一种SAR图像自适应去噪和特征增强方法

摘要

本发明公开了一种SAR图像自适应去噪和特征增强方法，主要为了克服现有方法抗噪性差以及对实验中参数不能自适应选取的不足。其步骤为：对原SAR图像先进行对数运算再进行ME-curvelet变换；然后，采用改进的PSO算法参照提出的评价准则对改进的增益函数中的参数进行自适应选择和优化；最后，采用改进的增益函数对ME-curvelet系数进行非线性变换，并进行ME-curvelet逆变换和指数变换，得到最终的去噪和特征增强后的SAR图像。采用本发明方法能够在增强特征的同时去除噪声，并降低处理的复杂度，取得较好的SAR图像去噪和特征增强效果。

主权项

1.一种SAR图像自适应去噪和特征增强方法，其特征在于步骤如下：步骤1：对输入的SAR图像灰度值矩阵进行对数运算，得到SAR图像灰度值矩阵的对数矩阵；步骤2：对SAR图像灰度值矩阵的对数矩阵进行ME-curvelet正变换，得到不同分解尺度下不同方向的ME-curvelet系数矩阵；步骤3：利用改进的PSO算法对改进的增益函数中的各个待优化参数进行优化，得到改进的增益函数中的各个待优化参数的最优值，并利用各个待优化参数取最优值的改进的增益函数对步骤2得到的ME-curvelet系数矩阵分别进行非线性变换，得到非线性变换后的不同分解尺度下不同方向的ME-curvelet系数矩阵；步骤4：对步骤3得到的ME-curvelet系数矩阵进行ME-curvelet逆变换，得到ME-curvelet逆变换结果矩阵；步骤5：对步骤4得到的ME-curvelet逆变换结果矩阵进行指数运算，得到最终去噪和特征增强后的SAR图像灰度值矩阵；所述的改进的增益函数为：$y=\left\{\begin{array}{cc}0& x<T_1\\ \frac{x-T_1}{T_1}{\left(\frac{T_3}{T_2}\right)}^p+\frac{T_2-x}{T_1}& T_1\le x<T_2\\ {\left(\frac{T_3}{x}\right)}^p& T_2\le x<T_3\\ {\left(\frac{T_3}{x}\right)}^s& x\ge T_3\end{array}\right.$其中，x为输入，y为输出；p和s为待优化的参数，分别满足p∈(0，1]，s∈(0，1]；T₁、T₂、T₃的计算公式分别为：$T_1=\left\{\begin{array}{cc}{s}_1{\mathrm{\sigma \sigma }}_x& j=1\\ s_2{\mathrm{\sigma \sigma }}_x& j>1\end{array}\right.$T₂＝s₃T₁T₃＝s₄T₂其中，j为分解尺度，σ为按σ＝median(|S_HH|)/0.6745计算得到的SAR图像灰度值矩阵的对数矩阵的噪声标准差，median(·)表示取中值，|·|表示取模，S_HH是对SAR图像灰度值矩阵的对数矩阵进行一尺度小波分解得到的对角方向高频子带小波系数矩阵；σ_x为输入x的二范数；s₁、s₂、s₃、s₄为待优化的参数，分别满足s₁∈[3，7]，s₂∈[3，7]，s₃∈[2，3]，s₄∈(1，4]；所述的利用改进的PSO算法对改进的增益函数中的各个待优化参数进行优化的具体步骤为：步骤(1)：设定搜索空间维数为待优化参数的个数，设定粒子种群大小，并取任意位置和速度为粒子的位置和速度，产生一个初始粒子种群；所述的粒子种群大小取值为[20，40]；步骤(2)：按计算粒子的适应度值；所述的粒子的适应度值包括粒子当前位置的适应度值、个体极值的适应度值和全局极值的适应度值；其中，I表示此次迭代去噪和增强后的SAR图像灰度值矩阵，M为I的行数，N为I的列数；H(I)为I的熵；η(I)为I中的边缘数目；ln(·)表示取自然对数；所述的此次迭代去噪和增强后的SAR图像灰度值矩阵I包括对应于粒子当前位置、个体极值和全局极值的此次迭代去噪和特征增强后的SAR图像灰度值矩阵，计算过程为：令改进的增益函数中各个待优化的参数取值为此次迭代时粒子的当前位置/个体极值/全局极值，并利用改进的增益函数对步骤2得到的不同分解尺度下不同方向的ME-curvelet系数矩阵进行非线性变换，再对非线性变换后的ME-curvelet系数矩阵进行ME-curvelet逆变换并取指数，得到对应于粒子的当前位置/个体极值/全局极值的此次迭代去噪和特征增强后的SAR图像灰度值矩阵I；步骤(3)：如果粒子当前位置的适应度值大于其个体极值的适应度值，则用粒子当前的位置替换其个体极值；步骤(4)：如果粒子当前位置的适应度值大于全局极值的适应度值，则用粒子当前的位置替换全局极值；步骤(5)：对全局极值的每个分量按p′_gk＝p_gk×(1+N_k(0，1))进行随机扰动，如果扰动后的全局极值的适应度值大于原全局极值的适应度值，则用扰动后的全局极值替换原全局极值；否则，保持原全局极值不变；其中，p_gk表示原全局极值P_g的第k个分量，p′_gk表示扰动后的全局极值P′_g的第k个分量，N_k(0，1)表示对p_gk进行随机扰动时产生的一个满足均值为0且方差为1的高斯分布的随机数；k＝1，2，…，D，D为搜索空间维数；步骤(6)：按R_t＝t/MaxGen计算值R_t，并产生一个[0，1]之间均匀分布的随机数r，如果r＞R_t，则在种群中随机选择一个除粒子自身和最佳粒子之外的一个粒子，并用随机选择的这个粒子的个体极值替换全局极值，否则，保持全局极值不变；其中，t为当前迭代次数；MaxGen为最大迭代次数，取值范围为[10，100]；步骤(7)：按粒子速度更新公式对粒子的速度进行更新；其中，V表示粒子的速度，X表示粒子的位置，P_i为第i个粒子的个体极值，P_g为全局极值；w是惯性权重，取值范围为[0，2]，θ₁和θ₂是学习因子，取值范围均为[0，4]，r₁和r₂是[0，1]之间均匀分布的随机数；i＝1，2，…，S，S为粒子种群大小；步骤(8)：按粒子位置更新公式对粒子的位置进行更新；步骤(9)：重复步骤(2)至步骤(8)直至达到最大迭代次数MaxGen，迭代终止，此时得到的全局极值为各待优化参数的最优值；在步骤(2)中所述的边缘数目η(I)的计算方法为：步骤(a)：按Edge(I)＝2max{|I(m，n)-I(m-1，n)|，|I(m，n)-I(m，n-1)|}检测I的边缘，得到边缘图像Edge(I)；其中，m和n表示I中像素所在的行和列的位置；步骤(b)：将边缘图像Edge(I)进行阈值化处理：将边缘图像Edge(I)中灰度值大于阈值的像素置为1，反之，置为0，得到阈值化处理后的二值图像；所述的阈值按(1+δ)σ计算，其中，δ为大于0的常数；步骤(c)：统计阈值化处理后的二值图像中的值为1的像素的个数作为I中的边缘数目η(I)。