基于NSST变换域WNNM和KAD算法的SAR图像去噪

赵 杰， 王配配

(1.河北大学 电子信息工程学院 河北 保定 071000； 2.河北省数字医疗工程重点实验室 河北 保定 071000)

基于NSST变换域WNNM和KAD算法的SAR图像去噪

赵 杰1，2， 王配配1，2

(1.河北大学 电子信息工程学院 河北 保定 071000； 2.河北省数字医疗工程重点实验室 河北 保定 071000)

针对合成孔径雷达图像(synthetic aperture radar, SAR)斑点噪声影响的问题，提出了一种基于非下采样剪切波变换域(non-subsample shearlet transform，NSST)加权核范数最小化(weighted nuclear norm minimization,WNNM)和核各向异性扩散(kernel anisotropic diffusion, KAD)的SAR图像去噪方法.首先预估计SAR图像的全局噪声方差，其次对SAR图像进行对数变换，将图像的相干斑乘性噪声转化为加性噪声，然后对SAR图像进行NSST变换分解，将图像分为低频分量和多个高频分量.对分解后的低频分量和高频分量分别用WNNM算法和KAD进行去噪处理，最后用处理后的结果进行NSST重构得到去噪图像.给出了该算法的详细实现过程，并把它与之前的WNNM算法和非下采样shearlet变换算法进行了比较.实验结果表明，峰值信噪比相较于WNNM算法提高了约0.3 dB, 而且更好地保存了图像的局部结构，并实现了良好的主观视觉效果.

合成孔径雷达图像去噪； 非下采样剪切波变换； 加权核范数最小化； 核各向异性扩散

0 引言

合成孔径雷达图像为许多应用提供有用信息，如遥感测绘、地面监测等.但由于成像传感器中大量随机分布的散射体反射的雷达回波相干叠加，从而不可避免地在SAR图像中产生相干斑乘性噪声[1].由于斑点噪声的存在，视觉上观测图像质量下降，并严重削弱了其自动场景分割的性能.因此，散斑噪声去除是预处理步骤中一个关键的任务[2-3].SAR图像相干斑噪声抑制算法主要是空域滤波算法、变换域滤波算法两类.其中空域滤波[4-5]计算速度快，实时性好，但噪声平滑和图像细节保护受窗的选择影响大；变换域滤波是在各种变换域中结合系数的统计特性对图像进行抑斑工作，其中NSST变换结合了contourlet[6]和curvelet[6]各自的优点，具有局部特性、多尺度特性和各向异性的特点，并增强了shearlet[7]变换的方向选择性和平移不变性，增强了细节结构的保持能力.

非局部自相似性最早在文献[8]中应用到图像去噪中，提出了非局部图像去噪算法，它能够较好地保留图像细节.Dabov 提出的三维块匹配(block matching 3D, BM3D) 算法[9]同样基于非局部自相似性，是当前公认的最佳去噪方法之一.低秩矩阵逼近[10-11]是一种矩阵秩最小问题，可等价为线性约束条件下的核范数最小化(nuclear norm minimization，NNM)[8]问题.文献[12]证明低秩矩阵可以用NNM近似，NNM 又可通过奇异值的软阈值法实现.但由于NNM算法在计算过程中将奇异值等同对待，这样在实际的图像处理中造成一定的偏差；文献[13]提出了WNNM的思路,奇异值越大，权重越大，所占比重越大.该方法能够取得较高的峰值信噪比，且视觉效果很好.

SAR图像具有相似的结构特征和数据特征，其相似块构成的矩阵被认为类似低秩的.由于NSST变换具有良好的多分辨率特性和时频局部化特性，本文在NSST变换域中将WNNM算法和KAD[14]扩展到SAR图像去噪中，进行NSST变换之后，高频分量含有图像边缘信息和大部分噪声，采用能够有效分离噪声和图像边缘的KAD算法进行去噪.低频分量包含图像的主要能量和少量噪声，采用WNNM算法能够有效去除噪声.本文首先使用小波鲁棒中值估计全局噪声方差[14]，对输入的SAR图像进行NSST变换，然后对变换后的高频分量和低频分量分别采用KAD算法和WNNM算法进行去噪处理，最后，通过逆变换重构得到去噪后的图像，为了方便，把该方法记为NSST-WNNM.

1 相干噪声模型和NSST、WNNM、KAD理论

1.1 相干噪声模型

相干噪声是一种乘性噪声，即噪声水平随着目标后向散射强度的增强而增强，因此，乘性模型比较适合于对SAR图像的观测信号进行建模，即

(1)

其中：Y(x,y)表示强度格式的观测信号；X(x,y)表示被照射目标的雷达截面积；N(x,y)为衰落过程中所引起的相干斑噪声.并认为X(x,y)与N(x,y)是相互独立的随机过程，N(x,y)是独立同分布噪声图像，并且服从均值为1、方差为1/L的Gamma分布，L为等效视数，为了便于去噪处理，一般对式(1)两边取对数变换，将乘性噪声转化为高斯噪声：

(2)

1.2 非下采样shearlet变换理论

非下采样的shearlet变换相对传统具有多方向性、平移不变性和稳定性等特点，NSST 在对图像的线、边缘和纹理等特征的描述方面更为准确，具有较强的抗噪能力.当维数n=2时，具有合成膨胀的放射系统定义为:

(3)

(4)

图1 非下采样shearlet 变换两层分解示意图Fig.1 Schematic diagram of two layers decomposition of subsampled shearlet transform

NSST分解过程分为多尺度分解和多方向分解两部分.多尺度分解沿用非下采样金字塔分解方式加以实现，在经过k级多尺度分解后，每一幅源图像共可衍生出1幅低频微观子图像和k幅高频微观子图像，这些子图像均与源图像具有相同尺寸.NSST的多方向分解是将标准剪切滤波器从伪极化网络系统映射到笛卡尔坐标系统，完全摒弃了下采样环节，使图像的冗余度得到了很大的提高，图像系数冗余度的提高实现了自身的平移不变性，有效避免了类似于离散小波变换、轮廓波变换结果中的振铃效应[15].图1为非下采样shearlet变换的分解示意图.

1.3 加权核范数最小化理论

为了方便算法的描述，将公式(2)的去噪模型转换为

(5)

其中:y是观测图像(噪声图像);x是需要恢复的清晰图像;n是噪声方差为σn的高斯噪声.对观测图像y进行分块，设yj为其中的第j块，可以通过一些方法如块匹配[16]来搜索整个图像的非局部相似块.通过堆叠这些非局部的相似块形成矩阵，设为Yj，令Yj=Xj+Nj，其中Xj和Nj分别表示清晰图像和噪声相应的矩阵.由先验知识可知，SAR图像具有冗余性和相似性，Xj认为近似低秩[13].因此Xj可以利用WNNM低秩矩阵恢复算法进行低秩矩阵恢复[15],加权核范数最小化可以描述为问题：

(6)

Λw=Sw(Λ)=max(σi(Xj)-w,0),

(7)

其中权重wi的计算为

(8)

其中:c>0是一个常数;q是Yj中相似块的数量;ε=10-16是避免被零整除的数.

假设噪声是均匀分布在U和V两个子空间中，则σi(Xj)可以估计为

(9)

1.4 核各向异性扩散去噪算法理论[14-15]

KAD算法的偏微分方程为：

(10)

通过核函数k(x,y)映射后，高维特征空间中某一特定方向上的灰度差分为

(11)

则高维特征空间的梯度模为

(12)

(13)

式中，k为扩散门限，采用绝对偏差中值(median absolute deviation, MAD)，即

(14)

式中，fmed表示取中值函数.

2 基于NSST变换域的WNNM和KAD的SAR图像去噪算法

在首次对图像进行NSST变换之前，为了确定初次分块操作的参数和窗口大小，首先采用小波鲁棒中值估计方法[16]对SAR图像进行噪声预估计，

(15)

通过式(15)得到SAR图像的预估计噪声，之后根据噪声方差的大小用经验值确定参数.采用NSST变换获得一系列多尺度多方向下的子带图像；对低频子带采用WNNM算法进行去噪处理，得到去噪后的系数，对6个高频子带采用KAD算法；最后进行NSST反变换获得最终结果.

本文提出的基于NSST变换域WNNM算法的SAR图像去噪过程如图2所示.去噪步骤如下：

步骤1 对SAR图像进行对数变换，得到图像y；

步骤2 对y采用非下采样拉普拉斯金字塔算法进行多尺度分解，得到低频分量和各个尺度下的高频分量，在本文中，我们使用单层NSST变换.

步骤3 采用带方向和尺度变化的窗函数对高频分量进行方向剖分，得到多个频率分量，之后进行坐标映射，获得高频分量的shearlet系数.

步骤4 将WNNM应用到低频分量去噪，得到去噪后的低频分量，能够尽可能地保留图像细节特征.

步骤5 由于高频分量中含有图像边缘信息和大部分噪声，采用KAD算法分别对6个高频系数进行去噪，得到去噪后的高频分量.

步骤6 用NSST逆变换逐层重构得到去噪图像.

图2 本文方法流程图

3 实验结果与分析

为了测试算法的真实效果，我们将算法运用到SAR图像上进行相干斑去噪，图3和图4中使用的方法(a)～(d)，依次是KAD去噪、NSST变换去噪、WNNM去噪算法和本文算法.

图3 SAR图像1使用不同方法去噪后的图像

图4 SAR图像2使用不同方法去噪后的图像

从实验结果可以看出：图3(a)和图4(a)中单独采用核各向异性算法噪声抑制不彻底，存在残留噪声的现象，且边缘比较模糊；图3(b)和图4(b)中的NSST变换滤波因为具有平移不变性且方向选择性较好，因此在图中残留的噪声较少，去噪后的图像也较为清晰，但由于采用的阈值函数具有不连续性，仍存在伪吉布斯效应；图3(c)和图4(c)的WNNM算法噪声残留较少，去噪后图像具有良好的视觉效果，但是背景过于平滑；本文方法采用的NSST具有平移不变性，弥补了剪切波的不足，KAD算法对于分离噪声和边缘具有很好的效果，结合WNNM算法分别在高频子带和低频子带中使用，使去噪效果更优.

为了更好地展示本文所提到的算法的优越性，本文计算了各种去噪算法的几种常用的去噪性能参数，其中包括峰值信噪比(peak signal to noise ratio，PSNR)[17]、等效视数(equivalent numbers of looks, ENL)[18]和边缘保持指数(edge preservation index, EPI)[18]，其中 PSNR 越大表明算法的去噪能力越强，ENL 越大表明算法的去噪后的视觉效果越好，而 EPI 越大表明算法的边界保持能力越强.表1给出了图3和图4中的3种去噪算法对原始SAR图像进行去噪后的PSNR、ENL和EPI.从表1所示的各种去噪方法的性能参数来看基于NSST变换域的WNNM算法的SAR图像去噪算法是一种较好的去噪算法.而在ENL和EPI方面，本文算法也有了明显的提高，这表明本文算法去噪的视觉效果更好，边界保持能力更强.NSST-WNNM算法相较于WNNM算法，PSNR提高了0.3～0.4 dB，相较于NSST变换算法，PSNR提高了1.2～1.5 dB，相较于KAD算法，PSNR提高了3 dB, NSST-WNNM算法相较于其他3种算法，ENL和EPI有了些许提高.综合上面的分析，可知本文的算法对SAR图像的去噪不仅去噪能力很强，且去噪后的视觉效果也很好，能更好保留SAR图像的纹理信息.

表1 对原始SAR图像去噪后的客观评价

4 结论

本文提出一种基于非下采样shearlet变换域WNNM和KAD算法的SAR图像去噪，该算法利用NSST变换的多分辨率特性、时频局部化特性、KAD算法在边缘和噪声中较强的分辨性能以及WNNM算法处理图像过程中的全局特性.首先分析了相干斑噪声的模型，对SAR图像进行对数变换，将相干噪声转化为高斯噪声，其次对SAR图像进行NSST变换波分解，对分解后的低频分量用WNNM算法进行去噪处理，高频分量采用KAD算法进行处理，最后用处理后的结果进行NSST重构得到去噪图像，生成相干斑抑制后的SAR图像.实验结果表明本文算法能有效地抑制斑点噪声、同时又能较好保持图像的纹理细节和边缘信息，能够满足后续图像处理任务的要求.

[1] GOODMAN J W. Some fundamental properties of speckle [J]. Journal of the sptical society of America, 1976, 6(11): 1145-1150.

[2] LIU Z X, HU S, XIAO Y, et al. SAR image target extraction based on 2-D leapfrog filtering[C]//2010 IEEE 10th Internationl Conference on Signal Processing.Beijing,2010:943-1946．

[3] EOM K B. Anisotropic adaptive filtering for speckle reduction in synthetic aperture radar images [J]. Optical engineering, 2011, 50(5): 97-108.

[4] 陈旭生，李艳灵. 一种基于小波变换与分类矢量量化的图像压缩算法[J]. 信阳师范学院学报(自然科学版)，2014,27(1):123-126.

[5] 王玲，田勇志，王俊俏，等.基于图像特征改进的正交匹配追踪算法[J]. 郑州大学学报(理学版)，2015,47(2):73-77.

[6] 刘帅奇，胡绍海，肖扬. 基于复轮廓波域高斯比例混合模型SAR图像去噪[J]. 北京交通大学学报, 2012, 36(2):89-93.

[7] LIU S H, HU S H, XIAO Y. Bayesian shearlet shrinkage for SAR image denoising via sparse representation [J]. Multidimensional systems and signal processing, 2014, 25 (4): 683-701.

[8] BUADES A，COLL B， MOREL J M.A non-local algorithm for image denoising[C]//2005 IEEE Computer Society Conference on Computer Vision & Pattern Recognition.San Diego,CA,2005: 60-65．

[9] DABOV K,FOI A，KATKOVNIK V,et al.Image denoising by sparse 3D transform-domain collaborative filtering[J].IEEE Trans Image Process,2007,16(8):2080-2095.

[10]范云鹏．矩阵低秩逼近在图像压缩中的应用[D].西安：西安电子科技大学，2012:26-30．

[11]赵新斌．一类带有核范数的优化问题的梯度算法[D].北京：北京工业大学，2012: 13-25．

[12]CANDES E, RECHT B. Exact matrix completion via convex optimization[J]．Foundations of computational mathematics，2009，9(6) : 717-772．

[13]GU S, ZHANG L, ZUO W, et al. Weighted nuclear norm minimization with application to image denoising[C]//CVPR 2014.Columbus, 2014: 2862-2869.

[14]YU J, WANG Y, SHEN Y. Noise reduction and edge detection via kernel anisotropic diffusion [J]. Pattern recognition letters, 2008, 29(10): 1496-1503.

[15]KHAM S, JAIN A, KHARE A. Image denoising based on adaptive wavelet thresholding by using various shrinkage methods under different noise condition [J]. International journal of computer application, 2012, 59(20): 13-17.

[16]张小华，陈佳伟，孟红云. 基于方向增强邻域窗和非下采样Shearlet描述子的非局部均值图像去噪 [J]. 电子与信息学报，2011, 33(11): 2634-2639．

[17]DABOV K, FOI A, KATKOVNIK V, et al. Image denoising by sparse 3-D transform-domain collaborative filtering[J]. IEEE transactions on image processing a publication of the signal processing society，2007, 16(8):2080-2095.

[18]GERARDO D M, MARIANA P, GIOVANNI P，et al. Benchmarking framework for SAR despeckling[J]. IEEE transactions on geoscience and remote sensing, 2014, 52(3): 1596-1615.

(责任编辑：王海科)

SAR Image Denoising Based on NSST with WNNM and KAD

ZHAO Jie1，2， WANG Peipei1，2

(1.CollegeofElectronicandInformationEngineer,HebeiUniversity,Baoding071000,China； 2.KeyLaboratoryofDigitalMedicalEngineerofHebeiProvince,Baoding071000,China)

The SAR image denoising based on non-subsample shearlet transform with weighted nuclear norm minimization and kernel anisotropic diffusion was presented to minimize the effect of speckle noise in synthetic aperture radar. Firstly, the image global noise variance was estimated in advance.Secondly, multiplicative speckle was changed into additive noise by logarithmic transformation.Thirdly the SAR image was decomposed by no`n-subsample shearlet transform;the high frequency component were processed by kernel anisotropic diffusion; and low frequency component was processed by WNNM algorithm. Finally, the reconstructed image was reconstructed by NSST algorithm. An efficient implementation of this algorithm was presented in full detail. Also the comparison of this improved algorithm with the NSST and WNNM approach were given. The experimental results showed that the peak signal to noise ratio objective indicators had significantly improved, the local structure of the image was better preserved, and the good subjective visual effect was produced.

synthetic aperture radar; non-subsample shearlet transform; weighted nuclear norm minimization; kernel anisotropic diffusion

2016-11-23

国家自然科学基金项目(61572063，61401308)；河北省自然科学基金项目(F2016201187)；河北大学自然科学研究计划项目(2014-303)；河北大学研究生创新项目(X2015085).

赵杰(1969—)，男，河北沧州人，教授，主要从事智能数据处理研究,E-mail：372199200@qq.com；通讯作者：王配配(1991—)，女，河北沧州人，硕士研究生，主要从事图像去噪研究,E-mail：995880982@qq.com.

TM391

A

1671-6841(2017)02-0072-06

10.13705/j.issn.1671-6841.2016320