[发明专利]基于轮廓波域块隐马尔可夫模型SAR图像去噪方法

权利要求书

1.一种基于轮廓波域块隐马尔可夫模型合成孔径雷达SAR图像去 噪方法，包括：

A建模步骤

(A1)对输入SAR图像依次进行对数变换和Contourlet变换，获得 Contourlet变换系数，得到高频Contourlet系数；

(A2)对得到的高频Contourlet系数，按如下步骤建立Block HMM 模型：

①定义改进的背景为：

context=w0·Σi=14|NAi|+w1·Σi=14|NBi|+w2·|P|+w3·(|C1|+|C2|)]]>

其中NA是水平和垂直的相邻系数，NB是对角线相邻系数，C₁，C₂是最近的两个兄弟节点，P是高频Contourlet系数的父节点， w₀＝1，w₁＝0.6，w₂＝0.2，w₃＝0.6；

②利用上述公式计算每一个高频Contourlet系数的改进背景；

③利用下面的公式对每一个高频Contourlet系数的改进背景进行 二值化，得到二值化值v：

v=1,context<4w0·M+4w1·M+w2·Mp+w3·(Mc1+Mc2)0,context≥4w0·M+4w1·M+w2·Mp+w3·(Mc1+Mc2)]]>

其中，w₀＝1，w₁＝0.6，w₂＝0.2，w₃＝0.6，v是改进背景二值化值， M，Mp，Mc₁，Mc₂分别表示高频Contourlet系数子节点所在子带的 绝对平均值，父子带的绝对平均值，两个同尺度相邻方向子带的绝对平 均值；

④将高频Contourlet系数分成4×4或8×8或16×16的多个小块， 再根据高频Contourlet系数的改进背景的二值化值把一个小块划分为两 个互不相关的块；

B模型训练步骤

(B1)初始化Block HMM模型的均值、方差和初始状态概率，其中 均值均设为0，并通过EM算法训练Block HMM模型，得到高频 Contourlet系数的最优估计参数；

(B2)利用得到的最优估计参数按照贝叶斯最小均方误差准则，对高 频Contourlet系数进行降斑处理，得到高频Contourlet无斑系数；

(B3)对低频Contourlet系数和得到的高频Contourlet无斑系数相结 合，得到处理后的Contourlet无斑系数，对Contourlet无斑系数依次进 行Contourlet逆变换和反对数变换，得到一次去噪图像I1；

C后处理步骤

(C1)采用各向异性扩散方法对输入的SAR图像和一次去噪图像I1 的差值图像进行去噪处理，得到二次去噪图像I2；

(C2)用模极大值方法对一次去噪图像I1和二次去噪图像I2进行融 合处理；

(C3)对融合后的图像用CycleSpinning方法进行旋转平移处理，获 得最终去噪图像，并输出。

2.根据权利要求1所述的方法，其中步骤(B1)中所述的Block HMM 模型训练，用EM算法进行训练，分为E步和M步，具体训练过程如 下：

E步：初始化参数集利用贝叶斯公式计算状态转移概率：

P(Sk,b=m|ci,k,vi,k=v,bi,k=b,Πk,bp)=PSk,b(m)g(ci,k;0,σk,b,m2)Σm=01PSk,b(m)g(ci,k;0,σk,b,m2)]]>

M步：通过下面的公式计算参数集

PSk,b(m)=Σ|(i,k)|Bi,k=b|P(Sk,b=m|ci,k,vi,k=v,Bi,k=b,Πk,bp)N]]>

σk,b,m2=Σ|(i,k)|Bi,k=b|ci,k2P(Sk,b=m|ci,k,vi,k=v,Bi,k=b,Πk,bp)Σ|(i,k)|Bi,k=b|P(Sk,b=m|ci,k,vi,k=v,Bi,k=b,Πk,bp)PSk,b(m)]]>

其中，高频Contourlet系数的参数集包括均值，方差和状态概 率，m表示节点的状态，k是高频Contourlet系数子带的标签，i是高频 Contourlet系数的位置，B_i，k是i位置k子带块的标签，b是块标签的值， m是高频Contourlet系数节点的状态，N是在块中Contourlet系数的个 数，p是循环次数，是高斯函数，c_i，k是i位置k子带高 频Contourlet系数，v_i，k是i位置k子带Contourlet系数的二值化背景， 是k子带，块标签的值为b的节点状态概率，是k子带， 块标签的值为b，节点状态为m的方差；

更新迭代：p＝p+1，直到收敛为止。