基于方向平滑滤波和噪声阈值的SAR图像斑点噪声去除方法

工程科学与技术，国际期刊21（2018）589完整文章基于方向平滑滤波和噪声阈值的Prabhishek SinghChang，Raj Shree印度勒克瑙BBAU IT系阿提奇莱因福奥文章历史记录：2017年10月10日收到2018年4月22日修订2018年5月14日接受2018年5月24日在线提供保留字：SAR图像斑点噪声离散小波变换方向平滑滤波法噪声A B S T R A C T颗粒模式乘性相干斑噪声的去除是合成孔径雷达（SAR）图像处理的主要问题。从理论上讲，乘性噪声被认为是标准偏差与信号值的比值。所提出的方案工作在基于db2的二维离散小波变换（DWT），使用小波阈值和方法噪声。该方法对模拟SAR图像和实际SAR图像进行了去斑处理。它使用方向平滑滤波器（DSF），小波阈值，增强贝叶斯收缩规则和方法噪声的去斑的混合组合。小波分解后，近似分量直接到DSF，然后进行方法噪声阈值化，细节分量进行小波阈值化，然后进行方法噪声阈值化。本文证明了方法噪声的有效使用，并解释了它的准确使用如何增强算法的结果。所提出的方法的质量评估是通过视觉外观和诸如峰值信噪比（PSNR）、结构相似性指数度量（SSIM）、通用图像质量指数（UIQI）、等效视数（ENL）、噪声方差（NV）、变异系数（CV）、均方误差（MSE）、相关系数（CC）和去斑前后平均值的保持。将该方法与SAR图像相干斑噪声去除方法进行对比，结果表明该方法是有效的。所提出的方法具有实时实际应用的能力。©2018 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在SAR图像中，相干斑噪声的抑制是主要问题，因为它使得线性特征、边缘、同质和异质区域的解释变得困难。基于乘性散斑噪声模型，有许多去散斑技术.为了照亮地球表面，SAR使用微波发射。由于合成孔径雷达提供自己的照明，它窒息了一些基本问题，与传统的被动遥感。由于合成孔径雷达具有自发光的能力，因此无论在白天还是在夜间都可以很容易地工作。它甚至不受云层覆盖或太阳光照变化的影响。SAR具有部分穿透干旱和超干旱地表的能力，但不能穿透稳定水体，从而反映了大气的外部作用。*通讯作者。电子邮件地址：prabhisheksingh88@gmail.com（P.Singh）。由Karabuk大学负责进行同行审查海洋、湖泊和其他水体，也揭示了地球的地下结构[1]。SAR图像是由发射的微波辐射与目标区域的持续相互作用形成的。这种一致的相互作用产生任意的建设性和破坏性噪声，导致在整个图像中被称为斑点噪声的乘法噪声。颗粒状图案通常在SAR图像中发现，或者由于任意的相长干涉或相消干涉而产生的噪声称为斑点噪声。高频雷达波与一组复杂的散射体的一致相互作用可能是合成孔径雷达处理系统设计和应用中最不隐含和限制性最小的方面。然而，在SAR图像处理中，散斑被建模为乘性噪声，如等式（1）所示。（1）[41]。因此，合成信号是散斑信号和原始噪声的产物。设IL（i，j）是像素坐标（i，j）中所观察到的SAR图像的退化像素，其中SAR图像被假定为L个外观的平均值利用乘性噪声模型，https://doi.org/10.1016/j.jestch.2018.05.0092215-0986/©2018 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch590辛格河Shree/Engineering Science and Technology，an International Journal 21（2018）589ðÞ ¼ ð -Þ ×ILi;jSi; jN Li;j Si; jI L iS其中，NL（i，j）描述了均值为0、方差为v的均匀分布的随机噪声，L看起来[42]。v的默认值是0.04。利用该模型对SAR图像进行去噪处理以检验所设计的去斑方案在不同噪声方差水平下的效率。它使用随机函数将乘性噪声应用于图像。随机函数的范围为（0-32700）。因此，（rand-dom/32700）=（0-1）。 因此，N L i;j01R. 在此代表-发送噪声方差或噪声水平[54]。一个固有SAR图像的一个特征是存在斑点噪声。图像中的散斑噪声是一种随机的、确定性的噪声.斑点对SAR图像有负面影响[46]。斑点对应于斑点是干涉或衰落模式[77]。强度分布称为散斑图。散斑是散射现象，而不是噪声[44]。干涉是建设性的点是亮点，干涉是破坏性的点是黑点[45]。 图图1显示了经典的散斑图[44]。散斑图案的统计特性取决于两个因素：首先是入射光的相干性，其次是散射表面的统计特性[47]。人们认识到[50-该方法能够对条带、聚束和逆SAR图像进行降斑，但不能对PolSAR图像进行降斑。因为PolSAR成像原理与常规光学遥感成像原理根本不一样[71]。极化SAR数据与正常数字图像有着不同的特征表现。除此之外，它还包含其他各种信息[71]。微波极化是指发射波束的电场矢量相对于水平方向的方向[72]。如果电场矢量平行于水平路径振荡，则射束被“H”偏振，并且如果电场矢量在垂直于水平方向的方向上振荡，则射束被“V”偏振。当雷达波撞击地球表面时，极化状态会发生变化。因此，反弹回来的微波能量通常具有两种偏振态的组合。SAR传感器旨在感测反射回来的辐射的“H”或“V”分量。因此，SAR系统的四种可能的极化配置[72]：● HH：水平发送和水平接收，● VV：垂直发射和垂直接收，● HV：水平发射和垂直接收，以及● VH：垂直发射和水平接收[73]。HH和VV的组合表示为同极化，因为发射和接收极化相同[73]。最后两个HV和VH表示为交叉极化，因为. LLIL-S.李发射和接收极化彼此正交PijSSC/L溶出度-Sð2Þ[73]. 雷达系统具有各种极化复杂度水平：在该模型下，乘性噪声也是伽马分布的[49，51]。这里，散斑在单个图像中被处理为一个乘法过程，和斑点噪声概率密度函数（PDF），NL，从方程。将公式（1）添加到伽马分布方程（Eq.）中。（二）、用矩技术表示NL的期望值E和方差V，即E（NL）= 1，V（NL）= 1 +1/L。SAR有各种类型和模式[83，84]，如条带图、聚束、逆SAR和极化合成孔径雷达（PolSAR），其中PolSAR是有源微波遥感成像雷达，辐射具有耗散极化状态的电磁波，然后接受地面目标物体复制的反弹[71]。通过这个过程，他们获得的散射特性的地面目标。拟议Fig. 1. 经典散斑图。● 单极：HH或VV或HV或VH● 双极化：HH和HV、VV和VH或HH和VV● 四种极化：HH、VV、HV和VH[73]。这篇文章的重点是去斑点仿真SAR图像[54，61]和真实SAR图像。该方法采用基于方法噪声的DSF和小波阈值去斑背后的主要思想是智能地应用噪声方法方法噪声的智能使用可以在很大程度上增强结果[62-65]，并且所提出的方法证明了这一但是，作者在这里提出了一种新的和有效的方法，应用方法噪声的低，高频子带的图像后，DWT分解。该方案中没有预处理。DSF在近似分量上实现，然后是方法噪声阈值化，并且所有细节分量都经受小波阈值化，然后是方法噪声阈值化。它应用基于db2的2D-DWT的去斑的目的。该计划的目的是改善尽可能多的边缘保存和保存均匀和非均匀区域的结果。乘法性质使用同态滤波处理[24]。详细的算法在第5节中讨论。文章的结构如下。第2节介绍了SAR图像相干斑抑制的主要文献综述。第三节介绍了DSF及其噪声阈值化方法的主要组合优势。第四节介绍了小波阈值法及其噪声阈值法。第5节讨论了所提出的方法，包括其流程图和算法。第6节从各个方面对可视化和数值分析进行了说明。第7节结束文章。辛格河Shree/Engineering Science and Technology，an International Journal 21（2018）589591⁄2. 相关工作在空间域和频域中有许多滤波器可用于通过保留线性特征、边缘、边界和对象来对斑点SAR图像执行去斑点。可用的标准过滤器和 方 法 是 Frost[2] ， Kuan[3] ， Chihara[4 ， 5] ， Lee[6 ， 7] ，Mean[8]和Median filter[9]。艺术品的特定状态属于不同的类别，如Frost，Kuan和Lee滤波器属于空间域中的贝叶斯方法Mean是线性滤波器。中值滤波器是一种非线性滤波器。Frost滤波器[2]从相干成像模型出发，根据局部统计量，对反射率自相关函数进行参数化粗计算这样的函数用于设计无噪声反射率本身的LMMSE解决方案[55]Kuan 所 得 到 的 LMMSE 解 决 方 案 被 称 为 局 部 LMMSE（LLMMSE），以指示它只覆盖局部一阶统计量，均值和方差，这是毫不费力地在滑动窗口中评估Anhara滤波器[4]是主要用于自适应降低图像中噪声的非线性该滤波器在保留边缘方面是有效的[5]。这种过滤器的主要缺点是它会产生块效应。局部统计滤波器是1980年由Jong-Sen Lee提出的第一个去斑滤波器模型。实际的论文[57]包含了加性信号无关噪声和斑点噪声的答案。以下解决方案在[58]中进行了技术改进，并在[59]中与sigma滤波器一起进行了修订。后来Lee滤波器被升级为Lee改进[7]，以克服Lee滤波器仍然存在噪声的边缘边界的弱点。为了提高滤波效果，在7 × 7滑动窗口中检测到边缘后，该算法利用局部梯度来估计边缘的方向。通过执行局部平均过程来应用均值或平均滤波器[8，60]，并且每个图像像素的值被局部邻域中所有值的平均值中值滤波器[9，60]是一种空间不变滤波器，它将像素的每个值与局部邻域中像素值的中值进行该滤波器在保留图像的重要细节方面是有效的Syed Musharaf Ali[10]提出了一种基于小波的算法针对SAR图像相干斑抑制问题，提出了一种基于非抽样小波变换、维纳滤波和均值滤波的相干斑抑制算法。这项工作有效地保留了细节，但计算成本很高。M. Mastriani[11，12]提出了一种增强的SAR图像边缘保持方向平滑方法，并通过匹配验证了这种新的去斑方法的实用性它与其他公认的SAR图像相干斑噪声消除方法。整体细节保留和斑点减少都很高，但仍有很大的增强空间在不同的地区。Fang Qiu[18]使用局部均值和标准差信息执行斑点减少。该方法能有效地保留图像的主要细节，并能较好地保持图像均匀区域的平滑性。同态滤波[13，14]使用对数和指数运算将散斑噪声的性质从乘法转换为加法。这简化了去斑方案，也打开了研究领域。同态滤波下的去斑技术是非常有效的，自适应的，也很容易理解和实现，由于使用对数和指数运算，因为它现在允许使用所有的加性恢复模型在SAR图像去斑。这是在SAR图像降斑中大量使用同态滤波的主要原因。非同态滤波[15，16，17]方法在文献中很少见到，因为它直接处理乘性噪声。Choongsang Cho，Sangkeun Lee[19]提出了一种使用有效的五方向偏导数的图像平滑和并行结构设计的有效平滑。以前，使用各向异性扩散的类似方法[20]使用各向异性扩散的斑点抑制是一种非贝叶斯方法。各向异性扩散是一种广泛使用的方法，它保留了图像的主要细节，如边缘和线条，但缺乏保持均匀区域中的均匀性。Diego Gragnaniello、Giovanni Poggi、Giuseppe Scarpa、Luisa Verdoliva[21]提出了一种SAR降斑方法，该方法基于对相同数据的多个备选估计值的排列，他们增强了一种简单的算法，其中只有两个最先进的降斑工具，其特征在于互补的属性，线性连接。张晓波[33]提出了一种新的基于局部维纳滤波的图像去噪本文首先利用非下采样剪切波变换对含噪图像进行分解，因为非下采样剪切波变换是图像处理中一种有效的多尺度和多方向检测工具。 J. JenniferRanjani和S. J. Thiruvengadam [34]提出了一种新的SAR图像去斑技术，使用双树复小波变换（DTCWT）的最大后验估计器。每个子带中的小波系数用双变量柯西概率密度函数建模，该函数考虑了小波系数的数值依赖性在[21，33]和[34]中提出的工作在边缘和纹理保持方面是高效的高对比度区域被很好地保留，但是异质区域中的平滑度是一个问题。V.R.Vijaykumar、Anu Mathew、Baskar Rao和Santhanamari[39]提出了一种技术，该技术考虑了邻域掩码的平均值和方向中值，用于使用DT-CWT计算小波系数的尺度间和尺度内依赖向量。这在边缘保护方面是有效的，因为它保留了阶跃边缘而没有任何模糊。Yao Zhao ， Jian Guo Liu ， Bingchen Zhang ， Wen Hong 和 Yi-Rong Wu[36]提出了一种基于双公式的自适应TV（ATV）正则化方案，该方案用于解释TV正则化。TV正则化的参数自适应是基于通过小波评估的噪声水平来完成的。本文的工作在均匀区域的斑点噪声抑制和非均匀区域的细节保持方面比以前的标准全变分方法有了很大的进 步 ， 但 有 时 仍 会 产 生 块 状 伪 影 Sara Parrilli 、 MarianaPoderico、Cesario Czenzo Angel- ino和Luisa Verdoliva[37]基于非局部滤波和小波域收缩的思想提出了一种新的SAR图像相干斑抑制算法。它调查的组织块匹配的3-D算法，这是新的投影加性高斯白噪声的去噪，但改变其主要处理步骤，以考虑到SAR图像的独特性。结果是一致的PSNR值，表现出更好的纹理保留和斑点减少。该技术在均匀区域具有较好的平滑能力。在[66]中提出了另一种有效的基于非局部滤波的贝叶斯框架，该框架在超声[67]和SAR图像[68]上进行了测试。这些工作表明了非局部均值滤波在降斑领域的有效性Bin Xu，Yi Cui，Zenghui Li，Bin Zuo，Jian Yang and JiansheSong[38]提出了基于补丁排序和变换域滤波的去斑方法。对SAR图像进行了带偏差校正的对数变换，592辛格河Shree/Engineering Science and Technology，an International Journal 21（2018）589×ðÞNhKðÞXX¼--一种散斑的性质从乘性到加性。所提出的技术具有非常强大的相干斑抑制能力和计划方案的执行时间也适合于SAR图像处理的应用程序。3. DSF及其噪声阈值化方法在SAR图像去斑过程中，图像信息，主要是边缘信息很可能DSF用于在平滑过程中保护边缘不模糊[9，10]在图像上应用DSF是一个参数敏感的过程。结果随着参数的变化而变化。由DSF引起的选择大小[三3]。 空间平均值vm;n;h据估计，的指示vm;n;h1ym-k;n-l3k;l并且计算方向h，使得Eq.（4）最小jym;n-vm;n;hj4下面的Eq。（5）给出所需结果vm;nn;hk该方案是实验上进行的，在这个面具上使用块处理在一个非重叠的方式。非重叠方式防止滤波过度平滑。提出的去斑方案进行了实验测试的dif-不同的掩模尺寸，但最好的结果是在最小的掩模尺寸。在上面的等式中，ym;n和vm;n是输入图像。是适当选择的窗口，N是窗口中的像素数，并且是如图2（a）和（b）中所示的滤波器权重（参见图2）。3）。在DWT分解中，近似部分是包含最大信息的残差/近似图像。由于所提出的算法工作到三个层次的decomposition。因此，DSF在近似部分的算法中应用了三次，直到分解的第三级[78]。DSF的操作之后是在近似部分处的方法噪声阈值化。该方法在DSF之后进行噪声阈值处理，以恢复DSF后剩余的退化信息.近似部分包含实际降级的最大信息。DSF执行逐块平滑。该操作不能保证近似部分的有效散斑减少。近似部分的未滤波和未处理的部分被引导到有效地保留边缘和其他精细细节的方法噪声阈值化。引入方法噪声阈值的概念对未滤波部分进行处理。它的主要用途是边缘保护。斑点图像和去斑点图像之间的差异显示了算法去除的噪声，称为方法噪声[62这里讨论应用方法噪声的一般方法。假设，D是噪声图像，在对它进行去噪之后，我们得到E作为最终的去噪图像。现在，通过下面的方程F来计算F DE.现在F包含残余噪声部分，因此可以进一步将任何去噪方案应用于它，如阈值或滤波。在对F去噪之后，假设实现了E1。然后，执行以下等式以得到包含最低噪声的结果去噪图像E2。E2¼E 1.（一）（b）第（1）款图二. (a)空间平均掩码[53]（b）方向平滑[53]。由于所提出的方案工作到三级分解，因此近似分量表示为A1、A2和A3。因此，Ai表示近似部分，其中'i'是分解级别。小波阈值由“W”表示。DSF之后的方法噪声阈值通过以下过程操作，在近似部分（Ai）上应用DSF，L0¼DSF 10000/10000/100000/100000Lup¼Ai- -L07现在，在L向上应用小波阈值（W），L0¼W 100L向上 1008 mmL已更新¼L00L09在分解的第三级更新的L包含最佳无噪声近似分量。4. 小波阈值及其噪声阈值化方法离散小波变换是最常用的小波变换，由于其在频域和时域上的局部性和多分辨率分析的特点，在图像去噪方面取得了很好的效果。小波变换的形式多种多样，其中复小波变换（CWT）、离散小波变换（DWT）和平稳小波变换（SWT）是用于图像去噪的主要小波变换。CWT和SWT是辛格河Shree/Engineering Science and Technology，an International Journal 21（2018）589593XB1/1我Gr2¼H0WH16DWT的扩展版本。连续小波变换是传统小波变换的复值扩展。它是一个二维小波变换，提供多分辨率，稀疏的插图，和有用的描述图像的结构[27]。[28]这是一个简单的例子。（LHL;HLL;HHL）。无噪声图像的标准偏差（rY）计算如下：r2最大值 r2- r2;0.0012mmY Xg形式程序，旨在改善小波变换，克服不足，的不变性的不变性是伴随着-通过消除下采样器和上采样器，其中，r2 1 Pb X2，b是输入图像的块大小。DWT并在过程的第j级中以因子2（j-1）对滤波器系数进行上采样[29尽管存在这些扩展版本，但DWT仍有能力超越可以通过硬阈值化和软阈值化来进行阈值化[69、70]。所提出的方法使用软阈值。它等同于：CWT和SWT。DWT算法通过合并是的0如果jXj6k13ðÞ方法噪声阈值的概念在所有细节和近似件. 本文对三种跨文化交际方式进行了比较分析。结果见结果部分[79]。基于db2的2D-DWT最多执行三级分解，并在通用阈值上工作，其中阈值是为所有小波系数专门选择的[14，15]。在1 ~ 7级分解层次上验证了算法和结果分析的有效性在小波变换的第三层该算法还测试了几个小波家庭，被证明是特别有价值的，在DWT。所测试的小波族有'haar'，'db'，'sym'，'coif'，'bior'，'rbio'，'meyr'等。结果部分给出了在这些小波族上的算法的比较结果。最好的结果是在“db2”处获得的所提出的算法适用于通用阈值，其中阈值是专门为所有小波系数选择的由于噪声在模拟SAR图像中是均匀分布的，因此全局阈值法和分块阈值法都该算法使用全局阈值，由于更好的计算成本比块处理。对实际SAR图像进行了同样的阈值处理，得到了与第一种情况相同的良好结果由于真实SAR图像中的斑点分布是未知的，但由于有效地使用了噪声阈值化方法，因此该算法在这种情况下也能很好地高达3级分解的2D-DWT将图像分为四个分量，近似（LL1，LL2，LL3）和详细（LH1，HL1，HH1），（LH2，HL2，HH2）和（LH3，HL3，HH3）部分[80]。近似零件（LL1、LL2、LL3）受到到DSF，然后是方法噪声阈值化，而详细部分（LH1，HL1，HH1），（LH2，HL2，HH2）和（LH3，HL3，HH3）是进行小波阈值化，然后进行方法噪声阈值化。基于小波变换的去噪包括以下几个步骤：首先进行小波变换，然后进行阈值化，最后一步是逆离散小波变换[10，13]。使用以下等式来评估阈值k，. r2！：符号<$X<$$> j Xj-k<$<$ifjXj>k在图像去噪应用中，完全恢复是不可能的，但信息的最大恢复是可能的。小波分解后的细节部分包含了最大的细节信息，主要集中在噪声较大的对角分量上。垂直和水平分量也包含一些次要信息。在细节部分先进行小波阈值化，然后进行噪声阈值化. 由于该分量包含最大信息，因此，使用方法噪声的概念执行双阈值处理，以尽可能恢复最大信息[81]。噪声阈值法在恢复退化的边缘、纹理和前景物体方面发挥了很好的作用方法噪声是一个简单而有效的概念。在大多数应用中，方法噪声被用作后处理。但方法噪声的概念可以更明智地使用。最好的方法噪声的使用给出了最好的结果。在这里，为了获得最佳结果，将噪声阈值化方法应用于小波系数，其为下一级提供更干净和无噪声的系数以进行进一步处理[82]。DWT和方法噪声的组合优势给出了最佳结果，因为边缘在这里被局部保留而不是全局保留。它是通过在2D-DWT操作中处理所有小波系数来完成的小波阈值化，然后是方法噪声阈值化应用于所有细节部分（水平，垂直和对角线），这给出了最佳结果。详细部分表示为D1、D2和D3，即Di，其中对每个细节部分（Di）应用小波阈值（W）H¼W Di14Hup¼Di--H15现在，再次在H上应用操作rY¼ðup ÞðÞ使用鲁棒中值估计方法[40]估计噪声方差，如下所示：中位数n=2G0：6754H0u0更新日期：2017年00月01日在分解的第三级更新的H包含最佳无噪声细节分量（水平、垂直和垂直）。对角线）。其中，X<$m;n<$LHL，X<$m ;n<$HLL和X<$m ;n<$HHL，L是分解级。标准方法仅适用于HHL，但在建议的工作，它适用于所有的细节组成部分5. 拟议方法5.1. 拟议流程图千分之四ð10Þð11Þ¼594辛格河Shree/Engineering Science and Technology，an International Journal 21（2018）589×操作二：WH'DiWH“H’’ +操作一：DSFL'AiW拉L’’ +A3 1A21斑点输入图像对数转换[S]A11D1 2D22D3 2去斑输出图像[S "]指数变换S’’ +S’’S图3.第三章。所提出的方法的流程图：基于2D-DWT的分解到第3级，将图像分解为近似部分（A1，A2和A3）和详细部分（D1，D2和D3）。近似部分涉及操作1，详细部分涉及操作2。操作1 = DSF，然后是方法噪声阈值化。操作2 =小波阈值化，然后是方法噪声阈值化。5.2. 该算法Algorithm：提出的算法。输入：斑点SAR图像输出：去斑点SAR图像1. 读取输入斑点SAR图像。2. 应用对数变换，S。3. 对于i = 1到3，i =分解级别，doA. 在S.B. 分解成两个子带，近似子带Ai=（LL1，LL2，LL3）和详细子带Di=（LH1，HL1，HH1）、（LH2，HL2，HH2）和（LH3，HL3，HH3）。C. 使用以下步骤对近似子带应用DSF，然后应用方法噪声阈值（步骤（b-d））：a. 使用方程[3]，使用掩码[3]将DSF应用于Ai3、4和5，b. Aic. 使用以下步骤对（A1-L '）应用小波阈值i. 噪声方差估计使用等式（十一）、ii. 阈值计算使用Eq. （十）、iii. 使用等式应用软阈值（12）和（13）。生成的图像为D. L’’ +D. 使用以下步骤对详细子带应用小波阈值化，然后应用方法噪声阈值化（步骤（b-d））：a. 使用以下步骤对Di应用小波阈值i. 噪声方差估计使用等式（十一）、（续）Algorithm：提出的算法。ii. 阈值计算使用Eq. （十）、iii. 使用等式应用软阈值（12）和（13）。得到的图像是b. Dic. 使用以下步骤对（D1-H '）应用小波阈值i. 噪声方差估计使用等式（十一）、ii. 阈值计算使用Eq. （十）、iii. 使用等式应用软阈值（12）和（13）。生成的图像为d. H’’ + H’.end4. 应用逆DWT，S '。5. S6. 对于i = 1到3，i =分解级别，doA. 在S-S '上应用基于db2的2D-DWTB. 分解成两个子带，近似子带（LL11，LL22，LL3）和详细子 带 （ LH11 ， HL11 ， HH11 ） 、 （ LH22 ， HL22 ，HH22）和（LH33，HL33，HH33）。C. 使用以下步骤对（S-S '）的详细对角部分（HH 11，HH22，HH 33）应用小波阈值：噪声方差估计使用等式（11）.b.使用等式（12）计算阈值。（10）. c.使用等式应用软阈值（12）和（13）.结束7. 应用逆DWT，得到的图像是S“。8. S’’ +9. 对（S“+S”）应用指数变换10. 最终输出去斑点SAR图像，辛格河Shree/Engineering Science and Technology，an International Journal 21（2018）589595MSE×SSIM公司简介yÞðþx;y×-Xy(a)（b）第（1）款图四、（a）原始SAR图像（b）斑点SAR图像（r= 20）。6. 实验结果与讨论在实验过程中，所用的SAR图像分别是加了斑点噪声的SAR图像和真实的斑点噪声SAR图像。在模拟SAR图像实验中，采用乘性相干斑噪声模型，利用公式（1）进行相干斑的产生。该方法使SAR图像中的相干斑噪声均匀分布。实际SAR图像中的噪声分布是未知的，因此它是不可能在不同的情况下以不同的噪声方差测试算法。为了验证这一点，引入了模拟SAR图像的概念[54，61]。显示结果的目的在模拟SAR图像中的相干斑抑制实验是为了测试相干斑抑制算法在不同噪声方差下的有效性、有效性和自适应性。原始SAR图像如图所示。 4（a）和斑点SAR图像图。 4（b）在噪音变化时─ance（r）= 20。图中的SAR图像。图4（a）是一个新墨西哥州阿尔伯克基附近沙漠中的各种军用车辆，从桑迪亚国家实验室获取;机载ISR可在开放的公共访问数据库中使用[33]，而斑点SAR图中所示的图像。 4（b）是该坟场的航空摄影─去斑滤波器的质量评估[11，23]。它们主要分为两类：有参考索引和无参考索引[23]。在第一种情况下（具有参考指数），认为实际反射率（信息）或地面实况是已知的，并且通过将去斑点图像与参考图像进行比较来评估去斑点图像的性能在第二种情况下（没有参考索引），真实反射率（地面实况）的全部知识是未知的。在无参考指标的情况下使用的性能度量是基于乘性SAR噪声模型的统计模型和底层场景的异质性程度 在第一种情况下使用的性能指标是峰值信噪比（ PSNR ） 、 结 构 相 似 性 指 数 （ SSIM ） 和 通 用 图 像 质 量 指 数（UIQI），而在第二种情况下，使用的指标是等效视数（ENL）、噪声方差（NV）、变异系数（CV）和均方误差（MSE）。PSNR[23]是去噪中最常用的性能评估指标。PSNR的值越高，PSNR就应该越高。值越高，结果越好。PSNR的计算公式如下：德国科隆的一家餐馆，可在开放的公共访问数据库[25，26]中获得。对原始SAR图像进行了噪声处理和测试10log10. 255×255Σð18Þ在噪声方差下的去斑（r = 5; 10; 20; 30; 40）。实验-在噪声方差r= 20处执行初始结果对大小为[512 512]的斑点SAR图像进行去斑，验证所提出的定量和定性评价方法的有效性。它还有助于SSIM[23]用于测量降斑图像与参考图像之间的相似性。它取决于三个参数，亮度，对比度和结构。总指数是这三项的乘法组合。提高了所提出的方法的计算复杂度。用于比较的标准过滤器和技术是Frost2llC12rxyC2Þ¼ðl2þl2þC1Þðr2þr2þC2Þð19 Þ滤 波 器 ， 同 态 Frost 滤 波 器 ， Kuan 滤 波 器 ， 同 态 Kuan 滤 波 器 ，Refined-Lee滤波器，同态Refined-Lee滤波器，Mifahara滤波器，中值滤波器，SRAD，软阈值，硬阈值，通用阈值，visu阈值，贝叶斯阈值，基于双变量Cauchy的MAP（BCMAP）[34]，多变量CauchyMAP（MCMAP）[39]，ATV[36]，H-BM 3D[37]，H-PPB[37]，粗滤波[38]，DSF，NLM滤波器和精滤波[38]。DSF中使用的窗口大小以非重叠的方式固定在[3 3]。x y x y根据文献[19]，SSIM的范围从1到1不等。UIQI[23]被写为三个分量的乘积：第一个分量用于测量线性相关度，第二个分量测量平均亮度的接近度，第三个分量测量图像对比度的相似程度。三个分量的范围在[0，1]中。因此，UIQI的最终范围在[0，1]之间6.1. 业绩评价指标Q·2rxryð20 Þrxry<$xr2，r2该算法在两种情况下：有和没有参考索引的SAR图像去斑为了克服视觉评价的限制，在文献中已经提出了许多其他客观的性能指标，ENL[11，23]用于估计均匀区域中的平滑度。ENL的高值显示出良好的定量性能[23]。ENL取决于测试的图像区域大小。对于完整图像，ENL值通常较高难以识别596辛格河Shree/Engineering Science and Technology，an International Journal 21（2018）589×完整图像中的均匀性。因此，在去斑点图像和斑点图像上以非重叠方式计算每个[25 25]块像素的ENL以评估ENL。简体中文. l2Rð21 Þ然后，取所有块的ENL的平均值[11，23]。ENL使用以下公式计算：其中m是均匀区域的平均值，r是标准值。均匀区域的标准偏差(a)(b)（c）第（1）款(d)（e）（f）(g)（h）㈠图五. SAR图像相干斑抑制算法结果（a）Frost滤波结果（b）同态Frost滤波结果（c）Kuan滤波结果（d）同态Kuan滤波结果;（e）Refined-Lee滤波器的结果（f）同态Refined-Lee滤波器的结果（g）Kuwahara滤波器的结果（h）中值滤波器的结果（i）SRAD的结果（j）软阈值处理的结果（k）硬阈值处理的结果（l）通用阈值处理的结果（m）可视阈值处理的结果（n）贝叶斯阈值处理的结果（o）BCMAP的结果（p）MCMAP的结果（q）ATV的结果（r）H-BM 3D的结果（s）H-PPB的结果（t）粗滤波的结果（u）精细滤波的结果（v）DSF的结果（w）NLM滤波器的结果（x）所提出的方法的结果。辛格河Shree/Engineering Science and Technology，an International Journal 21（2018）589597J¼ X(j)（k）（l）(m)（n）（o）(p)（q）（r）图5（续）NV[11，23]显示了图像中的散斑量[11]。图像中散斑的减少由小的NV值示出。NV使用以下公式计算：N-1CV[23]估计了非均匀区域的性能。它在乘法散斑模型的假设下工作[23]。 它被解释为标准差和平均值的比率。它以百分比形式表示。在假设下，让CV为r21u2Nj¼0其中N是图像的大小ð22Þ去斑点图像是X，参考图像的CV是Y。然后，细节保存不好会产生Y >X，而引入损伤会导致Y X[23]。使用以下公式计算变异系数598辛格河Shree/Engineering Science and Technology，an International Journal 21（2018）589(s)（t）（u）(v)（w）（x）图5（续）表1去斑点SAR图像的PSNR和SSIMPSNRSSIM图像噪声方差510203040510203040斑点SAR图像霜41.788839.393938.593732.593030.29760.84810.80850.77140.70110.6859图4（b）. [r= 20]同态弗罗斯特42.027540.218039.602134.297331.28460.86010.82000.79820.78190.7008Kuan40.971137.898035.000133.913732.96970.83300.79890.79890.70120.6592同态宽41.994839.336339.659034.250031.23070.84910.81230.80250.77060.7149[7]第七话41.873240.124039.256938.889134.89520.87830.86810.83020.80590.7994同态加细-李41.959340.007138.458737.072534.00970.84210.81580.80050.79010.7795Kuwahara41.758438.329836.238135.600233.26570.86710.84370.80250.78780.7253中值40.752437.203535.635033.5698732.32630.85200.83120.81470.78980.6197SRAD43.956242.283738.567136.568734.12590.95620.93590.89890.90010.8107[70]第70话最后一句42.533841.297340.112137.918934.92990.91410.91080.88280.88580.8817[70]第70话最后一句40.002138.281938.112036.291733.26570.82300.79850.77100.74850.7194通用阈值[74]41.935140.563938.563737.261430.29730.87610.85610.81810.78920.7529[75]第七十五话42.948240.291039.231037.285832.23100.91040.89520.85870.83200.8028贝叶斯阈值43.011542.292739.630837.235035.00230.93820.92570.89810.85670.8753BCMAP[34]43.289742.112139.802937.958034.26980.97010.94110.90010.91940.9093MCMAP[39]44.329042.319739.989839.258134.88960.98580.92510.92170.90270.9025亚视[36]45.425942.333340.389138.569034.52970.97230.95100.91230.90900.9117H-BM3D[37]44.189842.215840.589438.155534.23610.98490.93680.92580.91640.9057H-PPB[37]44.295442.156740.325840.258234.95970.95280.92670.91580.91510.9005粗过滤[38]44.379142.101240.793940.323034.15950.95520.94410.91120.90120.9087过滤器[38]44.573443.642740.328139.258934.32670.96890