SAR圖像處理與檢測 課件 第三章 基于SAR圖像的相干斑抑制技術(shù)與多尺度幾何分析

2025/5/221SAR圖像濾波的多尺度分析方法基于SAR圖像的相干斑抑制技術(shù)與多尺度幾何分析2025/5/222SAR圖像相干斑抑制的小波域算法

3.1.1小波域貝葉斯相干斑抑制方法2025/5/223SAR圖像相干斑抑制的小波域算法算法原理在貝葉斯框架下：假設(shè)：2025/5/224SAR圖像相干斑抑制的小波域算法

2025/5/225SAR圖像相干斑抑制的小波域算法算法原理綜上可得：對上式求導(dǎo)，并令導(dǎo)函數(shù)為0，得到2025/5/226SAR圖像相干斑抑制的小波域算法

2025/5/227SAR圖像相干斑抑制的小波域算法實(shí)驗(yàn)結(jié)果及分析

對于小波域貝葉斯相干斑抑制算法，此類相干斑抑制算法通過在小波域統(tǒng)計(jì)建模，重建小波變換系數(shù)?？梢园l(fā)現(xiàn)，此類算法的小波變換系數(shù)可以顯式給出，具有較低的計(jì)算復(fù)雜度。缺點(diǎn)小波變換系數(shù)的統(tǒng)計(jì)模型估計(jì)得未必準(zhǔn)確，另外，由于小波的先天不足，其相干斑抑制后的SAR圖像仍可見大顆粒斑駁現(xiàn)象。2025/5/228SAR圖像相干斑抑制的小波域算法

3.1.2小波域各向異性擴(kuò)散相干斑抑制算法2025/5/229SAR圖像相干斑抑制的小波域算法算法原理步驟1：構(gòu)造結(jié)構(gòu)張量

式中，特征向量表示圖像局部紋理的方向特征；特征值。（3.8）2025/5/2210SAR圖像相干斑抑制的小波域算法算法原理步驟2：構(gòu)造擴(kuò)散張量2025/5/2211SAR圖像相干斑抑制的小波域算法算法原理步驟3：進(jìn)行小波逆變換，獲得濾波后的SAR圖像。2025/5/2212SAR圖像相干斑抑制的小波域算法實(shí)驗(yàn)結(jié)果及分析實(shí)驗(yàn)參數(shù)選取：小波分解層數(shù)選為5，局部鄰域的窗口大小選為5。2025/5/2213SAR圖像相干斑抑制的小波域算法實(shí)驗(yàn)結(jié)果及分析對于小波域各向異性擴(kuò)散相干斑抑制算法，此類相干斑抑制算法在小波域?qū)ψ儞Q系數(shù)運(yùn)用變分法進(jìn)行相干斑抑制。可以發(fā)現(xiàn)，此類算法中的小波變換系數(shù)是通過迭代方式獲得的，相比小波域貝葉斯相干斑抑制算法具有較高的計(jì)算復(fù)雜度，并且也凸顯了各向異性擴(kuò)散算法的邊緣保持特性。缺點(diǎn)小波變換系數(shù)的相干斑抑制程度難以把握，另外，由于小波的先天不足，其相干斑抑制后的SAR圖像仍可見條紋式的斑駁現(xiàn)象。2025/5/2214SAR圖像相干斑抑制的剪切波域算法小波變換僅能夠很好地處理點(diǎn)奇異性特征，但不能有效地處理二維或更高維空間的奇異性特征。

剪切波是一種結(jié)合了輪廓波和曲線波優(yōu)點(diǎn)的新型多尺度幾何分析工具，通過對基本函數(shù)的縮放、剪切、平移等仿射變換，生成具有不同特性的剪切波函數(shù)。剪切波對于二維空間中的奇異曲線、曲面具有最優(yōu)逼近特性。3.2.1剪切波原理2025/5/2215SAR圖像相干斑抑制的剪切波域算法

3.2.1剪切波原理于是，可以定義合成小波：

2025/5/2216SAR圖像相干斑抑制的剪切波域算法對任意的3.2.1剪切波原理式中，、是一維小波基。在本節(jié)中，的支撐

，

的支撐2025/5/2217SAR圖像相干斑抑制的剪切波域算法3.2.1剪切波原理由此，可以得到函數(shù)的支撐2025/5/2218SAR圖像相干斑抑制的剪切波域算法3.2.1剪切波原理2025/5/2219SAR圖像相干斑抑制的剪切波域算法3.2.1剪切波原理剪切波的數(shù)理特性如下：2025/5/2220SAR圖像相干斑抑制的剪切波域算法3.2.2剪切波域硬閾值相干斑抑制算法算法原理剪切波是一種繼承了輪廓波和曲線波兩種變換優(yōu)點(diǎn)的多尺度幾何分析工具，通過對基本函數(shù)的縮放、剪切和平移等仿射變換獲得具有不同特性的剪切波函數(shù)，對于SAR圖像的線奇異性和面奇異性具有最優(yōu)的逼近特性。算法步驟

2025/5/2221SAR圖像相干斑抑制的剪切波域算法算法步驟

2025/5/2222SAR圖像相干斑抑制的剪切波域算法

2025/5/2223SAR圖像相干斑抑制的剪切波域算法實(shí)驗(yàn)結(jié)果和分析剪切波域硬閾值相干斑抑制算法在剪切波域?qū)ψ儞Q系數(shù)運(yùn)用硬閾值方法進(jìn)行處理?？梢园l(fā)現(xiàn)，此類算法的閾值是由變換域高頻分量的方差獲得的，其在相干斑抑制和紋理保持方面均有一定的優(yōu)勢，但是相干斑抑制的效果仍然不是很理想。2025/5/2224SAR圖像相干斑抑制的稀疏優(yōu)化方法SAR圖像的強(qiáng)度測量值、反射系數(shù)和相干斑噪聲之間具有復(fù)雜的非線性關(guān)系，相干斑的模型可以看成不同的后向散射波之間的一種干涉現(xiàn)象，這些散射單元隨機(jī)地分散在分辨單元的表面上。這里考慮SAR圖像的強(qiáng)度測量值、反射系數(shù)和相干斑噪聲之間的關(guān)系模型，并以此為基礎(chǔ)獲得相干斑抑制算法的優(yōu)化模型。3.3.1稀疏優(yōu)化模型2025/5/2225SAR圖像相干斑抑制的稀疏優(yōu)化方法當(dāng)SAR圖像系統(tǒng)的分辨單元小于目標(biāo)的空間細(xì)節(jié)時(shí)，認(rèn)為SAR圖像中像素的退化是彼此獨(dú)立的，斑點(diǎn)噪聲可以被建模為乘性噪聲，即

2025/5/2226SAR圖像相干斑抑制的稀疏優(yōu)化方法

稀疏優(yōu)化（SparseOptimization，SP）是指在滿足一定的約束條件下，運(yùn)用最優(yōu)化算法求出具有稀疏性的解。運(yùn)用冗余離散余弦變換字典，設(shè)和分別是帶限、非抽樣、緊支撐小波和帶限、緊支撐剪切波的正交變換基。稀疏超完備字典的SAR圖像相干斑抑制問題可以描述為如下稀疏優(yōu)化模型：2025/5/2227SAR圖像相干斑抑制的稀疏優(yōu)化方法求解稀疏優(yōu)化模型，進(jìn)而得到相干斑抑制后的SAR圖像：優(yōu)化求解分為兩個(gè)步驟，首先構(gòu)造冗余離散余弦變換字典，通過求解如下優(yōu)化問題獲得反映場景分辨單元平均強(qiáng)度的低頻分量V：2025/5/2228SAR圖像相干斑抑制的稀疏優(yōu)化方法通過求解上式可以獲得低頻分量V。然后求解如下優(yōu)化問題：接下來，分別用低頻分量稀疏優(yōu)化算法和高頻分量稀疏優(yōu)化算法求解式（3.29）和式（3.30）。2025/5/2229SAR圖像相干斑抑制的稀疏優(yōu)化方法低頻分量稀疏優(yōu)化算法3.3.2模型求解辦法2025/5/2230SAR圖像相干斑抑制的稀疏優(yōu)化方法算法步驟2025/5/2231SAR圖像相干斑抑制的稀疏優(yōu)化方法實(shí)驗(yàn)結(jié)果低頻分量稀疏優(yōu)化算法中的各項(xiàng)參數(shù)選取：字典原子個(gè)數(shù)為144，滑動窗口大小h=6，，這里。2025/5/2232SAR圖像相干斑抑制的稀疏優(yōu)化方法高頻分量稀疏優(yōu)化算法這里通過迭代閾值收縮算法求解SAR圖像高頻分量I-V的式（3.30）所示的稀疏優(yōu)化模型。算法步驟

2025/5/2233SAR圖像相干斑抑制的稀疏優(yōu)化方法算法步驟

2025/5/2234SAR圖像相干斑抑制的稀疏優(yōu)化方法

2025/5/2235SAR圖像相干斑抑制的稀疏優(yōu)化方法實(shí)驗(yàn)結(jié)果及分析

2025/5/2236SAR圖像相干斑抑制的稀疏優(yōu)化方法

2025/5/2237SAR圖像相干斑抑制的稀疏優(yōu)化方法評價(jià)指標(biāo)稀疏優(yōu)化算法利用新的稀疏優(yōu)化模型和貪婪算法獲得了SAR圖像的低頻分量，以及包含點(diǎn)奇異性和線奇異性的高頻分量。低頻分量稀疏優(yōu)化算法重構(gòu)SAR圖像場景分辨單元的平均強(qiáng)度，在一定程度上抑制了相干斑噪聲，而后利用帶限、非抽樣、緊支撐小波和帶限、緊支撐剪切波實(shí)現(xiàn)了高頻分量中線特征和點(diǎn)特征的相干斑抑制處理。2025/5/2238小結(jié)SAR圖像本身具有低頻信息和高頻信息，高頻信息中又包括點(diǎn)奇異和線奇異等特征?，F(xiàn)有的諸多算法傾向于綜合處理，忽略了不同特征之間的區(qū)別。針對上述問題，本章依據(jù)SAR圖像的主導(dǎo)結(jié)構(gòu)信息建立了多元稀疏優(yōu)化模型，通過求解多元稀疏優(yōu)化模型，對SAR圖像的點(diǎn)、線、面等特征進(jìn)行了稀疏表示。

基于多元稀疏優(yōu)化模型的SAR圖像相干斑抑制算法，針對SAR