楊學(xué)志，葉 銘，周 芳，郎文輝，鄭 鑫，李國(guó)強(qiáng)

(1.合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院，安徽合肥 230009； 2.光電技術(shù)控制重點(diǎn)實(shí)驗(yàn)室,河南洛陽(yáng) 471009)

?

采用混合特征相似性的極化SAR圖像降噪算法

楊學(xué)志1，2，葉 銘1，周 芳1，郎文輝1，鄭 鑫2，李國(guó)強(qiáng)2

(1.合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院，安徽合肥 230009； 2.光電技術(shù)控制重點(diǎn)實(shí)驗(yàn)室,河南洛陽(yáng) 471009)

針對(duì)極化合成孔徑雷達(dá)(Polarimetric Synthetic Aperture Radar,PolSAR)圖像在相干斑抑制過(guò)程中面臨的結(jié)構(gòu)信息和極化散射信息保持的問(wèn)題，通過(guò)分析PolSAR圖像的結(jié)構(gòu)特性和極化特性，建立一種結(jié)構(gòu)特征提取方法，并提出一種采用混合特征相似性的極化SAR圖像降噪算法.該算法將圖像的結(jié)構(gòu)信息和極化散射信息與降噪過(guò)程相融合，能夠在抑制相干斑噪聲的同時(shí)，實(shí)現(xiàn)降噪后圖像的結(jié)構(gòu)信息和極化信息的有效保持.實(shí)測(cè)機(jī)載極化SAR數(shù)據(jù)的實(shí)驗(yàn)結(jié)果驗(yàn)證了算法的有效性.

極化SAR；相干斑抑制；結(jié)構(gòu)相似性；極化散射信息

1 引言

相干斑是極化合成孔徑雷達(dá)(PolSAR)的多維相干成像系統(tǒng)固有缺陷導(dǎo)致的類噪聲現(xiàn)象，它的存在不僅影響了圖像的質(zhì)量，還妨礙了地形分類[1]和目標(biāo)檢測(cè)[2]等的解譯工作.因此對(duì)PolSAR圖像進(jìn)行有效的相干斑抑制就成為圖像解譯預(yù)處理的關(guān)鍵環(huán)節(jié)，具有重要的理論意義和研究?jī)r(jià)值[3].

具有結(jié)構(gòu)信息和極化散射信息保持良好的PolSAR圖像濾波算法，能夠降低圖像分割和分類等問(wèn)題的難度，為實(shí)現(xiàn)地物場(chǎng)景的準(zhǔn)確解譯提供一個(gè)良好的基礎(chǔ).按照濾波時(shí)是否融入PolSAR圖像的某些特征，一般將濾波算法大致分為以下三類：

(1)未融入PolSAR圖像的特征：比如成像后的多視處理方法，極化白化濾波器[4](Polarimetric Whitening Filtering,PWF)，基于乘性噪聲模型實(shí)現(xiàn)的極化Lee濾波算法[5]等等.這類算法簡(jiǎn)單有效，但是降噪后圖像會(huì)損失一些信息，比如多視處理方法會(huì)模糊圖像的結(jié)構(gòu).

(2)融入PolSAR圖像的特征：例如融入了邊緣結(jié)構(gòu)特征的精致Lee(Refined Lee)算法[6]，以及加入像素的散射機(jī)制的Scattering-Model-Based濾波算法[7]，基于最小均方誤差(Minimum Mean Square Error,MMSE)估計(jì)的聯(lián)合結(jié)構(gòu)判斷和極化分解的混合濾波器[8]以及結(jié)構(gòu)保持的雙邊濾波算法[9]等.該類算法對(duì)濾波后圖像的結(jié)構(gòu)信息或者極化散射信息保持較好，但相干斑的抑制能力會(huì)受到限制.

(3)隱式融入PolSAR圖像的特征：這類算法主要是將目前處理自然圖像和SAR圖像的優(yōu)秀濾波算法推廣應(yīng)用到PolSAR圖像，它們不僅延續(xù)了原始算法對(duì)結(jié)構(gòu)信息的有效保持性能，還充分利用PolSAR數(shù)據(jù)的極化特性.例如迭代雙邊濾波算法[10,11]，Pretest算法[12]，DSM算法[13]、NL-Lee算法[14]等一些基于非局部均值濾波的其他算法[15～17]，以及改進(jìn)的極化Sigma濾波[18]等，這些算法都較好地保持了圖像的結(jié)構(gòu)特征和極化散射特性.

雖然上文第三類濾波算法也能獲得不錯(cuò)的濾波性能，但為了更充分的利用PolSAR圖像的結(jié)構(gòu)信息和極化散射信息，進(jìn)一步提高它們?cè)诮翟牒髨D像中的保持性能，本文提出一種采用混合特征相似性的雙邊濾波算法(Hybrid Feature Similarity Bilateral Filtering,HFSBF).該算法不僅繼承了雙邊濾波算法處理PolSAR圖像的優(yōu)勢(shì)，還將結(jié)構(gòu)信息和極化散射特性融入降噪過(guò)程，主要優(yōu)勢(shì)表現(xiàn)在以下兩個(gè)方面：

(1)在極化總功率圖(又稱Span圖)上提取PolSAR圖像的結(jié)構(gòu)信息，構(gòu)建結(jié)構(gòu)相似性度量函數(shù)，并取代原始雙邊濾波的空間域權(quán)重函數(shù)，提高結(jié)構(gòu)保持能力.

(2)為增加提取極化散射信息的準(zhǔn)確性，極化分解前對(duì)PolSAR數(shù)據(jù)進(jìn)行去取向處理，再進(jìn)行無(wú)監(jiān)督分類，從而降低分類錯(cuò)誤率.

2 PolSAR數(shù)據(jù)和雙邊濾波算法

對(duì)于PolSAR數(shù)據(jù)，一般采用后向散射矩陣精確描述地物目標(biāo).為了更好的從散射矩陣中提取目標(biāo)的物理信息，通常將散射矩陣進(jìn)行矢量化，對(duì)于單基站的PolSAR系統(tǒng)，散射矩陣在Pauli基和Lexicographer基下矢量化為：

(1a)

(1b)

其中Smn為散射矩陣中的元素，m,n∈{h,v}，表示發(fā)射入射波n，接收散射波m.上標(biāo)T表示轉(zhuǎn)置.通過(guò)向量kL和kp可以分別計(jì)算得到協(xié)方差矩陣C和相干矩陣T：

(2a)

(2b)

這里的<·>表示統(tǒng)計(jì)平均，上標(biāo)H表示對(duì)復(fù)向量的共軛轉(zhuǎn)置.由于kp能更好地表示目標(biāo)的物理散射信息，所以T矩陣應(yīng)用比C矩陣廣泛，本文均采用T矩陣作為濾波輸入.

(3)

(4)

(5)

σs表示空間域中控制平滑程度的參數(shù)，表示極化域中控制平滑程度的參數(shù).d(i,j)為2范數(shù)，表示歐氏距離，d(Ti,Tj)描述的是兩個(gè)相干矩陣間的相似性，文獻(xiàn)[10,11]中使用了不同的度量措施，并取得不錯(cuò)的濾波效果.

3 采用混合特征相似性的PolSAR圖像雙邊濾波算法

雙邊濾波算法在空間域上采用像素的空間位置來(lái)度量像素間的相似性，在濾波窗口內(nèi)可能存在位置較遠(yuǎn)而結(jié)構(gòu)相似的像素，使得濾波時(shí)賦予較小的權(quán)值而導(dǎo)致相干斑抑制效果不明顯.此外，PolSAR圖像的像素還包含物理散射信息，濾波時(shí)不加區(qū)分的對(duì)像素進(jìn)行平均處理會(huì)損失極化散射信息.為解決這兩個(gè)問(wèn)題，本文提出HFSBF算法，該算法通過(guò)提取Span圖的結(jié)構(gòu)相似性指數(shù)構(gòu)建空間域上的結(jié)構(gòu)相似性度量函數(shù)；同時(shí)對(duì)Freeman-Durden分解前的PolSAR數(shù)據(jù)進(jìn)行去取向處理，提高無(wú)監(jiān)督分類的準(zhǔn)確率，并以分類后的地物散射標(biāo)記圖為掩膜，按照像素的極化散射信息實(shí)現(xiàn)同質(zhì)像素的選擇和像素的相似性度量；最終提高濾波后圖像的結(jié)構(gòu)信息和極化散射信息的保持能力.

通過(guò)以上分析，HFSBF算法可以概括為兩個(gè)方面：圖像的結(jié)構(gòu)相似性描述和極化散射信息提取.本節(jié)余下部分將以這兩個(gè)方面為主，詳細(xì)介紹HFSBF算法.

3.1 PolSAR圖像的結(jié)構(gòu)相似性權(quán)重函數(shù)的構(gòu)建

結(jié)構(gòu)相似性指數(shù)(Structure Similarity Index Measure,SSIM)是圖像客觀質(zhì)量評(píng)價(jià)的一種常用方法[20]，它將圖像的亮度、對(duì)比度和結(jié)構(gòu)信息結(jié)合起來(lái)，能夠度量濾波前后圖像結(jié)構(gòu)信息的相似性，很好的評(píng)價(jià)濾波圖像結(jié)構(gòu)信息的損失程度，并且能夠與人眼對(duì)結(jié)構(gòu)信息的視覺(jué)感知相一致.因此，引入SSIM來(lái)衡量圖像塊間的相似性.

(6)

其中μi和σi分別表示以像素i為中心的矩形窗Ni像素灰度的均值和標(biāo)準(zhǔn)差，σij是矩形窗Ni和Nj灰度值的協(xié)方差.ε1和ε2分別為防止零除特殊情況下的極小常數(shù).

用高斯歐氏距離權(quán)重函數(shù)ws來(lái)衡量相似性時(shí)，d(i,j)的值越小，表示二者越相似.而SSIM的取值范圍是[-1,1]，當(dāng)SSIM的值越大時(shí)，表明塊間的相似性越好.為了與高斯歐氏距離權(quán)重函數(shù)一致，我們定義如下的結(jié)構(gòu)相似性權(quán)重函數(shù)：

(7)

從式(7)可以得到，其與ws單調(diào)性一致，當(dāng)兩相似塊相同時(shí)，權(quán)值最大.

在對(duì)PolSAR圖像進(jìn)行相干斑抑制時(shí)，在Span圖上計(jì)算SSIM的值.SSIM(i,j)是以像素i和j為中心的兩個(gè)圖像塊通過(guò)式(6)計(jì)算得到的.PolSAR圖像不僅含有豐富的結(jié)構(gòu)信息，還含有很多的極化散射信息，為了更好的保持圖像的結(jié)構(gòu)信息和極化信息，需要將圖像的極化散射信息融入濾波過(guò)程中.

3.2 極化散射信息的提取

為保持濾波后PolSAR圖像的極化特性，每個(gè)像素在相干斑抑制過(guò)程中最好能夠按照所屬散射類分別進(jìn)行濾波.這時(shí)就需要對(duì)PolSAR數(shù)據(jù)進(jìn)行極化分解，但傳統(tǒng)的做法是對(duì)原始的PolSAR數(shù)據(jù)進(jìn)行分解，然而相同的散射目標(biāo)可能會(huì)具有不同的取向，這樣會(huì)導(dǎo)致兩個(gè)取向不同而其它特征相同的散射目標(biāo)會(huì)出現(xiàn)誤分類情況.為減少誤分類概率，提高濾波后圖像的極化散射信息的保持能力，本文在進(jìn)行極化分解之前，對(duì)PolSAR數(shù)據(jù)進(jìn)行去取向處理[21]，

(8)

其中，

(9)

+mod(tan-1(tan2β·|cos(θ2-θ3)|),π)),π/2)

(10)

為獲取PolSAR數(shù)據(jù)的極化散射特性，首先利用Freeman-Durden分解算法[22]將Td的每個(gè)像素分解成三個(gè)基本散射類：面散射、偶次散射和體散射.然后采用復(fù)Wishart分類器對(duì)三個(gè)基本散射類進(jìn)行無(wú)監(jiān)督分類[23]，并得到最終的分類標(biāo)記圖.為減少濾波后極化信息的損失，濾波時(shí)以分類標(biāo)記圖為掩膜，在濾波窗口中，只有與當(dāng)前濾波像素具有相同分類標(biāo)記號(hào)的像素貢獻(xiàn)權(quán)值，即按照像素的散射相似性進(jìn)行濾波，因此極化域內(nèi)的權(quán)重函數(shù)wp可以修正為：

(11)

δ(·)是deta函數(shù)，當(dāng)像素i，j的分類標(biāo)記號(hào)相同時(shí)，δ(·)=1，否則為0.這樣在相干斑抑制過(guò)程中，能夠選擇具有相同散射特性的像素參與濾波，能更好的保持極化信息.在本文中，矩陣間的相似性采用一種基于假設(shè)檢驗(yàn)的Wishart分布矩陣的對(duì)數(shù)似然比來(lái)度量[12]，

d(Ti,Tj)

(12)

其中n表示視數(shù)，q表示通道數(shù).

3.3 混合特征相似性的雙邊濾波算法

相比傳統(tǒng)的雙邊濾波算法，本文將PolSAR圖像的結(jié)構(gòu)相似性和極化散射信息相結(jié)合，在相干斑抑制時(shí)，更好的保持了圖像的結(jié)構(gòu)信息和極化信息.為提高濾波性能，所提方法采用迭代的雙邊濾波策略，

(13)

通過(guò)以上分析，所提算法的詳細(xì)步驟表示為：

步驟1 設(shè)定濾波窗大小Ni，在Span圖上對(duì)鄰域內(nèi)的每個(gè)像素j利用式(6)和式(7)計(jì)算結(jié)構(gòu)相似性權(quán)重值wSSIM(i,j)；利用式(8)對(duì)原始PolSAR數(shù)據(jù)進(jìn)行去取向，再進(jìn)行Freeman-Durden分解并分類，最后以分類標(biāo)記圖為掩膜，在鄰域內(nèi)利用式(11)計(jì)算修正后的極化域權(quán)重值wp,ref(i,j).

步驟2 將步驟1中所得到的權(quán)重值代入式(13)，得到單次迭代的濾波結(jié)果.

步驟3 在上一次迭代濾波結(jié)果的基礎(chǔ)上，計(jì)算新的span圖，并在新的span圖上計(jì)算新的結(jié)構(gòu)相似性權(quán)重值wSSIM，new(i,j)，將wp,ref(i,j)和wSSIM，new(i,j)代入式(13)進(jìn)行下一次濾波.

在步驟3中，仍然使用原始數(shù)據(jù)中獲得的極化域權(quán)重值wp,ref(i,j)，主要是因?yàn)椋合袼氐纳⑸錂C(jī)制是PolSAR數(shù)據(jù)重要的特性，迭代濾波必然會(huì)破壞像素的散射機(jī)制，從而會(huì)影響后續(xù)PolSAR圖像分割與分類的準(zhǔn)確性.為更好的保持像素的散射機(jī)制，并不從每次迭代后的極化數(shù)據(jù)中提取極化散射特性，而是仍使用原始數(shù)據(jù)中提取的極化散射特性.

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)及參數(shù)設(shè)置

為驗(yàn)證算法的有效性，對(duì)濾波結(jié)果進(jìn)行定性和定量分析，并與Refined Lee，迭代雙邊濾波算法(KLBF[10],CBLF[11])和Pretest濾波器進(jìn)行比較.使用兩組機(jī)載SAR數(shù)據(jù)，第一組是AIRSAR獲取的San Franscio Bay的極化數(shù)據(jù)，該測(cè)試數(shù)據(jù)是4視的，空間分辨率為10m×10m，圖像尺寸為300×300.第二組是Convair獲取的Ottawa地區(qū)的極化數(shù)據(jù)，測(cè)試數(shù)據(jù)是10視的，空間分辨率為64cm×10m，圖像尺寸為340×220.

在實(shí)驗(yàn)測(cè)試中，Refined Lee，KLBF和CBLF的濾波窗大小設(shè)定為7×7，Pretest濾波器參數(shù)設(shè)置與文獻(xiàn)[12]中相同.HFSBF濾波窗口設(shè)置大小為9×9，最終分類數(shù)為15類.算法的迭代次數(shù)將影響圖像結(jié)構(gòu)特征的保持能力以及相干斑噪聲的抑制能力.迭代次數(shù)過(guò)少，將導(dǎo)致噪聲抑制不足，而迭代次數(shù)過(guò)多，將增加對(duì)結(jié)構(gòu)特征的破壞.根據(jù)對(duì)多幅測(cè)試圖像的濾波性能分析，KLBF、CBLF和HFSBF算法中迭代次數(shù)t均設(shè)定為3次.

4.2 實(shí)驗(yàn)結(jié)果與討論

圖1顯示了兩組測(cè)試數(shù)據(jù)濾波前后的pauli RGB分解后的偽彩色圖，通過(guò)比較發(fā)現(xiàn)這幾種算法對(duì)相干斑具有一定的抑制能力.Refined Lee和CBLF算法的邊緣較模糊，同時(shí)在一些區(qū)域出現(xiàn)了塊效應(yīng).KLBF算法在細(xì)節(jié)豐富區(qū)域會(huì)出現(xiàn)過(guò)平滑現(xiàn)象.Pretest算法和HFSBF在邊緣，線目標(biāo)的保持上相對(duì)于其他算法都是較好的，但相比某些強(qiáng)點(diǎn)目標(biāo)，比如圖1(f1)中箭頭所指，Pretest算法的強(qiáng)點(diǎn)保持沒(méi)有HFSBF算法好.

為了定量分析濾波結(jié)果，分別計(jì)算出了濾波前后圖像的等效視數(shù)(Equivalent Number of Looks,ENL)[10]，基于比值的邊緣保持指數(shù)(Edge Preservation Degree based on the Ratio of Average,EPD-ROA)[24]以及無(wú)參考空域圖像質(zhì)量評(píng)價(jià)指數(shù)(Blind/Referenceless Image Spatial Quality Evaluator,BRISQUE)[25]，他們分別描述了濾波后圖像的相干斑抑制能力(其值越大越好)、邊緣保持性能(其值越大越好)和圖像的失真度(其值越小越好).

表1和表2計(jì)算出了兩組測(cè)試數(shù)據(jù)在三種不同評(píng)價(jià)指標(biāo)下的值，其中EPD-ROA-H和EPD-ROA-V分別表示在水平方向和垂直方向上的值.對(duì)于第一組測(cè)試數(shù)據(jù)，通過(guò)比較可以發(fā)現(xiàn)三個(gè)指標(biāo)的值都是最好的，第二組數(shù)據(jù)在邊緣保持方面是最好的，濾波后圖像的質(zhì)量?jī)H次于Refined Lee濾波算法，相干斑抑制能力跟Pretest算法相當(dāng).

為了能夠從視覺(jué)上更好的顯示出本文算法的結(jié)構(gòu)保持能力，圖2示出了兩組測(cè)試數(shù)據(jù)濾波前后Span圖的比值圖像.通過(guò)兩組測(cè)試數(shù)據(jù)的比值圖，可以得到，Pretest和本文所提方法的比值圖像是最模糊的，說(shuō)明濾波過(guò)程中損失的圖像結(jié)構(gòu)信息少，這也與表1和表2中的EPD-ROA值相符合.

表1 SanFranscio測(cè)試數(shù)據(jù)EPD-ROA、BRISQUE和ENL值

EPD-ROA-HEPD-ROA-VBRISQUEENLRefinedLee0.93730.957114.136454CBLF0.92880.950430.6329132KLBF0.94570.965113.0171167Pretest0.93870.953622.9666157HFSBF0.95760.973312.5028191

表2 Ottawa測(cè)試數(shù)據(jù)EPD-ROA、BRIQUSE和ENL值

極化散射特性是PolSAR數(shù)據(jù)的重要特性，相干斑抑制過(guò)程中極化散射特性的保持能夠直接影響PolSAR圖像分割、分類的準(zhǔn)確性.極化熵H和平均Alpha角是表征PolSAR數(shù)據(jù)極化散射特性的兩個(gè)重要參數(shù)[12].圖3是兩組測(cè)試數(shù)據(jù)濾波前后的熵值圖，圖3(a1)和圖3(a2)是原始數(shù)據(jù)的熵值圖，由于沒(méi)有進(jìn)行濾波處理，他們的熵值都很低，地物結(jié)構(gòu)不易區(qū)分.濾波處理后，兩組測(cè)試數(shù)據(jù)的熵值增加，不同散射類型的地類結(jié)構(gòu)能夠很好地被區(qū)分開來(lái).當(dāng)熵值圖的某些區(qū)域很亮(熵值增加)時(shí)，表明該區(qū)域空間分辨率損失很大，從另一個(gè)方面也驗(yàn)證了圖像邊緣損失嚴(yán)重.從熵值圖，我們還可以發(fā)現(xiàn)本文所提方法在結(jié)構(gòu)豐富區(qū)域的熵值相比其他方法都較低，說(shuō)明了這些區(qū)域結(jié)構(gòu)信息保持很好.

通過(guò)以上對(duì)濾波后PolSAR圖像的相干斑抑制能力，結(jié)構(gòu)保持能力和極化散射特性的保持能力分析，可以得到：相比實(shí)驗(yàn)對(duì)比的PolSAR圖像的相干斑濾波器，本文所提算法不但具有較好的相干斑抑制能力，而且在結(jié)構(gòu)信息的保持和極化信息的保持能力上也具有一定的優(yōu)勢(shì).

4.3 算法運(yùn)算時(shí)間

對(duì)HFSBF、Refined Lee、KLBF、CBLF和Pretest五種算法的實(shí)際運(yùn)算時(shí)間進(jìn)行實(shí)驗(yàn)比較與分析.各算法的參數(shù)采用其缺省設(shè)置，其中HFSBF、KLBF、CBLF經(jīng)過(guò)了3次迭代濾波，而Refined Lee和Pretest只有1次濾波.各算法對(duì)San Francisco Bay(尺寸為300×300)和Ottawa(尺寸為340×220)兩幅SAR圖像的運(yùn)算時(shí)間如表3.從表3的結(jié)果看出，HFSBF算法運(yùn)行時(shí)間最長(zhǎng)，其中極化分類在San Francisco Bay和Ottawa上分別耗時(shí)12s和11s.五種算法均在C++軟件上運(yùn)行，進(jìn)行實(shí)驗(yàn)的計(jì)算機(jī)配置是3.06GHz Pentium(R)Dual-Core CPU，1.96GB內(nèi)存.

表3 各算法運(yùn)行時(shí)間

本文工作著重研究通過(guò)極化分類來(lái)提高濾波算法對(duì)極化信息與結(jié)構(gòu)信息的保持能力.然而，極化分類過(guò)程的引入也導(dǎo)致了運(yùn)算量的增加.未來(lái)的工作將進(jìn)一步研究通過(guò)簡(jiǎn)化極化分類過(guò)程來(lái)減少算法運(yùn)算量.

5 總結(jié)

針對(duì)PolSAR圖像的結(jié)構(gòu)信息和極化散射信息保持的難點(diǎn)問(wèn)題，本文提出一種采用混合特征相似性的雙邊濾波算法.該算法結(jié)合圖像的結(jié)構(gòu)相似性和極化散射特性，將構(gòu)建的結(jié)構(gòu)相似性權(quán)重函數(shù)和去取向后的地物散射標(biāo)記圖引入迭代雙邊濾波算法過(guò)程中.通過(guò)提高地物散射標(biāo)記圖的分類精度和圖像的結(jié)構(gòu)相似性描述，使得該算法能夠在相干斑抑制同時(shí)，更好的保持了圖像的結(jié)構(gòu)信息和極化散射信息.

[1]Kersten P R,Lee J S,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]Shirvany R,Chabert M,Tourneret T Y.Ship and oil-spill detection using the degree of polarization in linear and Hybrid/Compact Dual-PolSAR[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2012,5(3):885-892.

[3]Lee J S,Ainsworth T L,Wang Y T.On polarimetric SAR speckle filtering[A].IEEE International Geoscience and Remote Sensing Symposium[C].Munich,German,2012.111-114.

[4]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.

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

[6]Lee J S,Grunes M R,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.

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

[8]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.

[9]楊學(xué)志，葉銘，吳克偉，郎文輝，鄭鑫，李國(guó)強(qiáng).結(jié)構(gòu)保持的雙邊濾波極化SAR圖像降噪[J].電子與信息學(xué)報(bào)，2015,37(2):268-275.

Yang Xue-Zhi,Ye Ming,Wu Ke-Wei,Lang Wen-Hui,Zheng Xin,Li Guo-Qiang.Speckle Reduction for PolSAR Image Based on Structure Preserving Bilateral Filtering[J].Journal of Electronics & Information Technology,2015,37(2):268-275.(in Chinese)

[10]D’Hondt O,Guillaso S,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.

[11]Alonso-González A,López-Martínez C,Salembier P,et al.Bilateral Distance based filtering for Polarimetric SAR data[J].IEEE Transactions on Geoscience and Remote Sensing,2013,5(11):5620-5641.

[12]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.

[13]Liu G C,Zhong H.Nonlocal means filter for polarimetric SAR data despeckling based on discriminative similarity measure[J].IEEE Geoscience and Remote Sensing Letters,2014,11(2):514-518.

[14]Zhong H,Zhang J J,Liu G C.Robust Polarimetric SAR despeckling based on nonlocal means and distributed Lee filter[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(7):4198-4210.

[15]楊學(xué)志，左美霞，郎文輝，張晰，孟俊敏.采用散射特征相似性的極化SAR圖像相干斑抑制[J].遙感學(xué)報(bào)，2012,16(1):110-114.

Yang X,Zuo M,Lang W,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.(in Chinese)

[16]趙忠民，趙擁軍，牛朝陽(yáng).改進(jìn)的基于非局部均值的極化SAR相干斑抑制[J].中國(guó)圖象圖形學(xué)報(bào)，2013,18(8):1038-1044.

Zhao Z,Zhao Y.Improved polarimetric SAR speckle filter based on non-local means[J].Journal of Image & Graphics,2013,18(8):1038-1044.(in Chinese)

[17]Torres L,Sant’Anna S J,Freitas C,Frery A C.Speckle reduction in polarimetric SAR imagery with stochastic distances and nonlocal means[J].Pattern Recognition,2013,47(1):141-157.

[18]Lee J S,Ainsworth T L,Wang Y T,Chen K S.Polarimetric SAR speckle filtering and the extended sigma filter[J].IEEE Transactions on Geoscience and Remote Sensing,2015,53(3):1150-1160.

[19]Li T G,Wang C L,Huang P P,et al.SAR image despeckling using a space-domain filter with alterable window[J].IEEE Geoscience and Remote Sensing Letters,2013,10(2):263-267.

[20]Wang Z,Bovik A C,Sheikh H R,et al.Image quality assessment:from error visibility to structural similarity[J].IEEE Transactions on Image Processing,2004,13(4):600-612.

[21]Xu F,Jin Y Q.Deorientation theory of polarmetric scattering targets and application to terrain surface classification[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(10):2351-2364.

[22]Freeman A,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.

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

[24]Feng H X,Hou B,Gong M G.SAR image despeckling based on local homogenous-region segmentation by using pixel-relativity measurement[J].IEEE Transactions on Geoscience and Remote Sensing,2011,49(7):2724-2737.

[25]Mittal A,Moorthy A,Bovik A.No-reference image quality assessment in the spatial domain[J].IEEE Transactions on Image Processing,2012,21(12):4695-4708.

楊學(xué)志(通信作者) 男，1970年9月出生，安徽合肥人.教授、博士生導(dǎo)師、國(guó)際模式識(shí)別協(xié)會(huì)遙感技術(shù)分會(huì)會(huì)員.2003年畢業(yè)于香港大學(xué)電機(jī)與電子工程系，獲博士學(xué)位，2006年至2007年于加拿大滑鐵盧大學(xué)系統(tǒng)設(shè)計(jì)工程系從事SAR海冰圖像解譯的博士后研究.現(xiàn)為合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院副院長(zhǎng)，主要從事數(shù)字圖像處理、模式識(shí)別、計(jì)算機(jī)視覺(jué)、合成孔徑雷達(dá)遙感圖像處理等方面的研究工作.

E-mail:xzyang@hfut.edu.cn

葉 銘 男，1989年10月出生，安徽安慶人.2015年畢業(yè)于合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院，獲碩士學(xué)位.研究方向?yàn)閳D像處理、合成孔徑雷達(dá)圖像解譯.

E-mail:yemhfut@163.com

Speckle Reduction for PolSAR Images Using Hybrid Features Similarity

YANG Xue-zhi1,2,YE ming1,ZHOU Fang1,LANG Wen-hui1,ZHENG Xin2,LI Guo-qiang2

(1.SchoolofComputerandInformation,HefeiUniversityofTechnology,Hefei,Anhui230009,China; 2.ScienceandTechnologyonElectro-OpticControlLaboratory,Luoyang,Henan471009,China)

The preservation of structural information and polarimetric scattering properties is the major obstacle in despeckling for Polarimetric Synthetic Aperture Radar(PolSAR)images.Speckle reduction for PolSAR images using hybrid features similarity,to establish a method for extracting structural features by analyzing the structural feature and polarimetric information of PolSAR data,is proposed.The proposed method introduces structural characteristics as well as polarimetric scattering characteristics into the speckle reduction and in order to preserve them efficiently after filtering.The test results of real airborne SAR data show the effectiveness of the algorithm.

polarimetric SAR;speckle reduction;structure similarity;polarimetric scattering characteristics

2015-03-31;

2015-10-11;責(zé)任編輯：馬蘭英

國(guó)家自然科學(xué)基金(No.61371154，No.41076120，No.61271381，No.61102154);光電控制技術(shù)重點(diǎn)實(shí)驗(yàn)室和航空科學(xué)基金聯(lián)合資助項(xiàng)目(No.201301P4007);中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金(No.2012HGCX0001)

TN911.23

A

0372-2112 (2016)11-2583-09

??學(xué)報(bào)URL:http://www.ejournal.org.cn

10.3969/j.issn.0372-2112.2016.11.004