主权项 |
一种基于线性最小均方误差估计的SAR图像降噪方法,其特征在于具体步骤如下:步骤一、相似图像块聚类图像中结构存在大量非局部相似信息,利用这些相似信息对图像块进行降噪不仅去噪效果明显,同时有利于保护图像的纹理细节,为了利用图像的非本地相似信息,对于含噪图像块,首先通过Kmeans聚类方法将含有相似真实信息的图像块聚类,并采用基于统计估计的相似块评价代替基于欧氏距离的相似块评价来进一步提高相似块聚类精度;步骤二、基于局部稀疏与非局部稀疏相结合的降噪模型为对图像块集合X=[x<sub>1</sub>,x<sub>2</sub>,…,x<sub>m</sub>]局部稀疏表示,将X表示为字典左乘系数:X=D[α<sub>1</sub>,α<sub>2</sub>,…,α<sub>m</sub>]其中D为字典,[α<sub>1</sub>,α<sub>2</sub>,…,α<sub>m</sub>]为[x<sub>1</sub>,x<sub>2</sub>,…x<sub>m</sub>]的系数集合;当X中图像块为相似图像块时,实现了X的非局部稀疏,进一步将[α<sub>1</sub>,α<sub>2</sub>,…,α<sub>m</sub>]表示为字典右乘系数:[α<sub>1</sub>,α<sub>2</sub>,…,α<sub>m</sub>]=ΣΦ<sup>T</sup>其中Φ<sup>T</sup>为右乘字典,Σ=diag{γ<sub>1</sub>,γ<sub>2</sub>,…γ<sub>k</sub>}为稀疏表示系数,当同时对相似图像块集合进行局部稀疏与非局部稀疏表示时,X可表示为:X=DΣΦ<sup>T</sup>其中稀疏表示系数Σ同时包含X的行相关信息和列相关信息;因此,利用图像的非局部相似性,将局部稀疏与非局部稀疏结合的降噪模型为:<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mover><mi>Σ</mi><mo>^</mo></mover><mo>=</mo><munder><mrow><mi>arg</mi><mtext> </mtext><mi>min</mi></mrow><msub><mi>γ</mi><mi>i</mi></msub></munder><msubsup><mrow><mo>||</mo><mrow><mi>Y</mi><mo>-</mo><msup><mi>DΣΦ</mi><mi>T</mi></msup></mrow><mo>||</mo></mrow><mn>2</mn><mn>2</mn></msubsup><mo>+</mo><mi>λ</mi><msubsup><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>k</mi></msubsup><msub><mi>γ</mi><mi>i</mi></msub></mrow>]]></math><img file="FDA0000733865390000011.GIF" wi="748" he="129" /></maths>其中Y表示含噪相似图像块集合,<img file="FDA0000733865390000012.GIF" wi="57" he="71" />为估计后系数;步骤三、变换域奇异值系数线性最小均方误差估计为求解降噪模型,首先将SAR图像的乘性相干斑噪声转化为加性噪声,然后对含噪相似图像块集合Y进行SVD分解,对应的奇异值系数可表示为:Σ<sub>Y</sub>=Σ<sub>X</sub>+Σ<sub>W</sub>其中Σ<sub>Y</sub>,Σ<sub>X</sub>分别表示含噪奇异值系数和真实信号奇异值系数,Σ<sub>W</sub>表示加性噪声;采用线性最小均方误差准则对真实信号的奇异值系数进行估计:<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><msub><mover><mi>Σ</mi><mo>^</mo></mover><mi>X</mi></msub><mo>=</mo><mi>E</mi><mo>[</mo><msub><mi>Σ</mi><mi>X</mi></msub><mo>]</mo><mo>+</mo><mi>C</mi><mi>o</mi><mi>v</mi><mrow><mo>(</mo><msub><mi>Σ</mi><mi>X</mi></msub><mo>,</mo><msub><mi>Σ</mi><mi>Y</mi></msub><mo>)</mo></mrow><mi>C</mi><mi>o</mi><mi>v</mi><msup><mrow><mo>(</mo><msub><mi>Σ</mi><mi>Y</mi></msub><mo>)</mo></mrow><mrow><mo>-</mo><mn>1</mn></mrow></msup><mrow><mo>(</mo><msub><mi>Σ</mi><mi>Y</mi></msub><mo>-</mo><mi>E</mi><mo>[</mo><msub><mi>Σ</mi><mi>Y</mi></msub><mo>]</mo><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000733865390000013.GIF" wi="1100" he="96" /></maths>其中E[·]表示期望,Cov(Σ<sub>Y</sub>)表示Σ<sub>Y</sub>的协方差矩阵,Cov(Σ<sub>X</sub>,Σ<sub>Y</sub>)表示Σ<sub>X</sub>与Σ<sub>Y</sub>的互协方差矩阵;将估计系数<img file="FDA0000733865390000014.GIF" wi="76" he="84" />重构得到初始降噪图像块,在初始降噪的基础上重新对含噪图像块聚类与降噪,并将降噪后图像块重构得到最终图像。 |