该文通过分析SAR图像的噪声成因以及其斑点噪声模型,结合图像的稀疏表示理论提出一种基于稀疏表示的Shearlet域SAR图像去噪算法。算法从整体上对SAR图像进行去噪:首先对SAR图像进行Shearlet变换,然后利用稀疏表示模型构造出去噪的最优化模型,在此基础上进行迭代去噪,然后重构SAR图像得到去噪后的图像。实验结果表明:该文所提出的算法不仅可以显著去除相干斑噪声,提高去噪图像的峰值信噪比(Peak Signal toNoise Ratio,PSNR),还明显地改善了图像的视觉效果,更好地保留了图像纹理信息。
结合双树复小波的平移不变性、多分辨率性和剪切波变换的灵活可选的多方向性,提出一种新的图像表达方法——复Shearlet变换。针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像的相干噪声特点,建立了复Shearlet系数域的高斯混合模型(Gaussian Mixture Model,GSM),在此基础上应用贝叶斯最小二乘法进行系数估计,最后进行复Shearlet反变换得到去噪以后的SAR图像。仿真结果和分析表明:本文提出的算法相比其他变换域去噪算法,不仅去噪后的图像的峰值信噪比(Peak Signal to Noise Ratio,PSNR)有所提高,而且去噪后的图像更平滑,且与Shearlet域高斯混合模型相比,本文算法速度快了两倍多。
该文结合基于非下采样方向滤波-双树复小波变换(NonSubsampled Direction Filter Bank-Dual-TreeComplex Wavelet Transform,NSDFB-DTCWT)的局部混合滤波算法和Dempster-Shafet(DS)证据理论提出一种基于局部混合滤波的SAR图像边缘检测算法。该算法首先对SAR图像进行局部混合滤波,然后对不同尺度滤波图像使用指数加权均值比(Ratio Of Exponentially Weighted Averages,ROEWA)算子检测边缘的强度,再使用Canny算子检测边缘的方向,从而得到SAR图像各尺度上的边缘,最后使用DS证据理论融合各尺度的边缘形成原始SAR图像的边缘。实验结果表明:该文所提出的算法具有很好的边缘检测效果,检测到的SAR图像的边缘定位准确和完整,且伪边缘较少。
