方式对于SAR图像的乘性噪声模型并不合适，它并不能很好的抑制噪声。此外，PPB方法用KL距离作为像素间的先验距离，而估计误差相对于图像的噪声是非常微弱的。KL距离是一种二范数的表示形式，不能很好的逼近微弱的估计误差。

发明内容

[0004] 本发明的目的在于克服PPB方法用于SAR图像降斑时在细节保持上不足的技术问题，提出了一种基于比值分布的非局部滤波器用于SAR图像的降斑方法。

[0005] 本发明是一种基于比值分布的合成孔径雷达图像非局部降斑方法，其特征在于，包括有如下步骤：

[0006] (1).输入一个L视数的合成孔径雷达图像 并初始化迭代次数i＝1，把输入图像当作为初始的估计图像

[0007] (2).从输入的合成孔径雷达图像 中取其任意的像素点vs，以像素点vs为中心的像素块称为中心像素块 以像素点vs邻域的像素点vt为中心的像素块称为邻域像素块计算出中心像素块 和邻域像素块 之间比值距离dt1。

[0008] 也可以说，对于输入的L视数合成孔径雷达图像 的像素点vs，计算出以像素点vs为中心的像素块与以vs邻域中每个像素点vt为中心的像素块之间比值距离dt1。

[0009] (3).计算出估计图像里相邻像素间的先验距离dt2：

[0010] 若i＝1，从初始估计图像 中取像素点 以像素点 为中心的像素块称为中心估计块 以像素点 邻域的像素点 为中心的像素块称为邻域估计块 计算出中心估计块 与其邻域估计块 之间的先验距离dt2；

[0011] 若i＞1，从i-1次迭代得出的估计图像 中取像素点 以像素点 为中心的像素块称为中心估计块 以像素点 邻域的像素点 为中心的像素块称为邻域估计块 计算出中心估计块 与其邻域估计块 之间的先验距离dt2；

[0012] (4).根据比值距离dt1和先验距离dt2计算其邻域中的每一个点vt的第i次迭代的权值ws，ti；

[0013] (5).对邻域内的每一个点加权平均后估计图像中的像素点

[0014]

[0015] (6).对于每一个像素点，重复步骤(2)～(5)，遍历输入的整个合成孔径雷达图像得到第i次迭代的估计图像

[0016] (7).重复步骤(3)～(6)，直到迭代次数i＝n，得到最终降斑后的图像 n为给定的迭代次数。

[0017] 本发明在PPB方法的框架下结合了斑点噪声的比值分布，构造一个自适应的权值计算公式，以更准确的度量邻域中每个点与中心点的相似性，它能在较好的抑制斑点噪声的同时，保留图像中的纹理细节，从而改善降斑的效果。

[0018] 本发明的实现还在于：步骤(2)计算出中心像素块 和邻域像素块 之间比值距离dt1，包括有如下步骤：

[0019] (2a).以像素点vs为中心，选取N×N大小的邻域作为该像素点的搜寻区域；

[0020] (2b).以像素点vs为中心，取M×M大小的块，用块内各像素点的灰度值矩阵 表示该中心像素块；

[0021] (2c).以搜寻区域中除中心像素点vs外的每一个像素点vt为中心，取M×M大小的块，用块内各像素点的灰度值矩阵 表示该邻域像素块；

[0022] (2d).计算上述两个像素块 和 中每一个对应像素点的比值：

[0023]

[0024] 其中vs，k和vt，k分别表示 和 的第k个像素点；

[0025] (2e).根据比值分布概率公式，计算出两个像素块 和 中每一个对应像素点的比值rs，k出现的概率；如果输入合成孔径雷达图像是强度图像，使用强度概率公式：

[0026]

[0027] 如果输入合成孔径雷达图像是幅度图像，则使用幅度概率公式：

[0028]

[0029] (2f).计算出以像素点vs为中心的中心像素块 与以像素点vt为中心的邻域像素块 之间的比值距离dt1，

[0030]

[0031] 在PPB方法中，用像素块之间的欧氏距离度量像素间的相似性，这种方法不适用于SAR图像斑点噪声的乘性特性。因此，本方法针对SAR图像的乘性特性，使用像素之间的比值分布概率度量其相似性，在理论上解释更加合理。在实践中，它能更好的抑制斑点噪声，从而改善降斑的效果。

[0032] 本发明的实现还在于：步骤(3)计算出中心估计块 与其邻域估计块 之间的先验距离dt2，包括有如下步骤：

[0033] (3a).以估计点 为中心，选取N×N大小的邻域作为该估计点的搜寻区域；

[0034] (3b).以估计点 为中心，取M×M大小的块，用块内各估计点的灰度值矩阵 表示该中心估计块；

[0035] (3c).以搜寻区域中除中心估计点vs外的每一个邻域估计点 为中心，取M×M大小的块，用块内各估计点的灰度值矩阵 表示该邻域估计块；

[0036] (3d).计算上述中心估计块 和其邻域估计块 之间的先验距离：

[0037]

[0038] 其中 和 分别表示 和 的第k个像素点。

[0039] 在PPB方法中，用估计块之间的KL距离作为像素间的先验距离，而估计误差相对于图像的噪声是非常微弱的。KL距离是一种二范数的表示形式，它并不能很好的逼近这种微弱的估计误差。因此，本方法针对估计误差的微弱特性，提出了一种一范数的度量方式，在理论上解释更加合理。在实践中，它能使图像降斑后的结果中的弱小细节得到保留，从而改善降斑的效果。

[0040] 本发明的实现还在于：步骤(4)所述的“根据比值距离dt1和先验距离dt2计算其邻域中的每一个点vt的第i次迭代的权值ws，ti”，包括如下步骤：

[0041] (4a).若输入为强度合成孔径雷达图像，则模拟产生两个相互独立的视数为L的服从gamma分布的噪声图，分别记为第一强度噪声图 和第二强度噪声图 其比值矩阵将比值矩阵 带入下面的式子求得分布矩阵

[0042]

[0043] 若输入为幅度合成孔径雷达图像，则模拟产生两个相互独立的视数为L的服从Nakagami分布的噪声图，分别记为第一幅度噪声图 和第二幅度噪声图 比值矩阵将比值矩阵 带入下面的式子求得分布矩阵

[0044]

[0045] (4b).取分布矩阵 中分布在分位点为α处的元素q，α＝0.92， 的均值为m，按如下公式计算平滑参数h：

[0046] h＝q-m；

[0047] (4c).若输入为强度合成孔径雷达图像，则第i次迭代的权值ws，ti为：

[0048]

[0049] 若输入为幅度合成孔径雷达图像，则第i次迭代的权值ws，ti为：

[0050]

[0051] 其中T是局部自适应参数。

[0052] 在图像去噪的过程中，在抑制噪声的同时，还要保持细节。而抑制噪声往往是以牺牲细节为代价，因此，如何在噪声抑制和细节保持之间取平衡是图像去噪的一个重点和难点。在本发明中，比值距离用于抑制噪声，先验距离用于保持细节。并使用了两个自适应的参数将比值距离和先验距离二者联合起来，两个参数的设置均和SAR图像的等效视数L相关。它能适用于不同噪声强度的SAR图像。

[0053] 本发明与现有技术相比有以下优点：

[0054] 1.本发明结合斑点噪声的比值分布，构造一个自适应的权值计算公式。相比于PPB方法中使用的欧氏距离，本发明中使用的比值距离能更好的适用于SAR图像的乘性噪声模型。因此，能更好的抑制噪声。

[0055] 2.本发明提出了一种新的先验距离用于度量去斑过程中的估计误差。相比于PPB中使用的KL距离，本发明中使用的基于一范数的先验距离能更好的度量去斑过程中产生的微弱的估计误差。因此，能更好的保持细节信息。

[0056] 3.本发明使用自适应的权值计算公式，不需要对不同的图像设置不同的参数，易于实现。

附图说明

[0057] 图1是本发明的降斑过程流程框图；

[0058] 图2是本发明实验输入的合成SAR图像的原始标准图像；

[0059] 图3是用现有PPB方法和本发明方法对输入的合成SAR图像进行去斑的结果图，从左到右的3列分别表示(a)合成含噪SAR图像，(b)PPB方法和(c)本发明方法滤波后去斑结果图，自上而下分别为等效视数L＝1，2，4，16时的实验结果；

[0060] 图4是图3中等效视数L＝1时的实验结果的局部放大图。其中，图4(a)和图4(b)分别是图3(b1)和图3(c1)的局部放大图；

[0061] 图5是图3中等效视数L＝4时的实验结果的局部放大图。其中，图5(a)和图5(b)分别是图3(b3)和图3(c3)的局部放大图；

[0062] 图6是图3中等效视数L＝16时的实验结果的局部放大图。其中，图6(a)和图6(b)分别是图3(b4)和图3(c4)的局部放大图。

具体实施方式

[0063] 下面结合附图对本发明详细说明：

[0064] 实施例1

[0065] 在SAR的成像过程中，不可避免的会存在相干斑点噪声的干扰。这种斑点噪声会对SAR图像的理解与解译造成严重的影响。因此，在对SAR图像处理之前，通常要进行降斑的预处理。目前，对于SAR图像的降斑已经有很多的方法，传统滤波方法如Lee滤波，Kuan滤波，Frost滤波等等一般是对局部的同质区域取均值，对变化较快的点采取保留的策略，其缺点是边缘周围的噪声也会被保留。为了克服这些缺点，Charles等人于2009年提出了一种PPB的方法，被认为是当前最好的SAR图像去斑方法之一。然而，PPB算法在对SAR图像的去斑过程中使用的欧氏距离，不能很好的适用于SAR图像的乘性噪声模型。除此之外，PPB算法中使用的KL距离对去噪过程中的估计误差的度量也不够精确，会使得细节信息丢失。

[0066] 本发明提出一种基于比值分布的SAR图像非局部降斑方法，参见图1，包括有如下步骤：

[0067] (1).输入一个L视数的合成孔径雷达图像 本例输入的合成孔径雷达图像可参见图3(a1)，图3(a1)中的噪声图像是在图2的无噪图像上加了L＝1视的Nakagami斑点噪声。并初始化迭代次数i＝1，把输入图像 当作为初始估计图像

[0068] (2).从输入的合成孔径雷达图像 中取其任意的像素点vs，以像素点vs为中心的像素块称为中心像素块 以像素点vs邻域的像素点vs为中心的像素块称为邻域像素块计算出中心像素块 和邻域像素块 之间比值距离dt1。

[0069] 也就是说，对于输入的L＝1视数合成孔径雷达图像 的像素点vs，以像素点vs为中心的像素块与以vs邻域中每个像素点vt为中心的像素块之间比值距离dt1，也就是以像素点vs为中心的像素块与以vs邻域中每个像素点vt为中心的像素块之间比值距离dt1。

[0070] (3).计算出估计图像里相邻像素间的先验距离dt2：

[0071] 若迭代次数i＝1，从初始估计图像 中取像素点 以像素点 为中心的像素块称为中心估计块 以像素点 邻域的像素点 为中心的像素块称为邻域估计块 计算出中心估计块 与其邻域估计块 之间的先验距离dt2；

[0072] 若迭代次数i＞1，从i-1次迭代得出的估计图像 中取像素点 以像素点为中心的像素块称为中心估计块 以像素点 邻域的像素点 为中心的像素块称为邻域估计块 计算出中心估计块 与其邻域估计块 之间的先验距离dt2；

[0073] (4).根据比值距离dt1和先验距离dt2计算其邻域中的每一个点vt的第i次迭代的权值ws，ti。

[0074] (5).对邻域内的每一个点加权平均后估计图像中的像素点

[0075]

[0076] (6).对于每一个像素点，重复步骤(2)～(5)，遍历输入的整个合成孔径雷达图像得到估计图像

[0077] (7).若迭代次数i＜n，n为给定的迭代终止次数，则重复步骤(3)～(6)，即将i+1赋予i，进入下一次迭代；若i＝n，则迭代终止，并输出第i＝n次迭代的估计图像 作为最终的降斑图像。实验表明，当迭代到第7次时，降斑结果趋于稳定，因此在本例中n＝7，得到最终降斑后的图像

[0078] 为了解决PPB方法所存在的技术问题，本发明一方面使用了比值距离来代替欧氏距离，能更好的适用于SAR图像的乘性噪声模型；另一方面针对估计误差的微弱特性，提出了一种一范数的度量方式，在理论上解释更加合理。在实践中，它能使图像降斑后的结果中的弱小细节得到保留，从而改善降斑的效果。

[0079] 实施例2

[0080] 基于比值分布的SAR图像非局部降斑方法同实施例1，其中，步骤(2)计算出中心像素块 和邻域像素块 之间比值距离dt1，包括有如下步骤：

[0081] (2a).以像素点vs为中心，选取N×N大小的邻域作为该像素点的搜寻区域，在本例中取N＝21；

[0082] (2b).以像素点vs为中心，取M×M大小的块，用块内各像素点的灰度值矩阵 表示该中心像素块，本例中M＝7；

[0083] (2c).以搜寻区域中除中心像素点vs外的每一个像素点vt为中心，取M×M大小的块，用块内各像素点的灰度值矩阵 表示该邻域像素块；

[0084] (2d).计算上述两个像素块 和 中每一个对应像素点的比值：

[0085]

[0086] 其中vs，k和vt，k分别表示 和 的第k个像素点；

[0087] (2e).根据比值分布概率公式，计算出两个像素块 和 中每一个对应像素点的比值rs，k出现的概率；本例输入合成孔径雷达图像是幅度图像，则使用幅度概率公式：

[0088]

[0089] (2f).计算出中心像素块 和邻域像素块 之间的比值距离dt1，也就是说，计算出以像素点vs为中心的中心像素块 与以像素点vt为中心的邻域像素块 之间的比值距离dt1：

[0090]

[0091] 针对于SAR图像的乘性噪声模型，在同质区域的假设下，相邻像素块之间的比值只和噪声分布有关，而与无噪图像无关。因此，相比于传统算法中使用的欧氏距离，本发明中利用相邻像素块之间的比值距离度量其相似性能更好的适用于SAR图像的乘性噪声模型。在实践中，它能更好的抑制SAR图像的斑点噪声。

[0092] 实施例3

[0093] 基于比值分布的SAR图像非局部降斑方法同实施例1-2，若本例中步骤(2)中输入SAR图像是强度图像，则在步骤(2e)中使用强度概率公式：

[0094]

[0095] 计算出中心像素块 和邻域像素块 之间的比值距离dt1，也就是说，计算出以像素点vs为中心的中心像素块 与以像素点vt为中心的邻域像素块 之间的比值距离dt1，[0096]

[0097] 实施例4

[0098] 基于比值分布的SAR图像非局部降斑方法同实施例1-3，其中，步骤(3)计算出中心估计块 与其邻域估计块 之间的先验距离dt2，包括有如下步骤：

[0099] (3a).以估计点 为中心，选取N×N大小的邻域作为该估计点的搜寻区域，在本例中N＝21；

[0100] (3b).以估计点 为中心，取M×M大小的块，用块内各估计点的灰度值矩阵 表示该中心估计块，在本例中M＝7；

[0101] (3c).以搜寻区域中除中心估计点vs外的每一个邻域估计点 为中心，取M×M大小的块，用块内各估计点的灰度值矩阵 表示该邻域估计块；

[0102] (3d).计算上述中心估计块 和其邻域估计块 之间的先验距离：

[0103]

[0104] 其中 和 分别表示 和 的第k个像素点。

[0105] 在对SAR图像的去噪过程中，始终存在着估计误差。为了获得更好的去噪结果，本发明对这种估计误差进行迭代的计算，每次迭代都会缩小估计误差，直到估计误差不再变化为止。

[0106] 相比于初始的噪声，估计误差比较微弱。因此，本发明中使用了一种一范数的度量方式，在理论上解释更加合理。在实践中，它能使图像降斑后的结果中的弱小细节得到保留，从而改善降斑的效果。

[0107] 实施例5

[0108] 基于比值分布的SAR图像非局部降斑方法同实施例1-4，其中，步骤(4)所述的“根据比值距离dt1和先验距离dt2计算其邻域中的每一个点vt的第i次迭代的权值ws，ti”，包括如下步骤：

[0109] (4a).若输入为强度合成孔径雷达图像，则模拟产生两个相互独立的视数为L的服从Gamma分布的噪声图，分别记为第一强度噪声图 和第二强度噪声图 其比值矩阵将比值矩阵 带入下面的式子求得分布矩阵

[0110]

[0111] 若输入为幅度合成孔径雷达图像，则模拟产生两个相互独立的视数为L的服从Nakagami分布的噪声图，在本例中L＝1，分别记为第一幅度噪声图 和第二幅度噪声图比值矩阵 将比值矩阵 带入下面的式子求得分布矩阵

[0112]

[0113] (4b).取分布矩阵 中分布在分位点为α处的元素q，α＝0.92， 的均值为m，按如下公式计算平滑参数h：

[0114] h＝q-m；

[0115] (4c).若输入为强度合成孔径雷达图像，则第i次迭代的权值ws，ti为：

[0116]

[0117] 若输入为幅度合成孔径雷达图像，则第i次迭代的权值ws，ti为：

[0118]

[0119] 其中T是局部自适应参数，其取值范围为(0，+∞)，在本例中取T＝0.1。

[0120] 在图像去噪的过程中，如何在噪声抑制和细节保持之间取平衡是一个技术难点。在本发明中，比值距离用于抑制噪声，先验距离用于保持细节，通过两个自适应的参数将二者联合起来。两个参数的设置均和SAR图像的等效视数L相关，因此，能自适应的适用于各种不同噪声强度的SAR图像，在使用过程中非常方便、快捷。

[0121] 实施例6

[0122] 基于比值分布的SAR图像非局部降斑方法同实施例1-5，

[0123] 参照附图1，本发明整体上还可以用如下步骤的实现来再作说明：

[0124] (1).输入的L＝2视数合成孔径雷达图像 的像素点vs，本例可参见图3(a2)，图3(a1)中的噪声图像是在图2的无噪图像上加了L＝2视的Nakagami斑点噪声，初始化迭代次数i＝1，把输入图像 作为初始的估计图像

[0125] (2).对于输入的合成孔径雷达图像 按如下步骤计算出与其邻域的每个像素点vt的块比值距离dt1：

[0126] (2a).以像素点vs为中心，选取N×N大小的邻域作为该像素点的搜寻区域，在本例中N＝21；

[0127] (2b).以像素点vs为中心，取M×M大小的块，块内各像素点的灰度值记为矩阵 在本例中M＝7；

[0128] (2c).以搜寻区域中除中心像素点vs外的每一个像素点vt为中心，取M×M大小的块，块内各像素点的灰度值记为矩阵记为

[0129] (2d).计算上述两个像素块 和 的比值。其中vs，k和vt，k分别表示 和 的第k个像素点：

[0130]

[0131] (2e).根据比值分布概率公式，计算出每一个点的比值rs，k出现的概率。如果输入合成孔径雷达图像是强度图像，使用概率公式：

[0132]

[0133] 如果输入合成孔径雷达图像是幅度图像，则使用概率公式：

[0134]

[0135] (2f).计算出中心像素点vs和其邻域内的像素点vt之间的块比值距离dt1。

[0136]

[0137] (3).若i＝1，从初始估计图像 中取像素点 以像素点 为中心的像素块称为中心估计块 以像素点 邻域的像素点 为中心的像素块称为邻域估计块 计算出中心估计块 与其邻域估计块 之间的先验距离dt2：

[0138]

[0139] 其中， 和 分别表示估计图像 的第s个像素点和s邻域内的第t个像素点；

[0140] 若i＞1，从i-1次迭代得出的估计图像 中取像素点 以像素点 为中心的像素块称为中心估计块 以像素点 邻域的像素点 为中心的像素块称为邻域估计块 计算出中心估计块 与其邻域估计块 之间的先验距离dt2：

[0141]

[0142] 其中， 和 分别表示估计图像 的第s个像素点和s邻域内的第t个像素点。

[0143] (4).根据距离dt1和dt2计算其邻域中的每一个点vt的第i次迭代的权值ws，ti。

[0144] (4a).若输入为强度合成孔径雷达图像，则模拟产生两个独立的视数为L的gamma噪声图R1和R2，比值矩阵 将比值矩阵 带入下面的式子求得分布矩阵

[0145]

[0146] 若输入为幅度合成孔径雷达图像，则模拟产生两个独立的视数为L的Nakagami噪声图A1和A2，在本例中L＝1，比值矩阵 将比值矩阵 带入下面的式子求得分布矩阵

[0147]

[0148] (4b).取矩阵 中分布在分位点为α处的元素为q， 的均值为m，则平滑参数h＝q-m，在本方法中α＝0.92。

[0149] (4c).若输入为强度合成孔径雷达图像，则

[0150]

[0151] 若输入为幅度合成孔径雷达图像，则

[0152]

[0153] 这里h表示平滑参数，T是局部自适应参数，在本例中T＝0.1。

[0154] (5).对邻域内的每一个点加权平均后估计

[0155]

[0156] (6).对于每一个像素点，重复步骤(2)～(5)，得到估计图像

[0157] (7).重复步骤(3)～(6)，直到迭代次数i＝n。在本例中n＝7，得到降斑后的图像参见附图3(c2)。对比噪声图像图3(a2)可见，斑点噪声明显被抑制，同时细节信息，如窗子屋檐等等都被较好的保持。

[0158] 附图3(b2)是PPB方法对附图3(a2)降斑后的图像，对比附图3(b2)和(c2)，可以发现本发明方法的处理结果中屋檐和窗子等边缘更加清晰自然，天空和墙面等平滑区域的噪声抑制也更好。

[0159] 实施例7

[0160] 基于比值分布的SAR图像非局部降斑方法同实施例1-6，

[0161] 本发明效果可以通过以下实验进一步证实：

[0162] 一、实验条件和内容

[0163] 实验条件：实验所使用的图像如图2所示，图2为实验输入的合成SAR图像的原始标准图像，图中无噪声。为了验证去噪的效果，在图2中加入了不同视数的Nakagami噪声，如图3(a1)-(a4)所示，其中，图3(a1)为视数L＝1的合成SAR图像，图3(a2)为视数L＝2的合成SAR图像，图3(a3)为视数L＝4的合成SAR图像，图3(a4)为视数L＝16的合成SAR图像。图3(b1)-(b4)为用PPB方法滤波后的去斑图像，图3(c1)-(c4)本发明方法滤波后的去斑图像，其中，图3(b1)是用PPB方法对图3(a1)滤波后的结果，图3(c1)是本发明方法对图3(a1)滤波后的结果，依次类推，图3(b2)和图3(c2)分别是用PPB方法和本发明方法对图3(a2)滤波后结果，图3(b3)和图3(c3)分别是用PPB方法和本发明方法对图3(a3)滤波后结果，图3(b4)和图3(c4)分别是用PPB方法和本发明方法对图3(a4)滤波后结果。

[0164] 实验中各种滤波方法都是使用MATLAB语言编程实现。

[0165] 实验内容：

[0166] 在上述实验条件下，分别使用PPB方法和本发明进行实验，其中像素块大小取7×7，搜索窗大小为21×21。为了得到更好的结果，在迭代过程中两种方法中搜索窗和像素块都是逐渐变大的。在PPB方法中分位点α取0.92，T＝0.2，迭代25次。而在本方法中分位点α取
0.92，T＝0.1，总共迭代7次，n＝7。

[0167] 对合成SAR图像进行降斑的实验，其实验结果如图3，图4，图5和图6所示，其中图4(a)和图4(b)分别为在噪声视数L＝1时PPB方法和本发明的降斑结果的局部放大图，图5(a)和图5(b)分别为在噪声视数L＝4时PPB方法和本发明的降斑结果的局部放大图，图6(a)和图6(b)分别为在噪声视数L＝16时PPB方法和本发明的降斑结果的局部放大图。

[0168] 二、实验结果

[0169] 从图3中可以看出，与现有的PPB降斑方法相比，使用本发明方法能更好的抑制斑点噪声，如图3(c1)中墙面、天空等同质区域相比图3(b1)更加平滑。与此同时，本发明方法还能更好的保留细节信息，如图3(c1)中的窗子、图3(c3)中的屋檐都能很好的保留。

[0170] 图4(a)和图4(b)分别是图3(b1)和图3(c1)的局部放大图，从中可以看出，PPB方法处理的结果图，即图4(a)中窗子轮廓不清晰，相比之下，本发明方法较好的保持了窗子轮廓。

[0171] 图5(a)和图5(b)分别是图3(b3)和图3(c3)的局部放大图，从中可以看出，PPB方法处理的结果图，即图5(a)中屋檐有人造的晕环效应，而本发明得到的降斑结果边缘细节更加清晰自然，在屋檐和边缘区域都更接近于原图。

[0172] 和图5的结果类似，图6(a)和图6(b)分别是图3(b4)和图3(c4)的局部放大图，在噪声比较小的情况下，PPB方法的去斑结果在边缘会产生比较明显的失真，而本发明方法能很好的克服这种现象。

[0173] 表1给出了图3中PPB方法和本发明方法的降斑实验结果的峰值信噪比(PSNR)值。从表1中也可看出，本发明方法的降斑效果较PPB方法得到的降斑结果的PSNR值在各种视数下都有所提高。

[0174] 表1使用不同方法降斑结果的PSNR值(dB)对比

[0175]

[0176] 以上实验结果表明，本发明相对于现有PPB降斑方法具有更好的性能，克服了现有PPB滤波方法对权值估计不够准确的缺点。不仅能更好平滑斑点噪声同时保持SAR图像的边缘和纹理细节。

[0177] 综上，本发明公开的一种迭代的基于比值分布的SAR图像非局部降斑方法，属图像处理技术领域，主要解决现有的非局部降斑方法中相似性权值计算不准确的问题，实现过程是：1.输入的SAR图像，并初始化迭代次数，把输入图像作为初始的估计图像；2.对输入的SAR图像的每个像素，用比值分布算出与其邻域像素的比值距离dt1；3.同时相应的，计算出相邻像素间的先验距离dt2；4.根据距离dt1和dt2，算出与其邻域的每个像素点的相似度权值；5.根据相似度权值，对中心像素加权平均，得到中心像素的估计值；6.重复步骤2～5，遍历整个图像，得到估计图像；7.重复步骤3～6，直到迭代终止，得到最终的降斑图像。本发明利用SAR图像的乘性斑点特性，采用比值距离和先验距离，并通过迭代的方式提高图像块的相似性度量的准确性，从而在有效滤除SAR图像斑点噪声的同时，较好的保持了边缘、纹理等细节信息。