基于非局部分类处理的SA R图像降斑

刘书君，吴国庆，张新征，杨 婷，李勇明（重庆大学通信工程学院，重庆400044）

基于非局部分类处理的SA R图像降斑

刘书君，吴国庆，张新征，杨 婷，李勇明
（重庆大学通信工程学院，重庆400044）

针对合成孔径雷达（synthetic aperture radar，SAR）图像不同内容间的统计特性差距较大以及采用非局部降斑方法处理SAR图像时会产生图像细节丢失及伪影等现象，提出了一种基于非局部分类处理的SAR图像降斑方法。首先对相似块方差系数的均值采用阈值比较的方法将图像分为同质区和异质区，在寻找目标块对应的相似块时，根据图像块中心像素点所属的类别选择合适的参数进行块匹配，并在获得相似块后分别使用加权平均的方法处理同质区目标块和3D变换域硬阈值收缩方法处理异质区目标块。该方法不仅能在块匹配过程中选择不同的块尺寸和搜索范围以提高块匹配的精度，而且使用不同方法处理同质区和异质区时能够在图像降斑与细节保持的权衡中达到更好的平衡。实验结果表明，该方法充分利用同质区和异质区的特点，结合不同的方法进行分类处理可有效提高图像降斑性能，在SAR图像降斑性能指标和视觉效果方面均达到了较高水平。

合成孔径雷达；图像分类；非局部降斑

网址：www.sys-ele.com

0 引 言

合成孔径雷达（synthetic aperture radar，SAR）作为一种高分辨的雷达体制，在军用和民用领域都有着广泛的应用。然而SAR相干成像机理使所获得的图像中含有大量相干斑，这些相干斑给目标识别及图像压缩等后续处理带来了不利影响［1 2］。因此SAR降斑是进行SAR图像后续处理前的一个关键步骤［3］。

在过去的几十年里针对SAR图像降斑，国内外学者提出了许多经典的算法，其中包括基于空间域滤波的Lee、K uan、Gam ma-M ap和基于变换域的小波软硬阈值方法等。2005年，Buade受到之前邻域滤波思想的启发，提出了非局部均值滤波（non-local means，N L M）方法［4］，突破了传统方法基于邻域滤波的局限性。该方法利用图像的非局部冗余性，在整个图像内寻找与目标块相似的图像块，然后将相似块加权平均估计目标块。文献［5］在NLM的基础上，结合SAR图像自身的特点对其进行改进，提出了基于图像块概率分布（probabilistic patch-based，PPB）的加权平均降斑方法，降斑能力达到了领先水平。基于非局部加权平均降斑方法的缺陷在于块匹配过程中相似块的多选、错选、少选而产生的oversmooth效应和rare patch效应［6-7］。为降低相干斑对块匹配精度的影响，文献［8］采用两步滤波，先利用初始滤波对图像块结构信息进行估计，再进行块匹配来提高其精度。文献［9］将非局部方法与Lee滤波方法相结合，从而改善传统非局部方法中固定图像块尺寸对块匹配的不利影响。

近年来，一些将稀疏表示与非局部思想相结合的方法［10 11］取得了新的突破。其优势不仅表现在一些客观评价指标上，同时滤波后的图像拥有更丰富的细节。其良好的处理性能主要来自于两个方面：相似图像块的3D群稀疏能够获得比单独图像块稀疏表示更高的稀疏度；当相似图像块的相似度较低时，每个图像块自身的稀疏表示发挥作用保证最终的处理效果。但当观测图像受相干斑影响较严重时，滤波后图像的同质区会出现伪影现象。

事实上，SAR降斑是个极具挑战性的问题，首先SAR图像受相干斑影响较严重，其次SAR图像不同场景的统计特性变化较大，并且SAR图像内容丰富，因此很难使用统一降斑模型来处理整个图像。此外，在SAR降斑过程中不同区域的降斑目标也不相同，主要包括：滤波后图像的同质区应尽可能平滑，滤波过程中应尽可能保持图像的边缘细节及一些孤立的点目标，还应该避免产生伪影等现象［12］。可见整幅图像中不同的图像内容及降斑目标对降斑方法提出了不同的要求，甚至对某些参数的设置要求截然相反，所以为提高降斑的整体效果，需要先对图像内容进行分类，然后针对不同的图像内容使用不同的方法进行处理。目前，许多降斑方法在处理过程中都考虑了SA R图像的不同内容特征，文献［13-14］提出了基于图像块方向特性的非局部降斑方法，文献［15］首先利用局部图像块的方差系数将图像分为同质区和异质区，然后分别使用不同的方法对其降斑。文献［12］在SAR图像3维块匹配滤波（synthetic aperture radar-block matching and 3D filtering，SAR-B M 3D）方法［11］的基础上提出了分类自适应参数的SAR-B M 3D。

本文针对SAR图像本身的特性与分类处理的优势，提出了一种基于非局部分类处理的降斑方法。首先对相似块方差系数的均值进行阈值比较将SAR图像分为同质区和异质区，然后分别为同质区图像块设置大的块尺寸和小的搜索范围，为异质区图像块设置小的块尺寸和大的搜索范围进行块匹配，以提高块匹配的精度，然后分别对同质区的相似图像块进行加权平均处理，对异质区图像块进行3D变换域硬阈值收缩处理来估计图像块，以便在有效降斑的同时更好的保持图像的边缘细节和一些点目标。在以下章节中本文将详细介绍了该方法及参数的选择。仿真分析和算法对比验证了本文算法可以更好的在图像降斑与细节纹理保持之间实现平衡。

1 图像分类

SAR图像不仅内容丰富，还拥有许多强散射点，而且不同内容间的统计特性差距较大。采用基于分类的降斑方法不仅能够有效降斑，同时可以更好的保持图像固有的纹理细节特征。

为实现图像分类，首先对输入SAR图像进行简单的高斯空域滤波，即将图像与高斯窗函数w（i，j）=exp［-（（i-）2+（j-）2）/2σ2］进行卷积运算，其中i，j分别表示窗函数的行和列，，为窗函数中心，σ为窗函数标准差，大小为1.2［16］，窗函数大小为通用经验值8×8［11］。然后计算每个像素点的方差系数为

式中，μi和σi分别表示以像素点i为中心的图像块的均值和方差，然后将Ci与阈值τ进行比较，若方差系数大于阈值则该像素点属于异质区，否则属于同质区。这里阈值τ设置为［17］

图1为真实SAR图像及分类结果，其中图1（b）中白色部分表示异质区，黑色部分表示同质区。对比图1（a）和图1（b）可见，图1（a）中的建筑物，道路及一些强散射点等边缘和细节被分为了异质区，少部分平坦的区域被分为了同质区，分类结果符合真实图像类别。

图1 真实SAR图像及分类结果

2 块匹配和参数设置

2.1 块匹配

基于图像结构中原有的冗余特性，非局部降斑方法通过相似块匹配在整个观测图像中寻找与目标块或目标像素点含有相同真实信号的图像块或像素点，然后利用这些非局部相似信息估计目标块或目标像素点。其中块匹配是非局部滤波的核心步骤，设观测图像为

式中，x（i），n（i）分别表示真实图像和相干斑，图像大小为表示以像素点i为中心的图像块，表示取块操作，yi的大小为对目标图像块yi进行块匹配的过程即为从搜索范围Ω内的S个图像块中选择出K个与yi最相似的图像块构成相似块集合，并计算出目标块与相似块之间的相似度权重。在加性高斯噪声模型下，文献［4］给出了基于欧式距离的相似度计算方法：

式中，d（yi，yj）（j∈Ω）为yi和yj间的欧式距离；h为滤波参数。基于式（4）相似度计算的块匹配能够很好的处理含有加性噪声的图像，然而对于SAR图像，由于相干斑产生机理与噪声不同并且相对于加性噪声污染更加严重，利用式（4）计算SAR图像块间的相似度性能会有所下降［11］。为进一步提高块匹配精度，利用统计估计方法重新构造块相似度计算函数，事实上两个图像块之间的相似度等价为

式中，O表示块内像素集。对于完全发育相干斑，L视SAR图像相干斑可通过Nakagami-Rayleigh分布建模：

2.2 基于分类的参数设置

块匹配的好坏直接影响非局部降斑的最终结果，而影响块匹配的两个关键因素是图像块自身的大小和搜索范围Ω。对于同质区，由于目标块附近图像块所包含的真实信息与它本身所包含的真实信息相同，在块匹配过程中，应适当增加图像块的尺寸而减小搜索范围Ω；与之相反，对于异质区，由于目标图像块包含较多的纹理细节及一些孤立的强散射点，块匹配时在目标块附近很难找到与目标块相似的图像块，此外当目标图像块的尺寸设置较大时，找到的相似图像块的细节与目标块的细节相似度会减弱，不利于降斑图像细节的保持，因此异质区的块匹配应适当减小图像块的尺寸而增加搜索范围。

3 非局部分类降斑

3.1 非局部降斑方法的选择

对于不同类别（同质区和异质区）的目标块，由于包含的信息结构不同，利用相似块集合进行估计的方法也不同。对于同质区目标块的相似块集合，由于它们所包含的真实信息服从的分布与目标块相同，利用相似块之间加权平均方法估计目标块是无偏估计，并且最终的估计误差只与相似块的数量有关，因此本文利用非局部均值方法估计同质区目标块。而异质区的目标块中包含大量的纹理细节信息，在块匹配过程中很难找到足够多的相似块，特别对于包含强散射点的目标块，寻找到的相似块与它自身的相似度不高，此时加权平均的估计方法是有偏的，并且这种偏差是引起最终估计误差的主要原因，因此本文使用3D硬阈值收缩方法估计异质区目标块。3D硬阈值收缩方法虽然也利用了图像块之间的相似度，但在降斑的核心处理上并不完全依赖于不同块之间的相似度。当不同块之间相似度较大时，3D硬阈值收缩获得的系数稀疏度也随之提高；当块间相关性降低时，虽然3D硬阈值收缩系数的稀疏度会随之降低，但块内的相关性依然可以保证一定的稀疏度，此时的降斑效果与每个图像块单独稀疏降斑相接近，但不会出现非局部均值方法中因为相似块的错选、多选、少选而导致的oversm ooth效应和rare patch效应。

3.2 非局部均值与3D变换域硬阈值收缩滤波

对于同质区目标块yi，非局部均值法通过对相似块集合Θi=〈y1，y2，…，yK〉进行加权平均来估计yi：

式中，ω（yi，yj）如式（7）所示；为yi的估计值。

对于异质区相似块集合，首先将其构造成3D矩阵Yi，然后通过式（10）计算降斑后的3D图像块矩阵：

式中，Γ3D，分别表示标准3D线性变换和反变换；γ表示硬阈值收缩操作，阈值的大小由图像块的局部方差决定。在得到图像块的非局部估计后，通过式（11）重构降斑图像：

为进一步论证分类处理的优势，本文直接从SAR图像中抽取出包含较多细节纹理的区域作为异质区，含有大部分平滑的区域作为同质区进行仿真。如图2给出了非局部均值方法，3D变换域硬阈值收缩方法以及分类处理方法对SAR图像同质区与异质区进行降斑的效果图。

图2 不同方法处理同质区和异质区的效果对比图

如图2（a）所示，上半部分为异质区，下半部分为同质区。图2（b）和图2（c）分别为使用统一块匹配参数的非局部均值方法和3D变换域硬阈值收缩方法处理的结果，图2（d）为使用3D变换域硬阈值收缩方法处理异质区，使用非局部均值方法处理同质区的分类处理后获得的结果，并且同质区和异质区设置了不同的块匹配参数。对比可见图2（c）和图2（d）的异质区拥有比图2（b）更多的细节，同时道路等边缘更加清晰；而图2（c）的同质区出现了伪影现象，这是因为当观测图像受相干斑影响较严重时，对同质区的相似块使用3D硬阈值滤波时，会将相干斑的结构当作图像块本身的结构，虽然相干斑可通过稀疏表示减少但降斑后图像仍保留了其结构信息。可见，3D变换域硬阈值收缩方法更适合处理异质区而不适合处理同质区。

为进一步比较各种方法降斑效果，表1给出了异质区的边缘保持系数（edge preservation index，EPI）［18］指标和同质区矩形框中图像的等效视数（equivalent numbers of looks，E N L）［5］指标，EPI值越大说明降斑后图像保持细节能力越强，E N L越大说明降斑后图像中残留相干斑越弱。由表1可见，对于异质区，分类处理方法的边缘保持能力略高于3D变换域硬阈值收缩法，由于它们降斑方法相同但是分类处理方法根据图像的类别设置了更优的块匹配参数，而非局部均值方法的边缘保持能力低于这两种方法是其本身缺陷所造成的。对于同质区，非局部均值方法降斑效果优于3D变换域硬阈值收缩方法，并且当调整块匹配参数时效果更好。

表1 各算法处理不同区域的FPI，FNL指标

综上所述，基于非局部分类处理的SAR图像降斑算法流程图如图3所示。

图3 整体算法流程图

4 实验结果与分析

为验证非局部分类降斑算法的有效性，本文选用两幅大小为512×512，视数为2的真实SAR图像SAR1、SAR2进行降斑实验，其中SAR1分辨率为1×1（单位：m），来自Radarsat-2数据，SAR2的分辨率为3×3（单位：m），来自M ST A R数据。为进一步体现本文算法的特点及优势，将本文算法与Lee滤波算法，PPB算法及SAR-B M 3D算法进行对比。其中Lee滤波算法滑动窗口大小设置为5，PPB算法和SAR-B M 3D算法参数设置分别参照文献［5，11］。对于本文算法，平滑度控制参数η设置为1.11，同质区图像块大小设置为9×9，搜索范围设置为15×15；异质区图像块大小设置为3×3，搜索范围设置为39×39；滤波参数h和控制参数ζ的设置参照文献［5］，阈值γ的设置参照文献［12］。

图4和图5分别展示了SAR1、SAR2降斑结果，可见Lee滤波算法的降斑能力及细节保持能力都相对较弱；PPB算法的优势是处理同质区而SAR-B M 3D算法的优势是处理异质区，而本文算法不仅同质区斑点噪声抑制能力强于其他3种方法，而且降斑后图像边缘细节信息得到了更好的保持，抑斑后的图像较为清晰。

为进一步分析各算法对图像细节及点目标的处理情况，图6给出了图5中降斑结果的细节放大图。其中Lee滤波算法降斑后的图像如图6（a），虽然细节点目标存在，但整体效果模糊，不利于后期SA R图像处理；PPB算法降斑结果图中部分点目标被平滑掉了，如图6（b）中的白色矩形框内的部分，而本文算法在实现同质区尽可能平滑的同时更好的保持了图像固有的一些点目标，如图6（d）白色矩形框所示。

表2给出了图6（a）和图7（a）中所标记的4个同质区的E N L，表3给出了降斑处理后图像的EPI。从E N L值可见，本文算法降斑能力强于其他3种算法，降斑后图像含有的相干斑最少；从EPI值可以看出，本文算法降斑后图像的边缘保持能力强于Lee算法和PPB算法，而略低于SA R-B M3D算法。因此本文基于非局部分类处理的方法，结合了非局部均值方法和3D变换域硬阈值收缩方法的优势，可以很好的实现同质区平滑与异质区细节保留间的有效平衡。

图4 各算法对SAR1降斑后图像

图5 各算法对SAR2降斑后图像

图6 SAR2降斑后图像细节对比

表2 同质区F N L性能参数比较

表3 降斑后图像FPI性能参数比较

5 结束语

本文提出了一种基于SAR图像内容分类的非局部降斑方法。首先利用非局部方差系数均值阈值比较的方法将图像分为同质区和异质区，然后根据分类结果分别为同质区和异质区设置不同块匹配参数来提高其精度。最后采用非局部均值方法处理同质区相似块，3D变换域硬阈值收缩方法处理异质区相似块，不仅可以很好的实现同质区尽量平滑与异质区保留尽可能多的纹理细节间的平衡，还有效的克服了3D变换域硬阈值收缩降斑方法给图像带来的伪影现象以及非局部均值降斑方法导致图像细节丢失的缺点。详细的仿真结果及实验数据说明了本文算法的有效性。此外，影响本文算法降斑效果的关键因素是图像的分类，因此下一步我们将考虑通过改进图像分类的方法来提高降斑效果。

［1］Argenti F，Alparone L.Speckle removalfrom SAR image in the undecimated wavelet do main［J］.IE E E Trans.on Geoscience and Remote Sensing，2002，40（11）：2363-2374.

［2］W ang Y，Ainsworth T L，Lee J.On characterizing high-resolution SA R imagery using kernel-based mixture speckle models［J］.IE E E Geoscience and Remote Sensing Letters，2015，12（5）：968-972.

［3］W u J，Liu F，Jiao L C.Local maximal ho m ogeneous region search for SAR speckle reduction with sketch-based geo metrical kernel function［J］.IE E E Trans.on Geoscience andRemote Sensing，2014，52（9）：5751-5764.

［4］Buades A，Coll B，M orel J M.A non-local algorith m for image denoising［C］∥Proc.of the IE E E Com puter Society Conference on Com puter Vision and Pattern Recognition，2005：60-65.

［5］Deledalle C A，Denis L，Tupin F.Iterative weighted maxim u m likelihood denoising with probabilistic patch-based weights［J］. IE E E Trans.on Im age Processing，2009，18（12）：2661-2672.

［6］Kervrann C，Boulanger J.Localadaptivity to variable smoothnessfor exemplar-based image regularization and representation［J］.International Journal of Com puter Vision，2008，79（1）：45-69.

［7］Louchet C，M oisan L.Total variation as a localfilter［J］.SIA M Journal on Im aging Sciences，2011，4（2）：651-694.

［8］Yang X Z，Clausi D A.Structure-preserving speckle reduction of SAR images using nonlocal means filters［C］∥Proc.of the16th IE E E International Conference on Im age Processing，2009：2985-2988.

［9］Zhong H，Zhang J J，Liu G C.Robust polarimetric SA R despeckl ing based on nonlocal means and distributed lee filter［J］.IE E E Trans. on Geoscience and Remote Sensing，2014，52（7）：4198-4210.

［10］Dabov K，Foi A，Katkovnik V，et al.Image denoising by sparse 3-D transform-do main collaborative filtering［J］.IE E E Trans.on Image Processing，2007，16（8）：2080-2095.

［11］Parrilli S，Poderico M，Angel ino C，et al.A nonlocal SA R image denoising algorith m based on LL M M SE wavelet shrinkage［J］. IE E E Trans.on Geoscience and Remote Sensing，2012，50（2）：606-616.

［12］Cozzolino D，Parrilli S，Scarpa G，et al.Fast adaptive nonlocal SAR despeckling［J］.IE E E Trans.on Geoscience and Remote Sensing Letters，2014，11（2）：524-528.

［13］W ang L X，Jiao L C.SAR image despeckling via modified nonlocal means：based on S U R E criterion［J］.Journalof University of Electronic Science and Technology of China，2014，43 （10）：42-48.（颜学颖，焦李成.S U R E准则的非局部SAR图像相干斑抑制［J］.电子科技大学学报，2014，43（10）：42-48.）

［14］Feng WS，Lei H.Co m bination of geo metric clustering and nonlocal means for SAR image despeckling［J］.Electronics Letters，2014，50（5）：395-396.

［15］Nezry E，Lopes A，Touzi R.Detection of structural and texturalfeatures for SAR images filtering［C］∥Proc.of the Remote Sensing：Global Monitoring for EarthM anagement，1991：2169-2172.

［16］Gragnaniel lo D，Poggi G，Verdol iva L.Classi fication-based nonlocal SA R despeckl ing［C］∥Proc.of the TyrrhenianWorkshop on Advances in Radar and Remote Sensing，2012：121-125.

［17］Park J M，Song W J，Pearlman W A.Speckle f i ltering of SA R images based on adaptive windowing［J］.IEE Vision，Image，and Signal Processing，1999，146（4）：191-197.

［18］M artino D G，Poderico M，Poggi G D，et al.Bench marking framework for SAR despeckling［J］.IE E E Trans.on Geoscience and Remote Sensing，2014，52（3）：1596-1615.

SARimage despeckling via the classification-based non-local clustering

LIU Shu-jun，W U G uo-qing，Z H A N G Xin-zheng，Y A N G Ting，LI Y ong-ming
（College of Com m unication Engineering，Chongqing University，Chongqing 400044，China）

Because different regions of the synthetic aperture radar（SAR）image have different statistical characteristics，the pheno menon of missing details and“ghost”artifacts often occur in the traditional non-local SAR image despeckling method.As a result，a classification-based SAR image despeckling method is proposed. Firstly，the imageis classified into ho m ogeneous regions and heterogeneous regions through co m paring the variation of average coefficient with the threshold value.Secondly，according to the classification ofthe central pixel of the target block，the appropriate parameters are selected to perform block matching.Finally，the target block located in ho m ogeneous regions is proceed by weighted average with similar blocks of the target block.On the other hand，the target block located in heterogeneous regions is performed by 3D hard-thresholding shrinkage with similar blocks of the target block.The proposed method can not only improve the accuracy of block matching through adjusting the block size and the search window size on the basis of the characteristics of image blocks，but also achieve a satisfied balance between smoothing（in homogeneous region）and feature preservation（in heterogeneous region）by selecting different methods to deal with different regions.The experiment results show that the proposed method makes full use of the characteristics of ho mogeneous and heterogeneous regions，which combine the advantage of different methods to improve the despeckling performance and reach a high levelin terms of both performance index and visual quality.

synthetic aperture radar（SAR）；image classification；non-local despeckling

TN957.52

A

10.3969/j.issn.1001-506 X.2016.03.12

1001-506 X（2016）03-0551-06

2015-04-15；

2015-09-13；网络优先出版日期：2015-09-28。

网络优先出版地址：http：//w w w.cnki.net/kcms/detail/11.2422.T N.20150928.1036.006.html

国家自然科学基金（61301224）；中央高校基本科研业务费（CDJZR11160003，CDJZR10160003，C DJZR12160014，CDJZR13160008）；重庆市自然科学基金（cstc2012j jA40001）；重庆市科技攻关计划（cstc2012gg-yyjs0572）资助课题

刘书君（1981-），女，讲师，博士，主要研究方向为SAR图像处理、SAR成像与目标检测。

E-mail：liusj@cqu.edu.cn

吴国庆（1990-），男，硕士研究生，主要研究方向为图像处理、稀疏信号处理。

E-mail：guoqing wu@126.com

张新征（1978-），男，副教授，博士，主要研究方向为SAR目标识别、图像处理、信号处理。

E-mail：zhangxinzheng@cqu.edu.cn

杨 婷（1990-），女，博士研究生，主要研究方向为SAR图像处理、统计信号分析。

E-mail：yandtt2008@foxmail.com

李勇明（1976-），男，副教授，博士，主要研究方向为机器学习、遗传算法、图像处理。

E-mail：yongmingli@cqu.edu.cn