基于非局部分類處理的SA R圖像降斑

劉書君，吳國(guó)慶，張新征，楊 婷，李勇明（重慶大學(xué)通信工程學(xué)院，重慶400044）

基于非局部分類處理的SA R圖像降斑

劉書君，吳國(guó)慶，張新征，楊 婷，李勇明
（重慶大學(xué)通信工程學(xué)院，重慶400044）

針對(duì)合成孔徑雷達(dá)（synthetic aperture radar，SAR）圖像不同內(nèi)容間的統(tǒng)計(jì)特性差距較大以及采用非局部降斑方法處理SAR圖像時(shí)會(huì)產(chǎn)生圖像細(xì)節(jié)丟失及偽影等現(xiàn)象，提出了一種基于非局部分類處理的SAR圖像降斑方法。首先對(duì)相似塊方差系數(shù)的均值采用閾值比較的方法將圖像分為同質(zhì)區(qū)和異質(zhì)區(qū)，在尋找目標(biāo)塊對(duì)應(yīng)的相似塊時(shí)，根據(jù)圖像塊中心像素點(diǎn)所屬的類別選擇合適的參數(shù)進(jìn)行塊匹配，并在獲得相似塊后分別使用加權(quán)平均的方法處理同質(zhì)區(qū)目標(biāo)塊和3D變換域硬閾值收縮方法處理異質(zhì)區(qū)目標(biāo)塊。該方法不僅能在塊匹配過程中選擇不同的塊尺寸和搜索范圍以提高塊匹配的精度，而且使用不同方法處理同質(zhì)區(qū)和異質(zhì)區(qū)時(shí)能夠在圖像降斑與細(xì)節(jié)保持的權(quán)衡中達(dá)到更好的平衡。實(shí)驗(yàn)結(jié)果表明，該方法充分利用同質(zhì)區(qū)和異質(zhì)區(qū)的特點(diǎn)，結(jié)合不同的方法進(jìn)行分類處理可有效提高圖像降斑性能，在SAR圖像降斑性能指標(biāo)和視覺效果方面均達(dá)到了較高水平。

合成孔徑雷達(dá)；圖像分類；非局部降斑

網(wǎng)址：www.sys-ele.com

0 引 言

合成孔徑雷達(dá)（synthetic aperture radar，SAR）作為一種高分辨的雷達(dá)體制，在軍用和民用領(lǐng)域都有著廣泛的應(yīng)用。然而SAR相干成像機(jī)理使所獲得的圖像中含有大量相干斑，這些相干斑給目標(biāo)識(shí)別及圖像壓縮等后續(xù)處理帶來了不利影響［1 2］。因此SAR降斑是進(jìn)行SAR圖像后續(xù)處理前的一個(gè)關(guān)鍵步驟［3］。

在過去的幾十年里針對(duì)SAR圖像降斑，國(guó)內(nèi)外學(xué)者提出了許多經(jīng)典的算法，其中包括基于空間域?yàn)V波的Lee、K uan、Gam ma-M ap和基于變換域的小波軟硬閾值方法等。2005年，Buade受到之前鄰域?yàn)V波思想的啟發(fā)，提出了非局部均值濾波（non-local means，N L M）方法［4］，突破了傳統(tǒng)方法基于鄰域?yàn)V波的局限性。該方法利用圖像的非局部冗余性，在整個(gè)圖像內(nèi)尋找與目標(biāo)塊相似的圖像塊，然后將相似塊加權(quán)平均估計(jì)目標(biāo)塊。文獻(xiàn)［5］在NLM的基礎(chǔ)上，結(jié)合SAR圖像自身的特點(diǎn)對(duì)其進(jìn)行改進(jìn)，提出了基于圖像塊概率分布（probabilistic patch-based，PPB）的加權(quán)平均降斑方法，降斑能力達(dá)到了領(lǐng)先水平?；诜蔷植考訖?quán)平均降斑方法的缺陷在于塊匹配過程中相似塊的多選、錯(cuò)選、少選而產(chǎn)生的oversmooth效應(yīng)和rare patch效應(yīng)［6-7］。為降低相干斑對(duì)塊匹配精度的影響，文獻(xiàn)［8］采用兩步濾波，先利用初始濾波對(duì)圖像塊結(jié)構(gòu)信息進(jìn)行估計(jì)，再進(jìn)行塊匹配來提高其精度。文獻(xiàn)［9］將非局部方法與Lee濾波方法相結(jié)合，從而改善傳統(tǒng)非局部方法中固定圖像塊尺寸對(duì)塊匹配的不利影響。

近年來，一些將稀疏表示與非局部思想相結(jié)合的方法［10 11］取得了新的突破。其優(yōu)勢(shì)不僅表現(xiàn)在一些客觀評(píng)價(jià)指標(biāo)上，同時(shí)濾波后的圖像擁有更豐富的細(xì)節(jié)。其良好的處理性能主要來自于兩個(gè)方面：相似圖像塊的3D群稀疏能夠獲得比單獨(dú)圖像塊稀疏表示更高的稀疏度；當(dāng)相似圖像塊的相似度較低時(shí)，每個(gè)圖像塊自身的稀疏表示發(fā)揮作用保證最終的處理效果。但當(dāng)觀測(cè)圖像受相干斑影響較嚴(yán)重時(shí)，濾波后圖像的同質(zhì)區(qū)會(huì)出現(xiàn)偽影現(xiàn)象。

事實(shí)上，SAR降斑是個(gè)極具挑戰(zhàn)性的問題，首先SAR圖像受相干斑影響較嚴(yán)重，其次SAR圖像不同場(chǎng)景的統(tǒng)計(jì)特性變化較大，并且SAR圖像內(nèi)容豐富，因此很難使用統(tǒng)一降斑模型來處理整個(gè)圖像。此外，在SAR降斑過程中不同區(qū)域的降斑目標(biāo)也不相同，主要包括：濾波后圖像的同質(zhì)區(qū)應(yīng)盡可能平滑，濾波過程中應(yīng)盡可能保持圖像的邊緣細(xì)節(jié)及一些孤立的點(diǎn)目標(biāo)，還應(yīng)該避免產(chǎn)生偽影等現(xiàn)象［12］?？梢娬鶊D像中不同的圖像內(nèi)容及降斑目標(biāo)對(duì)降斑方法提出了不同的要求，甚至對(duì)某些參數(shù)的設(shè)置要求截然相反，所以為提高降斑的整體效果，需要先對(duì)圖像內(nèi)容進(jìn)行分類，然后針對(duì)不同的圖像內(nèi)容使用不同的方法進(jìn)行處理。目前，許多降斑方法在處理過程中都考慮了SA R圖像的不同內(nèi)容特征，文獻(xiàn)［13-14］提出了基于圖像塊方向特性的非局部降斑方法，文獻(xiàn)［15］首先利用局部圖像塊的方差系數(shù)將圖像分為同質(zhì)區(qū)和異質(zhì)區(qū)，然后分別使用不同的方法對(duì)其降斑。文獻(xiàn)［12］在SAR圖像3維塊匹配濾波（synthetic aperture radar-block matching and 3D filtering，SAR-B M 3D）方法［11］的基礎(chǔ)上提出了分類自適應(yīng)參數(shù)的SAR-B M 3D。

本文針對(duì)SAR圖像本身的特性與分類處理的優(yōu)勢(shì)，提出了一種基于非局部分類處理的降斑方法。首先對(duì)相似塊方差系數(shù)的均值進(jìn)行閾值比較將SAR圖像分為同質(zhì)區(qū)和異質(zhì)區(qū)，然后分別為同質(zhì)區(qū)圖像塊設(shè)置大的塊尺寸和小的搜索范圍，為異質(zhì)區(qū)圖像塊設(shè)置小的塊尺寸和大的搜索范圍進(jìn)行塊匹配，以提高塊匹配的精度，然后分別對(duì)同質(zhì)區(qū)的相似圖像塊進(jìn)行加權(quán)平均處理，對(duì)異質(zhì)區(qū)圖像塊進(jìn)行3D變換域硬閾值收縮處理來估計(jì)圖像塊，以便在有效降斑的同時(shí)更好的保持圖像的邊緣細(xì)節(jié)和一些點(diǎn)目標(biāo)。在以下章節(jié)中本文將詳細(xì)介紹了該方法及參數(shù)的選擇。仿真分析和算法對(duì)比驗(yàn)證了本文算法可以更好的在圖像降斑與細(xì)節(jié)紋理保持之間實(shí)現(xiàn)平衡。

1 圖像分類

SAR圖像不僅內(nèi)容豐富，還擁有許多強(qiáng)散射點(diǎn)，而且不同內(nèi)容間的統(tǒng)計(jì)特性差距較大。采用基于分類的降斑方法不僅能夠有效降斑，同時(shí)可以更好的保持圖像固有的紋理細(xì)節(jié)特征。

為實(shí)現(xiàn)圖像分類，首先對(duì)輸入SAR圖像進(jìn)行簡(jiǎn)單的高斯空域?yàn)V波，即將圖像與高斯窗函數(shù)w（i，j）=exp［-（（i-）2+（j-）2）/2σ2］進(jìn)行卷積運(yùn)算，其中i，j分別表示窗函數(shù)的行和列，，為窗函數(shù)中心，σ為窗函數(shù)標(biāo)準(zhǔn)差，大小為1.2［16］，窗函數(shù)大小為通用經(jīng)驗(yàn)值8×8［11］。然后計(jì)算每個(gè)像素點(diǎn)的方差系數(shù)為

式中，μi和σi分別表示以像素點(diǎn)i為中心的圖像塊的均值和方差，然后將Ci與閾值τ進(jìn)行比較，若方差系數(shù)大于閾值則該像素點(diǎn)屬于異質(zhì)區(qū)，否則屬于同質(zhì)區(qū)。這里閾值τ設(shè)置為［17］

圖1為真實(shí)SAR圖像及分類結(jié)果，其中圖1（b）中白色部分表示異質(zhì)區(qū)，黑色部分表示同質(zhì)區(qū)。對(duì)比圖1（a）和圖1（b）可見，圖1（a）中的建筑物，道路及一些強(qiáng)散射點(diǎn)等邊緣和細(xì)節(jié)被分為了異質(zhì)區(qū)，少部分平坦的區(qū)域被分為了同質(zhì)區(qū)，分類結(jié)果符合真實(shí)圖像類別。

圖1 真實(shí)SAR圖像及分類結(jié)果

2 塊匹配和參數(shù)設(shè)置

2.1 塊匹配

基于圖像結(jié)構(gòu)中原有的冗余特性，非局部降斑方法通過相似塊匹配在整個(gè)觀測(cè)圖像中尋找與目標(biāo)塊或目標(biāo)像素點(diǎn)含有相同真實(shí)信號(hào)的圖像塊或像素點(diǎn)，然后利用這些非局部相似信息估計(jì)目標(biāo)塊或目標(biāo)像素點(diǎn)。其中塊匹配是非局部濾波的核心步驟，設(shè)觀測(cè)圖像為

式中，x（i），n（i）分別表示真實(shí)圖像和相干斑，圖像大小為表示以像素點(diǎn)i為中心的圖像塊，表示取塊操作，yi的大小為對(duì)目標(biāo)圖像塊yi進(jìn)行塊匹配的過程即為從搜索范圍Ω內(nèi)的S個(gè)圖像塊中選擇出K個(gè)與yi最相似的圖像塊構(gòu)成相似塊集合，并計(jì)算出目標(biāo)塊與相似塊之間的相似度權(quán)重。在加性高斯噪聲模型下，文獻(xiàn)［4］給出了基于歐式距離的相似度計(jì)算方法：

式中，d（yi，yj）（j∈Ω）為yi和yj間的歐式距離；h為濾波參數(shù)?；谑剑?）相似度計(jì)算的塊匹配能夠很好的處理含有加性噪聲的圖像，然而對(duì)于SAR圖像，由于相干斑產(chǎn)生機(jī)理與噪聲不同并且相對(duì)于加性噪聲污染更加嚴(yán)重，利用式（4）計(jì)算SAR圖像塊間的相似度性能會(huì)有所下降［11］。為進(jìn)一步提高塊匹配精度，利用統(tǒng)計(jì)估計(jì)方法重新構(gòu)造塊相似度計(jì)算函數(shù)，事實(shí)上兩個(gè)圖像塊之間的相似度等價(jià)為

式中，O表示塊內(nèi)像素集。對(duì)于完全發(fā)育相干斑，L視SAR圖像相干斑可通過Nakagami-Rayleigh分布建模：

2.2 基于分類的參數(shù)設(shè)置

塊匹配的好壞直接影響非局部降斑的最終結(jié)果，而影響塊匹配的兩個(gè)關(guān)鍵因素是圖像塊自身的大小和搜索范圍Ω。對(duì)于同質(zhì)區(qū)，由于目標(biāo)塊附近圖像塊所包含的真實(shí)信息與它本身所包含的真實(shí)信息相同，在塊匹配過程中，應(yīng)適當(dāng)增加圖像塊的尺寸而減小搜索范圍Ω；與之相反，對(duì)于異質(zhì)區(qū)，由于目標(biāo)圖像塊包含較多的紋理細(xì)節(jié)及一些孤立的強(qiáng)散射點(diǎn)，塊匹配時(shí)在目標(biāo)塊附近很難找到與目標(biāo)塊相似的圖像塊，此外當(dāng)目標(biāo)圖像塊的尺寸設(shè)置較大時(shí)，找到的相似圖像塊的細(xì)節(jié)與目標(biāo)塊的細(xì)節(jié)相似度會(huì)減弱，不利于降斑圖像細(xì)節(jié)的保持，因此異質(zhì)區(qū)的塊匹配應(yīng)適當(dāng)減小圖像塊的尺寸而增加搜索范圍。

3 非局部分類降斑

3.1 非局部降斑方法的選擇

對(duì)于不同類別（同質(zhì)區(qū)和異質(zhì)區(qū)）的目標(biāo)塊，由于包含的信息結(jié)構(gòu)不同，利用相似塊集合進(jìn)行估計(jì)的方法也不同。對(duì)于同質(zhì)區(qū)目標(biāo)塊的相似塊集合，由于它們所包含的真實(shí)信息服從的分布與目標(biāo)塊相同，利用相似塊之間加權(quán)平均方法估計(jì)目標(biāo)塊是無偏估計(jì)，并且最終的估計(jì)誤差只與相似塊的數(shù)量有關(guān)，因此本文利用非局部均值方法估計(jì)同質(zhì)區(qū)目標(biāo)塊。而異質(zhì)區(qū)的目標(biāo)塊中包含大量的紋理細(xì)節(jié)信息，在塊匹配過程中很難找到足夠多的相似塊，特別對(duì)于包含強(qiáng)散射點(diǎn)的目標(biāo)塊，尋找到的相似塊與它自身的相似度不高，此時(shí)加權(quán)平均的估計(jì)方法是有偏的，并且這種偏差是引起最終估計(jì)誤差的主要原因，因此本文使用3D硬閾值收縮方法估計(jì)異質(zhì)區(qū)目標(biāo)塊。3D硬閾值收縮方法雖然也利用了圖像塊之間的相似度，但在降斑的核心處理上并不完全依賴于不同塊之間的相似度。當(dāng)不同塊之間相似度較大時(shí)，3D硬閾值收縮獲得的系數(shù)稀疏度也隨之提高；當(dāng)塊間相關(guān)性降低時(shí)，雖然3D硬閾值收縮系數(shù)的稀疏度會(huì)隨之降低，但塊內(nèi)的相關(guān)性依然可以保證一定的稀疏度，此時(shí)的降斑效果與每個(gè)圖像塊單獨(dú)稀疏降斑相接近，但不會(huì)出現(xiàn)非局部均值方法中因?yàn)橄嗨茐K的錯(cuò)選、多選、少選而導(dǎo)致的oversm ooth效應(yīng)和rare patch效應(yīng)。

3.2 非局部均值與3D變換域硬閾值收縮濾波

對(duì)于同質(zhì)區(qū)目標(biāo)塊yi，非局部均值法通過對(duì)相似塊集合Θi=〈y1，y2，…，yK〉進(jìn)行加權(quán)平均來估計(jì)yi：

式中，ω（yi，yj）如式（7）所示；為yi的估計(jì)值。

對(duì)于異質(zhì)區(qū)相似塊集合，首先將其構(gòu)造成3D矩陣Yi，然后通過式（10）計(jì)算降斑后的3D圖像塊矩陣：

式中，Γ3D，分別表示標(biāo)準(zhǔn)3D線性變換和反變換；γ表示硬閾值收縮操作，閾值的大小由圖像塊的局部方差決定。在得到圖像塊的非局部估計(jì)后，通過式（11）重構(gòu)降斑圖像：

為進(jìn)一步論證分類處理的優(yōu)勢(shì)，本文直接從SAR圖像中抽取出包含較多細(xì)節(jié)紋理的區(qū)域作為異質(zhì)區(qū)，含有大部分平滑的區(qū)域作為同質(zhì)區(qū)進(jìn)行仿真。如圖2給出了非局部均值方法，3D變換域硬閾值收縮方法以及分類處理方法對(duì)SAR圖像同質(zhì)區(qū)與異質(zhì)區(qū)進(jìn)行降斑的效果圖。

圖2 不同方法處理同質(zhì)區(qū)和異質(zhì)區(qū)的效果對(duì)比圖

如圖2（a）所示，上半部分為異質(zhì)區(qū)，下半部分為同質(zhì)區(qū)。圖2（b）和圖2（c）分別為使用統(tǒng)一塊匹配參數(shù)的非局部均值方法和3D變換域硬閾值收縮方法處理的結(jié)果，圖2（d）為使用3D變換域硬閾值收縮方法處理異質(zhì)區(qū)，使用非局部均值方法處理同質(zhì)區(qū)的分類處理后獲得的結(jié)果，并且同質(zhì)區(qū)和異質(zhì)區(qū)設(shè)置了不同的塊匹配參數(shù)。對(duì)比可見圖2（c）和圖2（d）的異質(zhì)區(qū)擁有比圖2（b）更多的細(xì)節(jié)，同時(shí)道路等邊緣更加清晰；而圖2（c）的同質(zhì)區(qū)出現(xiàn)了偽影現(xiàn)象，這是因?yàn)楫?dāng)觀測(cè)圖像受相干斑影響較嚴(yán)重時(shí)，對(duì)同質(zhì)區(qū)的相似塊使用3D硬閾值濾波時(shí)，會(huì)將相干斑的結(jié)構(gòu)當(dāng)作圖像塊本身的結(jié)構(gòu)，雖然相干斑可通過稀疏表示減少但降斑后圖像仍保留了其結(jié)構(gòu)信息?？梢?，3D變換域硬閾值收縮方法更適合處理異質(zhì)區(qū)而不適合處理同質(zhì)區(qū)。

為進(jìn)一步比較各種方法降斑效果，表1給出了異質(zhì)區(qū)的邊緣保持系數(shù)（edge preservation index，EPI）［18］指標(biāo)和同質(zhì)區(qū)矩形框中圖像的等效視數(shù)（equivalent numbers of looks，E N L）［5］指標(biāo)，EPI值越大說明降斑后圖像保持細(xì)節(jié)能力越強(qiáng)，E N L越大說明降斑后圖像中殘留相干斑越弱。由表1可見，對(duì)于異質(zhì)區(qū)，分類處理方法的邊緣保持能力略高于3D變換域硬閾值收縮法，由于它們降斑方法相同但是分類處理方法根據(jù)圖像的類別設(shè)置了更優(yōu)的塊匹配參數(shù)，而非局部均值方法的邊緣保持能力低于這兩種方法是其本身缺陷所造成的。對(duì)于同質(zhì)區(qū)，非局部均值方法降斑效果優(yōu)于3D變換域硬閾值收縮方法，并且當(dāng)調(diào)整塊匹配參數(shù)時(shí)效果更好。

表1 各算法處理不同區(qū)域的FPI，F(xiàn)NL指標(biāo)

綜上所述，基于非局部分類處理的SAR圖像降斑算法流程圖如圖3所示。

圖3 整體算法流程圖

4 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證非局部分類降斑算法的有效性，本文選用兩幅大小為512×512，視數(shù)為2的真實(shí)SAR圖像SAR1、SAR2進(jìn)行降斑實(shí)驗(yàn)，其中SAR1分辨率為1×1（單位：m），來自Radarsat-2數(shù)據(jù)，SAR2的分辨率為3×3（單位：m），來自M ST A R數(shù)據(jù)。為進(jìn)一步體現(xiàn)本文算法的特點(diǎn)及優(yōu)勢(shì)，將本文算法與Lee濾波算法，PPB算法及SAR-B M 3D算法進(jìn)行對(duì)比。其中Lee濾波算法滑動(dòng)窗口大小設(shè)置為5，PPB算法和SAR-B M 3D算法參數(shù)設(shè)置分別參照文獻(xiàn)［5，11］。對(duì)于本文算法，平滑度控制參數(shù)η設(shè)置為1.11，同質(zhì)區(qū)圖像塊大小設(shè)置為9×9，搜索范圍設(shè)置為15×15；異質(zhì)區(qū)圖像塊大小設(shè)置為3×3，搜索范圍設(shè)置為39×39；濾波參數(shù)h和控制參數(shù)ζ的設(shè)置參照文獻(xiàn)［5］，閾值γ的設(shè)置參照文獻(xiàn)［12］。

圖4和圖5分別展示了SAR1、SAR2降斑結(jié)果，可見Lee濾波算法的降斑能力及細(xì)節(jié)保持能力都相對(duì)較弱；PPB算法的優(yōu)勢(shì)是處理同質(zhì)區(qū)而SAR-B M 3D算法的優(yōu)勢(shì)是處理異質(zhì)區(qū)，而本文算法不僅同質(zhì)區(qū)斑點(diǎn)噪聲抑制能力強(qiáng)于其他3種方法，而且降斑后圖像邊緣細(xì)節(jié)信息得到了更好的保持，抑斑后的圖像較為清晰。

為進(jìn)一步分析各算法對(duì)圖像細(xì)節(jié)及點(diǎn)目標(biāo)的處理情況，圖6給出了圖5中降斑結(jié)果的細(xì)節(jié)放大圖。其中Lee濾波算法降斑后的圖像如圖6（a），雖然細(xì)節(jié)點(diǎn)目標(biāo)存在，但整體效果模糊，不利于后期SA R圖像處理；PPB算法降斑結(jié)果圖中部分點(diǎn)目標(biāo)被平滑掉了，如圖6（b）中的白色矩形框內(nèi)的部分，而本文算法在實(shí)現(xiàn)同質(zhì)區(qū)盡可能平滑的同時(shí)更好的保持了圖像固有的一些點(diǎn)目標(biāo)，如圖6（d）白色矩形框所示。

表2給出了圖6（a）和圖7（a）中所標(biāo)記的4個(gè)同質(zhì)區(qū)的E N L，表3給出了降斑處理后圖像的EPI。從E N L值可見，本文算法降斑能力強(qiáng)于其他3種算法，降斑后圖像含有的相干斑最少；從EPI值可以看出，本文算法降斑后圖像的邊緣保持能力強(qiáng)于Lee算法和PPB算法，而略低于SA R-B M3D算法。因此本文基于非局部分類處理的方法，結(jié)合了非局部均值方法和3D變換域硬閾值收縮方法的優(yōu)勢(shì)，可以很好的實(shí)現(xiàn)同質(zhì)區(qū)平滑與異質(zhì)區(qū)細(xì)節(jié)保留間的有效平衡。

圖4 各算法對(duì)SAR1降斑后圖像

圖5 各算法對(duì)SAR2降斑后圖像

圖6 SAR2降斑后圖像細(xì)節(jié)對(duì)比

表2 同質(zhì)區(qū)F N L性能參數(shù)比較

表3 降斑后圖像FPI性能參數(shù)比較

5 結(jié)束語

本文提出了一種基于SAR圖像內(nèi)容分類的非局部降斑方法。首先利用非局部方差系數(shù)均值閾值比較的方法將圖像分為同質(zhì)區(qū)和異質(zhì)區(qū)，然后根據(jù)分類結(jié)果分別為同質(zhì)區(qū)和異質(zhì)區(qū)設(shè)置不同塊匹配參數(shù)來提高其精度。最后采用非局部均值方法處理同質(zhì)區(qū)相似塊，3D變換域硬閾值收縮方法處理異質(zhì)區(qū)相似塊，不僅可以很好的實(shí)現(xiàn)同質(zhì)區(qū)盡量平滑與異質(zhì)區(qū)保留盡可能多的紋理細(xì)節(jié)間的平衡，還有效的克服了3D變換域硬閾值收縮降斑方法給圖像帶來的偽影現(xiàn)象以及非局部均值降斑方法導(dǎo)致圖像細(xì)節(jié)丟失的缺點(diǎn)。詳細(xì)的仿真結(jié)果及實(shí)驗(yàn)數(shù)據(jù)說明了本文算法的有效性。此外，影響本文算法降斑效果的關(guān)鍵因素是圖像的分類，因此下一步我們將考慮通過改進(jìn)圖像分類的方法來提高降斑效果。

［1］Argenti F，Alparone L.Speckle removalfrom SAR image in the undecimated wavelet do main［J］.IE E E Trans.on Geoscience and Remote Sensing，2002，40（11）：2363-2374.

［2］W ang Y，Ainsworth T L，Lee J.On characterizing high-resolution SA R imagery using kernel-based mixture speckle models［J］.IE E E Geoscience and Remote Sensing Letters，2015，12（5）：968-972.

［3］W u J，Liu F，Jiao L C.Local maximal ho m ogeneous region search for SAR speckle reduction with sketch-based geo metrical kernel function［J］.IE E E Trans.on Geoscience andRemote Sensing，2014，52（9）：5751-5764.

［4］Buades A，Coll B，M orel J M.A non-local algorith m for image denoising［C］∥Proc.of the IE E E Com puter Society Conference on Com puter Vision and Pattern Recognition，2005：60-65.

［5］Deledalle C A，Denis L，Tupin F.Iterative weighted maxim u m likelihood denoising with probabilistic patch-based weights［J］. IE E E Trans.on Im age Processing，2009，18（12）：2661-2672.

［6］Kervrann C，Boulanger J.Localadaptivity to variable smoothnessfor exemplar-based image regularization and representation［J］.International Journal of Com puter Vision，2008，79（1）：45-69.

［7］Louchet C，M oisan L.Total variation as a localfilter［J］.SIA M Journal on Im aging Sciences，2011，4（2）：651-694.

［8］Yang X Z，Clausi D A.Structure-preserving speckle reduction of SAR images using nonlocal means filters［C］∥Proc.of the16th IE E E International Conference on Im age Processing，2009：2985-2988.

［9］Zhong H，Zhang J J，Liu G C.Robust polarimetric SA R despeckl ing based on nonlocal means and distributed lee filter［J］.IE E E Trans. on Geoscience and Remote Sensing，2014，52（7）：4198-4210.

［10］Dabov K，F(xiàn)oi A，Katkovnik V，et al.Image denoising by sparse 3-D transform-do main collaborative filtering［J］.IE E E Trans.on Image Processing，2007，16（8）：2080-2095.

［11］Parrilli S，Poderico M，Angel ino C，et al.A nonlocal SA R image denoising algorith m based on LL M M SE wavelet shrinkage［J］. IE E E Trans.on Geoscience and Remote Sensing，2012，50（2）：606-616.

［12］Cozzolino D，Parrilli S，Scarpa G，et al.Fast adaptive nonlocal SAR despeckling［J］.IE E E Trans.on Geoscience and Remote Sensing Letters，2014，11（2）：524-528.

［13］W ang L X，Jiao L C.SAR image despeckling via modified nonlocal means：based on S U R E criterion［J］.Journalof University of Electronic Science and Technology of China，2014，43 （10）：42-48.（顏學(xué)穎，焦李成.S U R E準(zhǔn)則的非局部SAR圖像相干斑抑制［J］.電子科技大學(xué)學(xué)報(bào)，2014，43（10）：42-48.）

［14］Feng WS，Lei H.Co m bination of geo metric clustering and nonlocal means for SAR image despeckling［J］.Electronics Letters，2014，50（5）：395-396.

［15］Nezry E，Lopes A，Touzi R.Detection of structural and texturalfeatures for SAR images filtering［C］∥Proc.of the Remote Sensing：Global Monitoring for EarthM anagement，1991：2169-2172.

［16］Gragnaniel lo D，Poggi G，Verdol iva L.Classi fication-based nonlocal SA R despeckl ing［C］∥Proc.of the TyrrhenianWorkshop on Advances in Radar and Remote Sensing，2012：121-125.

［17］Park J M，Song W J，Pearlman W A.Speckle f i ltering of SA R images based on adaptive windowing［J］.IEE Vision，Image，and Signal Processing，1999，146（4）：191-197.

［18］M artino D G，Poderico M，Poggi G D，et al.Bench marking framework for SAR despeckling［J］.IE E E Trans.on Geoscience and Remote Sensing，2014，52（3）：1596-1615.

SARimage despeckling via the classification-based non-local clustering

LIU Shu-jun，W U G uo-qing，Z H A N G Xin-zheng，Y A N G Ting，LI Y ong-ming
（College of Com m unication Engineering，Chongqing University，Chongqing 400044，China）

Because different regions of the synthetic aperture radar（SAR）image have different statistical characteristics，the pheno menon of missing details and“ghost”artifacts often occur in the traditional non-local SAR image despeckling method.As a result，a classification-based SAR image despeckling method is proposed. Firstly，the imageis classified into ho m ogeneous regions and heterogeneous regions through co m paring the variation of average coefficient with the threshold value.Secondly，according to the classification ofthe central pixel of the target block，the appropriate parameters are selected to perform block matching.Finally，the target block located in ho m ogeneous regions is proceed by weighted average with similar blocks of the target block.On the other hand，the target block located in heterogeneous regions is performed by 3D hard-thresholding shrinkage with similar blocks of the target block.The proposed method can not only improve the accuracy of block matching through adjusting the block size and the search window size on the basis of the characteristics of image blocks，but also achieve a satisfied balance between smoothing（in homogeneous region）and feature preservation（in heterogeneous region）by selecting different methods to deal with different regions.The experiment results show that the proposed method makes full use of the characteristics of ho mogeneous and heterogeneous regions，which combine the advantage of different methods to improve the despeckling performance and reach a high levelin terms of both performance index and visual quality.

synthetic aperture radar（SAR）；image classification；non-local despeckling

TN957.52

A

10.3969/j.issn.1001-506 X.2016.03.12

1001-506 X（2016）03-0551-06

2015-04-15；

2015-09-13；網(wǎng)絡(luò)優(yōu)先出版日期：2015-09-28。

網(wǎng)絡(luò)優(yōu)先出版地址：http：//w w w.cnki.net/kcms/detail/11.2422.T N.20150928.1036.006.html

國(guó)家自然科學(xué)基金（61301224）；中央高?；究蒲袠I(yè)務(wù)費(fèi)（CDJZR11160003，CDJZR10160003，C DJZR12160014，CDJZR13160008）；重慶市自然科學(xué)基金（cstc2012j jA40001）；重慶市科技攻關(guān)計(jì)劃（cstc2012gg-yyjs0572）資助課題

劉書君（1981-），女，講師，博士，主要研究方向?yàn)镾AR圖像處理、SAR成像與目標(biāo)檢測(cè)。

E-mail：liusj@cqu.edu.cn

吳國(guó)慶（1990-），男，碩士研究生，主要研究方向?yàn)閳D像處理、稀疏信號(hào)處理。

E-mail：guoqing wu@126.com

張新征（1978-），男，副教授，博士，主要研究方向?yàn)镾AR目標(biāo)識(shí)別、圖像處理、信號(hào)處理。

E-mail：zhangxinzheng@cqu.edu.cn

楊 婷（1990-），女，博士研究生，主要研究方向?yàn)镾AR圖像處理、統(tǒng)計(jì)信號(hào)分析。

E-mail：yandtt2008@foxmail.com

李勇明（1976-），男，副教授，博士，主要研究方向?yàn)闄C(jī)器學(xué)習(xí)、遺傳算法、圖像處理。

E-mail：yongmingli@cqu.edu.cn