[发明专利]一种基于PrimalSketch分类和SVD域改进MMSE估计的SAR图像去噪算法

摘要

本发明公开了一种基于Primal Sketch分类和SVD域改进MMSE估计的SAR图像去噪算法，解决现有技术对SAR图像去噪时细节模糊的问题。主要内容是首先，在Primal Sketch算法中，采用双邻域对比度增强的方法改进了能量图像，然后采用Primal Sketch算法将SAR图像分为边缘类和非边缘类两类；分别对这两类的像素点进行NLSVD分解，用含有收缩因子的最小均方误差准则估计奇异值矩阵，反变换得到边缘类的估计值和非边缘类的估计值；最后计算边缘系数，通过巴特沃斯融合的方法融合边缘类和非边缘类的边界得到去噪结果。该方法能有效的去除SAR图像中的斑点噪声，且很好的保持了边缘和点目标信息。

主权项

一种基于Primal Sketch分类和SVD域改进MMSE估计的SAR图像去噪算法，其特征在于，包括如下步骤：步骤一：输入一幅SAR图像Y，其图像的尺寸大小为M×N，M和N分别为图像的行和列的像素个数；步骤二：对输入图像Y每个像素点采用局部滤波器组进行卷积，并求解联合响应，将联合响应中最大响应值所对应的卷积值和滤波器的方向θm，分别作为该像素的能量值和方向，遍历所有的像素得到能量图像ES和方向图像ER；步骤三：计算能量图像ES的对比度和输入图像Y的邻域均值，限定图像的增强范围，得到增强能量图像ESN，然后将增强能量图像ESN中每一个像素点(x,y)进行非极大值抑制，得到建议图像AD，其中(x,y)表示能量图ESN中像素点的横纵坐标；步骤四：依据稀疏表示理论，采用匹配追踪算法的思想，得到未修复的素描图RSK，然后通过图操作得到最终的素描图SK；步骤五：对最终素描图像SK中的每一条笔画上的所有像素点(x,y)依据步骤二中得到的该像素点的方向θm的法线方向及法线方向的反方向行扩展，得到每条笔画法线方向上宽度为Wx个像素的素描图，将输入图像中位于素描图中的像素点判定为边缘类Ce，令像素值为1，将剩余的像素点判定为非边缘类Cne，令像素值为0，则得到一幅二分类图像Yc，在二分类图像Yc中像素值为1所形成的区域称为边缘区域Ye，像素值为0所形成的区域称为非边缘区域Yne，其中，Wx的取值范围为3～10个像素；步骤六：在边缘区域Ye中，采用基于比值距离统计分布的相似性的度量方法，对任意一个边缘点ps为中心的图像邻域块寻找Ke个相似的图像邻域块，得到边缘图像邻域块集合步骤七：在非边缘区域Yne中，采用基于比值距离统计分布的相似性的度量方法，对任意一个非边缘点ps为中心的图像邻域块寻找Kne个相似的图像邻域块，得到非边缘图像邻域块集合步骤八：对边缘图像邻域块集合和非边缘图像邻域块集合中的每一个图像邻域块分别列向量化，得到边缘列向量集合和非边缘列向量集合分别组成二维边缘矩阵和二维非边缘矩阵计算边缘列向量集合和非边缘列向量集合中的每一个列向量的均值，分别得到边缘列向量均值集合和非边缘列向量均值集合分别组成边缘均值矩阵和非边缘均值矩阵对进行SVD分解得到边缘左奇异向量矩阵边缘奇异值矩阵边缘右奇异向量矩阵对进行SVD分解得到非边缘左奇异向量矩阵非边缘奇异值矩阵非边缘右奇异向量矩阵其中，ke和kne分别为边缘区域和非边缘区域中的相似图像邻域块序号，Ke和Kne分别为边缘区域和非边缘区域中相似图像块的个数；步骤九：对步骤八中的边缘奇异值矩阵和非边缘奇异值矩阵分别采用含有收缩因子的改进最小均方误差进行估计，得到估计边缘奇异值矩阵和估计非边缘奇异值矩阵步骤十：将步骤八得到的边缘左奇异向量矩阵边缘右奇异向量矩阵Veps、边缘均值矩阵和步骤九得到的估计边缘奇异值矩阵进行SVD反变换，得到估计图像邻域块集合遍历边缘区域Ye中所有的像素点，重构得到估计边缘区域同样地，将步骤八得到的非边缘左奇异向量矩阵非边缘右奇异向量矩阵非边缘均值矩阵和步骤九得到的估计非边缘奇异值矩阵进行SVD反变换，得到估计图像邻域块集合遍历非边缘区域Yne中所有的像素点进行估计，并重构得到估计非边缘区域步骤十一：计算分类图像Yc中类边界的像素点ps的边缘系数并依据边缘系数计算巴特沃斯函数权值wb(ps)，对估计边缘区域和估计非边缘区域的类边界进行加权融合，其他像素点保持不变，最终得到去噪的图像