[发明专利]基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法

说明书

技术领域

本发明属于图像处理技术领域，特别是基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法。

背景技术

极化合成孔径雷达(极化SAR)图像的相干斑是由大量散射单元反射波的相干叠加引起的。相干斑使相邻像素间的信号强度发生变化，视觉上表现为颗粒状的噪声。它增加了图像解译和分析的难度，降低了图像分割和特征分类的性能。对于相干斑抑制一般包括以下两个步骤：对于极化SAR图像中的每一个像素点首先要找到它的一组相似点，然后使用这些相似点计算的估计值作为滤波结果。

目前，具有代表性的极化SAR相干斑抑制方法有基于极化域极化白化滤波(PWF)和空域的精致Lee滤波等算法，这些算法的参数的计算本质都是将当前点与领域像素点的加权平均作为该点的估计值，一般是基于局部或半局部的计算模型，缺陷是忽略了图像的结构信息，并在去除相干斑的同时也会平滑图像的边缘细节信息，而非局部均值算法的基本原理就是利用图像的相似块作为均值滤波的加权权重，可以很好的保持图像的细节信息。原始的非局部均值算法适用于加性噪声，是使用欧式距离来衡量相似度，但这些是不适用于极化SAR图像的，2011年杨健提出了极化SAR的非局部均值滤波------Pretest方法中很好的应用了极化SAR图像的结构信息，但是缺陷是没有考虑极化SAR数据的散射特性，因此Pretest方法并没有很好地保持极化SAR数据的散射特性。现有的关于极化SAR相干斑抑制的文献和相关资料并没有很好的将结构信息保持和散射特性保持两者结合起来。

发明内容

针对以上问题，本发明的目的是提供一种基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法，主要解决现有极化滤波方法不能很好地将极化SAR图像的结构信息和散射特性两者相结合进行相干斑抑制的问题。其实现过程是：对极化SAR图像数据进行基于散射模型的目标分解得到散射向量；建立散射特征空间；对极化SAR数据利用非局部方法，对搜索窗内的像素点组成相似像素点集合；利用散射特征向量在相似像素点集合内对相似点进行筛选；利用最终权重对像素点进行滤波。

本发明的技术方案是，基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法，包括如下步骤：

步骤一：将一幅极化SAR图像X中的每个像素点i用3X3的矩阵表示，得到该极化SAR图像的相干矩阵T；

步骤二：对相干矩阵T进行Freeman-Durden目标分解并将每个像素点i分解成三种主要散射类型：表面散射ps，偶次散射pd，体散射pv，每个像素点i的散射特性用一个1×3向量表示，标记为vec_i＝[ps_i,pd_i,pv_i]；

步骤三：利用非局部均值滤波，寻找极化SAR图像数据中每一个像素点i的相似像素点，组成相似像素点集合S₀；

步骤四：在步骤三得到的相似像素点集合S₀中再利用像素点的散射特性筛选最终相似像素点集合S，利用相似像素点集合S对像素点i进行估计；

步骤五：对极化SAR图像数据的每一个像素点i进行步骤三和步骤四，得到整个极化SAR图像数据的最终滤波后的相干矩阵

步骤六：利用Pauli分解方法将滤波后的相干矩阵合成伪彩图。

上述的步骤二，包括如下步骤，

201：将相干矩阵T进行去定向处理，得到去定向后的相干矩阵T0，

202：对相干矩阵T⁰转换成协方差矩阵C⁰，

其中，表示水平发射水平接收极化通道数据，表示水平发射垂直接收极化通道数据，表示垂直发射垂直接收极化通道数据；

对C⁰进行散射机制建模，将C⁰分解为表面散射协方差矩阵偶次散射协方差矩阵体散射协方差矩阵建模后的协方差矩阵C⁰公式如下：

即有方程