基于相关融合和噪声阈值的SAR图像相干斑抑制方法的性能评估

ð Þ沙特国王大学学报基于相关融合和噪声阈值的Prabhishek Singha，Prabhishek，Raj Shreea，Manoj Diwakarba信息技术系，Babasaheb Bhimrao Ambedkar大学（中央大学），Vidya Vihar，Raebareli Road，Lucknow 226025，印度bUttaranchal大学计算机科学与工程系，Arcadia Grant，P.O. 地址：248007 Uttarakhand，Dehradun，阿提奇莱因福奥文章历史记录：2017年11月1日收到2018年3月7日修订2018年3月9日接受2018年3月28日在线提供保留字：DWT熵贝叶斯收缩二元收缩相关系数图像融合A B S T R A C T提出了一种基于局部相关的离散小波变换高频系数融合噪声阈值法的SAR图像相干斑抑制新方法。通过计算熵来分析每一层输入图像的纹理，从而确定分解层。该方法的核心思想是基于熵参数的2D-DWT分解层数选择和高频系数的融合。在分解时，低频系数保持不变，高频系数使用两种不同的收缩规则进行阈值化。因此，贝叶斯和双变量收缩方法被应用于高频系数。在进行两种不同的阈值分割后，采用基于局部相关的策略对改进后的高频系数进行融合。阈值的计算采用相关策略。之后，在两个改进的高频系数之间评估相关系数（CC）。为了融合的目的，现在将CC与阈值进行比较在定义融合策略的基础上，采用平均和为了保留图像的细节，在去斑方案 之 后 采 用 噪 声 阈 值 法 所 提 出 的 方 法 的 性 能 进 行 评 估 ， 使 用 指 标 ， 如 信 噪 比 （ SNR ） ， 峰 值 信 噪 比（PSNR），结构相似性指数度量（SSIM）和视觉外观的去斑图像。实验结果表明，所提出的工作比以前的工作的SAR图像去斑的有效性。©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍图像复原是图像处理领域中研究最多的领域之一在这项研究工作中，图像恢复是在SAR图像上进行的。合成孔径雷达（SAR）是安装在卫星和飞机上的一种雷达，它从不同的视角获取大面积地球表面的高分辨率图像SAR图像是由发射的微波辐射与目标区域的一致相互作用形成的。这种持续的互动源于*通讯作者。电子邮件地址：prabhisheksingh88@gmail.com（P. Singh）。沙特国王大学负责同行审查任意的建设性和破坏性噪声，导致在捕获的SAR图像上的颗粒图案。这种颗粒状的噪声模式被称为斑点噪声。这种噪声本质上是倍增的。SAR图像中斑点噪声的颗粒图案对应于散斑噪声的颗粒图案是干涉或衰落图案。强度分布称为散斑图。斑点是散射现象，而不是噪声（López-Martínez，2013）。高频雷达波与复杂散射体的一致性相互作用可能是SAR处理系统设计和应用的限制性方面。图1（b）显示了经典的散斑图案（Singh和Shree，2017 a）。在SAR图像处理中，相干斑噪声的乘性性质在方程中被建模。（1）（Saevarsson等人，2004年）。令ILi;j是具有像素坐标i;j的观察到的SAR图像的退化像素，其中SAR图像被假设为L个外观的平均值，并且Sj是要恢复的无斑点SAR图像。https://doi.org/10.1016/j.jksuci.2018.03.0091319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comð Þ314P. Singh等人 /沙特国王大学学报-计算机与信息科学33（2021）313- 328图1.一、（a）真实斑点SAR图像（b）经典斑点图案。ILi;jSi;jωNLi;j1由方程式（1），NL i;j描绘了具有单位均值和方差v和L look的不相关乘性散斑分量（Gao，2010）。SAR图像的一个固有特性是存在斑点噪声。散斑噪声在图像中具有随机性和确定性。相干斑噪声对SAR图像质量有很大的影响。图1（a）描绘了真实的SAR图像。单个像素的样本均值和方差等于局部区域的均值和方差（Garg和Kumar，2012）。干涉是建设性的点是亮点，干涉是破坏性的点是暗点（López-Martínez，2013）。散斑图案的统计特性取决于两个因素：首先取决于入射光的相干性，其次取决于散射表面的统计特性（Dainty，1976）。这是公认的（Ulaby等人，1986年; Oliver和Quegan，1998年; Walessa和Datcu，2000年），以潜在反射率为条件的L-look SAR图像的感知强度是伽马分布的（Escamilla和Méndez，1991年; Intajag和Chitwong，2006年）。斑点噪声遵循伽马分布（Gao，2010），如下所示：. L LIL-SLI（Kahara等人，1976年; Kyprianovich等人，2009）、Lee滤波器（Lee，1980，1981）、均值滤波器（Acharya等人，2005）和中值滤波器（Jain，1989）。这些工作是通过对反射率和散斑的统计特性进行假设而获得的，例如，PDF和自相关函数（Liechti等人， 2013年）。最近，最小二乘保真度最小化理论（Yan和Lu，2011 a，b，2012，2015）也很流行，以消除图像中的噪声。为了减少最小二乘保真度项，研究了许多正则化函数，如各向异性扩散和总变分（TV）方法。提出了基于各向异性扩散的方法来改善细节通过防止边缘处的扩散，但是它模糊了斑点边缘（Catté等人，1992; Esedoglu和Osher，2004）。与各向异性扩散并行（Yu和Acton，2004; Perona和Malik，1990; Weickert，1998）;基于TV的正则化被用于克服去噪图像中的平滑性（Diwakar和Kumar，2018）。从过去的文献中可以观察到，基于TV的方法在降噪方面实现了更好的结果，但是它具有不理想的阶梯伪影的困难（Chambolle和Pock，2011; Rudin和Osher，1994; Vogel，1995; Vogel和Oman，1996）。将TV和各向异性扩散的优点结合起来，PijSSCLe-S2TV方法，这种分组称为各向异性全变差方法（Cai等人， 2009a; Diwakar and Kumar，2018）。散斑在该模型下，乘性噪声也是伽马分布的。（Intajag和Chitwong，2006; Oliver和Quegan，1998）。在此，将单个图像中的散斑作为乘法过程来处理，并且从等式（1）中得到散斑噪声概率密度函数（PDF）Nl。（1）与伽马分布Eq. （二）、NL的期望值（E）和方差（V）通过矩技术来传达，即分别为E<$NL<$1和E<$NL<$1<$1=L。单视振幅具有瑞利（Oliver和Quegan，1998）分布;单视强度具有单位均值的负指数分布（Oliver和Quegan，1998）;多视振幅具有平方根伽马分布;多视强度具有伽马（或Nakagami-Gamma）（Oliver和Quegan，1998; Moser等人，2006 a，b; Goodman，1975）单位均值分布（Gao，2010）。SAR图像相干斑抑制方法可分为空间域的贝叶斯方法、变换域的贝叶斯方法和非贝叶斯方法。SAR图像地面相干斑抑制的标准和传统滤波器属于空域贝叶斯方法的范畴。一些有效的标准作品是Frost滤波器（Frost等人， 1982）、Kuan滤波器（Kuan等人， 1987年）; hara过滤器减少使用向异性扩散（麦康奈尔还有奥利弗1994年）利用突然发生的变异系数。它比传统的方法在方差最小化，均值保持和边缘定位方面有所改进。斑点减少各向异性扩散（SpeckleReducing Anisotropic Diffusion，SRAD）（Yu和Acton，2002）通过使用颈动脉的合成和真实线性扫描超声图像增强图像的详细信息（主要是边缘）来验证新算法，建立了使用各向异性扩散的斑点减少的界标方法。在（McConnell和Oliver，1994）和（Yu和Acton，2002）中提出的工作在边缘和纹理保留方面以及在视觉质量外观方面示出了更好的结果，但是均匀区域中的散斑减少不令人满意，这导致该区域中的不均匀性。 Lei Zhu（Zhu等人，2014）介绍了一种公认的细节保留各向异性扩散（IDPAD）用于斑点SAR图像的去斑，其经历主要在边缘处的减少的去斑呈现和均匀区域中的严重块伪影。赵耀（Zhao et al.， 2015）提出了一种基于双公式化的自适应TV正则化方案，该方案被实现以解释TV正则化。的参数自适应P. Singh等人 /沙特国王大学学报-计算机与信息科学33（2021）313-328315TV正则化基于通过小波评估的噪声水平该方法在均匀区域的斑点噪声抑制和非均匀区域的细节保留方面比传统的标准全变分方法有了很 大 的 改 进 ， 但 仍 会 产 生 块 状 伪 影 。 Rudin-Osher-Fatemi（R.O.F.） 模型（Rudin等人， 1992）提出了一种利用L2范数保真度优化的TV方法来提供平滑和去噪的图像。Rudin（Rudin等人，1992）也讨论了引起计算误差的非线性和不可微性等问题。再见，罗夫。模型进行了改进，以避免非线性和不可微性等问题，并提高了图像去噪的性能（Chambolle，2004）。用Bregman迭代法实现了非微分TV方法，通过减少非线性和不可微性等问题达到了目的。后来，通过应用线性化函数增强了Bregman迭代（Goldstein和Osher，2009）。后来的工作（Goldstein和Osher，2009）再次延伸，通过熟悉Split Bregman技术来减少L1正则化（Deng等人，2011 年 ; Li 等人， 2012; Osher 等人， 2005; Wotao 等人， 2008年）。最近，许多方法（Cai等人，2009 a，b，c; Candes等人，2008; Chen等人， 2015年）已经通过改变规范以及正则化项通过分裂Breg-man技术进行了预测。许多作者还提出了混合模型，如L2-L1（Lou等人，2015; Zibulevsky and Elad，2010）. 这些混合模型专注于基于更高程度的图像去噪（Hu和Jacob，2012）和基于梯度的约束全变差算法（Beck和Teboulle，2009）。这些混合模型显示出比经典TV方法和一些标准方法更好的结果为了解决这个问题，一种技术（Sun等人，2015年，他在电视节目中播出。然后，利用指数TV函数对图像进行Split Bregman去噪该技术提供了改进的噪声降低。近年来， TV 技术得到了增强，例如基于系数驱动的 TV（Guozhong和Xingzhao，2005）、基于非负性约束的TV（Osher等人，2005年），以减少噪音的图像。非局部均值滤波器（NLM）滤波器不断更新像素通过被判定为最相似的像素的加权平均值，其中在指定的搜索窗口内进行邻域比较（Diwakar和Kumar，2018）。NLM滤波器在斑点减少和保留图像细节方面提供了不错的结果（Diwakar和Kumar，2018）。近年来，NLM（Buades等人，2005）过滤器在图像去噪领域。SaraParrilli（Parrilli等人，2012）提出了一种基于概率相似性测度的非局部滤波和小波收缩的相干斑抑制方法。结果是一致的PSNR值，表现出更好的纹理保留和斑点减少。同时，该技术在均匀区域具有更好的平滑能力。另一种有效的基于非局部滤波的贝叶斯框架在（Kervrann等人，2007），其在超声（Coupe等人，2008）以及SAR图像（Zhong等人，2011年）。这些工作提出了有效的非局部均值滤波在域的去斑方面的斑点减少和保持在均匀区域的平滑度同态滤波下的相干斑抑制技术是一种有效的、自适应性强的相干斑抑制技术。由于应用了对数和指数运算，它们易于理解和实现。该方法允许在SAR图像去斑中使用任意的加性恢复模型，从而这是同态滤波在SAR图像降斑领域得到广泛应用的主要原因非同态降斑方法也是有效的和自适应的，但由于其在理解和实现上的高复杂性而仍然较少使用;因此，与同态去斑方法相比，非同态去斑方法的可用文献较少（Liechti等人， 2013年）。可用的文献显示，变换域中的贝叶斯方法证明了比空间域中的贝叶斯方法更好的结果（Alberti等人，2013年）。 有一些非贝叶斯方法也显示出与变换域中的贝叶斯方法类似的更好的结果（Alberti等人，2013年）。同态滤波（Gagnon和Jouan，1997;Hervet，1998）用于使用对数运算将斑点噪声的乘法性质转换为加法性质。这简化了去斑程序，也打开了各个维度的研究领域。在（Singh和Shree，2020）中，提出了一种使用方法噪声阈值的同态方法，其中使用基于db2的 2D-DWT将各向异性扩散应用为预处理步骤中值滤波器和维纳滤波器用于图像的近似部分以去除模糊。方法噪声阈值作为后处理步骤应用在去斑过程中，处理去斑图像的未滤波部分这项工作在斑点减少、边缘保持和去除模糊区域方面显示出最好的结果，但通过智能地使用方法噪声仍然有改进的范围Manoj Diwakar（Diwakar和Kumar，2014）提出了一种降噪方法，使用自适应维纳滤波和小波包阈值算法来增强图像质量。这项工作是有效的，以消除模糊，但仍然，一些高对比度和高纹理的地区是未经处理的。Sonam和Manoj Kumar（2017）提出了一种使用离散小波包变换的基于局部相关和方向对比度的图像融合技术，其中低频系数使用局部相关进行融合。研究结果为低频系数和高频系数的融合提 供了 一种 有 效的 方法 Manoj Diwakar （ Kumar 和 Diwakar ，2016）提出了一种两阶段去噪方案，首先使用小波阈值去噪，然后使用其方法噪声阈值去噪，第二阶段包括小波域中的聚集，所提出的工作在细节保留方面非常有效，但两阶段过程使其计算成本很高。本文 提出 了方 法噪 声的 一种 有效 应用 Heng-Chao Li （ Li 等 人，2013）提出了一种新的贝叶斯多尺度技术，用于非同态议程中的SAR图像的相干斑抑制。为了处理乘性散斑噪声，对散斑贡献采用线性分解。稍后在SWT中，一个双边的一般伽玛分布是熟悉的作为一个早期的阶段，以处理无散斑反射率的小波系数的重尾所使用的收缩规则对图像的对角分量执行阈值化，这导致水平和垂直分量未被滤波，因此在去噪过程中有很大的改进范围。R. Sethunadh和T.Thomas（2014）提出了一种新的空间域自适应SAR图像降斑方法，该方法利用direction-let变换系数的统计尺度间相关性;该方法在保留高纹理区域 方面非 常有效 J. Jennifer Ranjani 和 S. J. Thiruven-gadam（2010）提出了一种基于双树复小波变换的SAR图像尺度间相关性去斑方法。该技术在框架中采用了最大后验概率估计该方法能较好地抑制均匀区域的相干斑噪声，并具有较好的边缘保持能力。Bin Xu（Xu等人，2015）提出了基于补丁排序和变换域滤波的去斑方法。对SAR图像进行带偏差校正的对数变换，将相干斑的性质由乘性变换为加性。该方法具有很强的相干斑抑制能力，并且所设计的方案的执行时间也适合于SAR图像处理的实际本文提出了一种基于噪声阈值的基于双小波收缩的DWT输入SAR图像512×512n红黄316P. Singh等人 /沙特国王大学学报-计算机与信息科学33（2021）313- 328规则使用高频系数的基于局部相关的融合。利用贝叶斯和双变量收缩准则对SAR斑点图像细节部分进行双阈值并行处理贝叶斯方法评估不同的阈值为每个分解级别，因此是子带相关的，而双变量收缩规则使用的父和子小波系数的阈值进行评估。贝叶斯方法在平滑平坦区域方面效果更好，而双变量方法在平滑边缘部分方面效果更好。采用基于“avg”和“max”运算的局部相关策略对并行滤波后的SAR图像细节部分根据SAR图像的纹理特征，采用熵度量来确定分解层次.将所提出的方案与贝叶斯的一些最新作品（Li等人， 2013）和双变量（Sethunadh和Thomas，2014）阈值，各向异性扩散（Zhu等人，2014）和总变差法（Zhao et al.， 2015年）。文章分为五个部分。第二节简要介绍了小波变换的同态滤波、贝叶斯收缩和二元收缩准则的小波阈值化、噪声阈值化方法和基于熵的小波分解。第3节提出了建议的流程图和一步一步的建议去斑方案的程序。第4节显示了实验结果和统计分析的工作和第5节结束了文章的未来范围。2. 背景2.1. 同态滤波与离散小波变换散斑噪声本质上是乘性的。利用同态滤波将散斑噪声的乘性转化为加性。它将其转换为附加噪声。现有的有效图像复原模型大多是针对加性噪声的。为了使用这些加性恢复模型，同态滤波。对数和指数变换是用于乘法性质转换的运算。对数变换将乘性散斑噪声转换为加性噪声，并且在去散斑处理之后，应用指数变换来执行逆对数运算。小波变换是图像去噪中最常用的数学函数。DWT提供了图像从空间域到频域的变换（Singh和Shree，2016 a）。2D-DWT对应于多分辨率近似表达式。在应用离散小波变换时，它将斑点图像变换为四个斑点SAR图像的DWT分解高达2级（Singh和Shree，2016年b）。LL分量用于进一步分解或其他平滑处理，因为它具有SAR图像的重要信息，如纹理，并且它具有较少的斑点分布。LH、HL和HH分量具有输入SAR图像的垂直、水平和对角统计数据（Singh和Shree，2017a）。该方法只考虑LL波段图像，忽略其他分量的不重要信息，即可对输入SAR图像进行重构。2D-DWT的唯一缺点是在图像上应用DWT时，在每个级别上，它都会将图像的大小减少到前一级别的一半，如图3所示。这会导致信息丢失。本文评估了分解过程中的信息损失，并使用下一小节中提到的指定公式在每个波段级别使用熵计算来确定最佳分解级别（见图1）。 4）.为了将离散小波变换应用于图像去噪，需要确定一些参数。首先，小波族的基础是希望是首选的每一个分解层，如db2，haar，sym等，其次，适当的n级分解，需要决定。根据现有文献，在图像去噪的大部分时间里，图像被分解到3-需要评估这种信息损失，这应该被认为是准确分解水平的决定性参数。本文确定了熵作为确定分解层次的决定性参数。基于小波的去噪通过以下三个步骤执行：步骤1：对输入的SAR斑点图像进行离散小波变换，得到SAR斑点图像的近似和细节部分。步骤2：使用以下步骤执行去噪i. 估计噪声方差。ii. 计算阈值。iii. 在细节零件上应用阈值。第三步：应用逆离散小波变换得到最终的去斑点SAR图像。2.2. 基于贝叶斯收缩准则的使用以下等式来评估阈值k. r2部分：适当部分（LL）和详细部分（垂直噪声系数（LH）、水平噪声系数（HL）和对角噪声系数（HH））。近似分量是低频系数，细节部分是高频系数.主要的图像信息存在于细节部分中，因为高频对应于噪声并且也对应于边缘。这解决了优先处理图像的异质区域以更好地保留细节的问题。图2示出使用鲁棒中值估计方法（Abramovich等人，1998年）如下：LL1HL1LH1HH1LL2 HL2HL1LH2 HH2LH1HH1斑点SAR图像LL256×256LH256×256HL256×256HH256×256图二. 2D-DWT分解到两个级别。图三. 使用DWT的频带分解。千分之四ð3ÞnpAPAP我X¼n. qa2a2-kpΣΣz;如果z>0npAPnXC1/1我过滤在对F去噪之后，假设实现了S则S00¼ S0D为^APRpP. Singh等人 /沙特国王大学学报-计算机与信息科学33（2021）313-328317与第p个小波系数b1 p相同的位置，但是在下一个较粗的尺度上）。然后a1p¼b 1pn 1pa2pb2pn2p7其中a1p和a2p是斑点小波系数，b1p和b2p是无斑点小波系数，n1p和n2p是加性噪声系数。当量（7）可以改写为：apbpnp8其中，bp=（b1p，b2p），ap=（a1p，a2p）和np=（n1p，n2p）。为了去除高频系数的斑点，使用双变量收缩规则（Chang等人，2000）可以表示为：1个p和 2个pB að9Þ1个p¼qa2a2：1个p拉法茨河函数的定义如下：~ 1/4。0;如果z <0ð10Þ方程中的项kp（9）是第p个系数的阈值，计算如下：第3页第2为了从噪声小波系数计算噪声方差r2，从等式中所述的最细尺度小波系数（LH、HL和HH子带）（4）每个小波系数的r2的边际方差可以估计为：r^2¼。r^2 -r2ð12Þ其中，r^2是噪声系数为1p时的边际方差，两便士。由于1p和2p被建模为零均值，可以估计，匹配为：见图4。 建议去斑方法的流程图。21a2jSpjai2Spð13Þr2¼中位值xx xx;yx x20：6754ð4Þ其中，jS<$p <$j是邻域S（p）的大小2.4. 噪声阈值法其中，X<$x;y<$LHLL，X<$x ;y<$HLL和X<$x;y<$HHL，并且L是分解的。行动水平。标准方法仅适用于HHL，但在建议的工作中，它适用于所有的细节组件（LHL;HLL;HHL）。无噪声图像的标准偏差（rY）计算如下：r2¼maxr2-r2;0mA5mA噪声图像和去噪图像之间的差异显示了算法去除的噪声，称为方法噪声（Kumar，2013）;（Shreyamsha Kumar，2013）。 假设S是噪声图像，在对其进行去噪之后，我们得到D作为最终的现在，数学上F由F1/4S-D计算。Y X n现在，F包含未滤波的噪声残差部分，因此，因此，任何去噪方案都可以应用于它，如阈值处理或式中，r2 1/4Pc X2，c是输入图像的补丁大小。可以通过硬阈值化和软阈值化来完成阈值化所提出的方法使用软阈值。它等同于：执行以获得包含最低噪声的最终去噪图像S “ （ K u m a r 和D i w a k a r ， 2 0 1 6 ; B u a d e s 等 人 ，二 ○ ○四年;Y=1/4。.0符号jX j-k如果jXj6k如果jXj>kð6ÞZhang，2016）。所提出的方法实现的方法噪声阈值作为后处理步骤。2.5. 基于熵的小波分解2.3.基于双变量收缩准则的为了消除高频系数的斑点噪声，采用自适应阈值法对高频系数进行二变量收缩.假设，b2p表示b1p的父（b2p是在2D-DWT适用于对数变换的斑点SAR图像的水平n取决于纹理的测量，使用熵参数的最佳结果。熵（R^1p2个pþkp¼ð11ÞþAPp×4L×ð ÞnðÞðÞLLLAl¼LLMnLLL318P. Singh等人 /沙特国王大学学报-计算机与信息科学33（2021）313- 328测量像素值的不确定性的参数，其可以是ii.对于每个高通子带的每个系数，用于说明输入图像的纹理（Diwakar和Kumar，2014）。在每一个下一个分解级别（n）上，对父节点和子节点评估E'。父节点的E'的值高于子节点的E'的值指示图像中存在需要下一次分解以用于细节保留的信息。此过程将继续，直到上述条件失败。这个设置分解级别的过程在细节保留方面给出了最佳结果。EE0¼-XPiLog2Pi143. 拟议方法对真实SAR斑点图像和模拟斑点图像进行了去斑实验。通过将去斑图像与参考图像进行比较来执行图像质量的评估。通过在经典图像中加入散斑噪声散斑分布-a) 使用等式计算r^2 （十三）b) 使用等式计算r^2 （十二）c) 使用等式1计算阈值kp（十一）d) 估计每个系数使用方程。（九）e) 恢复1p中的值。得到的详细零件是（步骤4：基于局部相关的融合。采用基于局部相关的方法对两种不同并行阈值化方法后得到的高频系数（首先，使用这种方法计算阈值：使用3 × 3掩码大小从这些高频系数（HL '，LH'，HH '）和（HL“，LH，”HH“）计算非重叠的逐块相关系数（CC）所有CC的平均值被评估并被决定为阈值。在所提出的工作中，评价阈值表示为T。CC（Shi，2005）使用以下公式进行评估。（十六）XXAmn-A在真实SAR数据中的分布是未知的，但在模拟的经典CCmn16Þ图像，散斑噪声均匀分布。 双采用基于局部相关的融合策略，并行执行基于小波的全局阈值规则（贝叶斯和双变量收缩规则）。第一步：SAR斑点图像本质上是乘性的。应用自然对数变换将这种乘法性质转换为加法性质。设SAR图像的斑点噪声为S。步骤2：基于熵的小波分解到n级基于熵的小波分解级别由以下步骤决定：答：首先对图像应用2D-DWT，并设置最大层数。B：对每个水平进行四个分量（LL、LH、HL、HH）的分解。C：使用等式（1）计算每个层的每个分量（LL，LH，HL，HH）的熵（14）然后通过下式计算每个层的平均熵值（AEV），AEV1/4。E0LLE0LHE0HLE0HHH15D：自上而下进近方式，检查AEV，rMnmnmn其中，A<$=mean 2（A），B<$=mean 2（B）。m和n表示源图像。mean2（A）= A Xi;j和mean2（B）= B Yi;j。AXi;j和BYi;j是它们各自的高频子带的平均值将2D-DWT应用于源图像X和Y上的l级分解。i;j表示像素坐标。的CC的值位于[-1到1]范围之间，其中“1”指定强正关系，“-1”指定强负关系。CC为在所获得的高频系数（HL '，LH'，HH '）和（HL“，LH，”HH“）的基于局部相关的融合策略中，使用5 × 5的掩码大小，使用等式（1）从这些高频计算非重叠的逐块CC。（十六）、这里，将所获取的CC与阈值（T）进行比较。如果CC值小于或等于T，则执行最大值操作。在最大-最小运算中，通过从两幅变换后的图像中选择最大值来实现融合。否则，应用平均运算，其使用两个变换图像来计算平均值以执行融合。基于局部相关的融合策略给出如下：i. 如果（AEV（父节点）> AEV（子节点）），则转到下一个分解水平新（最大值：AX;BY，如果是CC6T，平均值：AX;BY，否则E：如果没有要分解的节点，则完成该过程第三步：双阈值（Bayesian（A.）和Bivariate（B.）收缩）被并行地应用在细节部分上。改进的细节部分，两个阈值融合，以获得更增强的结果。A. 对于每个分解级别，使用贝叶斯收缩规则对细节部分（HL、LH、HH）应用小波阈值。i. 噪声方差估计使用等式（四）、ii. 阈值计算使用Eq. （三）、iii. 使用等式应用软阈值（5）和（6），得到的详细部分是（B. 对于每个分解级别，在细节部分（HL、LH、HH）上使用双变量收缩规则应用小波阈值。i. 计算局部噪声方差r2，使用公式：（四）、在等式（17）中，运算理论上，当CC6T时，这意味着相似率细节去斑分量之间的距离较小，因此当CC6T时，这意味着详细的去斑点成分之间的相似率nents更多，两个分量几乎相等，因此最好将它们平均在实验笔记上，详细的去斑分量被实验性地测试并且使用“max”、“min”和“avg”操作来融合（17）最好的结果。第 五 步 ： 最 后 ， 对 低 频 系 数 （ LL ） 和 高 频 系 数 （ HLnew ，LHnew，HHnew）进行收缩融合，得到去噪后的SAR图像。输出的去噪图像为D.我ð17Þ二. 否则，删除剩余的子节点。×MSENj¼0SSIM公司简介关于我们x; y-P. Singh等人 /沙特国王大学学报-计算机与信息科学33（2021）313-328319步骤6：应用方法噪声阈值。执行（S-D）操作。现在使用步骤2对（S-D）应用2D-DWT直到分解的n级。利用贝叶斯阈值法对细节部分进行滤波。在执行该步骤之后，输出图像S '。现在执行加法运算，即（S' + D）。最后一步是对（S' + D）执行指数运算。输出图像是去斑点的SAR图像4. 实验结果与讨论在本节中，统计和实验结果的图像质量性能测量显示在真实的SAR数据和模拟斑点的经典图像。验证了该方法的实用性 在r = 20处噪声方差的真实SAR图像的数据集如图所示。 五、实验在真实SAR数据集上进行，对于各种噪声方差水平，即[r= 5; 10; 20; 30; 40]。所提出的方法也进行了测试模拟斑点的经典图像图。 11和12），结果是开放的公共数据库。图中所示的SAR 1图像。图5（a）是新墨西哥州Albu-querque附近沙漠中各种军用车辆的Ka波段图像，取自桑迪亚国家实验室的机载ISR，可在http：//www.sandia.gov/RADAR/imagery/上获得，图5（b）中描绘的SAR 2是夏威夷基拉韦厄的空间雷达图像- 干涉测量1取自加州理工学院喷气推进实验室的数据库，可在https：//pho tojournal.jpl.nasa.gov/catalog/PIA01763上获得，图5（c）中所示的SAR 3图像是德国科隆墓地的航空摄影，其可在开放公共访问数据库（DATASET OF STANDARD; Test Images）上获得。4.1. 绩效评价PSNR是去噪或去斑中最常用的性能评价指标之一，用于描述图像的整体纹理PSNR值越高，图像质量越好PSNR的单位是dB。PSNR的计算公式如下：图中所示。 13岁对大小为512 - 512的图像进行了实验分析，实验分析在以下系统配置上进行：MATLAB版本= 8.3，名称= R2014 a，采用英特尔（R）酷睿（TM）i5-2410 M CPU@2.30GHz，10log10其中，. 255×255Σð18ÞN-14 GB RAM和64位操作系统。系统的配置是必不可少的，以记录所提出的算法的计算时间的评估。所提出的方法是一个多步骤的过程，其中包含各种可变的参数，这是用户敏感。实验结果使用基于db2的2D-DWT进行，并在计算熵度量后设置采用软阈值法分别对细节部分应用标准的二元收缩准则和改进的贝叶斯收缩准则速度。[3× 3]掩码用于计算阈值。[5× 5]掩模用于执行基于局部MSE¼1XX-Y219SSIM用于度量去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。它是一种感知度量，用于计算由数据压缩或数据传输损失引起的图像质量下降。它基于图像中存在的可见结构。它是UIQI的改进版本。整体指数是亮度、对比度和结构的乘法组合。SSIM的计算公式为，关联策略本文还将所讨论的改进的贝叶斯收缩准则应用于噪声阈值分割部分.的2llC12rxyC2Þ ¼ðl2þl2þC1Þðr2þr2þC2Þð20Þ其余参数保持不变。为了验证所提出的方案，将实验和统计结果与SAR图像去斑领域中的一些众所周知的技术（例如ATV（Zhao等人，2015）、BayesWS-HAW （Li等人 ，2013 ）、 双变量 阈值（ Sethunadh和Thomas，2014）和IDPAD（Zhu等人，2014年）。所提出的算法在模拟经典图像上的结果如图所示。 13岁在这项研究工作中，结果和讨论三种不同类型的SAR图像。真实的SAR数据取自x y x y根据文献（Cho和Lee，2016），SSIM的标准范围从1到1不等。信噪比是降噪或降斑领域中经常使用的性能指标。信噪比是用来衡量灵敏度的图像。SNR被评估为无噪声图像变化与MSE的比率。从平均信号和背景值的差计算无噪声图像方差，并且从背景区域定义MSE。以dB表示。SNR的计算公式为，图五. 斑点状SAR图像。MSE320磅Singh等人 /沙特国王大学学报-计算机与信息科学33（2021）313- 328SNR¼10 log10ΣVar½f]Σð21Þ在r= 20时，CCLH00：8759;其中，Va[r/2f]=无噪声图像方差。4.2. 局部相关细节子带分析贝叶斯和Bivariate收缩方法产生的高频子带融合使用局部相关性为基础的表1示出了对于各种噪声方差水平，即（r= 5，10，20，30，40），贝叶斯和双变量收缩方法的去斑点的详细子带之间的相似度，即相关性令在r= 20处，贝叶斯和贝叶斯的去斑点详细子带双 变 量 收 缩 率 规 则 分 别 为 （ HL ' ， LH' ， HH ' ） 和 （ HL“ ，LH，”HH“），相关系数（CC）使用公式计算。（十六）、表1不同噪声水平下详细子带之间的相关值噪声方差LH子带HL子带HH子带R= 50.95270.965809,758R= 100.91590.91580.9258R= 200.87590.85980.8479r= 300.81430.82580.8157r= 400.75890.76560.7458CCHL0;HL00：8598;CCCHH0;HH00 小 时 40分钟0：8479：类似地，评估其余子带的相关性。该分析确定这两个子带之间的相似程度。在此基础上，设计了基于局部相关性的融合策略，对两个增强后的高频系数进行融合。4.3. 实验评价和比较实验结果示于图1和图2所示的部分中。6-10对于SAR图像数据集，11-13对于经典图像数据集。参考SAR图像如图所示。 五、 在图图6 -10示出了去斑方法的结果即ATV、BayesWS-HAW、双变量阈值、IDPAD和所提出的方法。基于视觉外观，如（i）伪影的出现;（ii）边缘保持;（iii）低对比度物体的可见性和（iv）纹理，存在用于分析去斑点SAR图像质量的某些参数和结构保存。以来那里是不是任何见图6。 ATV的结果见图7。 BayesWS-HAW的结果P. Singh等人 /沙特国王大学学报-计算机与信息科学33（2021）313-328321图8.第八条。二元阈值的结果见图9。 IDPAD的结果见图10。 所提出的方法的结果。科学原理可用于这样做，因此基于这些上述参数通过视觉外观进行分析。在所提出的方法中的分解的水平上设置的熵度量的基础上。分解层数不是固定的，不同的SAR图像由于纹理的不同而不同。双变量阈值和IDPAD显示出良好的去斑结果。ATV方法的结果会出现过光滑和丢失次要细节。贝叶斯（BayesWS-HAW）的结果也显示了一些信息损失，因为输出图像看起来非常模糊。所提出的方法克服了所有的比较方法的边缘和纹理的保留。×× ××322P. Singh等人 /沙特国王大学学报-计算机与信息科学33（2021）313- 328在输出图像中的伪影生成方面，可以看出，在所提出的方案的结果中没有伪影的发生。BaysWS-HAW在输出结果中ATV、双变量和IDPAD在所提出的方法的输出图像中看到的对象的结构被很好地保留。SAR图像基本上是低对比度图像，并且斑点噪声扰乱了图像的整体纹理。在去斑点结果中，可以看出，在所提出的方法输出中，低对比度对象被很好地保留。在分析图1和图2中的输出图像的细节时，如图6-10所示，观察到所提出的方法在保留重要信息方面显示出最佳结果。所提出的方法利用贝叶斯和双变量收缩方法的优点属性，因为可以看出，角和边缘被很好地保留，甚至均匀区域上的平滑度也被很好地保持。相干斑抑制方案基于高频系数的局部相关融合策略。它提供了高频系数的有效增强。使用3 3的掩模来使用相关系数计算最佳这项工作是在5 5，77和9 9口罩测试。 随着掩模尺寸的增加，去斑点图像质量降低，这证明了在这个方案中阈值的重要性。“平均”和“最大”操作取决于阈值。因此，融合策略取决于阈值。该方案采用db2小波族基进行离散小波变换。小波分解层次的设置使用的熵因子。执行分解直到第n级，直到第n级的熵值近似等于第