基于形状自适应非局部均值的极化SAR数据相干斑抑制方法

摘要

本发明公开了基于形状自适应非局部均值的极化SAR数据相干斑抑制方法，主要解决现有极化SAR相干斑抑制技术不能很好的滤除同质区域的相干斑噪声和不能有效保持边缘细节信息以及完整的保持极化信息的缺点。其实现过程为：(1)输入极化SAR数据的协方差矩阵C；(2)对协方差矩阵C进行亮目标保持；(3)对协方差矩阵C的非亮目标元素进行形状自适应的非局部均值滤波；(4)对不同形状块估计的结果进行加权平均；(5)通过Sinclair向量方法将去斑后的协方差矩阵C生成伪彩图，以显示观察滤波的效果。本发明与现有技术相比显著提高了极化SAR数据的相干斑抑制的能力，能够有效的平滑同质区域和保持边缘细节信息，可用于极化SAR数据的预处理过程。

主权项

1.一种基于形状自适应非局部均值的极化SAR数据相干斑抑制方法，包括如下步骤：(1)将一组极化SAR数据表示为含有9个元素的3×3协方差矩阵C，并使用协方差矩阵C的第一行第一列元素C11和第三行第三列元素C33对协方差矩阵C进行亮目标检测和保留：1a)将协方差矩阵C表示为：$\left[C\right]=\left[\begin{array}{ccc}{\left|S_{\mathrm{hh}}\right|}^2& \sqrt{2}{S}_{\mathrm{hh}}{S}_{\mathrm{hv}}^{*}& S_{\mathrm{hh}}{S}_{\mathrm{vv}}^{*}\\ \sqrt{2}{S}_{\mathrm{hv}}{S}_{\mathrm{hh}}^{*}& 2{\left|S_{\mathrm{hv}}\right|}^2& \sqrt{2}{S}_{\mathrm{hv}}{S}_{\mathrm{vv}}^{*}\\ S_{\mathrm{vv}}{S}_{\mathrm{hh}}^{*}& \sqrt{2}{S}_{\mathrm{vv}}{S}_{\mathrm{hv}}^{*}& {\left|S_{\mathrm{vv}}\right|}^2\end{array}\right]$其中,表示S_vv的复共轭转置，S_hh表示h向发射和h向接收的回波数据，S_vv表示v向发射和v向接收的回波数据，S_hv表示h向发射v向接收的回波数据，h表示水平方向，v表示垂直方向，C11＝|S_hh|²，C33＝|S_vv|²；1b)将协方差矩阵C中的第一行第一列元素C11的所有像素从小到大排列，取出第t个像素，得到该像素值q，N为C11像素总数；1c)使用3×3滑窗对协方差矩阵C中的第一行第一列元素C11的逐个像素进行扫描，当滑窗中9个像素中大于q的个数超过Tc时将此3×3区域视为亮目标区域，Tc取5或6；1d)对协方差矩阵C中的第三行第三列元素C33做与上述步骤2b)-2c)相同的处理，得到协方差矩阵C中的第三行第三列元素C33的亮目标区域；1e)将所述C11和C33得到的亮目标区域的位置一起作为整个极化SAR数据协方差矩阵C的亮目标，并保留这些亮目标不被滤除；(2)对协方差矩阵C的非亮目标像素进行如下形状自适应的非局部均值滤波：2a)取协方差矩阵C一个非亮目标待估计像素x,以像素x为中心扩展出7×7的待估计相似块z(x)和21×21的搜索窗Ω，在搜索窗Ω内取一个像素y，以像素y为中心扩展出7×7的相似块z(y)，取协方差矩阵C的第一行第一列元素C11、第二行第二列元素C22和第三行第三列元素C33获得span数据，span＝C11+C22+C33；2b)计算待估计相似块z(x)与相似块z(y)之间的相似度$d_{S^k}^2(x,y)=\underset{m=1}{\overset{M}{\Sigma }}{S}_m^k(\frac{z_m^{\prime }\left(x\right)}{z_m^{\prime }\left(y\right)}+\ln z_m^{\prime }\left(y\right))$其中，和分别为z′(x)和z′(y)的第m个像素，为形状掩膜S^k的第m个掩码，其中，m=1,2,…，M，M为相似块像素总数，取值为49，S^k为7×7大小的第k类形状掩膜，k=1,2,…,H，H为形状掩膜的种类数，取值为8，z′(x)和z′(y)分别为待估计相似块z(x)和相似块z(y)的坐标位置在所述span数据的对应相似块；2c)利用相似度计算所述z(x)与z(y)之间的滤波权重${\omega }_{S^k}(x,y)=e^{(-\frac{d_{S^k}^2(x,y)}{h^2})}$其中，h为滤波参数，取值为2倍的噪声标准差；2d)用搜索窗Ω内每个像素对应的7×7区域对z(x)进行加权滤波，得到为z(x)在形状掩膜S^k上的滤波结果${\hat{z}}_k\left(x\right)=\frac{1}{C\left(x\right)}\underset{y\in \Omega }{\Sigma }{\omega }_{S^k}(x,y)z\left(y\right)$其中，为归一化函数，为所述z(x)与z(y)之间在形状掩膜S^k上的滤波权重；2e)对H个不同形状掩膜下的滤波结果进行加权平均，得到为z(x)在不同形状掩膜下的最终滤波结果${\hat{z}}_{\mathrm{UWA}}\left(x\right)=\frac{1}{H}\underset{k=1}{\overset{H}{\Sigma }}{\hat{z}}_k\left(x\right)$其中，H为形状掩膜种类个数，取值8；2f)对协方差矩阵C的每个元素的所有像素进行上述步骤2a)-2e)的处理，得到滤波后的协方差矩阵C；(3)用Sinclair向量法将滤波后的协方差矩阵C合成伪彩图，以观察显示对极化SAR数据相干斑抑制的效果：3a)对滤波后的协方差矩阵C的第三行第三列元素C33进行开平方处理:并将该|S_vv|作为待合成伪彩图的红色分量R；3b)对滤波后的协方差矩阵C的第二行第二列元素C22进行开平方处理:并将该作为待合成伪彩图的绿色分量G；3c)对滤波后的协方差矩阵C的第一行第一列元素C11进行开平方处理:并将该|S_hh|作为待合成伪彩图的蓝色分量B；3d)根据RGB三基色原理，用所述R、G、B三个颜色分量合成相干斑滤波后的伪彩图。