一种机载SAR非周期性线状噪声去除方法*
2016-12-09肖艳芳崔廷伟巩加龙
肖艳芳，崔廷伟，巩加龙
>(1.国家海洋局 第一海洋研究所，山东 青岛 266061；2.中国海洋大学 信息科学与工程学院，山东 青岛 266100)
一种机载SAR非周期性线状噪声去除方法*
肖艳芳1，崔廷伟1，巩加龙2
>(1.国家海洋局 第一海洋研究所，山东 青岛 266061；2.中国海洋大学 信息科学与工程学院，山东 青岛 266100)
由于受雷达系统本身、飞行姿态、大气扰动等多种因素的影响，机载SAR图像中存在大量的非周期性线状噪声，限制了数据的后续应用。针对利用机载SAR图像进行海上绿潮探测的应用目的，本文在对机载SAR图像中非周期性线状噪声进行统计特征分析的基础上，提出了一种机载SAR图像非周期性线性噪声去除方法，并与均值滤波、高斯低通滤波、增强Lee滤波、增强Frost滤波、Gamma滤波、小波分析滤波、傅里叶变化滤波等多种常用滤波算法进行了对比，验证了该方法的有效性。结果表明，与常用滤波算法相比，我们算法的噪声去除率最高，且边缘特征清晰；图像经滤波后，噪声区灰度值与海水相近，与绿潮的对比显著增大，提高了绿潮和海水的区分能力。
机载SAR；非周期性线状噪声；绿潮；噪声去除
合成孔径雷达(SAR)是一种可全天候、全天时观测的主动式微波传感器，广泛应用于环境监测、测绘、海洋观测等多个领域。与星载SAR相比，机载SAR具有高分辨率、高精度、灵活作业等优势，已经受到越来越多的关注[1-4]。但是，受大气扰动、飞行姿态、数据处理和雷达系统本身的影响，机载SAR图像上会出现大量的斑点噪声、以及周期性或非周期性线状噪声，极大限制了数据的后续应用。因此，有效地抑制机载SAR图像中的噪声，是对SAR图像进行解译和应用所需要解决的首要关键问题。
对SAR数据噪声抑制的研究主要集中在斑点噪声去除方面[5-7]，研究者提出了多种去除SAR图像斑点噪声的方法，如Lee滤波[8]、Kuan滤波[9]、Frost滤波[10]、增强Lee滤波[11]、中值滤波[12]、几何滤波[12]等，这些方法对SAR图像斑点噪声的去除均具有较为理想的效果。借鉴光学影像条带噪声的去除方法，SAR图像中周期性的线状噪声也能够得到很好的抑制[13-14]。但对于非周期性线状噪声，由于其长短、宽度和间隔不一，传统的滤波方法无法对该类噪声进行有效去除。目前，有关SAR图像非周期性线状噪声去除的研究较少。
本文针对利用机载SAR对海上绿潮进行探测这一应用目的，在对图像中非周期性线状噪声进行统计特征分析的基础上，提出一种机载SAR非周期性线性噪声去除方法，并通过与多种常用滤波算法进行对比，验证了该方法的有效性。
1 非周期性线状噪声去除算法
对于海上漂浮绿潮的机载SAR图像(图1)，由于海水的后向散射系数较小，所以，在风浪较小的情况下，海水在图像上呈现纹理特征单一、均匀的黑色；海面漂浮绿潮由于本身的表面粗糙度大，再加上二次散射
图1 海上漂浮绿潮机载SAR图像Fig.1 Airborne SAR image of floating green tide
和体散射的贡献，使得回波信号增强，在图像上表现为颜色较亮的斑块；图像中方向相同、长短不一、宽度不同的高亮条带则是非周期性的线状噪声。由于噪声与海面漂浮绿潮的灰度值相近，会对绿潮信息提取结果造成较大误差，因此需对图像上的非周期性线状噪声进行消除。
分析了10×10像元窗口内海水、噪声和绿潮在不同方向上灰度值的统计特征，结果如表1所示。非周期线性噪声在SAR图像上表现为在一定长度上连续的高亮条带，与低亮度海水和高亮度绿潮信息相比，非周期性线状噪声具有显著的灰度统计特征，即在一定大小的窗口内，与其他方向相比，沿噪声方向上的灰度值具有较小的标准差和较高的平均值。
表1 海水、噪声和绿潮在10×10像元窗口内不同方向上灰度值的平均值与标准差Table 1 Mean and standard deviation of the sea water, noise and green tide in different directions of 10×10 windows
基于这一特征，可判断出图像中的噪声像元，利用窗口内非噪声像元的灰度平均值对噪声像元进行填充，即可实现机载SAR图像中非周期性线状噪声的消除。因此，本文所提出的机载SAR图像非周期性线状噪声去除算法主要包括2个步骤：1)依据噪声的灰度统计特征，逐像元判断其是否为噪声像元；2)对噪声像元进行灰度值重构。
1)噪声像元确定。图2为机载SAR图像上的移动窗口示意图，位于中心位置的黑色像元为需要判断的像元，以该像元为起点，计算窗口内上、下、左、右、左上、右上、左下、右下八个方向(图中红色实线箭头所示)，以及噪声方向(图中蓝色虚线箭头所示)上各像元灰度值的平均值和标准差为
(1)
(2)
式中，Mj为方向j上的像元灰度值平均值；Sj为方向j上的像元灰度值标准差；xj(i)为方向j上第i个像元的灰度值；n为方向j上的像元数。假设待判断的像元为噪声像元，噪声方向上的像元灰度值标准差小于其他方向，而均值则会大于其他方向。判断条件设置为
MT=mean(Mj)+std(Mj)，
(3)
ST=mean(Sj)-std(Sj)。
(4)
图2 机载SAR非周期性线状噪声示意图Fig.2 Schematic diagram of the non-periodic linear noise of airborne SAR image
若Snoise
2)噪声像元灰度值重构。噪声像元确定后，需要利用与背景信息尽可能接近的值对噪声像元的灰度值进行重构。本文中我们剔除窗口内与噪声方向上像元灰度值相近的像元，利用剩余像元的灰度平均值对噪声像元进行重构。对于窗口内的某个像元，若满足(x为像元灰度值)：x>mean(Mj)-std(Mj)，则将该像元剔除。最后利用较小窗口(3×3或5×5)对图像进行平滑处理。
2 实验结果和算法对比分析
利用2015-06-28黄海近岸海域的机载X波段SAR影像开展实验，该影像空间分辨率为3 m，见图3。
图3 机载绿潮SAR影像Fig.3 Airborne SAR image of floating green tide
为方便与多种滤波算法进行对比，从影像中裁切了512×512像元大小的区域作为实验数据，该区域内包含海水和绿潮两种主要地物类型。分别采用均值滤波、高斯低通滤波、增强Lee滤波、增强Frost滤波、Gamma滤波、小波分析滤波[15-16]、傅里叶变化滤波[17]和本文提出的滤波算法对实验数据进行滤波处理，去除图像中的非周期性线性噪声，结果如图4所示。
图4 机载SAR图像非周期性线性噪声滤波结果Fig.4 Filtering results of the non-periodic linear noise of airborne SAR image
图像滤波的目的是在尽量保持图像细节和边缘信息的前提下抑制图像噪声，增强图像的对比度，提高对图像中不同地物的识别能力。为了定量评估上述多种滤波算法在机载SAR图像非周期性线性噪声去除上的适用性，本文首先计算了各种滤波算法的噪声去除率NR[14]，公式为
NR=N0/Nk，
(5)
式中，N0表示原始图像中条纹噪声对应的灰度平均值；Nk为降噪后相应的灰度平均值；NR反映了噪声去除程度的强弱，NR越大表示去除噪声的能力越强。表1为上述各滤波算法的噪声去除率结果。
表1 各滤波算法的噪声去除率NRTable 1 Noise removal rate of various filtering algorithms
由图4和表1可以看出，对于机载SAR图像中的非周期性线性噪声，常用的滤波算法基本上均是失效的，均值滤波、增强Lee滤波、增强Frost滤波和Gamma滤波的噪声去除率相对较高，但图像变得模糊，边缘保持能力较差；高斯低通滤波和小波分析滤波的噪声去除率约为1，表明这两种方法对该类型噪声几乎没有去除能力；利用本文算法去噪后的图像，对比度显著增强，边缘特征清晰，较高的噪声去除率也表明该算法在去除非周期性线性噪声的有效性。
通过对滤波前和滤波后海水、绿潮和噪声的图像灰度值进行统计分析，评估了上述多种滤波方法对不同地物识别能力的提升水平，结果如图5所示。
图5 各滤波算法地物识别能力对比Fig.5 Comparison of feature recognition capability of various filtering algorithms
图中标记点所在位置分别为绿潮、噪声和海水图像灰度值的均值，虚线所示为绿潮、噪声和海水的1.5倍标准差线。由图可见，在原始SAR图像中，绿潮和噪声的图像灰度值相近，利用灰度值提取绿潮信息势必会将噪声也作为绿潮提取出来，给绿潮信息提取引入了较大误差。我们的目的是通过有效的滤波算法，在尽量保持绿潮和海水原始信息的基础上，增加噪声区与绿潮区图像灰度值的差异。机载SAR图像经过上述滤波方法处理后，图像上绿潮、海水的均值和标准差与原始图像基本保持一致，说明上述滤波算法均未对图像中的非噪声信息造成明显的影响。而对于噪声区域，高斯低通滤波和小波分析滤波后的灰度值均值和标准差与原始图像相近，说明两种滤波算法对该类噪声是无效的；均值滤波、增强Lee滤波、增强Frost滤波、Gamma滤波和傅里叶变换滤波后，噪声区的均值和标准差均有所降低，但绿潮与噪声的图像灰度值范围仍然存在较大的重叠，两者难以区分；利用本文算法滤波后，噪声区的均值和标准差均显著下降，噪声灰度值与海水相近，与绿潮的差异明显增大，能够对绿潮和海水进行有效地区分，表明该算法可有效地抑制会引起绿潮探测误差的非周期线性噪声。
为了进一步验证该算法的有效性，于2015-07-25获取的机载SAR影像中裁切了512×512像元大小的区域，利用本文提出的算法对影像中的噪声进行了剔除，并在此基础上利用阈值法(像元值>130)提取了绿潮信息，结果如图6所示。可以看出，原始影像中包含大量的非周期性线性噪声，由于其像元值与绿潮(图中的白色不规则斑块)接近，直接利用原始影像提取的绿潮信息中含有大量由噪声引起的非绿潮信息(图6b)。利用该算法对原始影像进行滤波后，非周期性线性噪声得到了明显抑制，提取的绿潮信息中非绿潮信息大大较低，绿潮的探测精度得到显著改善。
图6 本文算法验证结果Fig.6 Validation results of the proposed algorithm
3 结 论
受大气扰动、飞行姿态、数据处理或雷达系统本身的影响，机载SAR图像上除了会出现大量斑点噪声外，还存在非周期性的线状噪声。由于非周期性线状噪声的长短、宽度和间隔不一，传统的滤波方法通常无法对其进行有效抑制。本文在对图像中非周期性线状噪声进行统计特征分析的基础上，提出一种机载SAR非周期性线性噪声去除方法，并通过与多种常用滤波算法进行对比验证了该方法的有效性，结果表明，与常用滤波算法相比，本文算法的噪声去除率最高，且边缘特征清晰；图像经滤波后，噪声区与绿潮的对比显著增大，提高了机载SAR绿潮探测能力。
致谢:中国海监北海航空支队为本研究提供了机载SAR数据支持。
[1] JIANG X H, ZHANG H D, DONG L, et al. Application of airborne SAR in sea ice air monitoring[J].Ocean Development and Management, 2014(5)：44-47. 蒋旭惠，张汉德，董梁，等.机载SAR在海冰航空监测中的应用研究[J].海洋开发与管理，2014(5)：44-47.
[2] LIU W J, KONG Y, ZHAO X B, et al.Ocean wave retrieval from C band airborne SAR imagery based on cross spectra method[J].Journal of PLA University of Science and Technology (Natural Science Edition), 2014,15(4):380-385. 刘文俊,孔毅,赵现斌,等. 基于交叉谱法的C波段机载SAR海浪反演[J].解放军理工大学学报(自然科学版), 2014,15(4)：380-385.
[3] ZHAO X B, YAN W, KONG Y, et al. Theoretical research and experimental verification for ocean surface wind vector retrieval from airborne C-band fully polarimetric SAR[J].Acta Physica Sinica,2013, 62(13):1-12. 赵现斌,严卫,孔毅,等. 机载C波段全极化SAR 海面风矢量反演理论研究及实验验证[J].物理学报, 2013, 62(13): 1-12.
[4] FU C Y, YUAN X T, XU K,et al. A way to abtain DEM based on the high-resolution air-borne SAR[J].Bulletin of Surveying and Mapping, 2012(4):50-51. 付春永,原喜屯,许珂,等. 一种基于高分辨率机载SAR的DEM制作方法[J].测绘通报, 2012(4):50-51.
[5] HUANG S Q, LIU D Z. Research on method and application of speckle noise reduction of SAR image[J].Acta Geodaetica et Cartographica Sinica, 2006, 35(3): 245-250. 黄世奇，刘代志. SAR图像半点噪声抑制方法与应用研究[J].测绘学报，2006，35(3)：245-250.
[6] HAN C M, GUO H D, WANG C L, et al. An enhanced SAR image speckle filter[J].Journal of Remote Sensing, 2004, 8(2):121-127. 韩春明，郭华东，王长林，等. 一种改进的SAR图像斑点噪声滤波方法[J].遥感学报，2004，8(2)：121-127.
[7] GUO J M, HUANG C J, YU X D, et al. An improved BEMD method for SAR image noise suppression[J].Geomatics and Information Science of Wuhan University, 2013, 38(12):1445-1450.郭际明，黄长军，喻小东，等. 一种改进的二维经验模态分解SAR图像噪声抑制方法[J].武汉大学学报(信息科学版)，2013，38(12)：1445-1450.
[8] LEE J S. Digital image enhancement and noise filtering by use of local statistics[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1980,2(2): 165-168.
[9] KUAN D T, SAWCHUK A A, STRAND T C， et al. Adaptive noise smoothing filter for images with signal dependent noise[J].IEEE Transactions on Pat tern Analysis and Machine Intelligence, 1985, 7(2): 165-177.
[10] FROST V S, STILES J A, SHANMUGAN K S, et al. A model for radar images and its application to adaptive digital filtering of multiplicative noise[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1982,4(2):157-166.
[11] LOPES A, TOUZI R, NEZRY E. Adaptive speckle filters and scene heterogeneity[J].IEEE Transactions on Geoscience and Remote Sensing, 1990, 28(6): 992-1000.
[12] CRIMMINS T R. Geometric filter for speckle reduction[J].Applied Optics, 1985, 24(10): 1438-1443.
[13] JIANG G M, NIU Z, YUAN W L, et al. A study on removing the stripe noises in MODIS 1B images[J].Remote Sensing Technology and Application, 2003, 18(6): 393-398.蒋耿明，牛铮，阮伟利，等. MODIS影像条带噪声去除方法研究[J].遥感技术与应用, 2003,18(6): 393-398.
[14] KOU G J, WANG Z S, YAO P. Filtering methods for different characteristic stripe noise in SAR image[J].Journal of Remote Sensing, 2011, 15(1):1-12. 寇光杰，王贞松，姚萍. SAR图像中不同特性条纹噪声的滤除[J].遥感学报，2011，15(1)：1-12.
[15] HOU B, CHI Y B, ZHU C G, et al. Remote sensing image denoising in the vavelet domain[J].Journal of Remote Sensing,2003, 7(5): 379-385. 侯波, 迟耀斌, 朱重光, 等. 一种基于小波变换去除遥感图像噪声的方法[J].遥感学报，2003，7(5)：379-385.
[16] LAN G N, LI J, JI F. Underwater image backscatter noise reduction based on wavelets[J].Ocean Technology, 2010, 29(2): 43-47. 蓝国宁，李建，籍芳. 基于小波的水下图像后向散射噪声去除[J].海洋技术，2010，29(2)：43-47.
[17] LI X L, LI F, ZHAO R, et al.Non-threshold windowed fourier filter algorithm[J].Acta Photonica Sinica, 2014, 43(9): 0912008-1-0912008-4. 李兴龙，李峰，赵冉，等. 无阈值窗口傅里叶变换滤波方法[J].光子学报，2014，43(9):0912008-1-0912008-4.
Received: December 4, 2015
A Non-periodic Stripes Noises Removal Method for Airborne SAR Data
XIAO Yan-fang1, CUI Ting-wei1, GONG Jia-long2
(1.TheFirstInstituteofOceanography,SOA, Qingdao 266061, China; 2.CollegeofInformationScience&Engineering,OceanUniversityofChina, Qingdao 266100, China)
Due to the effect of various factors such as the radar system, flight altitude and atmospheric disturbance, a large number of non-periodic linear noises exist in the airborne SAR images, which greatly hinders the data application. In this paper, a non-periodic linear noises removal method for airborne SAR image is proposed by analyzing the statistical characteristics of non-periodic linear noises with the aim of green tide detection. The validity of the method is demonstrated by comparison with the commonly used filtering algorithms. The results show that the proposed algorithm has the highest noise removal rate and the edge features are clear. After the noises removal, the value of the noise is close to that of the sea water and the difference between the noises and the water increases significantly.
airborne SAR; non-periodic linear noise; green tide; noise removal
2015-12-04
国家自然科学基金项目——基于围隔实验的漂浮绿潮生物量遥感估算方法(41506203)和主被动光学遥感探测水下悬浮绿潮(41476159)；中韩国际合作项目——典型海洋灾害静止轨道海洋卫星凝视监测关键技术研究(2014T03)；海洋公益性行业科研专项——机载多维探测系统在海监执法中的应用示范(2013418025-2)
肖艳芳(1985-)，女，山东诸城人，助理研究员，博士，主要从事海洋光学遥感方面研究.E-mail：xiaoyanfang@fio.org.cn
TN958
A
1671-6647(2016)04-0571-07
10.3969/j.issn.1671-6647.2016.04.013
