[发明专利]基于双特征聚类同质像素选择的极化SAR非局部降噪方法

摘要

本发明公开了一种基于双特征聚类同质像素选择的极化SAR非局部降噪方法，首先使用基于块的统计距离的mean shift聚类选择结构特征相似的像素，并且使用基于Freeman‑Durden散射模型的Wishart无监督分类器选择散射机制相似的像素。同质像素集合由同时含有相似结构特征和散射机制的像素构成；根据相似像素集合并结合原始极化SAR数据计算非局部权值加权求和实现极化SAR非局部均值滤波。本发明在有效抑制相干斑噪声的同时能进一步保持图像结构信息和极化散射信息，可用于极化SAR图像滤波处理。

主权项

基于双特征聚类同质像素选择的极化SAR非局部降噪方法，其特征在于：包括以下步骤：(1)、对每个像素点选择同质像素，具体步骤如下：1a)、计算极化SAR协方差矩阵数据的Span图；1b)、对包含d维空间的第i个图像块向量，在Span图上计算含有块的统计距离(PPB)的mean shift向量Mh,g(xi):Mh,g(xi)=Σj=1ng(distppb2(xi,xj)h2)xjΣj=1ng(distppb2(xi,xj)h2)-xi=mh,g(xi)-xi,]]>式中：distppb(xi,xj)=Σk=1dlog(xi,kxj,k+xj,kxi,k),]]>P(x)＝cp,dp(||x||2)，g(x)＝‑p′(x)，xi,k是第i个图像块矢量xi的第k个数据，xj,k是第j个图像块矢量xj的第k个数据，p(||x||2)是高斯核函数，cp,d是归一化常数，h是带宽；1c)、在核函数窗口依次计算所有特征空间数据点的mean shift向量，沿mean shift梯度方向移动到新位置，然后将这个点作为一个新点，继续计算mean shift向量并移动，如果mh,g(xi)<δ，则停止聚类，mh,g(xi)就是该点处的模点；否则xi＝mh,g(xi)且迭代计算Mh,g(xi)；1d)、每个极化SAR协方差矩阵进行Freeman‑Durden分解：FS＝eS(1+|β|2)，FD＝eD(1+|α2)，FV＝eV，式中eS,eD,eV分别代表各自散射类别的贡献；β、α是参数。1e)、使用Wishart无监督分类器对每个类别迭代合并成5个聚类：Dij=12{ln(|Ci|)+ln(|Cj|)+Tr(Ci-1Cj+Cj-1Ci)},]]>式中Ci和Cj分别表示各自聚类的平均协方差矩阵；类中心协方差矩阵Cc和像素点矩阵Cp之间的Wishart距离为d(Cp,Cc)=ln|Cc|+Tr(Cc-1Cp);]]>1f)、在搜索邻域内选择同时含有相似结构特征和散射机制的像素构成同质像素集合；(2)、根据同质像素进行估计，具体步骤如下：2a)、根据第一步选择出的同质像素，计算原始极化SAR数据的权值w(i,j)：w(i,j)=1Zexp(-lnS(i,j)σ2),]]>其中：lnS(i,j)=Σk=1NlnH(k)=L[2pNln2+Σk=1N(ln|Q(i,k)|+ln|Q(j,k)|-2ln|Q(i,k)+Q(j,k)|)],]]>式中H(k)是两个像素点的p×p协方差矩阵的相似性度量，S(i,j)是以像素点i，j为中心的图像块的协方差矩阵相似性度量；σ和Z分别是滤波参数和归一化因子，Q(i,k)意味着以i为中心的块的第k个像素的协方差矩阵，Q(j,k)同上，N是图像块的大小；2b)、根据步骤2a)得到的权值w(i,j)，对同质像素加权求和，得到中心像素的滤波估计值