抑制SAR图像相干斑的迭代方向滤波算法

朱 磊 水鹏朗 章为川



抑制SAR图像相干斑的迭代方向滤波算法

朱 磊*①②水鹏朗②章为川①

①(西安工程大学电子信息学院 西安 710048)②(西安电子科技大学雷达信号处理国家重点实验室 西安 710071)

为保护SAR图像边缘特征并有效提高对乘性相干斑噪声的抑制性能，该文提出一种基于迭代方向滤波的抑制图像相干斑新算法。该算法先借助高斯-伽马平行窗估计出的比率边缘强度映射(ESM)与方向信息，自适应地控制各向异性高斯核(AGK)，生成沿ESM方向分布的具有各向异性支撑区域的局域窗。然后将SAR图像多种局部统计参量联合作为衰减因子，形成与SAR图像区域分布特性相适应的负指数衰减型加权系数，进而将负指数衰减型加权系数与局域窗带方向的各向异性支撑区域结合形成局域加权的方向滤波。最后对SAR图像迭代地进行方向滤波即可实现带边缘保护的相干斑抑制。实验结果表明，与多种抑斑算法相比，该文算法在SAR图像抑斑与边缘保护方面均获得了更好的性能。

合成孔径雷达图像；相干斑；迭代方向滤波(IDF)；边缘强度映射(ESM)；各向异性高斯核(AGK)

1 引言

乘性相干斑噪声是合成孔径雷达(SAR)这类相干叠加成像系统的必然产物，其严重降低了SAR图像的视觉质量，极大地影响了目标识别、特征提取等后续解译处理的效果与性能。因此，抑制SAR图像中的相干斑对于改进成像质量，提高后续解译处理效果都具有十分重要的意义。目前，SAR图像主要的抑斑算法可分为3类[1]：空域滤波、偏微分扩散滤波与变换域滤波。以经典的KUAN滤波[2]，FROST滤波[3]及其改进算法[1,4,5]为代表的空域滤波，借助滑动窗口估计出的图像局部统计特性来完成滤波，具有较好的抑斑能力且算法简单实时性好，但噪声抑制和边缘细节保护受窗尺度设置影响较大且常出现部分区域噪声抑制不充分的问题。以各向异性扩散[6]及其改进算法[7,8]为代表的扩散滤波，利用图像局部结构信息来控制扩散的方向与强度，从而在噪声抑制与边缘保护上效果较好，但容易引起图像动态范围减小以及由于扩散次数设置不佳而产生的图像细节模糊或抑斑不充分现象。以小波变换[9,10]，Shearlet变换[11]及Contourlet变换[12,13]等为代表的变换域滤波，根据子带变换系数的特征设计滤波策略，能有效抑制高频噪声，可较好地兼顾同质区抑斑和边缘细节保护。但算法需进行空域与变换域的分解与重构，复杂度与计算量较大，同时容易造成伪吉布斯现象。

为此，本文以负指数衰减型加权滤波模型为基础，提出了一种迭代方向滤波(IDF)新算法。相对于传统空域滤波，IDF算法主要进行了以下改进：其一，利用方向，各向异性程度与等效尺度均不相同的自适应变尺度局域窗代替传统各向同性的固定尺度局域窗。这种自适应变尺度域局域窗，需先借助高斯-伽马平行窗估计比率边缘强度映射(ESM)与方向信息，然后利用ESM与方向信息自适应地控制各向异性高斯核(AGK)沿ESM方向生成各向异性支撑区域。而各像素的各向异性支撑区域会随其ESM估计值大小与方向的不同而呈现出较大的差异，具体来讲：在同质区，局域窗会呈现出趋近于各向同性，且具有较大等效窗尺度的弱各向异性支撑区域，在边缘附近，则会呈现出沿边缘方向分布，且具有较小等效窗尺度的强各向异性支撑区域，从而形成既有利于抑制同质区相干斑，又有利于保护边缘细节特征的各向异性局域窗。其二，利用多种局部统计参量替代传统单一局部统计参量来形成联合衰减因子，而由联合衰减因子形成的负指数型加权系数，不仅与SAR图像局域分布特性相适应，而且由于更多局域统计信息的融入，还为后续迭代滤波实现边缘保护提供了更有效的联合检测统计量。其三，利用方向加权滤波代替传统的无方向加权滤波。由负指数型加权系数与带方向各向异性支撑区联合产生的方向滤波，会在边缘附近沿边缘方向形成具有强各向异性的较小等效尺度局域窗，从而不仅可以抑制边缘区域的相干斑，而且还能有效阻止边缘细节被过度平滑。其四，利用迭代滤波替代传统单次滤波，使得同质区相干斑得到充分抑制的同时，边缘区域噪声也将得到有效抑制。

2 经典的FROST滤波与KUAN滤波

虽然同为MMSE滤波器，但两类滤波却在抑斑效果上存在显著差异，图1展示了两类滤波的抑斑效果差异：(1)在同质区，FROST滤波与KUAN滤波都具有较好的抑斑性能，但KUAN滤波抑斑图像有大量随机点噪声残留；(2)在边缘区域，FROST滤波抑斑更充分，但容易造成边缘细节损失且强对比度区域附近会出现区域收缩现象，而KUAN滤波则能有效阻止边缘平滑与强对比度区域附近出现区域收缩，但会由于噪声平滑不足而形成明显的边缘噪声带；(3)对于FROST滤波，当取较小值时，相干斑抑制性能较好而边缘保持性能较差，反之则相反；(4)对于KUAN滤波，当窗尺度较大时，同质区相干斑抑制性能较好而边缘噪声带较宽，反之则相反。两类滤波在抑斑效果上的显著差异是由不同的滤波模型与加权系数估计方法共同决定的，FROST滤波采用负指数加权模型，且衰减因子只受观测值的变差系数控制，而KUAN滤波则采用线性加权模型，且权重系数受观测值与相干斑的变差系数共同作用。

3 边缘强度映射(ESM)与各向异性高斯核(AGK)

3.1 边缘强度映射ESM

图1 不同参数下FROST滤波与KUAN滤波的抑斑效果对比

3.2 各向异性高斯核(AGK)

具有方向的AGK可表示为

4 迭代方向滤波(IDF)算法

4.1 估计带方向的AGK支撑区域

其中

4.2 估计多参量联合作用的加权系数

图3 SAR图像不同区域像素的AGK支撑区域对比

SAR图像位置处像素的观测值()在窗下的变差系数可表示为

其中

4.3 形成加权方向滤波

将由式(7)形成的带方向AGK支撑区域与式(8)估计的多个局域参量联合作用的加权系数结合，就形成了负指数衰减型的加权方向滤波，如式(10)所示：

4.4 IDF算法中主要参数设置讨论

IDF算法主要涉及如下几个参数：加权滤波矩形窗的尺度，用于ESM估计的高斯-伽马平行窗的尺度，用于局域统计量估计的矩形窗的尺度以及迭代次数。

4.5 IDF算法复杂度分析

另外，为了获得较好的相干斑抑制效果，变换域滤波往往需要进行多层子带分解与重构，并且需要存储各层子带的全部系数，特别是抑斑效果较好的非下采样型变换域滤波，由于其各层子带系数的尺度均与原始SAR图像尺度一致，故其时间与空间复杂度都明显高于IDF算法。各向异性扩散滤波在一次迭代中的时间与空间复杂度与FROST等传统空域滤波相近，但为获取较好的抑斑效果，往往需要进行上百次迭代滤波，而IDF算法一般仅需2~5次迭代，因此，各向异性扩散滤波的时间复杂度也大于IDF算法。综上，IDF算法在时间复杂度上虽不及FROST等传统空域滤波算法，但却明显优于各向异性扩散滤波算法与变换域滤波算法，这一点从第5节表1，表2中各算法计算时间指标的对比实验得到验证。

5 实验结果

从表1，表2所示的抑斑参数对比来看：本文算法不仅在ENL与R两项评价抑斑能力的指标上优于其它算法，而且在EKI与P两项评价边缘保护能力与辐射特性保持指标上也优于其它算法，虽然表征算法时间复杂度的指标高于FROST滤波与KUAN滤波，但却优于SRAD滤波与NSCT滤波。从图5所示抑斑图像视觉比较可以发现：IDF算法获得的抑斑图像均匀区域更平滑，同时边缘保持更完整清晰，没有FROST抑斑图像的边缘细节损失与图像区域收缩现象，没有KUAN抑斑图像明显的孤立点噪声与边缘噪声带散布，没有SRAD抑斑图像的边缘模糊现象，也不存在NSCT抑斑图像的虚假条纹。从图6所示的抑斑图像的边缘检测结果比较可以发现：IDF算法抑斑图像获得的边缘检测结果与其它抑斑算法相比，检测出的虚假边缘少，也与真实边缘最接近。综上，从目视效果与参数指标比较来看，IDF算法对仿真SAR图像与真实SAR图像均取得了较好的效果，特别是相干斑抑制能力较为突出。

图4 实验输入SAR图像

表1各算法对图4(a)的抑斑参数对比

算法VENLRERVVEKIT 1区2区 理想值－－10.0911－ FRSOT146511310.9710.1180.523 2.2 KUAN 505 5980.9780.0820.798 0.9 SRAD1030 8240.9810.1090.55768.8 NSCT 623 5921.0300.1040.779904.5 IDF611839830.9870.0970.93238.6

表2各算法对图4(b)的抑斑参数对比

算法VENLRERVVEKIT 1区2区 理想值－－10.0911－ FRSOT792421.0140.1610.318 2.0 KUAN582520.9760.0470.787 0.7 SRAD501840.9800.0800.510 43.2 NSCT601081.0300.0610.771711.3 IDF933670.9870.0880.893 33.7

6 结束语

先借助高斯-伽马平行窗估计比率ESM与方向信息，再由ESM与方向信息自适应地控制AGK生成既有利于抑制同质区相干斑，又有利于保护边缘特征的带方向各向异性支撑区域。利用多个局域参量联合形成负指数衰减型滤波加权系数，使得加权系数不仅与SAR图像局部统计特性相适应，而且还为在迭代滤波中防止边缘过度平滑提供了更有效的联合检测统计量。将负指数型加权系数与带方向AGK支撑区域结合形成方向滤波，从而不仅可以抑制边缘区域上的噪声，而且还能有效保护边缘细节。利用迭代滤波替代传统单次滤波，使得同质区更平滑，同时边缘区域噪声也将得到进一步抑制。

图5 各算法对图4各幅SAR图像的抑斑图像对比

图6 各算法抑斑图像的边缘检测结果对比

[1] 朱磊, 水鹏朗, 章为川. 利用区域划分的合成孔径雷达图像相干斑抑制算法[J]. 西安交通大学学报, 2012, 46(10): 83-89.

Zhu Lei, Shui Peng-lang, and Zhang Wei-chuan. A despeckling algorithm for synthetic aperture radar images using region subdivision[J]., 2012, 46(10): 83-89.

[2] Kuan T. Adaptive restoration of image with speckle[J]., 1987, 35(3): 373-383.

[3] Frost V, Stiles J, Shanmugan K,.. A model for radar images and its application to adaptive digital filtering of multiplicative noise[J]., 1982, 4(2): 157-166.

[4] 李光廷, 禹卫东. 基于自适应Bilateral滤波的SAR图像相干斑抑制[J]. 电子与信息学报, 2012, 34(5): 1076-1081.

Li Guang-ting and Yu Wei-dong. SAR image despeckling based on adaptive bilateral filter[J].&, 2012, 34(5): 1076-1081.

[5] 张毅, 张强, 王宇. 抑制SAR图像相干斑的自适应红黑窗滤波算法[J]. 系统工程与电子技术, 2012, 34(8): 1576-1580.

Zhang Yi, Zhang Qiang, and Wang Yu. Adaptive red-black window algorithm for SAR image speckle reduction[J]., 2012, 34(8): 1576-1580.

[6] Yu Y and Acton S. Speckle reducing anisotropic diffusion[J]., 2002, 11(11): 1260-1270.

[7] Yu Jin-hua, Wang Yuan-yuan, and Shen Yu-zhong. Noise reduction and edge detection via kernel anisotropic diffusion[J]., 2008, 29(10): 1496-1503.

[8] Liu Guo-jin, Zeng Xiao-ping, Tian Feng-chun,.. Speckle reduction by adaptive window anisotropic diffusion[J]., 2009, 89(11): 2233-2243.

[9] 朱磊, 水鹏朗, 武爱景. 一种SAR图像相干斑噪声抑制新算法[J]. 西安电子科技大学学报, 2012, 39(2): 80-86.

Zhu Lei, Shui Peng-lang, and Wu Ai-jing. New algorithm for reducing speckle noise in the SAR image[J]., 2012, 39(2): 80-86.

[10] Bhuiyanr M, Ahmad M, and Swamy M. Spatially adaptive wavelet-based method using the cauchy prior for denoising the SAR images[J]., 2007, 17(4): 500-507.

[11] 张小华, 陈佳伟, 孟红云. 基于非下采样Shearlet和方向权值邻域窗的非局部均值SAR图像相干斑抑制[J]. 红外与毫米波学报, 2012, 31(2): 159-165.

Zhang Xiao-hua, Chen Jia-wei, and Meng Hong-yun. SAR image despeckling: based on non-local means with non-subsample Shearlet and directional windows[J]., 2012, 31(2): 159-165.

[12] 常霞, 焦李成, 刘芳, 等. 基于斑点方差估计的非下采样Contourlet域SAR图像去噪[J]. 电子学报, 2010, 38(6): 1-6.

Chang Xia, Jiao Li-cheng, Liu Fang,.. Sar image despeckling based on the estimation of speckle variance in nonsubsampled contourlet domain[J]., 2010, 38(6): 1-6.

[13] 贾建, 陈莉. 基于双变量模型和非下采样Contourlet变换的SAR图像相干斑抑制[J]. 电子与信息学报, 2011, 33(5): 1088-1094.

Jia Jian and Chen Li. SAR image despeckling based on bivariate threshold function in NSCT domain[J].&, 2011, 33(5): 1088-1094.

[14] Jesper S, Henning S, Allan A,.. CFAR edge detection for polarimetric SAR images[J]., 2003, 41(1): 20-32.

[15] Shui Peng-lang and Chen Dong. Edge detector of SAR images using Gaussian-Gamma-shaped bi-windows[J]., 2012, 9(5): 846-850.

朱 磊： 男，1979年生，副教授，从事数字图像处理、嵌入式系统等研究.

水鹏朗： 男，1967年生，教授，博士生导师，从事子波理论、图像处理与目标检测等研究.

章为川： 男，1981年生，讲师，从事数字图像处理研究.

SAR Image Despeckling Algorithm Based on Iterative Direction Filtering

Zhu Lei①②Shui Peng-lang②Zhang Wei-chuan①

①(,,’710048,)②(,,’710071,)

In order to preserve the SAR image edge characteristics and improve the suppression performance of multiplicative speckle noise in SAR image, a new despeckling algorithm based on iterative direction filtering is proposed. Firstly, the ratio Edge Strength Map (ESM) and direction information are estimated by Gaussian-Gamma-shaped bi-windows, and anisotropic support domain along the ESM direction is obtained with the ESM and direction information to adaptively control the Anisotropic Gaussian Kernel (AGK) in rectangular local window. Secondly, the decay factor is obtained by combining several local statistics, and the negative-exponential weighting coefficients are produced by the decay factor and are adaptive to the characteristics of regional distribution of SAR image. Thirdly, direction filtering is formed by combining the negative-exponential weighting coefficients and the local window with anisotropic support domain and different directions. Finally, speckle suppression in SAR image with edge protection can be realized by iterative operation of direction filtering. The experimental results show that, compared with most existing despeckling algorithms, the proposed algorithm achieves better performance in the speckle suppression and image edge preservation.

Synthetic Aperture Radar (SAR) image; Speckle; Iterative Direction Filtering (IDF); Edge Strength Map (ESM); Anisotropic Gaussian Kernel (AGK)

TP751

A

1009-5896(2014)01-0220-08

10.3724/SP.J.1146.2013.00228

2013-02-27收到，2013-09-24改回

国家自然科学基金(61271295)，陕西省教育厅项目(12JK0357)，西安工程大学博士科研启动基金(BS1205)和西安市科技局技术转移促进工程项目(CXY1349(2))资助课题

朱磊 zhulei791014@163.com