基于雙特征聚類同質(zhì)像素選擇的極化SAR非局部降噪方法技術(shù)

本發(fā)明專利技術(shù)公開了一種基于雙特征聚類同質(zhì)像素選擇的極化SAR非局部降噪方法，首先使用基于塊的統(tǒng)計(jì)距離的mean?shift聚類選擇結(jié)構(gòu)特征相似的像素，并且使用基于Freeman?Durden散射模型的Wishart無(wú)監(jiān)督分類器選擇散射機(jī)制相似的像素。同質(zhì)像素集合由同時(shí)含有相似結(jié)構(gòu)特征和散射機(jī)制的像素構(gòu)成；根據(jù)相似像素集合并結(jié)合原始極化SAR數(shù)據(jù)計(jì)算非局部權(quán)值加權(quán)求和實(shí)現(xiàn)極化SAR非局部均值濾波。本發(fā)明專利技術(shù)在有效抑制相干斑噪聲的同時(shí)能進(jìn)一步保持圖像結(jié)構(gòu)信息和極化散射信息，可用于極化SAR圖像濾波處理。

Non local noise reduction method for polarimetric SAR based on dual feature clustering and homogeneous pixel selection

The invention discloses a non local denoising method of polarimetric SAR double feature clustering based on the selection of homogeneous pixels, first use pixel mean shift clustering statistical distance block selection based on similar structure features, and using the unsupervised classifier selection mechanism based on Freeman scattering pixel similarity Durden scattering model Wishart. Homogeneous pixel set pixel structure characteristics and scattering mechanism by simultaneously with similar composition; according to the similar pixel set and calculate the weighted sum of non local implementation of polarization SAR non local mean filter based on original polarimetric SAR data. The invention can further preserve the image structure information and polarization scattering information while effectively suppressing speckle noise, and can be used for polarization SAR image filtering processing.

【技術(shù)實(shí)現(xiàn)步驟摘要】
基于雙特征聚類同質(zhì)像素選擇的極化SAR非局部降噪方法
本專利技術(shù)涉及圖像濾波算法領(lǐng)域，具體是一種基于雙特征聚類同質(zhì)像素選擇的極化SAR非局部降噪方法。
技術(shù)介紹
相干斑是極化電磁波和物理散射體之間內(nèi)在的相互作用。這種相互影響引起了像素與像素之間的變化，表現(xiàn)為強(qiáng)度值上的斑點(diǎn)噪聲。因此，相干斑抑制對(duì)于極化SAR數(shù)據(jù)的圖像分割和特征分類尤其重要。過(guò)去幾十年科研人員提出了多種濾波算法。簡(jiǎn)單常用的boxcar濾波器因?yàn)樵诖翱趦?nèi)不加區(qū)分的平均而效果不佳。極化白化濾波器只適用于單視極化SAR散射矩陣。Liu等人將其發(fā)展適合多視數(shù)據(jù)。Lee等人使用邊界對(duì)齊窗和最小均方誤差準(zhǔn)則進(jìn)一步減少了相干斑。強(qiáng)度驅(qū)動(dòng)的自適應(yīng)鄰域?yàn)V波通過(guò)閾值來(lái)選擇同質(zhì)像素?；谏⑸淠Ｐ偷臑V波根據(jù)相同的散射機(jī)制來(lái)選擇同質(zhì)像素。然而，這些濾波器都忽視了把結(jié)構(gòu)特征和散射機(jī)制結(jié)合起來(lái)提高同質(zhì)像素選擇的準(zhǔn)確性。近年來(lái)，非局部均值濾波成為研究熱點(diǎn)。像素之間的相似性度量準(zhǔn)則已由原來(lái)的像素本身擴(kuò)展為像素塊鄰域。因此，可使用定義在圖像塊上的統(tǒng)計(jì)特性來(lái)選擇同質(zhì)像素。Deledalle等人基于塊的統(tǒng)計(jì)距離使塊的相似性度量適用于極化SAR數(shù)據(jù)并且提出了統(tǒng)一的非局部濾波框架。Chen等人和Torres等人分別使用Wishart分布和stochastic散度來(lái)選擇同質(zhì)像素。Liu和Zhong在相似性度量時(shí)將無(wú)噪信號(hào)和相干斑噪聲信號(hào)區(qū)分開。Zhong等人基于分布式RefinedLee濾波器和非局部均值濾波器將局部統(tǒng)計(jì)特性和非局部統(tǒng)計(jì)特性結(jié)合在一起。然而，這些算法都有一個(gè)共同的問(wèn)題，那就是同質(zhì)像素的選擇都是基于有監(jiān)督的塊匹配方法，該方法難以確定合適的相似性閾值。再者，對(duì)于結(jié)構(gòu)特征和散射機(jī)制保持，只使用統(tǒng)計(jì)相似性也是有缺陷的。本文解決的是如何以無(wú)監(jiān)督的方式來(lái)選擇結(jié)構(gòu)和散射相似的同質(zhì)像素。聚類以無(wú)監(jiān)督的方式比較像素與不同聚類中心的接近程度來(lái)自適應(yīng)確定相似性，而不需要預(yù)先定義閾值。因此，就同質(zhì)像素選擇而言，聚類相比塊匹配展現(xiàn)出了更好的結(jié)果。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的目的是提供一種基于雙特征聚類同質(zhì)像素選擇的極化SAR非局部降噪方法，以提高同質(zhì)像素選擇的準(zhǔn)確性，解決現(xiàn)有技術(shù)極化SAR圖像結(jié)構(gòu)信息、散射信息保持不足的問(wèn)題。為了達(dá)到上述目的，本專利技術(shù)所采用的技術(shù)方案為：基于雙特征聚類同質(zhì)像素選擇的極化SAR非局部降噪方法，其特征在于：包括以下步驟：(1)、對(duì)每個(gè)像素點(diǎn)選擇同質(zhì)像素，具體步驟如下：1a)、計(jì)算極化SAR協(xié)方差矩陣數(shù)據(jù)的Span圖；1b)、對(duì)包含d維空間的第i個(gè)圖像塊向量，在Span圖上計(jì)算含有塊的統(tǒng)計(jì)距離(PPB)的meanshift向量Mh,g(xi):式中：P(x)＝cp,dp(||x||2)，g(x)＝-p′(x)，xi,k是第i個(gè)圖像塊矢量xi的第k個(gè)數(shù)據(jù)，xj,k是第j個(gè)圖像塊矢量xj的第k個(gè)數(shù)據(jù)，p(||x||2)是高斯核函數(shù)，cp,d是歸一化常數(shù)，h是帶寬；1c)、在核函數(shù)窗口依次計(jì)算所有特征空間數(shù)據(jù)點(diǎn)的meanshift向量，沿meanshift梯度方向移動(dòng)到新位置，然后將這個(gè)點(diǎn)作為一個(gè)新點(diǎn)，繼續(xù)計(jì)算meanshift向量并移動(dòng)，如果mh,g(xi)<δ，則停止聚類，mh,g(xi)就是該點(diǎn)處的模點(diǎn)；否則xi＝mh,g(xi)且迭代計(jì)算Mh,g(xi)；1d)、每個(gè)極化SAR協(xié)方差矩陣進(jìn)行Freeman-Durden分解：FS＝eS(1+|β|2)，F(xiàn)D＝eD(1+|α|2)，F(xiàn)V＝eV，式中eS,eD,eV分別代表各自散射類別的貢獻(xiàn)；β、α是參數(shù)。1e)、使用Wishart無(wú)監(jiān)督分類器對(duì)每個(gè)類別迭代合并成5個(gè)聚類：式中Ci和Cj分別表示各自聚類的平均協(xié)方差矩陣；類中心協(xié)方差矩陣Cc和像素點(diǎn)矩陣Cp之間的Wishart距離為1f)、在搜索鄰域內(nèi)選擇同時(shí)含有相似結(jié)構(gòu)特征和散射機(jī)制的像素構(gòu)成同質(zhì)像素集合；(2)、根據(jù)同質(zhì)像素進(jìn)行估計(jì)，具體步驟如下：2a)、根據(jù)第一步選擇出的同質(zhì)像素，計(jì)算原始極化SAR數(shù)據(jù)的權(quán)值w(i,j)：其中：式中H(k)是兩個(gè)像素點(diǎn)的p×p協(xié)方差矩陣的相似性度量，S(i,j)是以像素點(diǎn)i，j為中心的圖像塊的協(xié)方差矩陣相似性度量；σ和Z分別是濾波參數(shù)和歸一化因子，Q(i,k)意味著以i為中心的塊的第k個(gè)像素的協(xié)方差矩陣，Q(j,k)同上，N是圖像塊的大??；2b)、根據(jù)步驟2a)得到的權(quán)值w(i,j)，對(duì)同質(zhì)像素加權(quán)求和，得到中心像素的濾波估計(jì)值與已有技術(shù)相比，本專利技術(shù)的有益效果體現(xiàn)在：1)本專利技術(shù)推導(dǎo)出了基于Span圖上PPB距離的meanshift聚類來(lái)選擇結(jié)構(gòu)特征相似像素并且通過(guò)基于散射模型的Wishart無(wú)監(jiān)督分類器來(lái)自適應(yīng)地將相似散射機(jī)制像素聚集在一起，解決散射機(jī)制保持不足的缺陷?？朔嗽袎K匹配方法閾值選擇帶來(lái)的缺陷。2)本專利技術(shù)將結(jié)構(gòu)特征和散射機(jī)制結(jié)合在一起共同選擇同質(zhì)像素參與濾波，能夠有效抑制相干斑，沒(méi)有出現(xiàn)人造假目標(biāo)和模糊效應(yīng)，且有效保持了邊緣、點(diǎn)目標(biāo)和散射機(jī)制。附圖說(shuō)明圖1是本專利技術(shù)的基于雙特征聚類同質(zhì)像素選擇的極化SAR非局部降噪方法流程圖。圖2是RefinedLee極化SAR濾波算法的結(jié)果圖。圖3是本專利技術(shù)中基于雙特征聚類同質(zhì)像素選擇的極化SAR非局部降噪方法結(jié)果圖。具體實(shí)施方式基于雙特征聚類同質(zhì)像素選擇的極化SAR非局部降噪方法，包括以下步驟：(1)、對(duì)每個(gè)像素點(diǎn)選擇同質(zhì)像素，具體步驟如下：1a)、計(jì)算極化SAR協(xié)方差矩陣數(shù)據(jù)的Span圖；1b)、對(duì)包含d維空間的第i個(gè)圖像塊向量，在Span圖上計(jì)算含有塊的統(tǒng)計(jì)距離(PPB)的meanshift向量Mh,g(xi):式中：P(x)＝cp,dp(||x||2)，g(x)＝-p′(x)，xi,k是第i個(gè)圖像塊矢量xi的第k個(gè)數(shù)據(jù)，xj,k是第j個(gè)圖像塊矢量xj的第k個(gè)數(shù)據(jù)，p(||x||2)是高斯核函數(shù)，cp,d是歸一化常數(shù)，h是帶寬；1c)、在核函數(shù)窗口依次計(jì)算所有特征空間數(shù)據(jù)點(diǎn)的meanshift向量，沿meanshift梯度方向移動(dòng)到新位置，然后將這個(gè)點(diǎn)作為一個(gè)新點(diǎn)，繼續(xù)計(jì)算meanshift向量并移動(dòng)，如果mh,g(xi)<δ，則停止聚類，mh,g(xi)就是該點(diǎn)處的模點(diǎn)；否則xi＝mh,g(xi)且迭代計(jì)算Mh,g(xi)；1d)、每個(gè)極化SAR協(xié)方差矩陣進(jìn)行Freeman-Durden分解：FS＝eS(1+|β|2)，F(xiàn)D＝eD(1+|α|2)，F(xiàn)V＝eV，式中eS,eD,eV分別代表各自散射類別的貢獻(xiàn)；β、α是參數(shù)。1e)、使用Wishart無(wú)監(jiān)督分類器對(duì)每個(gè)類別迭代合并成5個(gè)聚類：式中Ci和Cj分別表示各自聚類的平均協(xié)方差矩陣；類中心協(xié)方差矩陣Cc和像素點(diǎn)矩陣Cp之間的Wishart距離為1f)、在搜索鄰域內(nèi)選擇同時(shí)含有相似結(jié)構(gòu)特征和散射機(jī)制的像素構(gòu)成同質(zhì)像素集合；(2)、根據(jù)同質(zhì)像素進(jìn)行估計(jì)，具體步驟如下：2a)、根據(jù)第一步選擇出的同質(zhì)像素，計(jì)算原始極化SAR數(shù)據(jù)的權(quán)值w(i,j)：其中：式中H(k)是兩個(gè)像素點(diǎn)的p×p協(xié)方差矩陣的相似性度量，S(i,j)是以像素點(diǎn)i，j為中心的圖像塊的協(xié)方差矩陣相似性度量；σ和Z分別是濾波參數(shù)和歸一化因子，Q(i,k)意味著以i為中心的塊的第k個(gè)像素的協(xié)方差矩陣，Q(j,k)同上，N是圖像塊的大??；2b)、根據(jù)步驟2a)本文檔來(lái)自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
基于雙特征聚類同質(zhì)像素選擇的極化SAR非局部降噪方法，其特征在于：包括以下步驟：(1)、對(duì)每個(gè)像素點(diǎn)選擇同質(zhì)像素，具體步驟如下：1a)、計(jì)算極化SAR協(xié)方差矩陣數(shù)據(jù)的Span圖；1b)、對(duì)包含d維空間的第i個(gè)圖像塊向量，在Span圖上計(jì)算含有塊的統(tǒng)計(jì)距離(PPB)的mean?shift向量M

【技術(shù)特征摘要】
1.基于雙特征聚類同質(zhì)像素選擇的極化SAR非局部降噪方法，其特征在于：包括以下步驟：(1)、對(duì)每個(gè)像素點(diǎn)選擇同質(zhì)像素，具體步驟如下：1a)、計(jì)算極化SAR協(xié)方差矩陣數(shù)據(jù)的Span圖；1b)、對(duì)包含d維空間的第i個(gè)圖像塊向量，在Span圖上計(jì)算含有塊的統(tǒng)計(jì)距離(PPB)的meanshift向量Mh,g(xi):式中：P(x)＝cp,dp(||x||2)，g(x)＝-p′(x)，xi,k是第i個(gè)圖像塊矢量xi的第k個(gè)數(shù)據(jù)，xj,k是第j個(gè)圖像塊矢量xj的第k個(gè)數(shù)據(jù)，p(||x||2)是高斯核函數(shù)，cp,d是歸一化常數(shù)，h是帶寬；1c)、在核函數(shù)窗口依次計(jì)算所有特征空間數(shù)據(jù)點(diǎn)的meanshift向量，沿meanshift梯度方向移動(dòng)到新位置，然后將這個(gè)點(diǎn)作為一個(gè)新點(diǎn)，繼續(xù)計(jì)算meanshift向量并移動(dòng)，如果mh,g(xi)<δ，則停止聚類，mh,g(xi)就是該點(diǎn)處的模點(diǎn)；否則xi＝mh,g(xi)且迭代計(jì)算Mh,g(xi)；1d)、每個(gè)極化SAR協(xié)方差矩陣進(jìn)行Freeman-Durden分解：FS＝eS(1+|β|2)，F(xiàn)D＝eD(1+|α2)，F(xiàn)V＝...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：周芳，劉留，楊學(xué)志，許開煒，
申請(qǐng)(專利權(quán))人：合肥工業(yè)大學(xué)，
類型：發(fā)明
國(guó)別省市：安徽,34