李文涛,逄 博,徐 欣,韦 博
(杭州电子科技大学通信工程学院,浙江 杭州 310018)
合成孔径雷达(Synthetic Aperture Radar, SAR)具有全天时、全天候、分辨率高和探测距离远等优势,在遥感领域有着不可替代的地位,在军事和民用方面应用价值广泛。但是,SAR的相干成像特性使得SAR图像中都存在相干斑噪声,对SAR图像的后续应用带来严重的影响。经过几十年的研究,不同的SAR图像去噪算法相继提出,大致分为三类。第一类是空间域滤波算法,这类算法研究时间最长,如Lee滤波算法、Frost滤波和各向异性扩散滤波(Speckle Reduction Anisotropic Diffusion, SRAD)等[1],Yu等[2]提出了SRAD滤波算法,通过判断是否为边缘像素提升了对图像的边缘保护能力。第二类是将图像变换到其他空间进行滤波操作,如小波变换去噪算法[3]等,在变换域中分离信号与噪声,得到更好的去噪效果;Gu等[4]提出一种新的加权和范数最小化求解方法,获得较好的去噪效果,但算法复杂度较高。第三类是以K-奇异值分解(K-Singular Value Decomposition, KSVD)为主流的字典学习算法,目前是该领域的研究热点。Elad等[5]提出KSVD字典学习的去噪算法,通过字典学习提取图像本质特征,并通过线性组合进行表示,在此过程中完成去噪,因其高效的去噪能力成为当时热门的去噪算法;Zheng等[6]提出Fisher判断奇异值分解(Fisher Discriminative K-Singular Value Decomposition, FD-KSVD),在字典学习过程中加入Fisher判断准则,生成具有判别性的字典;汤中民等[7]提出新加权顺序字典更新(New Weighted Sequential Dictionary Learning,NSDL),提高了字典学习的去噪能力。以上几类去噪算法在相干斑抑制方面均取得一定效果,但也存在去噪不彻底、细节损失严重等问题,对SAR图像去噪不彻底,为此,本文在字典学习算法的基础上,结合各向异性,提出一种各向异性与优先级字典学习算法,提高了算法的去噪能力。
使用SRAD对含噪图像中的弱散射区进行滤波,能够降低噪声对字典学习的干扰,确保字典的准确性。SRAD方程表示如下:
(1)
(2)
本文提出的算法在得到图像4个方向的梯度之后,再计算对应的扩散系数,并分别对其进行赋值操作。
(3)
式中,T0表示设定的硬阈值,将梯度值大于T0的赋值为1,其余赋值为0,然后将4个方向赋值后的二值图相加,将大于1的数值设为1其余设为0,得到一个滤波区域的二值图,确定像素在4个方向中是否发生突变,从而初步确定弱散射区,最后使用SRAD对所选区域进行滤波。
SAR图像噪声是相干斑噪声,是一种乘性噪声,由于字典学习的去噪模型针对的是高斯白噪声,所以要通过同态变化将乘性噪声转化为加性噪声[8],即
ln(L)=ln(S)+ln(V)
(4)
式中,L表示得到的SAR图像,S表示干净图像,V表示噪声。将同态变化后的待去噪图像取块重组为Y∈RN,大小为n×m,D表示冗余字典,大小为n×k,通过字典中少量原子的线性组合来表示,即Y≈DX,KSVD算法[5]使得原矩阵与字典线性组合差值的范数小于所设阈值:
(5)
式中,X表示系数矩阵,大小为k×m,ε表示逼近误差,通常取值与噪声标准差有关。
KSVD算法中,X的求解是通过正交匹配追踪算法(Orthogonal Matching Pursuit Algorithm, OMP)[9]得来的。为了保证系数向量的稀疏度,只更新当前系数向量中非零值。式(5)可写成如下形式[10]:
(6)
(7)
式中,i+1表示第i+1次更新的字典原子的下标,bj表示B中对应的第j行。每列字典更新后,p去除对应值元素,通过式(7)获取更新字典列下标的过程中,有相同值时则选择向量p最左端的值作为更新列的下标。
在SAR图像去噪实验中,本文选择4种客观评价指标来验证所提去噪算法的有效性,包括等效视数(Equivalent Number of Looks, ENL)、边缘保持系数(Edge Preservation Index, EPI)、峰值信噪比(Peak Signal to Noise Ratio, PSNR)和结构相似性(Structural Similarity, SSIM)[11]。
(8)
式中,μ表示图像均值,σ表示图像的标准差,ΕENL表示算法的去噪能力,数值越大,说明去噪能力越强。
(9)
式中,EPI有2个方向的值,分别是垂直方向IEPI-v和水平方向IEPI-h,OR1,OR2分别表示去噪后图像在垂直或水平方向的邻元素的值,IR1,IR2分别表示去噪前图像在上下或左右方向的邻元素的值。IEPI的取值范围为0~1,越接近1表示其边缘信息保持越好。
(10)
式中,A表示含噪图像,B表示去噪后图像,w和h分别表示图像的长和宽。PPSNR的单位是dB,数值越高表示去噪能力越好。
(11)
式中,μ表示图像的均值,σ表示图像的标准差,σAB表示2幅图像的协方差,C1,C2为常数,SSSIM越接近1表明算法的结构相似性越强。
实验数据选用2010年6月8日,F-SAR卫星在德国巴伐利亚南部的城市考夫博伊伦附近的SAR图像数据,如图1所示。实验所选图像区域包含河流、房屋和农田等,是一幅信息复杂的图像。在原始数据上标记2个矩形框,分别记为区域1和区域2,通过2.1节的指标来评价算法的有效性。
采用本文算法和优先级KSVD算法在区域1进行去噪实验,得到去噪结果如图2所示,评价指标如表1所示。从图2和表1中可以看出,本文算法得到的去噪效果更佳,证明了各向异性与字典学习结合的优异性。
图1 SAR实验图像
图2 不同算法区域1去噪后的SAR图像
表1 不同去噪算法在区域1的性能对比
分别采用SRAD,低秩非局部均值滤波(Low-rank Non-local Means,LNLM )[12],KSVD,NSDL[7]和本文算法对真实SAR图像进行实验,去噪结果如图3所示,不同去噪算法的性能指标如表2所示。
图3 不同算法去噪后的SAR图像
从图3可以看出,SRAD,LNLM和KSVD算法整体去噪效果不够平滑,NSDL算法过于平滑导致一些纹理信息不够明显,而本文算法在平滑效果和纹理信息保留方面均有较好的效果。
表2 不同去噪算法的性能对比
从表2可以看出,本文算法的ΕENL和PPSNR均高于其他4种算法,IEPI仅低于SRAD算法,SSSIM表现不佳,但图3中,其他算法有噪声残留或纹理消失。通过实验结果和指标数据的综合分析,本文所提算法具有更好的边缘保持能力和较强的去噪能力。
针对放大区域1和区域2进行进一步实验,不同算法的去噪效果如图4和图5所示,评价指标数据如表3所示。
图4 不同算法去噪后的放大区域1结果
图5 不同算法去噪后的区域2结果
从图4和图5可以看出,SRAD,LNLM和KSVD的结果图有明显的残留噪声,去噪效果不理想,图4(d)中,NSDL对应的道路信息被平滑掉,图4(e)中,不仅有好的平滑效果而且纹理也很清晰,说明本文算法有更好的去噪效果和纹理保护能力。
从表3可以看出,本文算法虽然在IEPI和SSSIM指标上不是最高,图4和图5的结果表明SRAD,LNLM和KSVD算法均有残留,虽有好的边缘保护,但去噪效果并不理想。与去噪效果较好的NSDL相比,本文算法在去噪与边缘信息保留方面均有优异的表现。
为了验证不同算法在不同场景下SAR图像的去噪效果,分别选取农田、海洋、森林和建筑等4个场景组成4个数据集进行实验。每个数据集包括50张对应的SAR图像,4个场景数据集去噪后的EENL值折线图如图6所示。
表3 不同去噪算法在放大区域1和放大区域2的性能对比
从图6可以看到,4个场景中,本文算法的ΕENL值都高于其他算法,进一步说明本文算法的去噪能力有一定程度的提升,并有较好的普适性。
图6 不同种场景下,不同算法去噪的ENL折线图
针对SAR图像中的相干斑噪声去噪问题,本文提出一种各向异性与优先级字典学习的去噪算法。相比传统去噪算法,本文算法具有较高的去噪性能,在不同的场景下仍能保持较好的普适性。但是,本文算法的复杂度高于其他算法,如何降低算法的复杂度是下一步研究重点。