基于字典学习融合的SAR图像降噪处理方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN105894476A(43)申请公布日2016.08.24(21)申请号201610251570.7(22)申请日2016.04.21(71)申请人重庆大学地址400044重庆市沙坪坝区沙正街174号(72)发明人张新征汪勇常云鹤吴奇政(74)专利代理机构重庆博凯知识产权代理有限公司50212代理人黄河(51)Int.Cl.G06T5/00(2006.01)权利要求书2页说明书9页附图4页(54)发明名称基于字典学习融合的SAR图像降噪处理方法(57)摘要本发明提供了一种基于字典学习融合的SAR图像降噪处理方法，其通过联合非下采样轮廓波字典学习和K-SVD字典学习，利用平移不变的非下采样轮廓波变换滤波克服了轮廓波变换不能平移不变的缺陷，消除了去噪的划痕效应；同时，利用自适应的K-SVD字典学习算法进行去噪，根据图像的特征不断更新字典原子，不仅能很好地抑制图像噪声，还能够对边缘和纹理等重要的SAR图像信息较好地保留；并且进一步的通过对两种降噪效果加以融合，融合后的图像大大地提高了图像的信噪比，图像的等效视数也有一定的提高，而且边缘和纹理信息也很好地保留下来，没有出现划痕、图像对比度变暗等负面影响，使得SAR图像降噪处理的综合质量得以明显提升。CN105894476ACN105894476A权利要求书1/2页1.基于字典学习融合的SAR图像降噪处理方法，其特征在于，包括如下步骤：1)获取观测场景的SAR图像；2)对观测场景的SAR图像分别进行非下采样轮廓波变换降噪处理和K-SVD字典学习降噪处理，得到SAR图像的轮廓波变换降噪图像和K-SVD降噪图像；3)采用预设定的融合准则，对SAR图像的轮廓波变换降噪图像和K-SVD降噪图像进行图像融合处理，得到融合图像，作为SAR图像的降噪处理结果。2.根据权利要求1所述基于字典学习融合的SAR图像降噪处理方法，其特征在于，所述步骤2)中，对观测场景的SAR图像进行非下采样轮廓波变换降噪处理的具体流程为：2a1)对SAR图像进行L层的非下采样轮廓波变换，得到低频子带Al(m,n)和不同尺度上的-l高频子带{Cl,i(m,n)，0≤l≤L-1，1≤i≤Il}，Il表示尺度2上的高频子带数量，Al(m,n)表示-lSAR图像在尺度2上处于第m列第n行像素位置的低频子带，Cl,i(m,n)表示SAR图像在尺度2-l上的第i个高频子带上处于第m列第n行像素位置的高频子带系数，L取值为3～5；2a2)估算各高频子带系数的噪声方差取阈值Th的初始值为k在1～5之间取值；2a3)在当前阈值Th取值下采用阈值分割法将各高频子带系数Cl,i(m,n)区分为信号系数和噪声系数；区分方式如下：计算以高频子带系数Cl,i(m,n)对应的像素位置为中心的r×r像素区域内各个像素位置的高频子带系数的均值mean[Cl,i(m,n)]，r为奇数，且r在3～9之间取值，若mean[Cl,i(m,n)]≥Th则判定高频子带系数Cl,i(m,n)属于信号系数，若mean[Cl,i(m,n)]＜Th则判定高频子带系数Cl,i(m,n)属于噪声系数；由此将各尺度上的各个高频子带系数进行区分；2a4)计算出当前阈值Th取值下高频子带系数属于信号系数的阈值概率P(H1)以及信号系数的方差2a5)根据所述信号系数的方差和噪声方差σn，对当前阈值Th取值下的信号系数和噪声系数分别采用高斯分布模型建模，得到信号系数的高斯分布模型和噪声系数的高斯分布模型，求出信号系数在其高斯分布模型中的均值和方差，并根据所述信号系数的均值和方差，计算出噪声系数属于信号系数的含噪概率P(H1|y)；2a6)比较当前阈值Th取值下的阈值概率P(H1)和含噪概率P(H1|y)的值；若|P(H1)-P(H1|y)|小于或等于预设定的概率误差阈值ε，则执行步骤2a7)；否则，根据含噪概率P(H1|y)的值和信号系数的高斯分布模型重新计算得到对应的阈值，作为阈值Th的新的取值，返回步骤2a3)；2a7)循环执行步骤2a3)～2a6)，根据最后确定的阈值Th的取值，在相应阈值Th取值下采用阈值分割法区分得到的各尺度上的各个高频子带系数中属于噪声系数的值置为零，从而得到不同尺度上经过噪声抑制后的高频子带Il表示尺度2-l上的高频子带数量，表示SAR图像在尺度2-l上的第i个高频子带上处于第m列第n行像素位置的经过噪声抑制后的高频子带系数；2a8)对低频子带Al(m,n)和不同尺度上经过噪声抑制后的高频子带0≤l≤L-1，1≤i≤Il}进行非下采样轮廓波逆变换，重构得到SAR图像的轮廓波变换降噪图像。3.根据权利要求1所述基于字典学习融合的SAR图像降噪处理方法，其特征在于，所述2CN1058944