基于多尺度几何分析的SAR图像降斑方法研究

《基于多尺度几何分析的SAR图像降斑方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要II摘要合成孔径雷达(ShR)可以全天时、全天候成像，且具有高分辨和穿透性的优势，在军事和民用方面得到了广泛的应用。但是其中存在大量相干斑严重影响了图像质量并为SAR图像的后续处理增加了困难。因此抑制相干斑噪声是SAR图像至关重要的一个预处理步骤。近年来，小波变换在图像处理中得到广泛应用，但由于它缺少方向选择性，不适宜表示图像边缘、轮廓等线性奇异性的结构特征，为此，一些新的具有多尺度多方向特性的变换应运而生。本文基于非下采样Contourlet变换框架，结合变换SAR图像本身的特点以及相干斑的特性，研究了SAR图像降斑算法，主要工作如下：1．提出了一种基于邻域方向性信息的SAR图像降斑方法

2、。该算法用本文的改进对数高斯概率密度函数来逼近表示重要信息的子带系数直方图，用两状态的混合指数分布拟合表示不重要信息的子带系数直方图，并设计了各向异性的邻域方向模型，用来捕捉NSCT域SAR图像的方向信息。实验结果表明该方法可以取得较好的SAR图像降斑效果。2．提出了一种结合数学形态学的SAR图像降斑方法。该方法将形态学的开运算引入到子带掩码的修正中，并根据NSCT本身的多尺度多方向性设定了用于开运算的结构元素。实验结果表明将数学形态学开运算应用到SAR图像降斑，可以在保留图像本身点目标和边缘的同时更好的消除因斑点噪声引起的突变，可以取得更为满意的降斑效果。3．提出了一种维纳双阈值降斑方法。该

3、方法将小波域的维纳滤波方法引入到NSCT变换域，用广义高斯分布模型拟合图像在NSCT域的分解系数，用于自然图像的去噪，提高了峰值信噪比，本文将该方法进一步推广到SAR图像斑点噪声的抑制，实验结果表明，该方法在去除斑点噪声的同时可以保留更多的边缘信息和图像细节。本文工作得到了国家自然科学基金(No．60703109，60971128)、国家863项目(批准号：2008AA012125)、中国博士后科学基金特别资助(No．200902587)、和陕西省基金(No．2007F09)资助。关键词：SAR图像降斑非下采样Contourlet变换方向邻域模型数学形态学维纳滤波AbstractIIISynt

4、heticapertureradar(SAR)imagesareinherentlyaffectedbycoherentspecklenoisewhichsignificantlydegradestheimagequalityandincreasesgreatdifficultiesforSARimageinterpretation．RemovingnoisefromSARimagecalleddespecklingisakeypre-processingstepforpostprocessingforSARimage．Themulti-resolutionanalysisperformedb

5、ythewavelettransformhasbeenprovedtobeapowerfult001．Becauseofrunningshortofmulti·directionalcharacter，wavelettransformisnotgoodatdescribingimages’edgeandcontour，alotoftransformtoolswitllmultiscaleandmultidirectionalcharacteristicsareemergedasthetimesrequire，suchasCurvelettransform，Brushlettransform，C

6、ontourlettransformandNonsubsampledContourlettransformetc．ThispapercombiningthemultiscaleandmultidirectionalcharacteristicsofNonsubsampledContourlettransformandthespecialtyofSARimagespecklenoisy,studiesSARimagedespecklingmethods．Theinnovativepointsofthispaperareasfollows：1．AnimprovedNonsubsampledCont

7、ourletTransform(NSCT)一basedmethodhasbeenproposed，usingsubbandsmaskpriormodelsanddirectionalinformationforsyntheticapertureradar(SaR)imagedespeckling．Weusemodifiedlogarithmgaussiandistributiontoapproxi