基于核獨(dú)立成分分析的極化SAR圖像相干斑抑制

張中山,余 潔,燕 琴,孟云閃,趙 爭(zhēng)

1.武漢大學(xué)遙感信息工程學(xué)院,湖北武漢430079;2.中國(guó)測(cè)繪科學(xué)研究院,北京100039

基于核獨(dú)立成分分析的極化SAR圖像相干斑抑制

張中山1,余 潔1,燕 琴2,孟云閃1,趙 爭(zhēng)2

1.武漢大學(xué)遙感信息工程學(xué)院,湖北武漢430079;2.中國(guó)測(cè)繪科學(xué)研究院,北京100039

為提高極化合成孔徑雷達(dá)圖像相干斑抑制的效果,提出基于核獨(dú)立成分分析(kernel independent component analysis,KICA)的極化SAR圖像相干斑抑制方法。該方法將三個(gè)通道的極化信息作為輸入數(shù)據(jù),經(jīng)過(guò)KICA變換得到三個(gè)獨(dú)立分量,取相干斑指數(shù)最小的分量作為濾波后的信息圖像。由于將核函數(shù)引入到獨(dú)立成分分析(independent component analysis,ICA)中,使在ICA中無(wú)法線性可分的信息在高維空間中達(dá)到線性可分。采用舊金山地區(qū)的AIRSAR數(shù)據(jù)與日本新潟地區(qū)的PISAR數(shù)據(jù)分別進(jìn)行試驗(yàn),并用相干斑指數(shù)和邊緣保持系數(shù)從客觀上進(jìn)行評(píng)價(jià)。試驗(yàn)表明,與ICA算法相比,KICA算法具有更好的濾波效果和保持邊緣信息的能力。

極化SAR;獨(dú)立成分分析;核獨(dú)立成分分析;相干斑

1 引 言

全極化SAR圖像比單極化SAR圖像提供了更加豐富的目標(biāo)信息,但是,由于大量的、呈顆粒狀的相干斑噪聲的存在,使圖像的解譯不明確,嚴(yán)重影響了圖像的目標(biāo)檢測(cè)、分類等應(yīng)用[1]。嚴(yán)格意義上講,相干斑不是噪聲,而是一種類噪聲現(xiàn)象,但由于斑點(diǎn)本身能夠提供的信息不多,且干擾了SAR圖像的視覺(jué)效果和判讀理解,更類似于噪聲[2]。因此對(duì)極化SAR圖像進(jìn)行相干斑抑制,使圖像變得清晰,突出特征信息顯得十分重要。

目前比較常見(jiàn)的濾波方法可以歸結(jié)為:①成像過(guò)程中的多視處理技術(shù);②成像后相干斑抑制技術(shù)。其中,成像后相干斑抑制的技術(shù)主要包括空域?yàn)V波與極化域?yàn)V波。

空域?yàn)V波是將傳統(tǒng)的數(shù)字圖像處理空間域?yàn)V波方法應(yīng)用到極化SAR圖像處理中。利用空間相近的像素具有相近的特征這一特點(diǎn),進(jìn)行處理。這些算法對(duì)相干斑均有一定的抑制作用,但在極化SAR圖像相干斑抑制的應(yīng)用中,都存在邊緣模糊的現(xiàn)象,且沒(méi)能充分利用極化SAR圖像的極化信息[3-4]。極化域?yàn)V波的代表性方法為極化白化濾波法。該算法的主要思想是考慮如何通過(guò)復(fù)極化測(cè)量元素的最優(yōu)組合來(lái)構(gòu)造一幅圖像,使其相干斑噪聲程度最低。其優(yōu)勢(shì)是可以保持圖像的分辨率不變,最大的缺點(diǎn)是,該算法是一種加權(quán)算法,即各極化通道功率基于相干斑抑制標(biāo)準(zhǔn)下的最優(yōu)加權(quán)[2]。最后得到一幅增強(qiáng)的信號(hào)圖像,丟失了極化信息。與極化域?yàn)V波法相似,本文中方法利用極化數(shù)據(jù)中盡可能多的目標(biāo)信息來(lái)抑制相干斑噪聲,通過(guò)對(duì)多幅極化圖像進(jìn)行處理,獲得一幅相干斑噪聲很低的增強(qiáng)的SAR圖像數(shù)據(jù),達(dá)到抑制相干斑的目的。

獨(dú)立成分分析 (independentcomponent analysis,ICA)是一種自適應(yīng)的優(yōu)化算法[5],是在盲信號(hào)分離的研究過(guò)程中出現(xiàn)的一種全新的信號(hào)處理和數(shù)據(jù)分析方法,主要用于提取多維信號(hào)中的潛在信息。該算法是主成分分析(PCA)算法的延伸,著眼于數(shù)據(jù)間的高階統(tǒng)計(jì)特性[1,6],其本質(zhì)是在源信號(hào)和混合參數(shù)均未知的前提下,僅依據(jù)源信號(hào)的一些基本統(tǒng)計(jì)特征,由混合信號(hào)恢復(fù)出源信號(hào)。目前ICA算法在極化SAR圖像處理中已有研究應(yīng)用[5,7],但是在處理非線性問(wèn)題的時(shí)候存在一定的缺陷[8-10]。核獨(dú)立成分分析(kernel independent component analysis,KICA)是將核方法引入到ICA算法當(dāng)中,通過(guò)非線性映射,實(shí)現(xiàn)數(shù)據(jù)從輸入空間到特征空間的轉(zhuǎn)換,然后對(duì)映射后的數(shù)據(jù)進(jìn)行ICA處理,算法具有很強(qiáng)的非線性處理能力,已成功地應(yīng)用于人臉識(shí)別研究[8]、盲信號(hào)分離研究[9]、圖像處理[10]中。由于KICA算法能夠更加準(zhǔn)確地對(duì)混合信息進(jìn)行分離,為了提高極化SAR圖像濾波效果,本文將該算法引入到極化SAR圖像相干斑抑制中,并對(duì)其性能進(jìn)行試驗(yàn)驗(yàn)證。

2 核獨(dú)立成分分析

2.1 ICA的基本思想

假設(shè)存在一組m維未知源信號(hào)向量s1,s2,…, sm,其線性組合得到一組 n維隨機(jī)觀測(cè)向量 x1, x2,…,xn。則獨(dú)立成分分析的數(shù)學(xué)模型可以表示為[11]

式中,X=(x1,x2,…,xn)T為一組n維隨機(jī)觀測(cè)向量;S=(s1,s2,…,sm)T為m(m≤n)個(gè)未知源信號(hào);A=(a1,a2,…,an)T為混合矩陣。

ICA算法的目的就是使最終的輸出信號(hào)Y= WX中的分量yi盡可能地相互獨(dú)立,從而得到對(duì)源信息si的一個(gè)估計(jì)其中W為ICA算法實(shí)現(xiàn)時(shí)尋找到的線性變換矩陣,又稱為解混矩陣。

為了估計(jì)獨(dú)立分量,模型中的元素需要滿足一定的限制條件:

(1)獨(dú)立分量之間是統(tǒng)計(jì)獨(dú)立或近似獨(dú)立的;

(2)源信號(hào)服從非高斯分布或至多有一個(gè)獨(dú)立分量服從高斯分布;

(3)觀測(cè)到的信號(hào)的個(gè)數(shù)要大于獨(dú)立源的個(gè)數(shù),即n≥m。通常為了簡(jiǎn)化問(wèn)題的復(fù)雜性,在實(shí)際應(yīng)用中,令m=n,即獨(dú)立分量與觀測(cè)變量的數(shù)目是相等的[12]。

在運(yùn)用ICA算法時(shí),為了減少運(yùn)算量,并使算法更加穩(wěn)定,需要對(duì)觀測(cè)數(shù)據(jù)進(jìn)行預(yù)處理,包括中心化和白化兩個(gè)部分。對(duì)觀測(cè)信號(hào)中心化是ICA算法最基本的預(yù)處理步驟,其處理過(guò)程是從觀測(cè)數(shù)據(jù)中減去信號(hào)的均值向量使得觀測(cè)數(shù)據(jù)成為零均值信號(hào)。經(jīng)過(guò)中心化后運(yùn)用ICA運(yùn)算得到的源信號(hào)S的估計(jì)Y也是零均值的數(shù)據(jù)。在源信號(hào)的估計(jì)Y上加上均值作為最終的信息數(shù)據(jù)[13]。

白化是ICA算法中對(duì)數(shù)據(jù)的另外一個(gè)重要的預(yù)處理步驟。對(duì)觀測(cè)信號(hào)進(jìn)行白化處理就是去除觀測(cè)信息之間的相關(guān)性,且使其方差為1,即滿足[14]

式中,X表示白化后的信息數(shù)據(jù)。

一般來(lái)講,ICA算法在白化處理后收斂速度更快,能獲得更好的穩(wěn)定性。

在獨(dú)立分量分析中,常用的算法是FastICA和Infomax算法?；谟?jì)算速度方面的考慮,本文選取了FastICA算法進(jìn)行分析。FastICA算法是基于負(fù)熵或峭度的非高斯性最大化原理,使用固定點(diǎn)(fixed-point)迭代理論尋找WX的非高斯性最大值[15]。該算法采用牛頓迭代算法對(duì)觀測(cè)變量的大量采樣點(diǎn)進(jìn)行批量處理,每次從觀測(cè)信號(hào)中分離出一個(gè)獨(dú)立分量,是獨(dú)立分析中的一種快速算法[16-17]。由于峭度對(duì)數(shù)據(jù)比較敏感,故本文中的FastICA算法采用了更為穩(wěn)定的負(fù)熵來(lái)實(shí)現(xiàn)混合信號(hào)的非高斯性最大化,運(yùn)用非二次函數(shù)對(duì)負(fù)熵進(jìn)行近似。算法流程如下[14,16,18]:

(1)對(duì)觀測(cè)信號(hào)進(jìn)行預(yù)處理。

(2)初始化W為模是1的隨機(jī)矩陣,維數(shù)為白化后數(shù)據(jù)的行向量個(gè)數(shù)。

(4)選用對(duì)稱正交化正交W矩陣并進(jìn)行歸一化處理。

(5)判斷 W 是否收斂,若 1 -min(abs(diag(W(k+1)T)＊W(k)))的值小于收斂條件,則解混矩陣W為所求;若沒(méi)有,則返回步驟(3)。

其中,g為任意一非二次函數(shù);g′為該函數(shù)的導(dǎo)數(shù);k為迭代次數(shù)。

2.2 KICA算法思路與流程

核獨(dú)立成分分析(KICA)算法是利用非線性核函數(shù)φ將原始數(shù)據(jù)映射到特征空間F中,在特征空間 F中進(jìn)行獨(dú)立成分分析,使在低維空間中線性不可分的信息在高維特征空間中達(dá)到線性可分。同時(shí),核函數(shù)方法一個(gè)重要的特點(diǎn)就是可以利用滿足Mercer條件的核函數(shù)代替線性算法中的內(nèi)積來(lái)實(shí)現(xiàn)非線性變換,而無(wú)需考慮非線性變換的具體形式[18-20]。目前常用的核函數(shù)有多項(xiàng)式、高斯函數(shù)、雙曲正切函數(shù)等。本文中KICA算法采用的是高斯核函數(shù),其公式為

這里核獨(dú)立成分分析采用的對(duì)照函數(shù)是核典型相關(guān)性分析。核典型相關(guān)性分析就是把一對(duì)x1和x2的 n個(gè)觀察數(shù)據(jù)和映射到 Mercer再生核屬性空間,成為和,再用核典型相關(guān)性將其最大化,公式如下[19,21]

求解式(4)的過(guò)程等價(jià)于求解式(5)廣義的特征值的問(wèn)題。

式中,K為相應(yīng)的基于觀測(cè)數(shù)據(jù)的Gram矩陣。

在高斯Mercer再生核屬性空間中,典型相關(guān)系數(shù)ρH=0與原來(lái)的變量的獨(dú)立性是一致的。

核獨(dú)立成分分析算法的基本流程如下[10,19-21]:

(1)白化輸入數(shù)據(jù)矢量 y1,y2,…,yn;

(2)估計(jì)原始獨(dú)立數(shù)據(jù) x1,x2,…,xn的中心化 Gram矩陣 K1,K2,…,Km,其中,xi=Wyi;

(3)定義λH為式(6)的最大特征值;

算法在上面步驟(2)～(4)之間重復(fù)運(yùn)行,直到滿足收斂條件,得到混合矩陣W。

3 試驗(yàn)結(jié)果與分析

極化合成孔徑雷達(dá)對(duì)同一場(chǎng)景提供了一組含有噪聲的極化圖像數(shù)據(jù),目標(biāo)特性與相干斑相互獨(dú)立,混合分散在這一組數(shù)據(jù)中。抑制相干斑的過(guò)程就是從觀測(cè)數(shù)據(jù)中分離出期望的雷達(dá)圖像信號(hào)和噪聲。ICA算法濾波的思想核心思想是,從觀測(cè)圖像中分離出期望的雷達(dá)源圖像信號(hào),濾去噪聲得到一幅增強(qiáng)的信息圖像,達(dá)到相干斑抑制的目的。

一般認(rèn)為,在完全發(fā)育的狀態(tài)下,相干斑噪聲是一種乘性分布的噪聲,即有[3-4,22]

式中,(i,j)是SAR圖像的空間坐標(biāo);I(i,j)是觀測(cè)SAR圖像在(i,j)處的像素強(qiáng)度;S(i,j)表示分辨單元內(nèi)無(wú)噪聲污染的期望強(qiáng)度值;U(i,j)為符合高斯分布的隨機(jī)噪聲。

在濾波之前需對(duì)觀測(cè)數(shù)據(jù)進(jìn)行對(duì)數(shù)量化,使相干斑由乘性噪聲變?yōu)榧有阅Ｐ?。由于圖像數(shù)據(jù)一般服從非高斯分布,可認(rèn)為滿足ICA條件,即最多只有一個(gè)高斯源,因此,可用ICA的對(duì)極化SAR圖像進(jìn)行相干斑抑制。

由于ICA、KICA兩種算法的模型存在兩個(gè)不確定性因素(①不能確定獨(dú)立成分的方差;②不能確定獨(dú)立成分的順序[9]),故分離出來(lái)的三個(gè)分量中,信號(hào)所在的分量是不固定的。根據(jù)計(jì)算得到的相干斑指數(shù),判斷其中的相干斑指數(shù)最小的一個(gè)分量為增強(qiáng)的信號(hào)圖像,另外兩個(gè)為分離出的噪聲。

本文采用兩組數(shù)據(jù)分別進(jìn)行試驗(yàn),第一組數(shù)據(jù)是美國(guó)舊金山海灣地區(qū)的全極化圖像數(shù)據(jù),第二組數(shù)據(jù)為一組日本新潟地區(qū)的PISAR全極化圖像數(shù)據(jù)。

美國(guó)J PL實(shí)驗(yàn)室的AIRSAR(CV-990)機(jī)載合成孔徑雷達(dá)系統(tǒng)于1992年進(jìn)行了多頻段、全極化的地面測(cè)繪試驗(yàn),獲得了一些地區(qū)的多頻全極化SAR數(shù)據(jù)。本文第一組試驗(yàn)采用的是這次試驗(yàn)在舊金山海灣上空采集到的L波段的數(shù)據(jù),從中截取了一塊包含城市、植被和海洋的區(qū)域,大小為513×513像素。

在采用ICA和 KICA算法處理圖像數(shù)據(jù)之前,需要將每幅513×513像素的圖像數(shù)據(jù)轉(zhuǎn)換為矢量形式,因此由三幅圖像數(shù)據(jù)得到一個(gè)3× 263 169的矩陣。并對(duì)數(shù)據(jù)矩陣進(jìn)行歸一化處理。

圖1所示為截取的舊金山海灣地區(qū)HH、HV與VV三種極化方式的圖像。

圖1 舊金山海灣地區(qū)試驗(yàn)數(shù)據(jù)Fig.1 The experimental data of San Francisco area

分別采用ICA和 KICA方法對(duì)舊金山海灣地區(qū)試驗(yàn)數(shù)據(jù)進(jìn)行相干斑抑制試驗(yàn)。ICA方法通過(guò)FastICA算法進(jìn)行信息圖像和相干斑噪聲的分離,具體參數(shù)設(shè)置如下:收斂條件設(shè)為0.000 01,最大迭代次數(shù)為1 000,非二次函數(shù)選用x3,白化過(guò)程中并沒(méi)有進(jìn)行降維處理。KICA算法運(yùn)用高斯核函數(shù),采用核典型相關(guān)性分析為對(duì)照函數(shù),同樣,收斂條件設(shè)為 0.000 01,最大迭代次數(shù)為1 000。在分離試驗(yàn)結(jié)果中,相干斑指數(shù)最小的那幅圖像為噪聲污染的源圖像信號(hào)的估計(jì),其余兩個(gè)獨(dú)立分量則是噪聲。

通過(guò)試驗(yàn),兩種方法分別得到相互獨(dú)立的兩個(gè)噪聲圖像和一個(gè)信息圖像。ICA與KICA算法處理得到的信息圖像分別如圖2(a)、圖2(b)所示。

圖2 舊金山海灣地區(qū)試驗(yàn)數(shù)據(jù)濾波后的信息圖像Fig.2 The San Francisco area experimental data after speckle reduction

將圖2與圖1進(jìn)行比較,可以發(fā)現(xiàn)濾波處理后圖像的質(zhì)量得到了明顯的改善,斑點(diǎn)得到了有效的抑制。從視覺(jué)效果來(lái)看,圖2中的(b)圖比(a)圖邊緣信息的保持效果更好,紋理信息更為清晰,目標(biāo)保持較好。

為了對(duì)極化SAR圖像濾波處理效果進(jìn)行客觀評(píng)價(jià),文中定義了相干斑指數(shù)來(lái)衡量相干斑抑制能力。在同質(zhì)區(qū)域中,理想的情況是整個(gè)區(qū)域的灰度一致。相干斑指數(shù)β是衡量一幅圖像噪聲相對(duì)強(qiáng)度的一種指標(biāo),相干斑指數(shù)越小,表明圖像上的相干斑越弱,可解譯性越高。

式中,β表示相干斑指數(shù);E{x}表示同質(zhì)區(qū)域像素的強(qiáng)度的平均值;表示同質(zhì)區(qū)域像素強(qiáng)度的標(biāo)準(zhǔn)差;x表示圖像中像素的強(qiáng)度[3-4]。

在第一組試驗(yàn)數(shù)據(jù)中,截取了一塊大小為71×71像素的同質(zhì)區(qū)域進(jìn)行了相干斑指數(shù)的計(jì)算。表1給出了該區(qū)域?yàn)V波前后的相干斑指數(shù)對(duì)比情況。

表1 第一組試驗(yàn)相干斑指數(shù)對(duì)比Tab.1 The comparison of the speckle reduction index for the first experiment

從表1中可以發(fā)現(xiàn),經(jīng)過(guò)ICA算法處理后產(chǎn)生的三個(gè)分量中,相干斑指數(shù)最小的分量3即為圖像信息,其相干斑指數(shù)為0.112 8,經(jīng)過(guò) KICA算法處理后產(chǎn)生的三個(gè)分量中,相干斑指數(shù)最小的分量2為該算法處理后的圖像信息,其相干斑指數(shù)為 0.092 7。與增強(qiáng)LEE濾波方法相比, ICA算法和 KICA算法均有較好的相干斑抑制能力。但是KICA方法濾波后信息圖像相干斑指數(shù)0.092 7要遠(yuǎn)小于 ICA方法的相干斑指數(shù)0.112 8,這也客觀地表明了 KICA算法在極化SAR圖像相干斑抑制方面比ICA算法更有效。

為了對(duì)邊緣保持能力進(jìn)行定量的分析,本文定義了邊緣保持系數(shù)(EPI)[23-24],用來(lái)描述因相干斑抑制處理使圖像中邊緣發(fā)生變化的程度。

式中 Ps(i,j)為濾波后圖像的像元值;P0(i,j)是濾波前圖像的像元值,選取的像素是圖像梯度變化迅速的區(qū)域。EPI的最小值為0,最大值為1,其值越大,圖像的邊緣保持效果越好。

在試驗(yàn)數(shù)據(jù)中截取了一塊大小為55×55像素的含有明顯邊緣信息的區(qū)域,如圖3所示。

圖3 邊緣保持指數(shù)計(jì)算區(qū)域Fig.3 The area used for calculatingEPI

表2給出了用ICA方法與 KICA方法進(jìn)行濾波,圖像的邊緣保持指數(shù)(edge preserve index, EPI)。

表2 第一組數(shù)據(jù)邊緣保持指數(shù)Tab.2 EPI of the first experimental data

為了進(jìn)一步驗(yàn)證 KICA算法的有效性,選取第二組數(shù)據(jù)進(jìn)行了試驗(yàn)。第二組試驗(yàn)數(shù)據(jù)采用的是日本新潟地區(qū)PISAR的全極化圖像數(shù)據(jù),從一幅1 200×1 200像素的圖像上截取了一塊圖像大小為513×513像素的區(qū)域,區(qū)域內(nèi)主要地物類型包括城市和稻田等。圖4所示為截取的日本新潟地區(qū)PISAR數(shù)據(jù)的HH、HV和VV三種極化方式的圖像。

圖4 日本新潟地區(qū)PISAR試驗(yàn)數(shù)據(jù)Fig.4 The experimental data of PISAR data of Japan’s Niigata area

經(jīng)過(guò)ICA與 KICA算法處理后所得到信息圖像如圖5(a)、圖5(b)所示。

圖5 日本新潟地區(qū)PISAR試驗(yàn)數(shù)據(jù)濾波后信息圖像Fig.5 The Japan’s Niigata area experimental data after speckle reduction

在進(jìn)行算法濾波處理效果定量分析時(shí),選取試驗(yàn)數(shù)據(jù)中大小為57×57像素的同質(zhì)區(qū)域計(jì)算相干斑指數(shù)。濾波前后的相干斑指數(shù)對(duì)比如表3所示。

表3 第二組試驗(yàn)相干斑指數(shù)對(duì)比Tab.3 The comparison of the speckle reduction index for the second experiment

在像元梯度變化較大的區(qū)域截取了一塊大小為55×55像素的圖像,如圖6所示。

圖6 邊緣保持指數(shù)計(jì)算區(qū)域Fig.6 The area used for calculating the EPI

按照公式(9)計(jì)算得到的邊緣保持指數(shù)如表4所示。

表4 第二組數(shù)據(jù)邊緣保持指數(shù)Tab.4 The EPI of the second experimental data

第二組試驗(yàn),無(wú)論從信號(hào)圖像的目視效果,還是由表3與表4中的客觀數(shù)據(jù),均可表明 KICA算法在極化SAR相干斑抑制中的有效性。同時(shí),兩組不同的試驗(yàn)數(shù)據(jù)的試驗(yàn)結(jié)果也反映出了KICA算法具有較好的魯棒性。

4 結(jié)束語(yǔ)

本文在ICA方法的基礎(chǔ)上提出了極化SAR圖像相干斑抑制的 KICA算法。與ICA方法相比,KICA算法能夠更有效地降低相干斑噪聲,提高圖像質(zhì)量,具有更強(qiáng)的極化SAR圖像相干斑抑制能力。但是本文方法與極化域?yàn)V波方法一樣,無(wú)可避免地?fù)p失了極化信息。如何盡量保持極化信息,也將是今后需要進(jìn)一步研究的問(wèn)題。同時(shí),在KICA算法中,由于引入了核函數(shù),在濾波過(guò)程中需要對(duì)核矩陣進(jìn)行處理,會(huì)增大運(yùn)算量,使得KICA算法運(yùn)行時(shí)間較長(zhǎng)。因此如何在利用 KICA算法有效的相干斑抑制能力的同時(shí),采取有力的方法來(lái)提高該算法的時(shí)間效率的問(wèn)題也需要進(jìn)行進(jìn)一步試驗(yàn)探究。

[1] CHEN Hongyan,FU Yusheng,ZHANG Rui,et al. Speckle Reduction of Polarimetric SAR Image Based on ICA-SCS Algorithm[J].Journal of Electronics&Information Technology,2007.29(4):819-821.(陳紅艷,付毓生,張睿,等.基于ICA-SCS算法的極化SAR圖像相干斑抑制[J].電子與信息學(xué)報(bào),2007,29(4):819-821.)

[2] ZHOU Xiaoguang,KUANG Gangyao,WAN Jianwei.A Review ofPolarimetricSAR Speckle Reduction[J]. Journal Image and Graphics,2008,13(3):377-385.(周曉光,匡綱要,萬(wàn)建偉.多極化SAR圖像斑點(diǎn)抑制綜述[J].中國(guó)圖象圖形學(xué)報(bào),2008,13(3):377-385.)

[3] HAN Chunming,GUO Huadong,WANG Changlin.The Essence of SAR Image Speckle Suppression[J].Journal of Remote Sensing,2002,6(6):470-474.(韓春明,郭華東,王長(zhǎng)林.SAR圖像斑點(diǎn)噪聲抑制的本質(zhì)[J].遙感學(xué)報(bào), 2002,6(6):470-474.)

[4] W ANG Chao,ZHANG Hong,CHEN Xi,et al.Processing of Fully Polarimetric Synthetic Aperture Rader Image[M]. Beijing:Science Press.2008:61-69.(王超,張紅,陳曦,等.全極化合成孔徑雷達(dá)圖像處理[M].北京:科學(xué)出版社,2008:61-69.)

[5] WU Dingxue,FAN Wenping.Combining ICA with LSSVM for Speckle Reduction of SAR Image[C]∥Proceedings of the 2009 Asia-Pacific Conference on Information Processing: Vol 1.Washington D.C.:IEEE Computer Society,2009: 128-131.

[6] WANG H,PI Y,LIU G,et al.Applications of ICA for the Enhancement and Classification of Polarimetric SAR Images[J].International Journal ofRemote Sensing, 2008,29(6):1649-1663.

[7] CHEN Hongyan.Research on Polarimetric SAR Image Speckle Reduction[D].Chengdu:University of Electronic Science and Technology,2006.(陳紅艷.極化SAR圖像相干斑抑制研究[D].成都:電子科技大學(xué),2006.)

[8] YIN Kezhong,GON G Weiguo,L I Weihong,et al. Research on KICA-based Face Recognition[J].Computer Application,2005,25(6):1324-1326.(尹克重,龔衛(wèi)國(guó),李偉紅,等.基于核獨(dú)立成分分析的人臉識(shí)別研究[J].計(jì)算機(jī)應(yīng)用,2005,25(6):1324-1326.)

[9] YAO Futian,J IN Lianfu,DAI Guang.Bland Source Separation Based on Kernel Independent Component Analysis[J].Computer Engineering and Application,2004 (6):44-46.(姚伏天,金連甫,戴光.基于核獨(dú)立成分分析的盲源信號(hào)分離[J].計(jì)算機(jī)工程與應(yīng)用,2004(6): 44-46.)

[10] CHEN Min,J IANG Yunfei,XI Xin,et al.Application of Kernel Independent Component Analysis in Image Processing[J].Application Research of Computers,2008, 25(1):297-299.(陳敏,姜云菲,習(xí)鑫,等.核獨(dú)立成分分析在圖像處理中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究,2008,25 (1):297-299.)

[11] CHEN Hongyan,LI Leimin.Speckle Reduction in Polarimetric SAR Images Based on IndependentComponent Analysis[J].Journal of University of Electronic Science and Technology of China,2006,35(4):480-483.(陳紅艷,李磊民.基于ICA的極化SAR圖像相干斑抑制[J].電子科技大學(xué)學(xué)報(bào),2006,35(4):480-483.)

[12] HYVARINEN A,OJA E.Independent Component Analysis: Algorithms and Applications[J].Neural Networks,2000, 13(4):411-430.

[13] XUE Yunfeng.Source Adaptive Independent Component Analysis Algorithm and Its Application[D].Shanghai: Shanghai Jiaotong University,2009.(薛云峰.源信號(hào)自適應(yīng)的獨(dú)立成分分析算法應(yīng)用與研究[D].上海:上海交通大學(xué),2009.)

[14] ZHENG Chunhou.A Study of Independent Component Analysis Algorithms and Their Application[D].Hefei: University of Science and Technology of China,2006.(鄭春厚.獨(dú)立分量分析算法及其應(yīng)用研究[D].合肥:中國(guó)科學(xué)技術(shù)大學(xué),2006.)

[15] HYVARINEN A,KARHUNEN J,OJA E.Independent Component Analysis[M].New York:John Wiley,2001.

[16] TIAN Jinfeng.Research on Polarimetric SAR Image Speckle Reduction Based on Independent Component Analysis[D]. Chengdu:University of Electronic Science and Technology, 2005.(田金風(fēng).基于獨(dú)立分量分析的遙感圖像相干斑抑制[D].成都:電子科技大學(xué),2005.)

[17] W ANG Haijiang.Comparision of Two ICA Based Methods for Speckle Reduction ofPolarimetric SAR Images[C]∥Proceedings of the 2009 Asia-Pacific Conference on Information Processing:2.Washington:IEEE Computer Society,2009:128-131.

[18] JIJian,TIAN Zheng.The Comparision of Speckle Reduction Methods for Polarimetric SAR Image Developed at ICA [J].Journal of Image and Graphics,2008,13(8):1437-1442.(紀(jì)建,田錚.極化SAR圖像相干斑抑制的ICA方法與分析[J].中國(guó)圖象圖形學(xué)報(bào),2008,13(8): 1437-1442.)

[19] XIE Qinlan.Feature Selection Using KICA Combining Class Separability and Genetic Algorithm[J].Journal of Wuhan University of Technology:Transportation Science &Engineering,2009,33(4):772-775.(謝勤嵐.結(jié)合類可分性和遺傳算法的核ICA特征選擇[J].武漢理工大學(xué)學(xué)報(bào):交通科學(xué)與工程版,2009,33(4):772-775.)

[20] SHSWE-TAYLOR J,CRISTIANINI N.Kernel Methods for PatternAnalysis[M].ZHAO Lingling,WENG Supeng,ZENG Huajun,et al,Trans.Beijing:China Machine Press,2006:95-113.(SHSWE-TAYLOR J, NELLO CRISTIANINI N.模式分析的核方法[M].趙玲玲,翁蘇朋,曾華軍,等,譯.北京:機(jī)械工業(yè)出版社, 2006:95-113.)

[21] BACH F R,JORDAN M I.Kernel Independent Component Analysis[J].Journal of Machine Learning Research, 2002,3:1-48.

[22] YANG Shenbing,LI Bingbai,SHEN Shuanghe,et al. Structure Retaining LinearMulti-channelSAR Image Speckle Filter[J].Acta Geodaetica etCartographica Sinica,2006,35(4):364-370.(楊沈斌,李秉柏,申雙和,等.基于特征保持的線性多通道最優(yōu)求和SAR圖像濾波算法[J].測(cè)繪學(xué)報(bào),2006,35(4):364-370.)

[23] HAN Chunming.The Study of SAR Image Speckle Filter [D].Beijing:Graduate University of Chinese Academy of Seiences,2003.(韓春明.SAR圖像斑點(diǎn)濾波研究[D].北京:中國(guó)科學(xué)院研究生院,2003.)

[24] HUAN G Shiqi,LIU Daizhi.Research on Method and Application of Speckle Noise Reduction of SAR Image[J]. Acta Geodaetica et Cartographica Sinica,2006,35(3): 245-250.(黃世奇,劉代志.SAR圖像斑點(diǎn)噪聲抑制方法與應(yīng)用研究[J].測(cè)繪學(xué)報(bào),2006,35(3):245-250.)

Research on Polarimetric SAR Image Speckle Reduction Using Kernel Independent Component Analysis

ZHANG Zhongshan1,YU Jie1,YAN Qin2,MENG Yunshan1,ZHAO Zheng2
1.School of Remote Sensing and Information Engineering,Wuhan University,Wuhan 430079,China;2.Chinese Academy of Surveying and Mapping,Beijing 100039,China

In order to improve the accuracy of polarimetric synthetic aperture radar image speckle reduction,a polarimetric SAR image speckle reduction method using kernel independent component analysis(KICA)is presented. This method uses the polarimetric information of three channels as its input data,obtains three independent components after KICA conversion,and takes the one with the smallest speckle index as the filtered results.Due to the introduction of kernel function,the information that can not be linearly separated using independent component analysis(ICA)algorithm achieves linearly separated in the kernel high-dimensional space.For the purpose of verifying the validity of the KICA method,the AIRSAR data of San Francisco and the PISAR data of J apan’s Niigata were tested.The efficiency is objectively evaluated by the speckle reduction index and the edge preservation index.And the experiment results show that the image edges are retained better and the speckles are removed more effectively with the method of KICA algorithm compared with the ICA algorithm.

polarimetric SAR;independent component analysis;kernel independent component analysis;speckle

ZHANG Zhongshan(1982—),male,PhD candidate,majors in remote sensing data processing and artificial intelligence.

1001-1595(2011)03-0289-07

TN957

A

國(guó)家863計(jì)劃(2009AA12Z145)

(責(zé)任編輯:叢樹(shù)平)

2010-04-30

2010-09-16

張中山(1982—),男,博士生,研究方向?yàn)檫b感數(shù)據(jù)處理與人工智能。

E-mail:standinwind@163.com