基于变异系数的PolSAR图像非局部均值滤波算法

"本文介绍了一种针对PolSAR图像的改进非局部均值滤波算法，旨在在抑制相干斑噪声的同时，尽可能保留地物目标的极化散射信息和结构特性。该算法结合了图像子块的统计特性和目标点的极化散射特性，通过变异系数（Coefficient of Variation, CV）进行自适应筛选同质像素，并根据CV自适应选择平滑系数，用于计算滤波权重。最后，对筛选出的同质像素执行非局部均值滤波。实验结果显示，与传统的精致LEE滤波、NL-Prestest滤波以及最新滤波方法相比，该算法在抑制相干斑噪声的同时，能更好地保持图像的边缘和极化散射特性。" 本文关注的是极化合成孔径雷达（PolSAR）图像的处理，这是一种利用极化信息获取地表特征的遥感技术。在PolSAR图像中，由于多种因素，如大气湍流和地形起伏，常常会出现一种称为相干斑的噪声，它会干扰图像的解析度和信息提取。非局部均值滤波（Non-local Means Filtering, NLMF）是一种有效的去噪方法，其原理是利用图像内的相似性进行自适应滤波，但原始NLMF可能无法充分考虑极化信息。 本文提出的改进算法将变异系数（CV）引入到像素筛选过程中。变异系数是衡量一组数据离散程度相对于平均值的比例，可用于识别具有相似极化特性的像素。通过CV筛选，算法可以更准确地找到同质像素集合，这有助于在滤波过程中保持图像的结构信息。 接下来，算法利用CV自适应选择平滑系数，这意味着权重分配不再是一致的，而是依据像素的极化散射特性动态调整。这样的设计使得滤波过程更加精细，能够针对不同特性区域采取不同的处理策略。 最后，对选出的同质像素执行非局部均值滤波，以去除相干斑噪声。实验部分对比了该算法与其他几种滤波方法在不同PolSAR图像上的效果，结果表明，该算法在抑制噪声的同时，能更好地保留图像细节，包括边缘和极化散射特性，从而提高了图像的分析和解读能力。 这项工作为PolSAR图像处理提供了一个改进的滤波工具，它融合了非局部均值滤波的优势，并且考虑了极化信息的特殊性，对于提高图像质量和进一步的地物识别有显著作用。这种算法对于航空、遥感、环境监测等领域具有实际应用价值，特别是在需要高精度极化信息的情况下。