[发明专利]基于奇异值分解非局部均值的极化SAR数据相干斑抑制方法

说明书

技术领域

本发明属于图像数据处理技术领域，具体地说是一种相干斑抑制方法，该方法可用于对极化SAR数据相干斑噪声的抑制。

背景技术

随着雷达技术的发展，极化SAR已成为SAR的发展趋势，极化SAR能够得到更丰富的目标信息，有利于提高目标检测，辨别和分类能力等等的特性体现了极化SAR系统的优势，但是和SAR一样，它受着相干斑噪声的严重干扰。因此，相干斑的抑制称为一个经久不衰的研究课题。对于极化SAR数据，抑斑的目的在于能够在抑制相干斑的同时且保持住数据的极化特性，边缘细节以及纹理信息。现有对极化SAR数据相干斑抑制的方法很多，其中：

1)极化白化滤波PWF是最早的一个滤波方法，该方法通过对极化SAR数据散射矩阵元素的优化组合来完成对span数据的相干斑抑制，但是该方法的缺点在于它只对极化SAR数据中的span数据进行相干斑抑制，而其余极化SAR数据的各元素并没有进行相干斑的抑制。

2)最为经典的方法是精致极化Lee滤波，它通过使用边缘窗口进行滤波，滤波后的数据在边缘的特性保持方面效果显著，但是，在纹理细节信息的保持上，滤波效果并非特别理想，因此在相干斑的抑制中，数据原始的一些特性无法很好的保留。

3)最近新提出的改进的sigma滤波，它解决了原始sigma滤波的暗像素不被滤波和滤波数据存在误差等缺点，并有效的保持了亮目标像素，该方法无论在边缘的保持上还是同质区域的平滑上都优于精致极化Lee滤波方法，但是在边缘和纹理的处理上，由于相干斑噪声的影响，这种滤波还是不能最好的区分相干斑噪声和边缘纹理信息，使有用的边缘纹理信息不能被完整的保留。

4)非局部均值滤波在自然图像的去噪上已经取得了显著的效果，但是原有的非局部均值滤波是用两个像素点之间的灰度值作为相似度欧式距离来计算的，这样并不是很符合图像的特性，由于噪声的存在使得这样计算相似度距离并不准确，尤其在极化SAR数据中由于相干斑噪声对于相似度距离的度量不容忽视，因此在使用非局部均值滤波时造成了边缘的模糊以及一些原有信息的丢失，使有用的边缘信息和纹理信息不能很好的保留。

发明内容

本发明的目的在于克服上述已有技术的缺点，提出一种基于奇异值分解非局部均值的极化SAR相干斑抑制方法，通过span数据得到特征矩阵，对特征矩阵进行奇异值分解SVD，获得新的相似度距离度量，以在极化SAR相干斑抑制的过程中提高滤波精度，使得在滤除相干斑的同时能很好的保持边缘纹理细节信息和极化信息，提高极化SAR数据的相干斑抑制效果。

为实现上述目的，本发明包括如下步骤：

(1)将一组极化SAR数据表示为含有9个元素的3x3协方差矩阵C，并使用协方差矩阵C中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；

(2)对协方差矩阵C各元素的非亮目标像素进行如下奇异值分解SVD非局部均值滤波：

2a)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)将所述span数据扩展成为一个N×D的特征矩阵M，将特征矩阵进行对数变化得到对数化特征矩阵：

Mg＝log(M)

其中，N表示span数据的总像素个数，D表示相似块的总像素个数；

2c)将对数化特征矩阵Mg进行奇异值分解，得到左奇异矩阵U、对角矩阵S和右奇异矩阵V：

[U，S，V]＝svd(Mg)

其中，S是奇异值{σ₁，σ₂，K，σ_D}作为对角元素的对角矩阵，且奇异值σ₁≥σ₂≥L≥σ_D≥0，U是左奇异向量{u₁，u₂，K，u_D}组成的左奇异矩阵，V是右奇异向量{v₁，v₂，K，v_D}组成的右奇异矩阵；

2d)取协方差矩阵C元素一个非亮目标像素x，以像素x为中心扩展出7x7的待估计相似块z(x)和21x21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7x7的相似块z(y)；

2e)使用左奇异向量将所述待估计相似块z(x)和相似块z(y)分别表示为：