基于混合迭代濾波的SAR圖像相干斑抑制

朱 磊 水鵬朗 程 冬

(西安電子科技大學(xué)雷達(dá)信號(hào)處理國(guó)家重點(diǎn)實(shí)驗(yàn)室 西安 710071)

1 引言

合成孔徑雷達(dá)借助大量隨機(jī)分布的散射體反射的雷達(dá)回波相干疊加成像，從而不可避免地在SAR圖像中產(chǎn)生一種稱為相干斑的乘性噪聲。相干斑噪聲的存在嚴(yán)重降低了 SAR圖像的視覺(jué)質(zhì)量，限制了特征提取、目標(biāo)識(shí)別等后續(xù)解譯處理技術(shù)的有效性[1]。因此，相干斑抑制對(duì)于改進(jìn)SAR圖像成像質(zhì)量，提高后續(xù)解譯處理效果都具有重要意義。

SAR圖像抑斑濾波算法主要有3類：空域?yàn)V波、變換域?yàn)V波與偏微分?jǐn)U散濾波。空域?yàn)V波算法以Lee濾波[2]等為代表，這類算法通過(guò)滑動(dòng)窗口獲得圖像局部統(tǒng)計(jì)特性來(lái)完成濾波，能較好抑制圖像同質(zhì)區(qū)的相干斑噪聲，且算法簡(jiǎn)單有效、實(shí)時(shí)性好，但傳統(tǒng)空域?yàn)V波采用固定尺度窗，難以在平滑噪聲和保護(hù)圖像細(xì)節(jié)之間保持平衡。另外，傳統(tǒng)空域?yàn)V波的改進(jìn)算法[3]需在濾波前進(jìn)行圖像區(qū)域劃分來(lái)提升算法性能，但含噪圖像的精確區(qū)域劃分本身就十分困難。變換域?yàn)V波算法以小波和Contourlet變換濾波算法[4-8]為代表，這類算法利用變換域的子帶系數(shù)特征設(shè)計(jì)濾波策略，可有效抑制高頻噪聲，能較好地實(shí)現(xiàn)區(qū)域平滑和紋理保留的折中，但算法須進(jìn)行空域與變換域的相互轉(zhuǎn)換以及各子帶的分解與重構(gòu)，復(fù)雜度高、計(jì)算量大，同時(shí)容易造成圖像細(xì)節(jié)丟失與偽吉布斯現(xiàn)象。擴(kuò)散濾波算法以各向異性擴(kuò)散濾波[9]及其改進(jìn)算法[10,11]為代表，這類算法利用圖像局部結(jié)構(gòu)信息對(duì)擴(kuò)散的方向與強(qiáng)度進(jìn)行約束，從而在噪聲抑制與邊緣保護(hù)上均取得了較好的效果，但容易引起圖像動(dòng)態(tài)范圍減小、細(xì)節(jié)模糊與抑斑不充分問(wèn)題。因此，單純依靠一種方法完成 SAR圖像相干斑的充分抑制與邊緣細(xì)節(jié)的有效保護(hù)，是非常困難的[1]。

為此，本文提出了一種混合迭代濾波新算法。算法的提出主要有如下幾點(diǎn)考量：(1)Lee濾波在SAR圖像同質(zhì)區(qū)噪聲平滑能力突出且對(duì)噪聲具有選擇性平滑功能，即在圖像同質(zhì)區(qū)加大平滑，而在邊緣區(qū)域又能停止平滑，這種選擇性平滑特性為采用其它方法去除Lee濾波抑斑圖像邊緣區(qū)域殘留的噪聲奠定了基礎(chǔ)。(2)Lee濾波平滑去噪受窗的尺度影響很大，大尺度窗Lee濾波的噪聲平滑效果顯著，但邊緣含噪帶較寬，同時(shí)出現(xiàn)部分邊緣模糊跡象；小尺度窗Lee濾波的噪聲平滑能力明顯下降，同質(zhì)區(qū)孤立點(diǎn)噪聲較多，但邊緣保護(hù)較好，邊緣含噪帶不明顯，因此，采用變尺度窗Lee濾波會(huì)得到比固定尺度窗更好的去噪與保邊效果。(3)無(wú)論選擇大尺度窗還是小尺度窗，僅僅進(jìn)行單次Lee濾波，抑斑圖像仍有不少噪聲殘留，其中又以孤立點(diǎn)噪聲與邊緣噪聲最為明顯，因此，單次Lee濾波去噪性能有限。(4)自蛇擴(kuò)散[12,13]利用圖像局部結(jié)構(gòu)信息去噪，雖在同質(zhì)區(qū)的噪聲抑制能力不及Lee濾波，但卻能有效去除圖像中的孤立點(diǎn)噪聲與邊緣區(qū)域噪聲，并伴有邊緣增強(qiáng)作用。因此，如果將利用局部統(tǒng)計(jì)特性的 Lee濾波與利用局部結(jié)構(gòu)信息的自蛇擴(kuò)散結(jié)合，利用前者平滑圖像同質(zhì)區(qū)噪聲，利用后者去除孤立點(diǎn)噪聲與邊緣噪聲，并增強(qiáng)由于Lee濾波平滑而變到模糊的部分邊緣，同時(shí)采用先Lee濾波后自蛇擴(kuò)散的混合濾波策略，又能進(jìn)一步利用Lee濾波對(duì)噪聲的預(yù)先平滑而降低噪聲對(duì)自蛇擴(kuò)散的不利影響，使得圖像所有區(qū)域噪聲都將得到較好抑制，而且邊緣模糊跡象還得以緩解。進(jìn)而，如果將單次Lee濾波改進(jìn)為迭代Lee濾波，則不僅便于同本身就是迭代運(yùn)算的自蛇擴(kuò)散進(jìn)行混合，同時(shí)多次迭代濾波還能最大限度地平滑噪聲。另外，為防止多次混合迭代出現(xiàn)對(duì)圖像邊緣與紋理的過(guò)平滑問(wèn)題，在迭代時(shí)，先從小尺度窗開(kāi)始，每迭代一次窗尺度逐漸增大，從而既保護(hù)了邊緣又最大限度地抑制了噪聲。

2 Lee濾波與自蛇擴(kuò)散

2.1 Lee濾波

在空域，設(shè)單視幅度格式SAR圖像(m,n)處像素的散射幅度為σ(m,n)，則其觀測(cè)模型可表達(dá)為[14]

其中x為場(chǎng)景參數(shù)，是正比于各單元散射幅度的參量，w稱作幅度格式下的乘性相干斑。Lee濾波這種基于局部統(tǒng)計(jì)特性的相干斑空域?yàn)V波算法，假設(shè)場(chǎng)景參數(shù)x為 2維分片常數(shù)且與相干斑噪聲w獨(dú)立，而噪聲均值E(w)=1 ，方差。按此假設(shè)，Lee濾波可表示為

由式(2)與式(3)可知：Lee濾波場(chǎng)景參數(shù)x的濾波估計(jì)值實(shí)質(zhì)是由場(chǎng)景參數(shù)在窗內(nèi)的局部均值估計(jì)與場(chǎng)景實(shí)際觀測(cè)值A(chǔ)的加權(quán)平均獲得。當(dāng)處于均勻場(chǎng)景時(shí)，場(chǎng)景參數(shù)x的局部方差D(x)較小，α≈ 0 ，這樣場(chǎng)景參數(shù)的濾波估計(jì)值?x就由窗內(nèi)像素的平均估計(jì)值決定；而當(dāng)處于邊緣等非均勻場(chǎng)景時(shí)，場(chǎng)景參數(shù)x的局部方差D(x)較大，α≈1，這樣場(chǎng)景參數(shù)的濾波估計(jì)值x?就由場(chǎng)景觀測(cè)值A(chǔ)決定，即場(chǎng)景參數(shù)的濾波估計(jì)值就保持原觀測(cè)值不變，從而保護(hù)邊緣不被平滑。Lee濾波這種選擇性平滑的抑斑特點(diǎn)可從圖1所示的仿真實(shí)驗(yàn)看出。圖1(a)是128×128的原始卡通圖像，對(duì)圖1(a)中加入均值為1，方差為0.1的乘性噪聲獲得圖1(b)，分別利用5×5和9×9的窗對(duì)圖1(b)進(jìn)行單次Lee濾波獲得圖1(c),1(d)。兩幅抑斑圖像清晰地顯示：在卡通圖像的均勻場(chǎng)景區(qū)域，噪聲得到較大抑制，但邊緣區(qū)域噪聲卻幾乎沒(méi)有變化，同時(shí)與小尺度窗Lee濾波獲得的圖1(c)相比，大尺度窗Lee濾波獲得的圖1(d)，同質(zhì)區(qū)更平滑，孤立點(diǎn)噪聲更少，但邊緣噪聲帶也更寬，這說(shuō)明固定尺度窗無(wú)論尺度大小均會(huì)對(duì) Lee濾波抑斑產(chǎn)生不利影響。利用 5×5和 9×9的固定尺度窗與變尺度窗(初始窗從 4×4開(kāi)始，每迭代一次窗尺度加倍)進(jìn)行迭代 Lee濾波，可得圖1(e)～1(g)。3幅抑斑圖像的共同特點(diǎn)是：同質(zhì)區(qū)噪聲都得到更好的平滑。但選擇小尺度固定窗的圖1(e)，同質(zhì)區(qū)噪聲抑制沒(méi)有圖1(f)和圖1(g)充分，而選擇大尺度固定窗的圖1(f)邊緣含噪帶又比圖1(e)和圖1(g)更寬，同時(shí)圖像右上角部分邊緣模糊跡象也更明顯，3幅去噪圖像中，只有迭代變窗Lee濾波獲得的圖1(g)，在同質(zhì)區(qū)噪聲抑制、邊緣噪聲帶寬度與邊緣保護(hù)程度三方面都表現(xiàn)出更好的性能。

2.2 自蛇擴(kuò)散

若令圖像的所有水平集按測(cè)地線活動(dòng)輪廓模型運(yùn)動(dòng)，就產(chǎn)生了自蛇擴(kuò)散這種非線性擴(kuò)散濾波方法，用數(shù)學(xué)公式描述為

圖1 不同參數(shù)Lee濾波與自蛇擴(kuò)散的抑斑效果

其中圖像觀察值A(chǔ)的自蛇擴(kuò)散由兩部分組成，即擴(kuò)散項(xiàng)與沖擊項(xiàng)Fshock=，而函數(shù)g為帶邊緣檢測(cè)的擴(kuò)散控制函數(shù)。擴(kuò)散項(xiàng)經(jīng)局部坐標(biāo)變換可得

其中x表示與圖像邊緣的切線方向一致的單位矢量，因此擴(kuò)散項(xiàng)Fdiff實(shí)質(zhì)為帶有擴(kuò)散控制函數(shù)g的方向擴(kuò)散。而沖擊項(xiàng)則是一種帶有邊緣增強(qiáng)作用的沖擊濾波。由于擴(kuò)散控制函數(shù)g利用A的梯度模作為邊緣檢測(cè)的依據(jù)，考慮到梯度參量對(duì)噪聲的敏感性，在進(jìn)行邊緣檢測(cè)前，需利用高斯平滑算子對(duì)圖像作平滑處理。另外，g函數(shù)有多種形式，常見(jiàn)的一種為

其中K為反差參數(shù)。由于自蛇擴(kuò)散中的方向擴(kuò)散能沿圖像邊緣的切線方向進(jìn)行，因此能在消除邊緣噪聲的同時(shí)而不引起邊緣模糊，而沖擊濾波則又能有效去除點(diǎn)噪聲并增強(qiáng)大尺度對(duì)象的邊緣銳度。但由于自蛇擴(kuò)散僅僅進(jìn)行沿邊緣的方向擴(kuò)散，而且迭代擴(kuò)散運(yùn)算僅在較小的鄰域內(nèi)進(jìn)行，因而噪聲平滑能力不足，同時(shí)自蛇擴(kuò)散基于梯度模值來(lái)控制擴(kuò)散進(jìn)程，故受噪聲影響大，自蛇擴(kuò)散的這種抑斑特性可從圖1所示的仿真實(shí)驗(yàn)看出。對(duì)單次Lee濾波抑斑圖像圖1(c)和圖1(d)分別再利用自蛇擴(kuò)散(僅迭代3次)進(jìn)行去噪處理，獲得圖1(h),1(i)，與圖1(c),1(d)相比，其同質(zhì)區(qū)孤立點(diǎn)噪聲大為減少，邊緣噪聲帶也得到抑制，邊緣也有銳化增強(qiáng)痕跡，但同質(zhì)區(qū)平滑程度卻沒(méi)有明顯改善。

從圖1(c)～1(g)5幅去噪圖像可以發(fā)現(xiàn)，利用變窗迭代Lee濾波獲得的圖1(g)，其圖像同質(zhì)區(qū)噪聲抑制最充分，邊緣噪聲帶最窄，邊緣模糊程度也最小，但由于Lee濾波固有的選擇性濾波特性，故變尺度窗雖可以減小抑斑圖像的邊緣噪聲帶寬度，但卻不能從根本上消除邊緣區(qū)域噪聲。為此，在變窗迭代Lee濾波基礎(chǔ)上，引入自蛇擴(kuò)散用于去除Lee濾波難以去除的殘留孤立點(diǎn)噪聲與邊緣噪聲，從而在圖像各區(qū)域都可取得較好的抑斑效果，同時(shí) Lee濾波對(duì)含噪圖像的預(yù)先平滑又可大大減弱噪聲對(duì)自蛇擴(kuò)散的不利影響，防止虛假邊緣得到增強(qiáng)。圖1(j)是由圖1(b)經(jīng)變窗Lee濾波與自蛇擴(kuò)散通過(guò)3次混合迭代獲得的抑斑圖像，與其它抑斑圖像相比，圖1(j)不僅同質(zhì)區(qū)噪聲平滑更理想，而且有效克服了Lee濾波邊緣噪聲帶處理困難的問(wèn)題，同時(shí)自蛇擴(kuò)散對(duì)圖像邊緣的增強(qiáng)作用，又使得由于Lee濾波多次迭代與窗尺度增大而引起的部分邊緣模糊問(wèn)題得以控制。

3 變窗Lee濾波與自蛇擴(kuò)散的混合迭代濾波算法

混合迭代濾波算法在每次混合迭代中主要進(jìn)行3步操作：先估計(jì)SAR圖像局部統(tǒng)計(jì)量，接著基于局部統(tǒng)計(jì)量利用變窗Lee濾波進(jìn)行平滑濾波，最后利用自蛇擴(kuò)散去除Lee濾波抑斑圖像中殘余的孤立點(diǎn)噪聲與邊緣區(qū)域噪聲，并銳化邊緣。

3.1 SAR圖像局部統(tǒng)計(jì)量估計(jì)

Lee濾波這種基于圖像局部統(tǒng)計(jì)特性的空域?yàn)V波方法，在濾波前須先完成 SAR圖像局部統(tǒng)計(jì)參量的估計(jì)，需估計(jì)的參量有：場(chǎng)景參數(shù)的局部均值與局部方差D(x)，噪聲的全局方差。假設(shè)SAR圖像相干斑噪聲模型如式(1)所示，若采用r×r矩形窗R，則場(chǎng)景參數(shù)x的局部均值估計(jì)為

為估計(jì)場(chǎng)景參數(shù)x的局部方差D(x)，可先將式(1)的相干斑乘性模型轉(zhuǎn)化為加性模型。

由于場(chǎng)景參數(shù)x與噪聲w相互獨(dú)立，故由式(8)容易推出

式(10)表明：D(x)的估計(jì)須先計(jì)算,,D(A)及，其中與由式(7)估計(jì)，而D(A)可由式(11)估計(jì)。

二是在 SAR圖像中找出一塊平坦區(qū)域，然后在選定區(qū)域按式(13)估計(jì)。

上述兩種方法估計(jì)的噪聲方差都是局域性的，不同圖像區(qū)域的估計(jì)值差異明顯，而 SAR圖像真實(shí)噪聲方差在整個(gè)圖像范圍內(nèi)卻是一常數(shù)值。為此，本文提出了一種簡(jiǎn)單有效的 SAR圖像噪聲方差估計(jì)方法，具體估計(jì)步驟是：先利用式(13)計(jì)算圖像各像素點(diǎn)的局部噪聲方差估計(jì)，然后利用直方圖方法統(tǒng)計(jì)圖像各像素點(diǎn)局部噪聲方差估計(jì)值最集中的數(shù)據(jù)值，而這個(gè)數(shù)據(jù)值就是最終的全局噪聲方差估計(jì)值。新方法的提出是基于一般 SAR圖像的大部分區(qū)域均為同質(zhì)區(qū)這一假設(shè)，并利用直方圖統(tǒng)計(jì)方法巧妙地將圖像邊緣與復(fù)雜紋理區(qū)域中不準(zhǔn)確的噪聲方差估計(jì)值剔除，同時(shí)也避免了傳統(tǒng)估計(jì)方法噪聲方差的多值估計(jì)問(wèn)題。

3.2 變窗Lee濾波

完成 SAR圖像局部統(tǒng)計(jì)量估計(jì)之后，便可利用式(2)與式(3)進(jìn)行Lee濾波了。與傳統(tǒng)Lee濾波相比，本文算法對(duì) Lee濾波進(jìn)行了 3處改進(jìn)：(1)將傳統(tǒng)Lee濾波的固定窗，改為變尺度窗；(2)將傳統(tǒng)單次運(yùn)行Lee濾波改為迭代運(yùn)行，且窗尺度隨混合迭代次數(shù)的增加而加倍；(3)將傳統(tǒng)Lee濾波所采用的式(3)改進(jìn)為

其中，利用max{D(x),0}取代D(x)是防止估計(jì)的方差D(x)＜ 0 ；參數(shù)ε是一取值很小的常數(shù)，其存在是為防止分母為零而造成α無(wú)窮大；參數(shù)β稱為迭代倍乘因子，其存在是為了在每次迭代中提高對(duì)噪聲的平滑程度，減少混合迭代次數(shù)。由于Lee濾波在同質(zhì)區(qū)對(duì)噪聲具有較強(qiáng)的平滑能力，隨著混合迭代的進(jìn)行，新估計(jì)的噪聲方差會(huì)急劇減小，造成在同質(zhì)區(qū)α≈1，從而使得場(chǎng)景參數(shù)的濾波估計(jì)值?x由場(chǎng)景觀測(cè)值A(chǔ)決定，進(jìn)而引起算法噪聲平滑能力的顯著下降，為了盡可能地抑制噪聲，勢(shì)必要增加混合迭代的次數(shù)。另一方面，混合迭代次數(shù)越多，Lee濾波的窗尺度也越大，而Lee濾波的窗尺度過(guò)大又會(huì)引起SAR圖像局部統(tǒng)計(jì)參量估計(jì)偏差過(guò)大，失去局部統(tǒng)計(jì)意義，因此混合迭代次數(shù)又不能過(guò)多。為了盡可能地抑制噪聲，同時(shí)減少混合迭代次數(shù)，提高運(yùn)算速度，因此，在式(3)基礎(chǔ)上引入?yún)?shù)β，用于在每次混合迭代中盡可能擴(kuò)大噪聲的抑制程度，一般SAR圖像經(jīng)過(guò)3～4次混合迭代就能達(dá)到較好去噪效果。β可通過(guò)式(15)計(jì)算確定。

其中num為最大混合迭代次數(shù)，τ為尺度因子，一般5 ≤τ≤ 2 0效果較好。

3.3 自蛇擴(kuò)散濾波

含噪SAR圖像利用改進(jìn)的變窗Lee濾波完成初步抑斑后，就可利用式(4)進(jìn)行自蛇擴(kuò)散濾波，此時(shí)僅需要將式(4)中的A全部替換為經(jīng) Lee濾波去噪后的場(chǎng)景參數(shù)估計(jì)值x?，即

需要說(shuō)明的是：式(16)的數(shù)值計(jì)算不能直接采用中心差分方案，而應(yīng)采用迎風(fēng)方案[13]。

混合迭代濾波算法先進(jìn)行改進(jìn)的變窗 Lee濾波，后進(jìn)行自蛇擴(kuò)散，這種組合抑斑策略，一方面可以利用自蛇擴(kuò)散有效去除傳統(tǒng)Lee濾波難于平滑的孤立點(diǎn)起伏與邊緣噪聲，另一方面，Lee濾波對(duì)圖像噪聲的預(yù)先抑制，不僅大大降低了噪聲起伏對(duì)自蛇擴(kuò)散的不利影響，同時(shí)也明顯減少了自蛇擴(kuò)散自身需要的迭代運(yùn)算次數(shù)。對(duì)一般 SAR圖像，混合迭代算法的迭代次數(shù)在2～4次之間（具體迭代次數(shù)可由估計(jì)的噪聲方差閾值來(lái)決定），而在一次混合迭代中，自蛇擴(kuò)散自身也僅需迭代2～4次。因此，混合迭代濾波算法的運(yùn)算量遠(yuǎn)比擴(kuò)散濾波與變換域?yàn)V波算法小，具有較好的實(shí)時(shí)性。

4 實(shí)驗(yàn)結(jié)果

為評(píng)估本文算法在 SAR圖像相干斑抑制與邊緣保護(hù)方面的性能，設(shè)計(jì)了兩類實(shí)驗(yàn)，并與經(jīng)典的Lee濾波[2]、增強(qiáng) Lee濾波[3]、各項(xiàng)異性擴(kuò)散濾波(SRAD)[9]以及非下采樣 Contourlet變換濾波(NSCT)[7]進(jìn)行了實(shí)驗(yàn)效果對(duì)比，其中采用的客觀評(píng)價(jià)指標(biāo)如下：

(1)等效視數(shù)(ENL)：用于反映圖像的濾波效果，其表達(dá)式為

其中E和V分別為去噪圖像均勻場(chǎng)景的均值和標(biāo)準(zhǔn)差，ENL值越大表明噪聲抑制效果越好。

(2)比值圖像的均值與方差(分別記為 PE與PV)：在理想情況下，原始圖像與抑斑圖像的比值即為斑點(diǎn)噪聲圖像，而比值圖像的均值PE反映了抑斑算法對(duì)原始圖像輻射特性的保持程度，理想值為1；比值圖像的方差PV則反映了去噪算法對(duì)相干斑的抑制程度，與理想值越接近越好，對(duì)于幅度格式SAR圖像其理想PV值為(4/π- 1)/L，其中L為視數(shù)。

實(shí)驗(yàn) 1 由于真實(shí) SAR圖像無(wú)法準(zhǔn)確獲得邊緣等信息，為客觀的展現(xiàn)不同算法的抑斑與邊緣保護(hù)性能，本文構(gòu)造出一幅256×256的卡通圖像，如圖2(a)所示，其真實(shí)邊緣的二值圖像如圖2(b)所示。對(duì)圖2(a)添加均值為1，方差為0.1的乘性斑點(diǎn)噪聲，使其成為一幅6視幅度格式仿真SAR圖像，如圖2(c)所示，然后分別利用各抑斑算法對(duì)圖2(c)進(jìn)行抑斑，并對(duì)獲取的抑斑圖像進(jìn)行邊緣檢測(cè)(采用閾值為0.08的Canny邊緣檢測(cè)算子)，實(shí)驗(yàn)結(jié)果如表1與圖2所示。

圖2 實(shí)驗(yàn)1中各算法對(duì)仿真SAR圖像的抑斑效果

實(shí)驗(yàn)2 利用各去噪算法對(duì)圖3(a)所示的8視幅度格式機(jī)場(chǎng)SAR圖像(400×400)進(jìn)行抑斑，并對(duì)獲取的抑斑圖像進(jìn)行邊緣檢測(cè)(采用閾值為 0.1的Canny算子)，實(shí)驗(yàn)結(jié)果如表2與圖3所示。在兩類實(shí)驗(yàn)中，各算法主要參數(shù)如下：(1)Lee濾波與增強(qiáng)Lee濾波均采用9×9矩形窗；(2)SRAD擴(kuò)散迭代運(yùn)算150次，時(shí)間步長(zhǎng)0.04; (3)NSCT算法采用3層分解，各層方向子帶數(shù)為：8,8,16; (4)本文算法混合迭代3次，變窗Lee濾波初始窗大小為4×4，自蛇擴(kuò)散在每次混合迭代中進(jìn)行2次迭代運(yùn)算，反差參數(shù)K=10。另外，ENL的計(jì)算區(qū)域分別為圖2(a)與圖3(a)中矩形虛線框選定的同質(zhì)區(qū)，而PE與PV的計(jì)算區(qū)域則為整個(gè)圖像。

表1 實(shí)驗(yàn)1中各算法對(duì)仿真SAR圖像的抑斑效果參數(shù)對(duì)比

圖3 實(shí)驗(yàn)2中各算法對(duì)真實(shí)SAR圖像的抑斑效果

從實(shí)驗(yàn)1與實(shí)驗(yàn)2的抑斑對(duì)比實(shí)驗(yàn)可以發(fā)現(xiàn)：本文算法在ENL,PE及PV指標(biāo)上均優(yōu)于其它算法，而 ENL指標(biāo)更是遠(yuǎn)遠(yuǎn)高于其它算法。從圖2與圖3的直接目視比較也能發(fā)現(xiàn)：本文算法獲得的去噪圖像(圖2(h)，圖3(g))同質(zhì)區(qū)均比其它算法平滑，沒(méi)有圖2(d),2(e)和圖3(c),3(d)中明顯的孤立點(diǎn)噪聲散布，沒(méi)有圖2(f)和圖3(e)的邊緣模糊現(xiàn)象，也不存在圖2(g)和圖3(f)中的虛假條紋。這說(shuō)明從參數(shù)與目視效果對(duì)比來(lái)看，本文算法對(duì)圖像各區(qū)域噪聲的平滑能力都要優(yōu)于其它算法。從圖像邊緣與重要場(chǎng)景目標(biāo)的保護(hù)方面來(lái)看，本文算法獲得的邊緣檢測(cè)結(jié)果(圖2(m)和圖3(l))與其它算法邊緣檢測(cè)結(jié)果(圖2(i)～2(l)，圖3(h)～3(k))相比，虛假邊緣最少，重要場(chǎng)景目標(biāo)(例如圖3(a)中間的3架飛機(jī)、右下角的機(jī)場(chǎng)航站樓等)的輪廓均被清晰的保留，最接近圖像的真實(shí)邊緣。這說(shuō)明本文算法在去噪的同時(shí)較好地保護(hù)了圖像的邊緣與重要場(chǎng)景目標(biāo)。綜上，在抑斑與邊緣保護(hù)方面，本文算法對(duì)仿真 SAR圖像與真實(shí) SAR圖像均取得了較好的效果，從目視效果與定量指標(biāo)比較來(lái)看，均較其它算法理想。

表2 實(shí)驗(yàn)2中各算法對(duì)真實(shí)SAR圖像的抑斑效果參數(shù)對(duì)比

5 結(jié)束語(yǔ)

將改進(jìn)的變窗Lee濾波同自蛇擴(kuò)散結(jié)合，利用變窗Lee濾波平滑同質(zhì)區(qū)噪聲，借助自蛇擴(kuò)散去除Lee濾波難以去除的孤立點(diǎn)噪聲與邊緣區(qū)域噪聲，而先Lee濾波去噪，再自蛇擴(kuò)散的組合策略，使得Lee濾波對(duì)圖像噪聲的預(yù)先抑制，有效降低了噪聲對(duì)自蛇擴(kuò)散的不利影響，同時(shí)自蛇擴(kuò)散沿邊緣擴(kuò)散與沖擊濾波的邊緣銳化增強(qiáng)作用又彌補(bǔ)了Lee濾波平滑噪聲時(shí)對(duì)部分邊緣的模糊問(wèn)題。進(jìn)而，兩種方法的混合迭代，在圖像邊緣得到保護(hù)的同時(shí)，取得了較其它算法更好的抑斑能力與視覺(jué)效果，而在運(yùn)算速度上，本文算法也要遠(yuǎn)遠(yuǎn)優(yōu)于擴(kuò)散濾波與變換域?yàn)V波算法。另外，本文提出的 SAR圖像噪聲方差估計(jì)新方法，比傳統(tǒng)方法更加便捷有效。

[1]尹奎英,胡利平,劉宏偉,等.一種復(fù)合的 SAR 圖像去噪算法[J].西安電子科技大學(xué)學(xué)報(bào),2010,37(2): 224-230.Yin Kui-ying,Hu Li-ping,Liu Hong-wei,et al..Composite enhancing and denoising algorithm for SAR images based on scale space correlation[J].Journal of Xidian University,2010,37(2): 224-230.

[2]Lee J S.A simple speckle smoothing algorithm for synthetic aperture radar images[J].IEEE Transactions on System,Man,and Cybernatics,1983,13(1): 85-89.

[3]Lopes A,Touzi R,and Nezry E.Adaptive speckle filters and scene heterogeneity[J].IEEE Transactions on Geoscience and Remote Sensing,1990,28(6): 992-1000.

[4]鳳宏曉,焦李成,侯彪.基于局部平移瑞利分布模型的 SAR圖像相干斑抑制[J].電子與信息學(xué)報(bào),2010,32(4): 925-931.Feng Hong-xiao,Jiao Li-cheng,and Hou Biao.SAR image despeckling based on local translation-rayleigh distribution model[J].Journal of Electronics＆Information Technology,2010,32(4): 925-931.

[5]Bhuiyanr M I H,Ahmad M O,and Swamy M N S.Spatially adaptive wavelet-based method using the cauchy prior for denoising the SAR images[J].IEEE Transactions on Circuits and Systems for Video Technology,2007,17(4): 500-507.

[6]賈建,陳莉.基于雙變量模型和非下采樣 Contourlet變換的SAR圖像相干斑抑制[J].電子與信息學(xué)報(bào),2011,33(5):1088-1094.Jia Jian and Chen Li.SAR image despeckling based on bivariate threshold function in NSCT domain[J].Journal of Electronics＆Information Technology,2011,33(5):1088-1094.

[7]常霞,焦李成,劉芳,等.基于斑點(diǎn)方差估計(jì)的非下采樣Contourlet域SAR圖像去噪[J].電子學(xué)報(bào),2010,38(6): 1-6.Chang Xia,Jiao Li-cheng,Liu Fang,et al..Sar image despeckling based on the estimation of speckle variance in nonsubsampled contourlet domain[J].Acta Electronica Sinica,2010,38(6): 1-6.

[8]鳳宏曉,侯彪,焦李成,等.基于非下采樣Contourlet域局部高斯模型和 MAP的 SAR圖像相干斑抑制[J].電子學(xué)報(bào),2010,38(4): 811-816.Feng Hong-xiao,Hou Biao,Jiao Li-cheng,et al..SAR image despeckling based on local gaussian model and MAP in NSCT domain[J].Acta Electronica Sinica,2010,38(4):811-816.

[9]Yu Y and Acton S.Speckle reducing anisotropic diffusion[J].IEEE Transactions on Image Processing,2002,11(11):1260-1270.

[10]Yu Jin-hua,Wang Yuan-yuan,and Shen Yu-zhong.Noise reduction and edge detection via kernel anisotropic diffusion[J].Pattern Recognition Letters,2008,29(10):1496-1503.

[11]Liu Guo-jin,Zeng Xiao-ping,Tian Feng-chun,et al..Speckle reduction by adaptive window anisotropic diffusion[J].Signal Processing,2009,89(11): 2233-2243.

[12]Kass M,Witkin A,and Terzopolos D.Snakes: active contour models[J].International Journal of Computer Vision,1988,1(4): 321-331.

[13]Weickert J and Kühne G.Fast methods for implicit active contour models.Geometric Level Set Methods in Imaging,Vision,and Graphics[C].2003,Part II: 43-57.

[14]Lee J S and Eric P.Polarimetric Radar Imaging: From Basics to Applicaion[M].Boca Raton: CRC Press of Taylor ＆ Francis Group,2009: 101-175.