[发明专利]基于RSVD与直方图保存的SAR图像快速去噪方法

说明书

本发明公开了一种基于RSVD与直方图保存的SAR图像快速去噪方法，该方法首先对SAR图像进行对数变换，将乘性噪声转化成加性噪声，然后进行非局部相似图像块匹配，随后采用随机奇异值分解对非局部相似图像块组成的低秩矩阵进行低秩矩阵逼近，再采用梯度直方图保存的方法对图像进行纹理增强，最后将图像块复位，实现对SAR图像的快速去噪。在MSTAR数据库上的实验结果表明，与现有方法相比，本发明提出的方法在明显提升边缘保持指数的同时，去噪速度加快了三倍。

技术领域

本发明属于雷达图像处理技术领域，具体涉及一种基于RSVD与直方图保存的SAR图像快速去噪方法。

背景技术

合成孔径雷达(SAR)图像为遥感测绘、地面监测、自动目标识别等领域提供了有用信息。但由于雷达辐射区域的一个分辨单元内许多散射点到达雷达的距离存在差异，其回波相位也不相同。回波相干叠加，使SAR图像不可避免地产生了相干斑噪声。受斑点噪声的影响，观测SAR图像的视觉质量下降，其边缘信息等方面也发生弱化。因此，在后续对图像进行分割、检测和分类之前，去除相干斑噪声是一项关键任务。SAR图像去噪有传统的基于空域的滤波算法，如Lee，Kuan，Frost，GammaMAP和增强Lee滤波器，增强Frost滤波器等，基本是利用图像的局部小块信息进行去噪，存在容易过平滑而丢失纹理细节的问题。随着信号处理方法的改进，小波变换被应用于SAR图像去噪，但此方法无法有效地表达图像的边缘信息；随后出现了Contourlet变换等多尺度分析方法。近年来，马尔科夫随机场和吉布斯随机场、BLS-GSM(Bayes Least Squares-Gaussian Scale Mixtures)等模型的SAR图像去噪，取得了较好的去噪效果。另外，Buades等人将非局部模型应用于图像去噪，设计出了非局部均值(NonLocal means，NL-means)去噪方法，该算法在图像边缘区域去噪效果不佳。K.Dabov提出了三维块匹配(Block Matching and 3D filtering，BM3D)算法，该方法去噪效果好，但是算法复杂度高。

2006年，Terrence Tao等人提出了低秩矩阵逼近(Low Rank MatrixApproximation，LRMA)，将其引入图像去噪，即从受噪声污染的矩阵中恢复出原始的低秩矩阵。低秩矩阵逼近的方法一般可以分为两类：低秩矩阵分解(Low Rank MatrixFactorization，LRMF)和核范数最小化(Nuclear Norm Minimization，NNM)。由于SAR图像中存在很多相似的图像块，相似块具有相似的结构特征和数据特征，它们组成的矩阵可以被认为是近似低秩，因此可以将NNM应用于SAR图像去噪。

NNM算法的不足之处在于在计算过程中将奇异值等同对待，造成偏差较大。对此方法进行改进的文献中提出结合图像非局部相似和低秩模型的空间自适应迭代奇异值阈值法(Spatially Adaptive Iterative Singular Value Thresholding，SAIST)。由于信号的真实信息主要集中在较大的奇异值上，而噪声主要体现在小的奇异值上，所以加权核范数最小化(Weighted Nuclear Norm Minimization，WNNM)方法被提出，即对大的奇异值，采用小的权值，对小的奇异值采用大的权值，该算法可以较好地逼近低秩矩阵。但WNNM算法的不足之处是其每一次迭代都要进行奇异值分解，从而消耗大量运算时间。另外，WNNM会过度光滑纹理细节。因此，考虑用迭代次数更少的RSVD(随机奇异值分解)代替奇异值分解，提高去噪效率，并且在去噪过程中采用GHP(梯度直方图保存)对图像进行纹理增强。

发明内容