结构保持的双边滤波极化SAR图像降噪

杨学志叶 铭吴克伟郎文辉郑 鑫李国强

①(合肥工业大学计算机与信息学院 合肥 230009)

②(光电控制技术重点实验室 洛阳 471009)

结构保持的双边滤波极化SAR图像降噪

杨学志*①②叶 铭①吴克伟①郎文辉①郑 鑫②李国强②

①(合肥工业大学计算机与信息学院 合肥 230009)

②(光电控制技术重点实验室 洛阳 471009)

针对极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)图像相干斑抑制时结构保持的难题，该文提出一种PolSAR图像的双边滤波算法：结构保持的双边滤波(SPBF)。该算法通过结合边缘结构特征和地物散射特性，增强对PolSAR图像结构信息的描述，减少滤波时图像结构信息的损失，实现滤波性能的提高。该算法首先使用边缘检测模板在极化总功率图像(Span)上提取边缘方向，实现自适应选择滤波方向窗；其次，采用Freeman-Durden分解获取像素的散射机制，并根据极化数据的统计分布特性获取地物散射的聚类标记；最终在所选的方向窗中，以聚类标记图为掩膜，利用改进的双边滤波算法对PolSAR数据进行相干斑抑制。真实SAR数据的实验结果表明，该方法能够有效抑制相干斑噪声，同时提高了对图像的边缘、强点目标和极化散射特性的保持能力。关键词：极化SAR；相干斑；双边滤波；散射机制；结构保持

1 引言

极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)是一种全天时、全天候、高分辨率的多维成像系统。相干斑是SAR成像系统固有缺陷所产生的一种类噪声现象，它的存在严重影响了PolSAR图像的准确解译及后续分割、分类[1,2]等处理，因此对PolSAR图像进行相干斑抑制具有重要的意义[3,4]。

早期的PolSAR相干斑抑制方法，主要关注极化信息的保持而忽略了结构信息的保持[5]。多视处理是一种常用的PolSAR相干斑抑制方法，它对协方差矩阵中的每个元素进行独立处理[6]，保持了图像的极化信息，但在滤波窗口内对所有像素不加区分地进行平均，损失了图像的细节信息和空间分辨率。极化白化滤波[7,8]利用不同极化通道间的差异性进行滤波，具有一定的相干斑抑制效果，然而该方法引入了通道串扰，丢失了极化信息。基于噪声乘性模型假设实现的Lee滤波[9,10]很好地保持了极化信息，但SAR数据反映的真实场景很难满足是同质区域这一条件，因而使得回波形成的相干斑噪声不是全发展的[11]，在某些区域会平滑图像的边缘等信息。

PolSAR图像的边缘、纹理及点目标等结构信息是图像内容分析与理解的关键性因素，因此之后的相干斑抑制方法在保持极化信息的前提下，更加关注结构信息的保持。改进Lee(refined Lee)滤波[12]引入了边缘结构特征，减少了边缘信息的损失。基于散射模型(scattering-model-based)的滤波[13,14]方法利用像素的散射机制选择同质区域，较好地保持了强点目标和像素的散射机制。这两种方法虽然利用了图像的边缘结构或者像素的散射机制，然而滤波时使用了基于噪声模型实现的Lee滤波，因此在结构信息的保持上仍然存在缺陷[15]。交叉迭代双边滤波(Cross BiLateral Filtering, CBLF)[16]和迭代双边滤波方法[17]这两种新型的相干斑抑制算法在近两年分别被提出，它们利用像素在空间域和极化域的相似性处理PolSAR数据，相比改进的Lee和基于散射模型的滤波方法，能够获得较好的相干斑抑制效果和结构信息的保持能力。但这两种双边滤波方法都是在一个固定的矩形窗内利用像素的差异性进行滤波，对边缘的描述和像素的散射机制的表示不足，导致对边缘与点目标等结构的保持能力仍然较弱。

为了进一步解决PolSAR图像结构信息保持的难题，提高对PolSAR图像的边缘及强点目标的保持能力，本文提出一种结合边缘结构特征和地物散射特性的结构保持的双边滤波算法(Structure Preserving Bilateral Filtering, SPBF)，修正了双边滤波描述PolSAR数据空间相似性和极化相似性的缺陷，提升了滤波性能。SPBF算法的主要优势为以下两个方面：

(1)在极化总功率图像(也称Span图像)上提取边缘结构特征，自适应选择方向窗，并加入地物散射特性，对边缘的描述更加充分，因此相干斑抑制时能更好地保持边缘信息。

(2)使用地物散射标记图在滤波窗内选择具有相同标号的像素进行滤波，强点目标的保持效果更加突出。同时，由于加入了地物散射特性，滤波后极化散射特性的保持能力也得到了提高。

文章的结构安排如下：第2节介绍PolSAR图像的双边滤波降噪，第3节详细介绍了结构保持的双边滤波PolSAR图像降噪，第4节给出实验结果与分析，最后对本文进行了总结。

2 PolSAR图像的双边滤波降噪

双边滤波(Bilateral Filtering, BF)是一种结合像素空间位置和像素灰度值相似性的一种空域滤波方法，在保持图像边缘的前提下，又有较好的噪声抑制能力，因此在自然图像和单极化SAR图像滤波中得到了广泛的应用[18]。对于PolSAR数据，双边滤波考虑的是像素空间位置的相似性和极化域内协方差矩阵的相似性[17]。令ws和wc分别表示空间域和极化域内的权重值，则位置i处滤波后的协方差矩阵的表达式为

其中

d(Ci,Cj)是极化域内两个协方差矩阵间距离，描述了两个协方差矩阵的相似性。在文献[17]中d(Ci,Cj)采用3种不同的距离准则来描述，该文在进行实验时，仅使用其中的Kullback-Leibler (KL)距离来表示d(Ci,Cj)，即基于KL距离的双边滤波(KLBF)。CBLF中d(Ci,Cj)采用修正后的Wishart分布距离准则来表示[2,16]。这两种方法都能获得比较好的滤波效果，但缺陷在于这两种方法都是在固定的矩形窗中进行滤波，主要根据滤波窗内像素间的差异性对边缘进行描述，因此对边缘的描述不够充分，同时对于复杂的地表场景，不能选择合适的同质区域进行滤波，所以对PolSAR图像的边缘和强点目标等结构信息的保持能力有待进一步提高。

3 结构保持的双边滤波PolSAR图像降噪

PolSAR图像的结构主要指边缘和强点目标等，滤波后图像结构信息保持的好坏会影响后续对PolSAR图像的分割、分类及检测等处理的准确性，因此PolSAR图像滤波时结构信息的保持是一个关键问题。文献[16,17]中使用双边滤波处理PolSAR数据，得到了较好的滤波效果，但对边缘与点目标等结构信息的保持效果一般，有待进一步提升。

图像边缘通常由梯度表示，呈现出不同的方向性；噪声的存在，必然会导致边缘的误判，并使得边缘方向存在不确定性。地物散射特性描述了地物类别属性的像素集合及类别间在极化散射特性上的差异性，这种相同性和差异性能反映不同的地表结构类型。将边缘结构特征和地物散射特性相结合，能够弥补双边滤波处理PolSAR图像时对结构信息描述的不足，从而解决KLBF和CBLF结构保持能力弱的问题。

图1是SPBF算法滤波的过程图，由图可示，本文算法主要分为两个部分：一是在Span图上对边缘结构特征进行描述，选取自适应方向窗；二是对原始PolSAR数据进行极化分解并聚类，获得地物散射标记图。接下来利用自适应方向窗和地物散射标记图计算空间域和极化域内的权重。本节余下部分将从这两个方面出发，详细介绍SPBF算法实现的具体过程。

3.1 边缘结构特征的描述

边缘是PolSAR图像的重要结构，是理解PolSAR图像内容的重要因素，因此需要在相干斑抑制时保护图像边缘信息。SPBF将结构特征融入降噪过程，图1中的上半部分详细描述了边缘结构特征的提取，并最终选择自适应方向窗(文献[12]中称作edge-aligned窗)的过程，具体步骤为：

步骤1 在Span图上选取一个7×7的矩形窗口(提取边缘结构特征时选取的窗口与滤波时选取窗口一致)，将其分成9个3×3的重叠子窗，并计算每个子窗的均值，构成一个新的3×3的均值窗[12]；

步骤2 将新形成的3×3窗与4个不同方向的边缘检测模板卷积，选取最大值以确定其中的边缘方向；

步骤3 边缘方向确定后，在3×3窗中，分别计算中心点与两侧对称位置点的像素均值差的绝对值，选取与绝对值大的方向相同的方向窗作为滤波窗，从而得到自适应方向窗ti(w)。

图1 SPBF算法滤波过程

因此在空间域上，使用获得的自适应方向窗计算权重，达到增强边缘的效果。则修正后的式(2)在空间域上的自适应权重wsoa(i,j)为

式中ti(w)表示对像素i滤波时选取的方向窗，w=1, 2,…,8，见图1中自适应方向窗的选择，例如w=2，则表示滤波时选取第2个方向窗进行滤波。

对于边缘结构特征的提取以及选择自适应方向窗，归根到底是使用梯度描述图像的边缘及其方向，但是这一处理必然会受到噪声的干扰，影响边缘结构特征的提取以及滤波方向窗选择的准确性，为此在第3.2节引入地物散射特性来弥补这个缺陷。

3.2 地物散射特性的提取

地物散射特性用来描述具有相同地物类别属性的像素集合及类别间在极化散射特性上的差异性。这种类内的相同性和类间的差异性，能够表示出不同的地表结构类型，从而可以描述PolSAR图像的边缘结构信息。PolSAR图像不可避免地受到相干斑的影响，必然使得边缘结构特征提取以及地物散射特性提取的效果减弱。为此，在SPBF算法中，将边缘结构特征和地物散射特性结合，弥补了噪声干扰导致单一特征提取方式效果减弱的缺点，提高PolSAR图像边缘结构信息提取的准确性。此外，地物散射特性的引入，还能保证滤波时能够更准确地选择合适的同质区域滤波，并且更好地保持了像素的散射机制。

地物散射特性的提取主要包括两个方面：(1)利用Freeman-Durden分解[19]将像素分解成面散射、偶次散射和体散射3个散射类；(2)采用复Wishart分类器对分解后的散射类进行无监督聚类[20]，并最终生成聚类后的标记图g(见图1中的地物散射标记图)。Lee等人[13]指出将每个散射类最终分成5类的可行性，而文中使用的实验数据与文献[13]中的相同，滤波时，最终分类数在7×7窗口中能够提供足够的像素个数，因此实验中采用了文献[13]中将散射类总共分成15类的结论。

在相干斑抑制时，使用地物散射标记图g作为极化域内滤波掩膜选择同质区域，同时为了更好地提高图像结构信息描述和同质区域选择的准确性，将自适应方向窗ti(w)引入极化域，因此式(3)修正后的权重值为

其中n表示视数，q为极化通道数。

3.3 迭代PolSAR图像双边滤波算法

前两节分别介绍了使用边缘结构特征和地物散射特性描述结构信息时存在的问题，指出二者在滤波时能够相互弥补对方的不足，提高双方对结构信息描述以及同质区域选择的准确性，所以本文将二者结合起来，提出了SPBF算法。然而对PolSAR图像进行单次滤波并不能达到好的效果，因而利用迭代滤波策略提升滤波性能，则SPBF滤波公式表示为

wsoa(i,j)和wcoa(i,j)是在滤波窗口Ni内，通过式(5)和式(6)计算得到的第t次迭代后的滤波权重值。表示第t次的迭代后所得到的协方差矩阵，是第t+1次迭代后的滤波结果。

通过图1以及上文分析，实现SPBF算法的步骤可以描述为：

步骤 1 原始PolSAR数据上提取边缘结构特征和地物散射特性，得到自适应方向窗ti(w)和地物散射标记图像g，使用ti(w)和g计算权值，利用式(8)进行一次迭代滤波；

步骤2 在上一次迭代滤波结果的基础上，计算新的Span图，并在新的Span图像上提取边缘结构特征，获得新的自适应方向窗ti,new(w)。再利用ti,new(w)和g重新计算权值，之后代入式(8)进行下一次迭代滤波。

在步骤2中，仍然使用原始数据中获得的地物散射标记图g，主要是因为：像素的散射机制是PolSAR数据重要的特性，迭代滤波必然会破坏像素的散射机制，从而会影响后续PolSAR图像分割与分类的准确性。为更好地保持像素的散射机制，并不从每次迭代后的极化数据中提取极化散射特性，而是仍使用原始数据中提取的极化散射特性。

4 实验结果与分析

为了说明SPBF滤波方法的有效性，该文主要从算法的结构保持能力和极化散射特性保持能力两个方面进行分析，以AIRSAR获取的San Fransico Bay的PolSAR数据作为实验数据，并与改进的Lee, KLBF和CBLF滤波结果进行比较。实验使用的测试数据是4视的，空间分辨率为10 m×10 m，图像尺寸为300×300。滤波窗口大小均是7×7。由于空间域参数sσ的作用进行了很多研究[17]，滤波时将它设置为固定值2，对于迭代次数 t 和cσ的值是实验时根据滤波性能最终确定的，在KLBF, CBLF和SPBF算法中cσ分别设置为2, 1, 1，迭代次数t均为3次。

4.1 结构保持能力

在PolSAR图像中，边缘和强点目标是图像的重要结构信息，为客观地评价相干斑抑制后PolSAR图像的结构保持能力，本文采用边缘保持指数和强点目标的保持两个方面来对其进行评价：

图2列出了滤波后的Pauli分解图，从图中可以看出，4种滤波方法都能对相干斑进行有效抑制。图2(b)改进的Lee滤波出现了模糊边缘现象，在海洋区域的平滑效果也不是很好。KLBF滤波结果(图2(c))同样也出现过度平滑现象，图像的边缘模糊。图2(d)是CBLF滤波结果，在海洋区域滤波程度不足，在森林区域出现了块效应和边缘模糊的现象。采用SPBF方法处理后的图像(图2(e))边缘信息和散射特性保持性能最好，同时也获得了较好的相干斑抑制效果。为客观的验证SPBF的边缘保持能力，使用边缘保持指数对滤波后图像进行评价。

边缘保持指数(Edge Preserving Index, EPI)代表滤波前后图像边缘发生变化的强度[22]，能够衡量图像边缘的保持能力，其定义为

表1中海洋、城市和森林区域的EPI值是利用图2(a)中的区域1, 2和3计算所得。在图2中，可以看出改进的Lee, CBLF和KLBF滤波后的图像边缘比SPBF稍显模糊，表1中滤波后的图像和在不同区域滤波图像的EPI值也证明了这3种方法的边缘保持能力比SPBF差。原因是SPBF充分利用边缘结构特征和地物散射特性描述图像边缘信息，同时将地物散射标记图作为滤波掩膜以选择合适的同质滤波区域，因而在结构丰富的区域，SPBF在抑制相干斑的同时能更好的保持图像边缘，所获得的EPI值最高。

图2 基于Pauli分解的RGB图

表1 不同方法滤波后图像及海面、森林和城市区域的EPI值

在PolSAR图像中，强点目标并不是由相干斑噪声引起，而是图像的重要结构信息，因而滤波时需要保持强点目标。为了验证SPBF对强点目标的保持效果，图3画出了图2(a)中黑色区域在HH和VV通道的强度。从图3可以看出SPBF与原始数据的相似性最大，这是因为在滤波过程中，SPBF以地物散射标记图为掩膜，只与中心像素点具有相同聚类标号的元素参与滤波，因此强点目标的保持效果最好。改进的Lee滤波是根据乘性噪声模型进行滤波，虽然加入方向窗，但滤波时仍将强点目标当作噪声而进行平滑，所以强点目标保持不好。KLBF和CBLF在滤波时，滤波窗口中所有元素均参与滤波，导致滤波程度变大，从而使得滤波后图像中的强点散射目标减少。因此，可以得出一个结论：SPBF在具有较好的相干斑抑制能力的同时，边缘保持能力和强点目标保持能力在几种滤波算法中是最好的，即SPBF算法的结构保持能力最好。

4.2 散射特性保持能力

对于PolSAR图像，不仅需要保持图像的结构信息，还要保持PolSAR数据的极化散射特性，以便后续的极化分割等处理。极化熵H和平均Alpha()角是表征地物目标极化散射特性的两个重要参量，可以描述PolSAR数据的散射特性[20]。

图4显示了原始数据和滤波后极化数据的熵值图。图4(a)中原始数据的熵值很低，原因是没有进行滤波。经过滤波后，熵值增加，熵值图的分辨率降低，且滤波程度越大，熵值图越亮，图像的空间分辨率损失也越大。而空间分辨率损失，从另一个方面也证明了结构信息的损失。图4(d)中显示的CBLF在森林和城市区域熵值图很亮，说明该方法滤波程度大，空间分辨率损失大，因此在该区域的EPI最小。由于SPBF使用地物标记图作为滤波掩膜来选择合适的同质区域，能够很好的保持像素的散射机制，因而图4(e)显示的SPBF结果图比其他方法的结果图具有更低的熵值。

图3 |HH|和|VV|偶次散射强点目标的强度图

通过以上结构保持能力和极化散射特性保持能力两个方面分析，可以得出：SPBF算法在相干斑抑制时，在极化信息保持的前提下，相比改进的Lee, KLBF和CBLF 3种算法，更好地保持了图像的结构信息和极化散射特性，因此，SPBF算法在相干斑抑制时总体性能优于其他滤波方法。

5 结束语

本文提出了一种新的SPBF相干斑抑制算法。首先在Span图上提取边缘结构特征，其次根据像素的散射机制获取地物散射标记图，最后将二者结合，利用改进的双边滤波对PolSAR图像进行相干斑抑

图5 海洋、城市和森林区域处的H/α分布图

制。总体而言，将边缘结构特征和地物散射特性相结合，能够在相干斑抑制时更好地保持图像的结构信息和极化散射特性，SPBF算法的优势主要表现在以下两个方面：(1)利用边缘检测模板在Span图上提取PolSAR图像的边缘信息，同时结合像素的散射机制，对图像的边缘信息描述更加充分，因此相干斑抑制时能更好地保持边缘信息。(2)利用像素的散射机制对地表类型进行聚类，在滤波窗内选择具有相同类型的像素进行滤波，提高了对强点目标和极化散射特性的保持能力。然而，相干斑噪声的存在必然会影响边缘结构提取的准确性和地表类型标记的精度，最终会影响滤波算法的性能。因此如何减小噪声对边缘结构和散射特性提取的影响是下一步需要考虑的问题。

[1] Kersten P R, Lee J S, and Ainsworth T L. Unsupervised classification of polarimetric synthetic aperture radar images using fuzzy clustering and EM clustering[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(3): 519-527.

[2] Alonso-González A, López-Martínez C, and Salembier P. Filtering and segmentation of polarimetric SAR data based on binary partition trees[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(2): 593-605.

[3] Lee J S, Ainsworth T L, and Wang Y T. On polarimetric SAR speckle filtering[C]. IEEE International Geoscience and Remote Sensing Symposium, Munich, Germany, 2012: 111-114.

[4] 周晓光, 匡纲要, 万建伟. 多极化SAR图像斑点抑制综述[J].中国图象图形学报, 2008, 13(3): 377-385. Zhou Xiao-guang, Kuang Gang-yao, and Wan Jian-wei. A review of polarimetric SAR speckle reduction[J]. Journal of Image and Graphics, 2008, 13(3): 377-385.

[5] 杨学志, 左美霞, 郎文辉, 等. 采用散射特征相似性的极化SAR图像相干斑抑制[J]. 遥感学报, 2012, 16(1): 110-114. Yang Xue-zhi, Zuo Mei-xia, Lang Wen-hui, et al.. Speckle reduction for multi-polarimetric SAR image with the similarity of the scattering[J]. Journal of Remote Sensing, 2012, 16(1): 110-114.

[6] Torres L, Sant’Anna S J S, Freitas C da C, et al.. Speckle reduction in polarimetric SAR imagery with stochastic distances and nonlocal means[J]. Pattern Recognition, 2014, 47(1): 141-157.

[7] Liu G Q, Huang S J, Torre A, et al.. The multilook polarimetric whitening filter (MPWF) for intensity speckle reduction in polarimetric SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(3): 1016-1020.

[8] 皮亦鸣, 邹琪, 黄顺吉. 极化SAR相干斑抑制-极化白化滤波器[J]. 电子与信息学报, 2002, 24(5): 597-603. Pi Yi-ming, Zou Qi, and Huang Shun-ji. Speckle reduction of polarimetric SAR-polarimetric whitening filter[J]. Journal of Electronics & Information Technology, 2002, 24(5): 597-603.

[9] Lee J S and Pottier E. Polarimetric Radar Imaging: from Basics to Applications[M]. Boca Raton: CRC Press, 2009:157-160.

[10] Lee J S, Wen J H, Ainsworth T L, et al.. Improved sigma filter for speckle filtering of SAR imagery[J]. IEEE Geoscience and Remote Sensing Magazine, 2009, 47(1): 202-213.

[11] Argenti F, Lapini A, Alparone L, et al.. A tutorial on speckle reduction in synthetic aperture radar images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 1(3): 6-35.

[12] Lee J S, Grunes M R, and Grandi G D. Polarimetric SAR speckle filtering and its implication for classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(5): 2363-2373.

[13] Lee J S, Grunes M R, Schuler D L, et al.. Scatteringmodel-based speckle filtering of polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(1): 176-187.

[14] Shan Z L, Wang C, Zhang H, et al.. Improved fourcomponent model-based target decomposition for polarimetric SAR data[J]. IEEE Geoscience and Remote Sensing Letters, 2012, 9(1): 75-79.

[15] Ding Z G, Zeng T, Dong F, et al.. An improved PolSAR imgae speckle reduction algorithm based on structural judgment and hybrid four-component polarimetric decomposition[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(8): 4438-4449.

[16] Alonso-González A, López-Martínez C, and Salembier P. Variable local weight filtering for PolSAR data speckle noise reduction[C]. IEEE International Geoscience and Remote Sensing Symposium, Munich, Germany, 2012: 2133-2136.

[17] D’Hondt O, Guillaso S, and Hellwich O. Iterative bilateral filtering of polarimetric SAR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(3): 1628-1639.

[18] 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]. Journal of Electronics & Information Technology, 2012, 34(5): 1076-1081.

[19] Freeman A and Durden S L. A three-component scattering model for polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(3): 963-973.

[20] Lee J S, Pottier E, and Ferro-Famil L. Unsupervised terrain classification preserving polarmetric scattering characteristics[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(4): 722-731.

[21] Chen J, Chen Y L, An W T, et al.. Nonlocal filtering for polarimetric SAR data: a pretest approach[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(5): 1744-1754.

[22] 王超, 张红, 陈曦, 等. 全极化合成孔径雷达图像处理[M]. 北京: 科学出版社, 2008: 68-73. Wang Chao, Zhang Hong, Chen Xi, et al.. Image Processing of Full Polarimetric SAR[M]. Beijing: Science Press, 2008: 68-73.

杨学志： 男，1970年生，教授，博士生导师，研究方向为图像处理、模式识别及合成孔径雷达图像解译.

叶 铭： 男，1989年生，硕士生，研究方向为极化合成孔径雷达图像处理.

吴克伟： 男，1984年生，博士后，研究方向为图像处理、模式识别及合成孔径雷达图像解译.

郎文辉： 男，1965年生，副教授，硕士生导师，研究方向为图像处理、模式识别及合成孔径雷达图像解译.

Speckle Reduction for PolSAR Image Based on Structure Preserving Bilateral Filtering

Yang Xue-zhi①②Ye Ming①Wu Ke-wei①Lang Wen-hui①Zheng Xin②Li Guo-qiang②

①(School of Computer and Information, Hefei University of Technology, Hefei 230009, China)
②(Science and Technology on Electro-optic Control Laboratory, Luoyang 471009, China)

A Structure Preserving Bilateral Filtering (SPBF) is proposed to address the problem of preserving structural information for reducing speckle in a PolSAR image. The edge structural characteristics and surface scattering features are adopted to measure structural information in PolSAR image, which can reduce loss of structure and improve filtering performance. To begin with, the edge direction is determined by edge templates, and then an adaptive direction window is selected in span image. Furthermore, each scattering mechanism of the pixel is obtained by Freeman-Durden decomposition. And then surface scattering map is obtained by statistical distribution characteristics of polarimetric data. Finally, the filtering mask, which combines the cluster map with adapted direction window, is introduced into an improved bilateral filtering. The experimental results of real SAR images show that the proposed method can efficiently reduce speckle, and further preserve image edge, the strong point target and polarimetric scattering characteristics.

Polarimetric SAR; Speckle; Bilateral filtering; Scattering mechanism; Structure preserving

TP751

A

1009-5896(2015)02-0268-08

10.11999/JEIT140199

2014-02-17 收到，2014-05-08改回

国家自然科学基金(61371154, 41076120, 61271381, 61102154)，光电控制技术重点实验室和航空科学基金联合资助项目(201301P4007)和中央高校基本科研业务费专项(2012HGCX0001)资助课题

*通信作者：杨学志 hfut.cv@gmail.com