[发明专利]经验模态分解和稀疏表示相结合的SAR图像去噪方法

说明书

技术领域

本发明涉及经验模态分解和稀疏表示相结合的SAR图像去噪方法，属于图像去噪技术领域。

背景技术

合成孔径雷达SAR是一种全天候、全天时的主动式微波遥感器，在军用和民用方面发挥着重要的作用。但由于相干斑噪声的影响，增加了解译SAR图像的复杂性。抑制相干斑噪声是SAR图像去噪的主要任务。

传统基于经验模态分解的SAR图像去噪方法中，对SAR图像中的细节保留不足，这可能导致重要目标的缺失。虽然经验模态分解方法在一定程度上克服了小波变换的不足,是一种完全数据驱动的自适应分解算法，但在处理过程中涉及的模态分量的选择、滤波方式的选择等问题都直接影响SAR图像去噪的效果。稀疏表示方法是用较为简略的稀疏结构表示信号的主要信息，通过寻找图像元素间的稀疏结构，以及利用噪声的不稀疏特性，达到去噪的目的，但逼近误差的设定与噪声的大小有着直接的关系，在预先无法得到信噪比的情况下，去噪效果会受到极大的影响。

发明内容

本发明目的是为了解决传统基于经验模态分解的SAR图像去噪方法对SAR图像中的细节保留不足，造成目标缺失，影响去噪效果的问题，提供了一种经验模态分解和稀疏表示相结合的SAR图像去噪方法。

本发明所述经验模态分解和稀疏表示相结合的SAR图像去噪方法，它首先对含噪SAR图像进行经验模态分解，获得N个固有模态分量，N＝1,2,3,……，N；然后应用稀疏表示对获得的N个固有模态分量进行噪声抑制，获得去噪后的SAR图像；具体包括以下步骤：

步骤一：将待处理SAR图像转换为原始趋势图像；

步骤二：判断原始趋势图像是否需要分解，若是，执行步骤三；否则，执行步骤八；

步骤三：对原始趋势图像进行极值点求解，获得区域极大值点集和区域极小值点集；

步骤四：对区域极大值点集和区域极小值点集进行平面插值，获得原始趋势图像的上、下包络面，根据原始趋势图像的上、下包络面获得原始趋势图像的均值包络面；

步骤五：用原始趋势图像减去均值包络面获得新趋势图像，判断当前新趋势图像是否满足筛分停止条件，若是，则执行步骤六；否则，将当前新趋势图像赋值给原始趋势图像，然后执行步骤三；

步骤六：将当前新趋势图像作为迭代产生的一个当前固有模态分量；

步骤七：用原始趋势图像减去当前固有模态分量，获得的过程趋势图像赋值给原始趋势图像后，执行步骤二，直至获得N个固有模态分量和一个最终过程趋势图像，执行步骤八；

步骤八：分解结束；

步骤九：对顺序获得的前三个固有模态分量进行稀疏分解，获得三个新模态分量；

步骤十：对三个新模态分量和顺序获得的后N-3个固有模态分量进行经验模态分解重构，获得去噪后的SAR图像。

步骤九中获得三个新模态分量的具体方法如下：

首先采用中值估计方法，分别估计前三个固有模态分量的噪声方差，再根据每个噪声方差分别计算获得对应于前三个固有模态分量的预设定阈值；

然后对前三个固有模态分量分别进行以下处理：

构建冗余DCT字典，将一个固有模态分量拆分成若干个8*8子块，对每一个8*8子块进行以下处理：

将8*8子块排布为一列向量，计算获得该列向量的均方差值，判断该列向量的均方差值是否小于预设逼近误差，若是，则判定该8*8子块无稀疏性，为噪声成分；否则，将所述列向量转换为残余分量，执行以下稀疏分解过程：

将该残余分量与冗余DCT字典的转置相乘，获得乘积中最大值所对应的冗余DCT字典中位置，并在冗余DCT字典中标注最大值所在的列，再用最大值所在的列构建当前字典，将当前字典的伪逆阵与残余分量相乘，获得的乘积为临时稀疏系数；用当前字典与临时稀疏系数相乘，后将乘积与残余分量作差，获得当前残余分量；判断当前残余分量的均方差值是否小于预设逼近误差，若是，将临时稀疏系数作为最终的稀疏表示系数；否则将当前残余分量赋值给残余分量，重复所述稀疏分解过程；

再对该8*8子块进行噪声抑制过程如下：