基于圖像區(qū)域分割的SAR圖像去噪算法

于俊朋，尚士澤

(1. 中國(guó)電子科技集團(tuán)公司 智能感知技術(shù)重點(diǎn)實(shí)驗(yàn)室,　南京 210039)(2. 南京電子技術(shù)研究所，　南京 210039)

?

·信號(hào)處理·

基于圖像區(qū)域分割的SAR圖像去噪算法

于俊朋1，2，尚士澤1，2

(1. 中國(guó)電子科技集團(tuán)公司 智能感知技術(shù)重點(diǎn)實(shí)驗(yàn)室,南京 210039)(2. 南京電子技術(shù)研究所，南京 210039)

給出了一種結(jié)合圖像分割的合成孔徑雷達(dá)(SAR)圖像去噪算法，利用水平集圖像分割方法將SAR圖像分割得到多個(gè)連通區(qū)域，并利用基于結(jié)構(gòu)相似性指數(shù)的非局部均值濾波(NLM-SSIM)去噪算法對(duì)每個(gè)連通區(qū)域進(jìn)行去噪。對(duì)每個(gè)連通域分別去噪利于維持連通區(qū)域邊緣的原有數(shù)值特征，同時(shí)也能夠保證圖像平滑區(qū)域的濾波效果，提高了去噪算法的性能。實(shí)驗(yàn)部分使用了合成孔徑雷達(dá)圖像中的道路、農(nóng)田、溝壑和建筑圖像塊進(jìn)行測(cè)試，將本文算法與非局部均值濾波(NLM)和NLM-SSIM算法進(jìn)行了去噪效果比較，并通過(guò)等效視數(shù)(ENL)和邊緣平均梯度比(EGR)評(píng)價(jià)指標(biāo)驗(yàn)證了文中算法的有效性。

合成孔徑雷達(dá)圖像去噪；水平集圖像分割；NLM-SSIM去噪

0　引　言

SAR具有全天候、全天時(shí)、穿透能力強(qiáng)、多視角、分辨率與作用距離無(wú)關(guān)等特點(diǎn)，有光學(xué)成像無(wú)法替代的作用，廣泛應(yīng)用于軍事偵查、打擊效果評(píng)估、地質(zhì)勘探、環(huán)境監(jiān)測(cè)、陸地海洋信息采集等軍事和民用領(lǐng)域。

SAR圖像的相干斑噪聲是由多散射點(diǎn)反射的回波相干疊加產(chǎn)生的，嚴(yán)重影響了圖像質(zhì)量，因此，對(duì)相干斑噪聲的抑制效果是SAR圖像后處理和目標(biāo)識(shí)別的重要前提。使用以SAR成像結(jié)果為處理對(duì)象的去噪方法主要包括空域?yàn)V波去噪[1-5]和變換域?yàn)V波去噪[6-11]，空域?yàn)V波去噪的方法主要有Lee濾波[1]、Kuan濾波[2]、Frost濾波[3]、Gamma-Map濾波[4]、NLM濾波[5]等。其中，NLM算法是Buades等人在2005年提出的一種NLM去噪方法，其去噪性能相比于其他算法有了明顯提升，由此產(chǎn)生了一些基于NLM濾波的改進(jìn)方法[12-14]。

本文在NLM-SSIM算法[12]基礎(chǔ)上進(jìn)行了改進(jìn)，將水平集圖像分割與NLM-SSIM算法相結(jié)合進(jìn)行去噪。先利用水平集分割方法將SAR圖像分割為多個(gè)圖像區(qū)域，在利用NLM-SSIM算法對(duì)每個(gè)圖像區(qū)域內(nèi)像素分別去噪，該即保證了SAR圖像去噪的效果，也能夠保持圖像邊緣的原有階躍特性。

1　水平集圖像分割

水平集概念是在1988年由Osher和Sethian[15]提出，主要用于解決熱力學(xué)方程下火苗輪廓的建模。水平集的圖像分割方法可以在笛卡爾坐標(biāo)系的網(wǎng)格下對(duì)曲線(xiàn)的演化進(jìn)行計(jì)算，不需要對(duì)曲線(xiàn)進(jìn)行參數(shù)化計(jì)算，可避免大規(guī)模數(shù)值計(jì)算。水平集方法的主要思想是對(duì)待分割的曲線(xiàn)增加時(shí)間維度，將曲線(xiàn)作為零時(shí)刻的水平集嵌入到更高一維的曲面中，通過(guò)曲面的演化來(lái)求得曲線(xiàn)的演化。

(1)

本文采用迎風(fēng)有限差分法 (UFDM)對(duì)式(1)進(jìn)行求解。定義一階向前差分和一階向后差分四個(gè)算子如下

(2)

則式(1)可改寫(xiě)為

(3)

(4)

當(dāng)將水平集方法用于圖像分割時(shí)，速度函數(shù)Fij的計(jì)算方法如下

Fij=E2,ij-E1,ij+εkij

(5)

式中：kij為網(wǎng)格位置(i,j)處的曲率；ε為常數(shù)；E2,ij-E1,ij表示(i,j)處在分割的兩類(lèi)像素在平均意義上的對(duì)流速度，其表達(dá)式如下

(6)

式中：Ml1和Ml2分別表示分割得到兩類(lèi)像素的均值，Ii,j為(i,j)處的像素值。

在對(duì)SAR圖像分割時(shí)該算法需要迭代計(jì)算，初始化中可將φ0定義為尺寸與圖像相同的矩陣，并劃定一個(gè)閉合區(qū)域，使區(qū)域內(nèi)函數(shù)值小于0，區(qū)域外函數(shù)值大于0。針對(duì)SAR圖像的分割，經(jīng)過(guò)10至20次迭代后函數(shù)φn會(huì)趨于穩(wěn)定，此時(shí)可利用此分割結(jié)果進(jìn)行去噪計(jì)算。

2　NLM-SSIM濾波

NLM-SSIM濾波方法是在NLM方法基礎(chǔ)上，結(jié)合結(jié)構(gòu)相似性指數(shù)(SSIM)[16]的一種改進(jìn)SAR圖像去噪方法。本文將水平集圖像分割與NLM-SSIM濾波方法相結(jié)合對(duì)SAR圖像進(jìn)行去噪。在圖像分割結(jié)果中可得到不同分割區(qū)域，在每個(gè)區(qū)域中分別進(jìn)行濾波去噪。

給定含噪圖像I(i)，i表示圖像中的某一個(gè)像素，該像素經(jīng)過(guò)NLM-SSIM方法去噪后的結(jié)果為

(7)

式中：ω(i,j)表示像素i和j相似性的權(quán)重，并且滿(mǎn)足0≤ω(i,j)≤1和Σjω(i,j)=1。像素i和j之間的相似性通過(guò)帶有結(jié)構(gòu)相似性的高斯加權(quán)歐式距離來(lái)衡量，距離越小說(shuō)明越相似，相應(yīng)的權(quán)重就越大，距離計(jì)算如下

(8)

式中：Ni表示以像素i為中心的圖像塊；S表示結(jié)構(gòu)相似指數(shù)，計(jì)算如下

(9)

(10)

式中：h為控制指數(shù)函數(shù)的衰減系數(shù)。

在去噪過(guò)程中需要計(jì)算所有像素與像素i的相似性，計(jì)算量受到圖像尺寸的影響較大，因此本算法只考慮像素i鄰域Mi的圖像塊進(jìn)行計(jì)算。本文使用圖像分割方法對(duì)分割后的圖像區(qū)域分別去噪，在Mi中對(duì)像素i去噪時(shí)候應(yīng)選擇與i的分割結(jié)果相同類(lèi)別的像素。該方法的優(yōu)點(diǎn)在于在不同連通域內(nèi)分別去噪，能夠保持連通域邊緣處像素值的原有特征，即能夠保持圖像邊緣處階躍特征。

3　去噪評(píng)價(jià)指標(biāo)

由于SAR圖像去噪效果評(píng)價(jià)沒(méi)有理想圖像可以比較，因此需要用去噪評(píng)價(jià)指標(biāo)來(lái)衡量去噪效果的優(yōu)劣，使用的評(píng)價(jià)指標(biāo)包括ENL和EGR。

ENL是評(píng)價(jià)SAR圖像中平滑區(qū)域去噪效果的重要指標(biāo)，計(jì)算如下

(11)

式中：μ為圖像區(qū)域像素均值，σ為圖像區(qū)域像素標(biāo)準(zhǔn)差。ENL數(shù)值越大，說(shuō)明圖像區(qū)域越平滑，去噪效果越好。

ENL評(píng)價(jià)指標(biāo)只能反映圖像平滑區(qū)域的去噪效果，而模糊較高的圖像ENL數(shù)值也很大，只利用ENL指標(biāo)很難完全判斷SAR圖像的去噪效果。本文使用EGR來(lái)衡量去噪算法對(duì)圖像邊緣梯度的維持情況，計(jì)算如下

式中：I′和I分別表示去噪后和原始SAR圖像；ve表示邊緣像素序列；表示梯度。EGR數(shù)值越接近于1，表示去噪算法對(duì)圖像的邊緣梯度維持性越好。

4　實(shí)驗(yàn)與分析

4.1實(shí)驗(yàn)數(shù)據(jù)和參數(shù)

實(shí)驗(yàn)數(shù)據(jù)使用X波段機(jī)載SAR圖像，內(nèi)容包括農(nóng)田、道路、溝壑和建筑四幅SAR圖像，圖像尺寸為512×512，為8位量化位圖。去噪?yún)?shù)共包括四個(gè)，分別是去噪圖像塊尺寸7×7、去噪搜索圖像塊尺寸21×21、加權(quán)衰減因子h=5、高斯濾波方差Sigma。其中，h是SAR圖像質(zhì)量隨Sigma變化快慢的衰減因子，對(duì)去噪效果影響不大，實(shí)驗(yàn)中選擇Sigma的數(shù)值范圍為0.1～2，步進(jìn)為0.1。

本算法是在NLM-SSIM算法基礎(chǔ)上進(jìn)行改進(jìn)的，實(shí)驗(yàn)結(jié)果中將本文算法的去噪效果與NLM和改進(jìn)型的NLM-SSIM進(jìn)行比較。

4.2圖像去噪結(jié)果

本算法適合任意內(nèi)容SAR圖像的去噪，圖1分別給出NLM算法，NLM-SSIM，本文算法的去噪結(jié)果，SAR圖像內(nèi)容分別為道路、農(nóng)田、溝壑和建筑。第一列圖像表示原始SAR圖像，第二列為利用水平集圖像分割算法得到的分割結(jié)果，第三至第五列分別為NLM算法、NLM-SSIM算法和本文算法的去噪結(jié)果。

本文采用的圖像分割算法能夠?qū)D像進(jìn)行兩類(lèi)分割，從圖1中圖像分割結(jié)果看出該方法能夠?qū)AR圖像中像素值變化比較明顯的邊緣分割出來(lái)，便于后續(xù)步驟的分塊去噪。使用圖像分塊去噪的方法能夠維持圖像邊緣的階躍特性，使去噪后的圖像邊緣不會(huì)模糊。以圖1中道路SAR圖像為例，圖中灰色線(xiàn)框中的像素值分布如圖2所示。

圖1　SAR圖像去噪結(jié)果和效果比較

圖2　SAR圖像邊緣區(qū)域像素值分布

從圖2可以看出，原始SAR圖像的像素值抖動(dòng)較大，去噪后的像素值變得比較平坦。使用NLM算法(圖2b))和NLM-SSIM算法(圖2c))去噪，在圖像邊緣處有明顯的漸變過(guò)程，與原始SAR圖像(圖2a))的邊緣像素值變化趨勢(shì)不符。使用本文算法對(duì)SAR圖像去噪能夠較好的維持圖像邊緣數(shù)值的變化趨勢(shì)，使邊緣不會(huì)模糊，如圖2d)所示。

利用ENL和EGR這兩個(gè)指標(biāo)定量分析算法的去噪性能，圖3表示圖1中四幅圖像的ENL和EGR指標(biāo)隨高斯濾波器標(biāo)準(zhǔn)差的變化情況，標(biāo)準(zhǔn)差數(shù)值區(qū)間為0.1至2.0，間隔為0.1，ENL的計(jì)算區(qū)域?yàn)閳D中白色線(xiàn)框標(biāo)記的區(qū)域，其中圖1中建筑圖像由于沒(méi)有像素平滑區(qū)域，因此只顯示EGR數(shù)值。為方便ENL與EGR兩參數(shù)的直接對(duì)比，圖3中EGR的數(shù)值為實(shí)際數(shù)值縮小100倍。ENL數(shù)值越大，表示去噪效果越好，圖像越平滑；EGR數(shù)值變化越平緩，表示邊緣梯度的維持性越好。從圖中看出，本算法在保持對(duì)圖像平滑區(qū)域去噪效果的同時(shí)，能夠很好的維持圖像邊緣的梯度，在維持圖像邊緣方面優(yōu)于NLM算法和NLM-SSIM算法。

圖3　ENL和EGR指標(biāo)的對(duì)比

5　結(jié)束語(yǔ)

本文提出一種基于圖像分割的SAR圖像去噪方法，在圖像分割階段使用水平集圖像分割方法將SAR圖像進(jìn)行二類(lèi)分割，在去噪過(guò)程中，使用NLM-SSIM方法在圖像分割結(jié)果的同類(lèi)像素之間去噪。該方法能夠在保證圖像平滑區(qū)域去噪效果的同時(shí)，保證圖像邊緣的階躍特性，去噪效果優(yōu)于現(xiàn)有同類(lèi)方法。

[1]LEE J S. Refined filtering of image noise using local statistics[J]. Computer Graphics and Image Processing, 1981, 15(4): 380-389.

[2]AKI A, TABBARA K, YAACOUB C. An enhanced Kuan filter for suboptimal speckle reduction[C]// International Conference on Advances in Computational Tools for Engineering Applications(ACTEA). [S.l.]: IEEE Press, 2012: 91-95.

[3]LOPES A, et al. Adaptive speckle filters and scene heterogeneity[J]. IEEE Transactions on Geoscience and Remote Sensing, 1990, 28(6): 992-1000.

[4]GAGNON L, JOUAN A. Speckle filtering of SAR images a comparative study between complex-wavelet-based and standard filters[J]. Wavelet Application in Signal an Image Processing V, 1997(3169): 80-91.

[5]BUADES A, et al. A review of image denoising algorithms, with a new one[J]. Multiscale Modeling and Simulation, 2006, 4(2): 490-530.

[6]韓萍，鄧豪，石慶研. 多極化SAR圖像聯(lián)合稀疏去噪[J]. 現(xiàn)代雷達(dá)，2015，37(11)：37-41.

HAN Ping, DENG Hao, SHI Qingyan. Multiploarimetric SAR image denoising based on joint sparse representation[J]. Modern Radar, 2015, 37(11)：37-41.

[7]AHMED R, MAHESHWARI N, LALLA P. Wavelet based iterative thresholding for denoising of remotely sensed optical and synthetic radar images[C]// International Conference on Advanced Communication Control and Computing Technologies. [S.l.]: IEEE Press, 2014: 1331-1335.

[8]OJHA C, FUSCO A, MANUMTA M. Denoising of full resolution differential SAR interferogram based on K-SVD technique[C]// IEEE International Geoscience and Remote Sensing Symposium(IGARSS), 2015: 2461-2464.

[9]FAZEL M A, HOMAYOUNI S, AKBARI V, et al. Speckle reduction of SAR images using curvelet and wavelet transforms based onspatial features characteristic[C]// IEEE International Geoscience and Remote Sensing Symposium. [S.l.]: IEEE Press, 2012: 2148-2151.

[10]王澤濤，湯子躍.一種基于mean shift的Contourlet域SAR圖像去噪方法[J]. 現(xiàn)代雷達(dá)，2012, 34(7): 23-27.

WANG Zetao, TANG Ziyue. A SAR image denoising algorithm based on mean shift in contourlet domain[J]. Modern Radar, 2012, 34(7): 23-27.

[11]樊甫華. 基于迭代自適應(yīng)稀疏分解的雷達(dá)信號(hào)去噪[J]. 現(xiàn)代雷達(dá)，2013, 35(6): 34-37.

FAN Fuhua. Radar signal denoising via adaptive iterative sparsity decomposition[J]. Modern Radar, 2013, 35(6):34-37.

[12]易子麟，尹東，胡安洲，等. 基于非局部均值濾波的SAR圖像去噪[J]. 電子與信息學(xué)報(bào)，2012，34(4)：950-955.YI Zilin, YIN Dong, HU Anzhou, et al. SAR image despeckling based on non-local means filter[J]. Journal of Electronics & Information Technology, 2012,34(4)：950-955.

[13]SU X, DELEDALLE C A, TUPIN F, et al. Two steps multi-temporal non-local means for synthetic aperture radar images[J]. IEEE Transactions on Geoscience and Remote Sensing. [S.l.]: IEEE Press, 2014: 6181-6196.

[14]ZHAO Hongyu, WANG Quan, WU Weiwei, et al. SAR image despeckling based on improved non-local means algorithm[C]// International Conference on Electromagnetics in Advanced Application(ICEAA). [S.l.]: IEEE Press, 2014: 844-847.

[15]OSHER S, SETHIAN J A. Fronts propagating with curvature-dependent speed: algorithms based on Hamilton-Jacobi formulations[J]. Journal of Computational Physics, 1988, 79(1): 12-49.

[16]WANG Z, et al. Image quality assessment: from error visibility to structural similarity[J]. IEEE Transactions on Image Processing, 2004, 13(4): 600-612.

于俊朋男，1984年生，博士研究生。研究方向?yàn)镾AR/ISAR成像與圖像目標(biāo)識(shí)別。

尚士澤男，1985年生，博士研究生。研究方向?yàn)镾AR/ISAR圖像目標(biāo)識(shí)別。

Speckle Filtering of SAR Images Based on Image Segmentation

YU Junpeng1,2，SHANG Shize1,2

(1. Key Laboratory of Intelli Sense Technology, CETC, Nanjing 210039, China)(2. Nanjing Research Institute of Electronics Technology,Nanjing 210039, China)

A method of speckle filtering of SAR images based on image segmentation is presented. The method of level set is applied to segment SAR images to obtain connected domains. The denoising method of NLM-SSIM is applied to filter speckles in each connected domain. Filtering speckles in each connected domain is propitious to maintain the edge characteristics in image. Simultaneously, it has high effectiveness on smooth region filtering. In experiments, the SAR images of road, farmland, gully, architecture are used to test. The proposed method is compared with NLM and NLM-SSIM filtering to test the denoising effectiveness. Finally, the evaluation criterion of speckle filtering which consist of ENL and EGR are used to demonstrate the performance of proposed method.

speckle filtering of SAR image; level set image segmentation; NLM-SSIM denoising

10.16592/ j.cnki.1004-7859.2016.09.008

中國(guó)博士后科學(xué)基金面上資助項(xiàng)目(2016M591938)

于俊朋Email：vjp603@163.com

2016-04-22

2016-06-25

TP911.5

A

1004-7859(2016)09-0037-04