常见雷达图像自适应滤波算法对比分析

方 祥

武汉大学遥感信息工程学院，湖北武汉 430072

常见雷达图像自适应滤波算法对比分析

方 祥

武汉大学遥感信息工程学院，湖北武汉 430072

综合运用目视评价与各种评价因子依次对Sigma滤波，增强Lee滤波算法，增强Kuan滤波算法，增强Frost滤波算法，最大后验概率（MAP）滤波算法，边缘保持最优化（EPOS）滤波算法进行性能校验与评价，对比分析各滤波算法优缺点。

自适应滤波算法；目视效果；评价因子

0 引言

在雷达图像滤波方面有大量雷达滤波算法，本文研究成像后SAR图像的滤波处理，采用局域统计自适应滤波算法，以局域的灰度统计特性为基础决定参与滤波的邻域像素点及其权值，在平滑噪声的同时较有效保持边缘特征。

1 滤波算法目视效果评价

对雷达图像的滤波，应使在滤波消除斑点噪声同时较好保持边缘和纹理细节特征。目视效果评价具有其重要实用性，就目前而言，大部分雷达图像解译还是需人工进行，目视效果很大程度上影响解译人员判读准确性，下面通过对滤波处理图像对比分析各滤波算法不同，窗口均设为5×5：

图1

2 利用评价因子对滤波效果进行评价

实验选用两幅雷达图像，1图为HH极化，大小500×500，分辨率10m，成像于武汉地区。2幅为HH极化，大小217×213，分辨率1.2m，地点加拿大多伦多市市区。对两图进行各种滤波处理后，计算相应评价因子，排序可得：

图2

从均值看，其为整个图像平均强度，反映图像包含目标平均后向散射系数。两图滤波结果Sigma滤波均值最小，整体色调表现较暗，均值滤波均值最大，色调较亮。

方差代表图像中所有点偏离均值程度，反映图像不均匀性。两影像处理结果均为Lee滤波方差最大，即图像不均匀性最大，与Lee滤波结果中大量白色斑点的出现相符。

从等效视数看，图1均值滤波与Sigma滤波分别对应为最大最小值，Sigma滤波纹理保持较好，平滑效果不行，均值滤波平滑效果最好，但纹理损失最严重。图2Lee滤波等效视数最大，纹理保持最好，但图像上产生白色斑点。这种差异主要是由于两幅图像所在地区的地表粗糙程度及地表物体反射系数分布均匀程度所决定的。

从辐射分辨率分析，武汉图像滤波结果中，均值滤波信息损失最为严重，辐射分辨率也最差，Sigma滤波分辨率最好，纹理保持最佳。多伦多图像滤波结果Lee滤波分辨率最好，纹理最佳。另外，辐射分辨率大小的排列正好与等效视数正好相反。这是由于滤波的程度越大，在滤波平滑的过程中原图像的信息丢失也会随之增大，必然导致图像整体分辨率的下降。

从均方误差来看，武汉地区Sigma滤波均方误差最小，EPOS滤波最大，多伦多地区Lee滤波均方误差最小，EPOS滤波最大，且除Sigma滤波与Lee滤波外，两图的其他滤波算法排列相同。通常均方误差值越小，则反映滤波后的图像越接近于理想图像，滤波效果越好。通过观察，还可发现上述滤波方法均方误差排列与等效视数近似相同(EPOS除外)。这是由于随效视数增大，滤波程度增大，其与理想图像的差异也就越来越大了。

从峰值信噪比来分析，武汉地区EPOS滤波的峰值信噪比最大，噪声在图像中所占比重最小，Sigma滤波峰值信噪比最小，噪声所占逼真那个最大。于此同时，多伦多地区Lee滤波的峰值信噪比最小，同样是EPOS滤波最大。这些数据的大小排列与滤波处理后图像上噪声的分布情况是相一致的。上述滤波方法的峰值信噪比大小排列与辐射分辨率近似(EPOS除外)，即图像的辐射分辨率越高，其峰值信噪比越大。

3 结论

在对雷达图像的滤波处理中，需要充分考虑图像的不均匀性，以局域的灰度统计特性为基础来决定参与滤波的邻域像素点及其权值，传统的滤波方法在雷达影像中已经不太适用了。对于雷达图像的滤波处理，我们的最终目标是希望得到一幅既保证高辐射分辨率又保证良好的滤波效果的图像。但是通常情况下，辐射分辨率与滤波效果是背道而驰的，鱼与熊掌不可兼得。例如在本文提到的几种滤波算子中，Lee滤波，Sigma滤波与EPOS滤波均可得到较好的纹理效果，但是在去噪方面表现较差，均值滤波和MAP滤波的去噪效果好，但是纹理丢失相当严重。对此，我们需要统合地看待这一问题，合理地处理高辐射分辨率与滤波平滑之间的平衡，通过对滤波后各评价因子的综合分析，找出较好地几个待选滤波算法，再通过目视效果的评价对其作出选择。

[1]杨凯，等.遥感图像处理原理和方法[M].北京：测绘出版 社，1988.

[2]Lopes R Touxi. E Nezry. Adaptive Speckle Filters and Scene Heterogeneity[J].IEEE Trans On Geoscience and Remote Sensing，1990.

[3]Kuan DT, Sawchuk A A, Strand T C，et al.Adaptive Noise Smoothing Filter for Images with Signal-Dependent Noise[J].IEEE Trans on Pattern Analysis and Machine Intelligence，1985.

TN95

A

1674-6708（2010）24-0223-01