[发明专利]一种SAR图像的去噪方法

说明书

本发明公开了一种SAR图像的去噪方法，选取SAR图像训练样本集并初始化离散余弦变换字典DCT字典，获取表示当前训练样本的稀疏系数与表示训练样本残差的稀疏系数的集合，并对集合中各个稀疏系数由大到小进行排序，对前K个稀疏系数对应的字典原子进行求解，得到表示训练样本的稀疏系数，利用重构训练样本的误差最大项对应的训练样本或者是加权误差的归一化更新字典原子，去除字典中相关性大于预设上限或者对应稀疏系数小于预设下限的原子得到自适应学习字典。避免仅仅依靠字典和训练样本的相似性进行选择字典原子造成字典系数不够稀疏的缺点，并且加快了求解字典稀疏系数的速度，提高了自适应学习字典的合理性。

技术领域

本发明属于数字图像处理领域，特别涉及基于稀疏表示的SAR图像去噪方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)可以穿透性的观察视场，能够自动识别目标，在恶劣的环境下也能获得较高的成像分辨率。在军事侦查、海洋监测、测绘等应用领域具有很高的应用价值。由于SAR系统使用相干的电磁波成像，导致SAR图像中存在大量的相干斑点噪声，严重影响对SAR图像的理解和解译，因此相干斑点噪声的抑制研究对SAR图像的可解译性和后续应用，具有重要的意义。

国内外许多专家学者进行了大量有益的探索，其中利用过完备字典稀疏表示方法成为解决问题的一种较为优秀的手段。过完备字典的稀疏表示方法有两个关键性的步骤:构建过完备字典和图像稀疏编码算法。字典有基于小波变换、Gabor变换、Curvelet变换等的固定字典和基于MOD、RL-DLA、KSVD等算法训练得到的学习字典两种形式。常见的稀疏编码方法有匹配追踪、基追踪、框架方法和正交匹配追踪方法。其中Michal Aharon提出的KSVD字典学习算法，自适应训练字典，在去除SAR图像斑点噪声时能够取得比固定字典更好的效果。但是现阶段的稀疏表示方法大都存在以下缺点：用过完备字典稀疏表示图像的每一个成分其实质是一个NP难问题，很难得到较为稀疏的字典系数；字典训练时间成本较大，字典原子更新较为困难。因此，为了摆脱上述困难，急需一种自适应稀疏编码的新方法，

发明内容：

为了克服上述背景技术的缺陷，本发明提供一种SAR图像的去噪方法，提高训练字典时字典原子更新的合理性和训练字典表示图像成分的稀疏性。

为了解决上述技术问题本发明的所采用的技术方案为：

一种SAR图像的去噪方法：

步骤1，选取SAR图像训练样本集并初始化离散余弦变换字典DCT字典；

步骤2，获取表示当前训练样本的稀疏系数与表示训练样本残差的稀疏系数的集合，并对集合中各个稀疏系数由大到小进行排序，对前K个稀疏系数对应的字典原子进行求解，得到表示训练样本的稀疏系数；

步骤3，利用重构训练样本的误差最大项对应的训练样本或者是加权误差的归一化更新字典原子；

步骤4，去除字典中相关性大于预设上限或者对应稀疏系数小于预设下限的原子得到自适应学习字典。

较佳地，步骤1包括：输入所述SAR图像，随机选择所述SAR图像的像元中的80％个像元的集合作为训练样本集，并创建离散余弦变换字典DCT作为初始化字典。

较佳地，步骤2具体包括：

步骤21，计算训练样本的残差Reidual和初始化字典的相似性，记录相似性较大的前两个字典原子；

步骤22，计算上一循环表示训练样本所使用的字典原子与上一步骤获得两个原子组成矩阵的伪逆矩阵，左乘训练样本的残差得到表示残差的稀疏系数；

步骤23，计算上一循环表示训练样本所使用的字典原子对应的稀疏系数与表示残差的稀疏系数的和，选取最大的前K个稀疏系数对应的字典原子Cell；