專利名稱：：基于輪廓波域塊隱馬爾可夫模型sar圖像去噪方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，尤其涉及SAR圖像斑點(diǎn)噪聲抑制的方法，該方法可用于對(duì)SAR圖像、醫(yī)學(xué)圖像和自然圖像進(jìn)行去噪處理。
背景技術(shù)：
：合成孔徑雷達(dá)SAR具有全天候、全天時(shí)對(duì)地觀測(cè)的能力，還可以透過(guò)地表和植被獲取信息，在軍事、遙感等領(lǐng)域發(fā)揮出越來(lái)越大的作用。SAR圖像中斑點(diǎn)噪聲的存在，嚴(yán)重影響了后續(xù)各種自動(dòng)解譯和場(chǎng)景理解任務(wù)完成的準(zhǔn)確性程度。因此斑點(diǎn)噪聲的去除對(duì)SAR圖像的后續(xù)處理是非常重要的。斑點(diǎn)噪聲的去除通常包括空域?yàn)V波和變換域方法。空域?yàn)V波如Gamma-MAP對(duì)SAR圖像進(jìn)行去噪，在一定程度上可以有效的減弱噪聲的影響，但此類濾波器都不同程度的對(duì)SAR圖像產(chǎn)生了過(guò)平滑作用，使圖像變模糊，細(xì)節(jié)信息丟失嚴(yán)重。變換域中的閾值濾波，包括軟、硬閾值濾波，作用于整個(gè)圖像或整個(gè)尺度將損失其中的大部分細(xì)節(jié)，信息丟失也很嚴(yán)重。Crouse等人將小波變換與隱馬爾可夫模型聯(lián)系起來(lái)，提出了小波域隱馬爾可夫模型，開(kāi)辟了變換域統(tǒng)計(jì)信號(hào)處理這一新的研究領(lǐng)域。隨著多尺度幾何分析的發(fā)展，眾多學(xué)者提出了多尺度幾何變換域下的HMT模型和各種改善的HMT模型。Po和Do提出Contourlet域用于圖像去噪的HMT模型。這種模型可以應(yīng)用到SAR圖像去噪中，但這種模型只捕獲了微小的尺度內(nèi)的依賴性，對(duì)SAR圖像去噪時(shí)，同質(zhì)區(qū)域內(nèi)的噪聲去除不夠徹底，去噪效果并不理想。Po和Do對(duì)Contourlet系數(shù)的尺度內(nèi)，尺度間和方向間的相關(guān)性進(jìn)行了分析，并得出結(jié)論尺度內(nèi)Contourlet系數(shù)的相關(guān)性即聚集性比尺度間的相關(guān)性即延續(xù)性對(duì)系數(shù)的影響顯著。因此把背景隱馬爾可夫模型CHMM推廣到Contourlet變換域，這種新的模型稱之為Contourlet域背景隱馬爾可夫模型CD-CHMM。然而應(yīng)用CD-CHMM模型對(duì)SAR圖像。
發(fā)明內(nèi)容本發(fā)明的目的在于克服上述己有方法的不足，提出一種基于輪廓波域塊隱馬爾可夫模型的SAR圖像去噪方法，以徹底去除同質(zhì)區(qū)域內(nèi)噪聲，保持細(xì)節(jié)信息，改善空間適應(yīng)性和提高邊緣清晰度。本發(fā)明的技術(shù)方案是對(duì)小波域塊隱馬爾可夫模型BlockHMM進(jìn)行背景以及塊的改進(jìn)，把這個(gè)改進(jìn)的統(tǒng)計(jì)模型推廣到Contourlet域，建立了Contourlet域BlockHMM模型，并用于SAR圖像去噪。具體實(shí)現(xiàn)步驟包括A建模步驟(Al)對(duì)輸入SAR圖像依次進(jìn)行對(duì)數(shù)變換和Contourlet變換，獲得Contourlet變換系數(shù)，得到高頻Contourlet系數(shù)；(A2)對(duì)得到的高頻Contourlet系數(shù)，按如下步驟建立BlockHMM模型-①定義改進(jìn)的背景為|網(wǎng)+%.|網(wǎng)+W2化l+IV3.(|C」+|C:其中m4是水平和垂直的相鄰系數(shù)，iSW是對(duì)角線相鄰系數(shù)，q，C2是最近的兩個(gè)兄弟節(jié)點(diǎn)，尸是高頻Contourlet系數(shù)的父節(jié)點(diǎn)，w0=1，m=0.6，vv2=0.2,>v3=0.6;②利用上述公式計(jì)算每一個(gè)高頻Contourlet系數(shù)的改進(jìn)背景；③利用下面的公式對(duì)每一個(gè)高頻Contourlet系數(shù)的改進(jìn)背景進(jìn)行二值化，得到二值化值v:,,，cowfe;cf<4vv0Af+4%+vv2A^t+w3(Mq+Afc2)其中，w。-1，v^-0.6，m^-0.2，h^-0.6，v是改進(jìn)背景二值化值，M，A(p，Mq，Mc2分別表示高頻Contourlet系數(shù)子節(jié)點(diǎn)所在子帶的絕對(duì)平均值，父子帶的絕對(duì)平均值，兩個(gè)同尺度相鄰方向子帶的絕對(duì)平v=!均值；將高頻Contourlet系數(shù)分成4x4或8x8或16x16的多個(gè)小土央，再根據(jù)高頻Contourlet系數(shù)的改進(jìn)背景的二值化值把一個(gè)小塊劃分為兩個(gè)互不相關(guān)的塊；B模型訓(xùn)練步驟(Bl)初始化BlockHMM模型的均值、方差和初始狀態(tài)概率，并通過(guò)EM算法訓(xùn)練BlockHMM模型，得到該模型的最優(yōu)估計(jì)參數(shù)；(B2)利用得到的最優(yōu)估計(jì)參數(shù)按照貝葉斯最小均方誤差準(zhǔn)則，對(duì)高頻Contourlet系數(shù)進(jìn)行降斑處理，得到高頻Contourlet無(wú)斑系數(shù)；(B3)對(duì)得到的高頻Contourlet無(wú)斑系數(shù)依次進(jìn)行Contourlet逆變換和反對(duì)數(shù)變換，得到一次去噪圖像//;C后處理步驟(CI)采用各向異性擴(kuò)散方法對(duì)輸入的SAR圖像和一次去噪圖像/7的差值圖像進(jìn)行去噪處理，得到二次去噪圖像/2;(C2)用模極大值方法對(duì)一次去噪圖像//和二次去噪圖像/2進(jìn)行融合處理；(C3)對(duì)融合后的圖像用CycleSpinning方法進(jìn)行旋轉(zhuǎn)平移處理，獲得最終去噪圖像，并輸出。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)1)本發(fā)明更加充分地捕獲了Contourlet系數(shù)之間的相關(guān)性小波域BlockHMM的背景是傳統(tǒng)的由八鄰域系數(shù)決定的背景，只反映了尺度內(nèi)的相關(guān)性；傳統(tǒng)的隱馬爾可夫樹(shù)模型用于SAR圖像去噪時(shí)，只考慮了尺度間的相關(guān)性，導(dǎo)致同質(zhì)區(qū)域內(nèi)噪聲去除的不徹底；傳統(tǒng)的背景隱馬爾可夫模型用于SAR圖像去噪時(shí)，只考慮了尺度內(nèi)的相關(guān)性，導(dǎo)致細(xì)節(jié)信息被平滑；本發(fā)明中改進(jìn)的背景由尺度間的父節(jié)點(diǎn)、方向間的兄弟節(jié)點(diǎn)和尺度內(nèi)的鄰域節(jié)點(diǎn)共同決定，充分捕捉了Contourlet系數(shù)尺度間、方向間和尺度內(nèi)的相關(guān)性，用于SAR圖像去噪時(shí)較好的保持了SAR圖像中的細(xì)節(jié)信息，同質(zhì)區(qū)域內(nèi)噪聲去除的較徹底。2)本發(fā)明提供了更好的空間適應(yīng)性小波域BlockHMM的高頻系數(shù)通過(guò)背景信息分為兩個(gè)塊，用于SAR圖像去噪時(shí)，空間適應(yīng)性差，計(jì)算復(fù)雜度較大；而本發(fā)明中把方向尺度內(nèi)的高頻Contourlet系數(shù)通過(guò)改進(jìn)的背景分成較多的塊，達(dá)到在可靠相關(guān)Contourlet系數(shù)數(shù)目和空間適應(yīng)性的一個(gè)平衡，克服了SAR圖像去噪缺少空間適應(yīng)性、邊緣模糊及計(jì)算復(fù)雜度大等缺點(diǎn)仿真實(shí)驗(yàn)的結(jié)果表明，本發(fā)明方法更好的保持了圖像的細(xì)節(jié)信息，改善了空間適應(yīng)性，同質(zhì)區(qū)域內(nèi)噪聲去除的較徹底，邊緣比較清晰。圖1是本發(fā)明的圖像去噪流程圖2是本發(fā)明的Contourlet域塊隱馬爾可夫模型圖3是用本發(fā)明與已有方法對(duì)SARfield圖像去噪效果對(duì)比圖4是用本發(fā)明與已有方法對(duì)Hometrack圖像去噪效果對(duì)比圖。具體實(shí)施例方式參照?qǐng)Dl，本發(fā)明的具體實(shí)現(xiàn)步驟如下步驟l:對(duì)輸入SAR圖像作對(duì)數(shù)變換，將乘性噪聲轉(zhuǎn)換成為加性高斯白噪聲來(lái)處理lOgy=10g2T+10gX，其中y表示輸入SAR圖像，z表示噪聲圖像，x表示不含噪聲的圖像；對(duì)數(shù)變換后的圖像進(jìn)行Contourlet分解，其中方向?yàn)V波器的方向?yàn)?，4，4,獲得Contourlet變換系數(shù)，得到高頻Contourlet系數(shù)。步驟2:對(duì)得到的高頻Contourlet系數(shù)建立Contourlet域改進(jìn)的BlockHMM模型如圖2所示。具體實(shí)施如下(2a)由尺度間的父節(jié)點(diǎn)、方向間的兄弟節(jié)點(diǎn)和尺度內(nèi)的鄰域節(jié)點(diǎn)共同決定改進(jìn)的背景，其計(jì)算公式如下c。"fw-w。.食I+%*I+w2|P|+hv(&I+|C21)利用上面公式計(jì)算每一個(gè)高頻Contourlet系數(shù)的改進(jìn)背景，并利用下面的二值化公式對(duì)計(jì)算得到的高頻Contourlet系數(shù)的改進(jìn)背景進(jìn)行二值V=化處理，得到高頻Contourlet系數(shù)的改進(jìn)背景二值化值，O，cowfexf24w0Af+，Af+w2+w3(Mq+Mc2)其中，co"tort是高頻Contourlet系數(shù)的改進(jìn)背景，A^4是水平和垂直的相鄰系數(shù)，iVW是對(duì)角線相鄰系數(shù)，q，(:2是最近的兩個(gè)兄弟節(jié)點(diǎn)，尸是高頻Contourlet系數(shù)的父節(jié)點(diǎn)，w。=1，％=0.6，w2=0.2,w3=0.6，v是改進(jìn)背景二值化值，M，Mp，Afq，Mc2分別表示高頻Contourlet系數(shù)子節(jié)點(diǎn)所在子帶的絕對(duì)平均值，父子帶的絕對(duì)平均值，兩個(gè)同尺度相鄰方向子帶的絕對(duì)平均值，圖2中的QpQ2，03是上下文向量；(2b)把高頻Contourlet系數(shù)分成4x4、8x8或16x16的多個(gè)小塊，再利用改進(jìn)的背景二值化值對(duì)每一個(gè)小塊中的高頻Contourlet系數(shù)進(jìn)行塊標(biāo)簽，標(biāo)簽值為1或0，有相同塊標(biāo)簽值的高頻Contourlet系數(shù)就認(rèn)為屬于同一個(gè)塊，把一個(gè)小塊劃分為兩個(gè)互不相關(guān)的塊；(2c)對(duì)上面得到的塊進(jìn)行修訂，把非常小的塊刪除掉，得到修訂好的塊。..步驟3:對(duì)BlockHMM模型的均值、方差和初始狀態(tài)概率進(jìn)行初始化處理，其中均值均設(shè)為0，在同一個(gè)塊中，因?yàn)楸尘岸际窍嗤?，不用再考慮背景信息，所以對(duì)每一個(gè)塊的訓(xùn)練可以看成是一個(gè)高斯混合場(chǎng)GMF的訓(xùn)練，用EM算法進(jìn)行訓(xùn)練，得到高頻Contourlet系數(shù)的最優(yōu)估計(jì)參數(shù)，訓(xùn)練過(guò)程如下(3a)初始化參數(shù)集n"，并利用貝葉斯公式計(jì)算高頻Contourlet系數(shù)的狀態(tài)轉(zhuǎn)移概率/、尸？(附)g(c't;0,a^」尸&》=mca，va=v々a=&n[J=^，/ji:一，一，1/^^丄《//a2(3b)通過(guò)下面的公式計(jì)算高頻Contourlet系數(shù)的參數(shù)集FIG1-<formula>formulaseeoriginaldocumentpage10</formula>其中，高頻Contourlet系數(shù)的參數(shù)集m包括均值，方差和狀態(tài)概率，m表示節(jié)點(diǎn)的狀態(tài)，A:是高頻Contouiiet系數(shù)子帶的標(biāo)簽，/是高頻Contouriet系數(shù)的位置，5^是!'位置，A:子帶塊的標(biāo)簽，6是塊標(biāo)簽的值，m是高頻Contourlet系數(shù)節(jié)點(diǎn)的狀態(tài)，W是在塊中Contourlet系數(shù)的個(gè)數(shù)，p是循環(huán)次數(shù)，g(c^;0，cr^^)是高斯函數(shù)，c^是/位置，A:子帶高頻Contourlet系數(shù)，v^是/位置，A:子帶Contourlet系數(shù)的背景，v是背景值，Ps^(附)是&子帶，塊標(biāo)簽的值為&的節(jié)點(diǎn)狀態(tài)概率，cr^^是&子帶，塊標(biāo)簽的值為&，節(jié)點(diǎn)狀態(tài)為w的方差；更新迭代直到收斂為止。步驟4:利用得到的高頻Contourlet系數(shù)的最優(yōu)估計(jì)參數(shù)，按照貝葉斯最小均方誤差準(zhǔn)則，對(duì)高頻Contourlet系數(shù)進(jìn)行降斑處理，得到高頻Contourlet無(wú)斑系數(shù)，高頻Contourlet系數(shù)降斑公式如下<formula>formulaseeoriginaldocumentpage10</formula>其中m表示節(jié)點(diǎn)的狀態(tài)，取值為1或2，/7(S^-W)是)t子帶，塊標(biāo)簽的值為6的節(jié)點(diǎn)狀態(tài)概率，cr"^是A:子帶，塊標(biāo)簽的值為&，節(jié)點(diǎn)狀態(tài)為m的方差，c^，^e^是A:子帶的噪聲方差，q，,是Z位置，/t子帶高頻Contourlet系數(shù)，&》是降斑后的高頻無(wú)斑Contourlet系數(shù)。步驟5:對(duì)低頻Contourlet系數(shù)和得到的高頻Contourlet無(wú)斑系數(shù)相結(jié)合，得到處理后的Contourlet無(wú)斑系數(shù)，對(duì)Contourlet無(wú)斑系數(shù)依次進(jìn)行Contourlet逆變換和指數(shù)變換，得到一次去噪圖像/2。步驟6:用各向異性擴(kuò)散方法對(duì)輸入SAR圖像和一次去噪圖像W的差值圖像進(jìn)行去噪處理，得到二次去噪圖像/2。對(duì)差值圖像的擴(kuò)散去噪方程如下V.一V..I+7"，J+S"，Jlv,—V.K;(o，o)2,2其中《是進(jìn)行各向異性擴(kuò)散之前的差值圖像像素值，《+1是進(jìn)行一次各向異性擴(kuò)散后的差值圖像像素值，T是尺度參數(shù)，取值范圍是0"<1/6，。s是目標(biāo)點(diǎn)鄰域系數(shù)坐標(biāo)相對(duì)于目標(biāo)點(diǎn)的位置，g是擴(kuò)散率函數(shù)，在上式中使用的擴(kuò)散率函數(shù)是Perona-Malik擴(kuò)散率g(^=l/(l+jc2/AT2)，AT是擴(kuò)散率中的對(duì)比參數(shù)。步驟7:用模極大值方法對(duì)一次去噪圖像和二次去噪圖像/2進(jìn)行融合，具體步驟如下(7a)對(duì)一次去噪圖像"和二次去噪圖像/2分別進(jìn)行Contourlet分解，選擇的濾波器方向均為4，4，4，得到一次去噪圖像"和二次去噪圖像D的高頻Contourlet變換系數(shù)和低頻Contourlet變換系數(shù)；(7b)對(duì)一次去噪圖像H和二次丟噪圖像/2的高頻Contourlet系數(shù)進(jìn)行模極大值融合得到融合圖像的高頻Contourlet系數(shù)，兩個(gè)去噪圖像的低頻Contourlet系數(shù)直接相加得到融合圖像的低頻Contourlet系數(shù)；(7c)對(duì)融合圖像的高頻Contourlet系數(shù)和融合圖像的低頻Contourlet系數(shù)進(jìn)行組合，得到融合圖像的Contourlet系數(shù)，對(duì)融合圖像的Contourlet系數(shù)進(jìn)行Contourlet反變換得到融合后的圖像。步驟8:對(duì)融合后的圖像用CycleSpinning方法進(jìn)行旋轉(zhuǎn)平移處理，具體步驟如下(8a)通過(guò)對(duì)高頻Contourlet系數(shù)在行和列方向上平移處理，得到一組不同的去噪結(jié)果0乂A[T(K柳)其中，S是循環(huán)平移算子，T是Contourlet變換算子，T—1是Contourlet逆變換算子，A為Contourlet域BlockHMM去噪算子，下標(biāo)，-_/，z'和y分別為行和列方向上的平移量；(8b)對(duì)所有去噪結(jié)果進(jìn)行線性平均1A4，iC2其中，」K，尺2分別表示行和列方向上的最大平移量，均為4。步驟9:把步驟8中得到的去噪結(jié)果&作為最終去噪結(jié)果，并輸出。以下給出仿真實(shí)驗(yàn)結(jié)果分析，以進(jìn)一步說(shuō)明本發(fā)明的效果1、仿真條件本發(fā)明中的兩幅測(cè)試SAR圖像分別為一幅x波段的SARfidd圖像和一幅Ku波段的Horsetrack圖像。采用Gamma—MAP濾波方法、Contourlet域閾值去噪方法、Contourlet域隱馬爾可夫樹(shù)HMT模型去噪方法、Contourlet域背景隱馬爾可夫模型CHMM去噪方法和本發(fā)明方法對(duì)SARfield圖像和Horsetrack圖像進(jìn)行去噪處理。2、仿真結(jié)果分析仿真的結(jié)果如圖3和圖4，其中圖3(a)為SARfield原圖像，圖3(b)為SARfield圖像經(jīng)Gamma—MAP濾波后的去噪圖像，圖3(c)為SARfield圖像經(jīng)輪廓波Contourlet域閾值去噪后的去噪圖像，圖3(d)為SARfield圖像經(jīng)輪廓波Contourlet域隱馬爾可夫樹(shù)HMT模型去噪后的去噪圖像，圖3(e)為SARfield圖像經(jīng)輪廓波'Contourlet域背景隱烏爾可夫模型CHMM去噪后的去噪圖像，圖3(f)為SARfield圖像經(jīng)本發(fā)明方法去噪后的去噪圖像。圖4(a)為Horsetrack原圖像，圖4(b)為Horsetrack圖像經(jīng)G-MAP濾波后的去噪圖像，圖4(c)為Horsetrack圖像經(jīng)輪廓波Contourlet域閾值去噪后的去噪圖像，圖4(d)為Horsetmck圖像經(jīng)輪廓波Contourlet域隱馬爾可夫樹(shù)HMT去噪后的去噪圖像，圖4(e)為Horsetrack圖像經(jīng)輪廓波Contourlet域背景隱馬爾可夫模型CHMM去噪后的去噪圖像，圖4(f)為Horsetmck圖像經(jīng)本發(fā)明方法去噪后的去噪圖像。從圖3(b)可以看出，Gamma—MAP濾波對(duì)SARfield圖像的斑點(diǎn)噪聲進(jìn)行了較好的平滑，但邊界模糊，圖像細(xì)節(jié)信息丟失嚴(yán)重；從圖3(c)可以看出，由于過(guò)平滑的原因使得圖像細(xì)節(jié)信息丟失嚴(yán)重，說(shuō)明噪聲濾除能力有限；從圖3(d)可以看出，Contourlet域HMT模型去噪方法能較好的保持細(xì)節(jié)信息，但SARfield圖像去噪后同質(zhì)區(qū)域內(nèi)噪聲去除的不夠徹底；從圖3(e)可以看出，基于Contourlet域CHMM方法處理后的SARfield圖像，其同質(zhì)區(qū)域內(nèi)噪聲去除不夠徹底，邊緣模糊；從圖3(f)可以看出，SARfield圖像去噪后空間適應(yīng)性好，同質(zhì)區(qū)域內(nèi)噪聲去除徹底，細(xì)節(jié)信息保持的較好，邊緣較清晰。從圖4可以看出，本發(fā)明在提高邊緣的清晰度的同時(shí)較好的保持了Horsetrack圖像的細(xì)節(jié)信息、改善了空間適應(yīng)性；可見(jiàn)，本發(fā)明在細(xì)節(jié)保持，提高邊緣清晰度和改善空間適應(yīng)性方面有相當(dāng)大的優(yōu)勢(shì)。SARfield和Horsetrack圖像去噪后的評(píng)價(jià)指標(biāo)包括等效視數(shù)EV丄、均值和均值比如表1和表2所示表1對(duì)SARfield圖一象進(jìn)行去噪的去噪結(jié)身l指標(biāo)比較<table>tableseeoriginaldocumentpage13</column></row><table>表2對(duì)Horsetrack進(jìn)行去噪的去噪結(jié)果指標(biāo)比較<table>tableseeoriginaldocumentpage14</column></row><table>從表1可以看出，本發(fā)明的等效視數(shù)值均比其它幾種經(jīng)典方法的等效視數(shù)值大，表明本發(fā)明對(duì)SARfidd圖像相干斑噪聲抑制程度較深，斑點(diǎn)噪聲去除的較徹底，去噪效果較好；本發(fā)明的均值和SARfidd原圖像的均值基本相同，表明本發(fā)明對(duì)SARfidd圖像去噪后，圖像的平均亮度基本保持不變；本發(fā)明的均值比與l的差距比其它經(jīng)典方法小，表明本發(fā)明對(duì)SARfidd圖像的去噪過(guò)程中，輻射度失真很小，空間適應(yīng)性好，細(xì)節(jié)和邊緣保持的好。從表2可以看出，本發(fā)明對(duì)Horsetrack圖像去噪后，在等效視數(shù)、均值和均值比上都比其它方法好，表明本方法對(duì)Horsetrack圖像相干斑抑制程度深，去噪過(guò)程中輻射度失真較小，去噪效果較好。綜上，本發(fā)明方法既較好地改善了空間適應(yīng)性，降低了計(jì)算復(fù)雜度，提高了去噪后圖像的邊緣清晰度，也有效地保持了圖像的細(xì)節(jié)信息和徹底的去除了同質(zhì)區(qū)域內(nèi)的斑點(diǎn)噪聲。權(quán)利要求1、一種基于輪廓波域塊隱馬爾可夫模型SAR圖像去噪方法，包括A建模步驟(A1)對(duì)輸入SAR圖像依次進(jìn)行對(duì)數(shù)變換和Contourlet變換，獲得Contourlet變換系數(shù)，得到高頻Contourlet系數(shù)；(A2)對(duì)得到的高頻Contourlet系數(shù)，按如下步驟建立BlockHMM模型①定義改進(jìn)的背景為<mathsid="math0001"num="0001"><math><![CDATA[<mrow><mi>context</mi><mo>=</mo><msub><mi>w</mi><mn>0</mn></msub><mo>·</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mn>4</mn></munderover><mo>|</mo><msub><mi>NA</mi><mi>i</mi></msub><mo>|</mo><mo>+</mo><msub><mi>w</mi><mn>1</mn></msub><mo>·</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mn>4</mn></munderover><mo>|</mo><msub><mi>NB</mi><mi>i</mi></msub><mo>|</mo><mo>+</mo><msub><mi>w</mi><mn>2</mn></msub><mo>·</mo><mo>|</mo><mi>P</mi><mo>|</mo><mo>+</mo><msub><mi>w</mi><mn>3</mn></msub><mo>·</mo><mrow><mo>(</mo><mo>|</mo><msub><mi>C</mi><mn>1</mn></msub><mo>|</mo><mo>+</mo><mo>|</mo><msub><mi>C</mi><mn>2</mn></msub><mo>|</mo><mo>)</mo></mrow></mrow>]]></math></maths>其中NA是水平和垂直的相鄰系數(shù)，NB是對(duì)角線相鄰系數(shù)，C1，C2是最近的兩個(gè)兄弟節(jié)點(diǎn)，P是高頻Contourlet系數(shù)的父節(jié)點(diǎn)，w0＝1，w1＝0.6，w2＝0.2，w3＝0.6；②利用上述公式計(jì)算每一個(gè)高頻Contourlet系數(shù)的改進(jìn)背景；③利用下面的公式對(duì)每一個(gè)高頻Contourlet系數(shù)的改進(jìn)背景進(jìn)行二值化，得到二值化值v<mathsid="math0002"num="0002"><math><![CDATA[<mrow><mi>v</mi><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mn>1</mn><mo>,</mo><mi>context</mi><mo><</mo><mn>4</mn><msub><mi>w</mi><mn>0</mn></msub><mo>·</mo><mi>M</mi><mo>+</mo><mn>4</mn><msub><mi>w</mi><mn>1</mn></msub><mo>·</mo><mi>M</mi><mo>+</mo><msub><mi>w</mi><mn>2</mn></msub><mo>·</mo><mi>Mp</mi><mo>+</mo><msub><mi>w</mi><mn>3</mn></msub><mo>·</mo><mrow><mo>(</mo><msub><mi>Mc</mi><mn>1</mn></msub><mo>+</mo><msub><mi>Mc</mi><mn>2</mn></msub><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mn>0</mn><mo>,</mo><mi>context</mi><mo>≥</mo><msub><mrow><mn>4</mn><mi>w</mi></mrow><mn>0</mn></msub><mo>·</mo><mi>M</mi><mo>+</mo><mn>4</mn><msub><mi>w</mi><mn>1</mn></msub><mo>·</mo><mi>M</mi><mo>+</mo><msub><mi>w</mi><mn>2</mn></msub><mo>·</mo><mi>Mp</mi><mo>+</mo><msub><mi>w</mi><mn>3</mn></msub><mo>·</mo><mrow><mo>(</mo><msub><mi>Mc</mi><mn>1</mn></msub><mo>+</mo><msub><mi>Mc</mi><mn>2</mn></msub><mo>)</mo></mrow></mtd></mtr></mtable></mfenced></mrow>]]></math></maths>其中，w0＝1，w1＝0.6，w2＝0.2，w3＝0.6，v是改進(jìn)背景二值化值，M，Mp，Mc1，Mc2分別表示高頻Contourlet系數(shù)子節(jié)點(diǎn)所在子帶的絕對(duì)平均值，父子帶的絕對(duì)平均值，兩個(gè)同尺度相鄰方向子帶的絕對(duì)平均值；④將高頻Contourlet系數(shù)分成4×4或8×8或16×16的多個(gè)小塊，再根據(jù)高頻Contourlet系數(shù)的改進(jìn)背景的二值化值把一個(gè)小塊劃分為兩個(gè)互不相關(guān)的塊；B模型訓(xùn)練步驟(B1)初始化BlockHMM模型的均值、方差和初始狀態(tài)概率，并通過(guò)EM算法訓(xùn)練BlockHMM模型，得到該模型的最優(yōu)估計(jì)參數(shù)；(B2)利用得到的最優(yōu)估計(jì)參數(shù)按照貝葉斯最小均方誤差準(zhǔn)則，對(duì)高頻Contourlet系數(shù)進(jìn)行降斑處理，得到高頻Contourlet無(wú)斑系數(shù)；(B3)對(duì)得到的高頻Contourlet無(wú)斑系數(shù)依次進(jìn)行Contourlet逆變換和反對(duì)數(shù)變換，得到一次去噪圖像I1；C后處理步驟(C1)采用各向異性擴(kuò)散方法對(duì)輸入的SAR圖像和一次去噪圖像I1的差值圖像進(jìn)行去噪處理，得到二次去噪圖像I2；(C2)用模極大值方法對(duì)一次去噪圖像I1和二次去噪圖像I2進(jìn)行融合處理；(C3)對(duì)融合后的圖像用CycleSpinning方法進(jìn)行旋轉(zhuǎn)平移處理，獲得最終去噪圖像，并輸出。2、根據(jù)權(quán)利要求1所述的SAR圖像去噪方法，其中步驟(Bl)中所述的BlockHMM模型訓(xùn)練，用EM算法進(jìn)行訓(xùn)練，分為E步和M步，具體訓(xùn)練過(guò)程如下E步初始化參數(shù)集r^，利用貝葉斯公式計(jì)算狀態(tài)轉(zhuǎn)移概率<formula>formulaseeoriginaldocumentpage3</formula>m歩通過(guò)下面的公式計(jì)算參數(shù)集rin、<formula>formulaseeoriginaldocumentpage4</formula>其中，高頻Contourlet系數(shù)的參數(shù)集n^包括均值，方差和狀態(tài)概率，w表示節(jié)點(diǎn)的狀態(tài)，A:是高頻Contourlet系數(shù)子帶的標(biāo)簽，Z是高頻Contouriet系數(shù)的位置，5^是Z位置，^子帶塊的標(biāo)簽，Z)是塊標(biāo)簽的值，m是高頻Contourlet系數(shù)節(jié)點(diǎn)的狀態(tài)，iV是在塊中Contourlet系數(shù)的個(gè)數(shù)，/7是循環(huán)次數(shù)，g(c^;0,cr^^)是高斯函數(shù)，。.》是/位置，A:子帶高頻Contourlet系數(shù)，是/位置，A:子帶Contourlet系數(shù)的背景，v是背景值，Ps^(附)是&子帶，塊標(biāo)簽的值為6的節(jié)點(diǎn)狀態(tài)概率，":M是&子帶，塊標(biāo)簽的值為&，節(jié)點(diǎn)狀態(tài)為附的方差；更新迭代p-p+l，直到收斂為止。全文摘要本發(fā)明公開(kāi)了一種基于輪廓波域塊隱馬爾可夫模型SAR圖像去噪方法，它涉及圖像處理領(lǐng)域，主要解決現(xiàn)有方法缺少空間適應(yīng)性，細(xì)節(jié)信息丟失嚴(yán)重，邊緣模糊的問(wèn)題。其步驟為(1)對(duì)數(shù)變換和Contourlet分解；(2)對(duì)Contourlet系數(shù)進(jìn)行BlockHMM建模并訓(xùn)練；(3)利用估計(jì)參數(shù)對(duì)Contourlet系數(shù)進(jìn)行校正；(4)對(duì)校正后的Contourlet數(shù)依次進(jìn)行Contourlet逆變換和反對(duì)數(shù)變換，得到一次去噪圖像；(5)對(duì)差值圖像進(jìn)行去噪，得到二次去噪圖像；(6)對(duì)兩次去噪圖像進(jìn)行融合，并對(duì)融合后的圖像進(jìn)行旋轉(zhuǎn)平移，獲得最終去噪圖像并輸出。本發(fā)明用于SAR圖像去噪時(shí)改善了空間適應(yīng)性，降低了計(jì)算復(fù)雜度，提高了去噪后圖像邊緣的清晰度。文檔編號(hào)G06T5/00GK101639934SQ200910023788公開(kāi)日2010年2月3日申請(qǐng)日期2009年9月4日優(yōu)先權(quán)日2009年9月4日發(fā)明者彪侯,張向榮,焦李成,爽王,田福苓,馬文萍申請(qǐng)人:西安電子科技大學(xué)