合成孔径雷达(SAR)去噪ppt课件.ppt

《合成孔径雷达(SAR)去噪ppt课件.ppt》由会员分享，可在线阅读，更多相关《合成孔径雷达(SAR)去噪ppt课件.ppt（37页珍藏版）》请在三一办公上搜索。

1、合成孔径雷达（SAR）去噪,作者：GZ,合成孔径雷达,合成孔径雷达就是利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理的方法合成一较大的等效天线孔径的雷达，也称综合孔径雷达。合成孔径雷达的特点是分辨率高，能全天候工作，能有效地识别伪装和穿透掩盖物。所得到的高方位分辨力相当于一个大孔径天线所能提供的方位分辨力。,平台动，场景静止,用大带宽提高距离分辨率,用Doppler提高方位分辨率,SAR特点,小波去噪,干涉SAR 图像中既存在加性噪声, 也存在乘性噪声, 乘性噪声主要是指相干斑噪声。经典的降噪方法是基于加性噪声模型, 构造合适的滤波算法, 在保持干涉条纹的前提下, 尽可能地降低噪声

2、干扰, 为相位展开奠定基础。干涉SAR 图像与普通光学图像不同, 主要有以下几个特点:( 1) SAR 图像是复数图像, 不是普通的强度实数图像, 它包含幅度和相位双重信息, 而提取高度信息主要依靠相位。降噪是基于复数的降噪, 而非实数降噪。,SAR图像特征,小波去噪,SAR图像特征,(2) 复数的相位具有周期性, 以 为周期, 所有数据的相位都缠绕在相位主值范围内, 即 之间。相位叠加不能简单地相加, 而应根据实际情况加减 后, 才可叠加。(3) SAR 图像中存在着较强的相干斑( speckle)噪声。由于雷达记录的信号是不同散射点回波矢量叠加的结果, 散射点的回波相位是随机分布的, 造成

3、了相干斑点, 这是相干成像固有的系统噪声。,小波去噪,SAR 是微波相干成像，当SAR 成像系统的分辨单元比地面目标的空间细节小， 图像中的像素的退化相互独立时，斑点噪声可以被建模成乘性噪声，即SAR图像的图像强度可描述为地面物体实际的后向散射信号和与之不相关的噪声的乘积。SAR 图像强度可表示为如下乘性模型：,SAR图像斑点噪声模型,其中 是分辨单元的图像空间坐标，表示一个分辨单元； 表示位置 的观测强度； 表示地面目标的后向散射强度； 表示斑点噪声，与 相互独立，服从均值为1 的负指数分布。,小波去噪,SAR图像去噪的基本方法,基于偏微分方程的方法基于小波分析的方法基于统计的图像复原方法,

4、小波去噪,小波变换,小波变换数据分布有下述基本特征： 奇异性：数据对信号的奇异性位置（跳变位置）十分敏感。 稀疏性：大部分位置的小波系数近似为零。 树结构性：不同尺度的数据相互是关联的。这些性质十分有助于用小波描述信号的奇异性成分（如图像的边缘），有利于数据压缩（因为大多数小波系数接近与零，并且其余的小波系数有跨尺度的关联性）。,1.1、小波去噪原理,基本加性噪声模型可以表示为：其中 为含噪信号， 为真实信号， 表示噪声， 表示噪声强度。在最简单的情况下可以假设噪声为白噪声，即 为1。应用小波变换去除噪声就是要抑制 从而恢复 。,从小波变换的能量角度来看，高斯噪声的小波变换还是服从高斯分布 ，

5、 而且是均匀分布在相空间的各个部分，而信号由于本身的带限性，它的小波系数仅仅集中在相空间上的一小部分。,小波去噪,基于上述情况，可以对信号的小波系数，设置一个阈值，大于这个阈值的小波系数可认为属于第二类系数，给予保留，而小于这个阈值的小波系数， 则认为是第一类小波系数， 降低或去除这些系数。这样达到了降低噪声的目的，又可以较好地保持图像细节。,1.1、小波去噪原理,小波去噪,1.2、小波去噪步骤,这样基于小波变换的SAR 图像噪声去除方法的步骤如下：（1）对原始SAR 图像进行对数变换；（2）对（1）步结果进行小波N 层分解；（3）对分解系数进行处理，对分解得到的每一层系数，选择一个阈值进行阈

6、值量化处理；（4）对处理过的系数进行小波重建；（5）对重构结果进行指数变换，即得到滤波后的图像。在 5 个步骤中，第（3）步最为关键，选取一个适当的阈值和进行阈值量化，直接关系到噪声去除的质量。,小波去噪,1.2.1 原始图像变换,对于SAR 斑点噪声来说, 一般被认为是乘性模型:,式中, 为图像的距离向和方位向的坐标; 为平均强度; 为真实目标的强度； 为斑点噪声的强度; 其中 和 相互独立, 均值都为1, 方差分别为式中, 表示污染图像的均方差; 表示图像的视数.,小波去噪,1.2.1 原始图像变换,经典的小波滤波方法都是基于加性噪声模型的，而SAR 图像斑点噪声模型为乘性模型，所以在进行

7、小波变换之前，需要对图像先进行对数变换，使其噪声模型变为加性噪声。,常用的方法为：,其中 1的引入必将带来模型转换的误差.,考虑将传统的加 1修正为 :,由式( 5) 可以看出乘性噪声很好地被转换成加性模型。,优化：,小波去噪,1.2.1 原始图像变换,如果 的均值远远大于它的方差,就可以用随机变量的均值来近似地表示该随机变量, 考虑原图的分布方差, 有,对于单视图像 , 结合式(2)、(3)、(6)有:,于是式(5)为,小波去噪,1.2.2 进行小波分解,小波变换的多分辨率分析是将信号按由精细到粗糙的级别进行分解。一维小波变换可以通过低通和高通滤波来实现，二维小波分解可以采用类似的方法，通过

8、张量积形式建立起来。,这样一幅图像在一次小波分解后将分解为一个低频子图像LL1 和垂直、水平、对角线3个方向的高频子图像LH1、HL1、HH1, L 表示低通滤波, H 表示高通滤波。,小波去噪,由于边缘和噪声属于图像的高频信息, 而信号基本上属于低频信息, 故其LH 1、HL1、HH1 图像中包含了图像在垂直、水平、对角线方向上的边缘和噪声,而LL1 图像是原图的低频近似。,图像的多尺度分解(即对图像的多分辨率分析)就是对在上一阶得到的低频近似图像LLJ- 1进行迭代分解。,1.2.2 进行小波分解,让图像的大部分能量投影到下一级分辨率的近似图像中去，所以，需要为待处理图像选择最佳小波母函数

9、。,如何实现对信号 的小波表示？,小波去噪,1.2.2 进行小波分解,双正交小波变换：采用2个不同的小波函数 和 ，及2个不同的尺度函数 和 。,他们满足两个尺度方程：,他们满足两个小波方程：,用于分解,用于重构,小波去噪,1.2.2 进行小波分解,上述四个方程系数之间具有下述关系：,只要有 和 ，则两个尺度函数 、 能通过解式 和式 计算出来；然后再利用式 和式 可以计算小波函数 与 ；最后对任意信号 ，可以利用双正交关系来计算信号的小波分解。,小波去噪,1.2.2 进行小波分解,从应用的角度看，这里实际包含两个计算：首先是从信号 获得其小波系数,其次是从小波系数 重建信号,小波去噪,在实际

10、计算中，是让数据 分别经过滤波器 和 进行滤波，再把获得的数据序列中奇数下表的数据全部拿掉。把正交投影 分解为 和 ；,1.2.2 进行小波分解,最终得到各个 空间 内的小波系数 。这个过程如图所示。,小波去噪,1.2.2 进行小波分解,假如 生成了多尺度分析 ，相应的小波空间是 。张量积形式的多尺度分析由以下的子空间串构成：,并且有空间的直和分解：,小波去噪,1.2.2 进行小波分解,其中,小波去噪,1.2.3 小波系数 阈值处理,1) 对干涉图像进行小波变换, 得到各尺度、各方向小波系数 和最粗尺度的尺度系数 ( 一般取5) ;2) 以 时各个方向的小波系数的方差作为噪声方差的估计 (由于

11、实际数据的噪声干扰强度未知, 按函数的正则性理论, 反映信号变化部分的小波系数按尺度 增加而增加, 在 时一般较小) , 选取各方向预处理门限 ( 选择这个门限是为了使有用的信号突变信息尽可能得到保留, 同时去掉部分噪声干扰) ;,小波去噪,1.2.3 小波系数 阈值处理,3） 时个尺度小波系数中噪声方差 ，选取 各方向的预处理门限 ；,4) 根据2) , 3) 确定的门限, 对 进行预处理：,5）根据 的小波系数确定各个方面的约束支撑面 ：,小波去噪,1.2.3 小波系数 阈值处理,6）对于各方向约束支撑面 的点 ，计算相应的 指数 ：,7）根据能量控制函数,考虑噪声的小波系数模极大的密度，

12、取 使 成立的最大的 ；,小波去噪,1.2.3 小波系数 阈值处理,8）对4）得到 进行在处理，保留 对应的 不变( 时小波系数所含噪声已很少，且幅度也已降到很少)，得到新的 ，对于 做如下修改：,改进1：,经过小波分解得到的高频图像, 可根据指定的阈值对小波分解系数进行处理, 通常采用的方法有硬阈值法和软阈值法,硬阈值法可以很好保留图像边缘等局部特征,但图像会出现振铃、伪吉布斯效应等视觉失真; 而软阈值法的处理结果相对平滑, 但可能造成边缘模糊。,小波去噪,1.2.3 小波系数 阈值处理,硬阈值法：,软阈值法：,通过选择合适的阈值 ,而在硬阈值法和软阈值法之间达到很好的折中, 即:,得到三个

13、方向高频细节图像的小波系数后, 再对其进一步处理, 以区分边缘和噪声。,小波去噪,1.2.3 小波系数 阈值处理,改进2：,通过估计的噪声标准差和滤除的噪声标准差之间的差值进行迭代, 使得差值趋于某个容许值时得到最优阈值。硬门限法是去除噪声的小波系数, 保留信号的小波系数。若反过来保留噪声的小波系数得到噪声影像,可用来调节阈值使之达到最优。,其中 是斑点噪声的估计标准差, 是噪声的小波系数逆变换后得到的噪声影像的标准差, 通过迭代找到满足上式的最优阈值。,1.2.4 对处理过的系数进行小波重建；对重构结果进行指数变换，即得到滤波后的图像。,小波去噪,小波变换是一种具有较强时、频局部分析功能的非

14、平稳信号分析方法，能够高效地对一维分段连续信号进行分析。但是，在高维情况下，小波分析并不能充分利用数据本身特有的几何特征，并不是最优的或者说“最稀疏”的函数表示方法，离散小波变换只能表达二维图像长直边缘的“过边缘”信息而无法准确表达其“沿边缘”特征如方向,连续性等。由一维小波所张成的可分离小波只具有有限的方向无法最优表示含线奇异或者面奇异的高维函数。 为了克服这一局限性 多尺度几何分析应运而生其代表就是脊波变换(Ridgelet Transform)和Curvelet变换。,2.1曲波去噪原理,小波去噪,尤其对Curvelet变换而言其基的支撑区间满足各向异性尺度关系(Anisotropy S

15、cale Relation)可以很好地逼近图像中的奇异曲线所以Curvelet变换在图像的去噪对比度增强以及边缘检测等领域得到了广泛的应用。图中表示用二维可分离小波和多尺度几何分析方法对图像中奇异曲线的逼近过程。,2.1曲波去噪原理,小波去噪,由于多尺度 Ridgelet分析冗余度很大， Donoho等人提出了Curvelet变换：首先对图像进行子带分解；然后对不同尺度的子带图像采用不同大小的分块；最后对每个块进行Ridgelet分析。,2.1曲波去噪原理,小波去噪,Curvelet变换去噪算法分为如下3个步骤：(1)分解：对要处理的图像采用Curvelet变换进行图像分解。(2)系数处理：在

16、Curvelet域，对高频系数采用阈值收缩处理，低频系数不变；(3)重建：对处理过的 Curvelet系数进行 Curvelet逆变换，得到重构图像。,2.2 曲波去噪步骤,小波去噪,1）利用atrous子带滤波分解F至各子带:其中， 为代表 平滑分量的基带， 为代表其细节分量的子带。,2.2.1 曲波去噪变换,2）将子带 分解为一系列 的子块，且行,列相邻子块有 个像素的重叠。,3) 对各子块作离散 Ridgelet变换,即对其离散Radon变换系数进行一维离散小波变换。而离散Radon变换则通过对子块的二维傅立叶变换系数沿着过中心点的射线进行一维傅立叶反变换来实现。,小波去噪,2.2.2

17、阈值收缩处理,DCT算法对除去基带 外的各子带 的DCT系数。 作阈值化处理,且可分为软,硬阈值法两种。其中硬阈值化函数的定义为:,软阈值化函数的定义为:,小波去噪,2.2.3 重构,在应用小波或曲波进行去噪时，最后对处理的系数利用相应的逆变换进行重建，得到滤波后的图像。,小波去噪,由于Curvelet变换能用极少的非零系数精确表达图像边缘，从而体现出它在噪声环境下优于小波的表达图像的能力。 Curvelet变换的显著特征是多尺度和高度各向异性，非常适合于图像中边缘的表达及合成。Curvelet变换诞生的时间不长，对它的研究还远不如小波成熟。但是由于其崭新的万方数据理论面貌和独到的应用特点，已经得到了相关研究人员的高度重视，也取得了相当多的研究成果。可以预见，Curvelet在理论和应用上的研究还有很大的潜力。,2.2.4 曲波的前景,小波去噪,谢谢大家!,