The invention discloses a denoising method of SAR image, SAR image selected training set and initialize the discrete cosine transform dictionary DCT dictionary, obtain the sparse representation coefficient of current training samples and a set of sparse coefficients of the residuals of the training samples, and the sparse coefficient set from large to small order of K a sparse coefficient corresponding to the dictionary for sparse representation coefficients obtained from training data, using the maximum error of a corresponding reconstruction of training samples of the training samples or the normalized weighted error update dictionary, in addition to the dictionary is greater than a preset limit or correlation coefficient is less than the lower limit of the corresponding sparse preset atom gain adaptive learning dictionary. Avoid relying solely on the dictionary and training sample similarity selection dictionary dictionary sparse coefficient caused by insufficient, and accelerate the calculation speed dictionary sparse coefficient, improve the rationality of adaptive learning dictionary.
【技术实现步骤摘要】
一种SAR图像的去噪方法
本专利技术属于数字图像处理领域,特别涉及基于稀疏表示的SAR图像去噪方法。
技术介绍
合成孔径雷达(SyntheticApertureRadar,SAR)可以穿透性的观察视场,能够自动识别目标,在恶劣的环境下也能获得较高的成像分辨率。在军事侦查、海洋监测、测绘等应用领域具有很高的应用价值。由于SAR系统使用相干的电磁波成像,导致SAR图像中存在大量的相干斑点噪声,严重影响对SAR图像的理解和解译,因此相干斑点噪声的抑制研究对SAR图像的可解译性和后续应用,具有重要的意义。国内外许多专家学者进行了大量有益的探索,其中利用过完备字典稀疏表示方法成为解决问题的一种较为优秀的手段。过完备字典的稀疏表示方法有两个关键性的步骤:构建过完备字典和图像稀疏编码算法。字典有基于小波变换、Gabor变换、Curvelet变换等的固定字典和基于MOD、RL-DLA、KSVD等算法训练得到的学习字典两种形式。常见的稀疏编码方法有匹配追踪、基追踪、框架方法和正交匹配追踪方法。其中MichalAharon提出的KSVD字典学习算法,自适应训练字典,在去除SAR图像斑点噪声时能够取得比固定字典更好的效果。但是现阶段的稀疏表示方法大都存在以下缺点:用过完备字典稀疏表示图像的每一个成分其实质是一个NP难问题,很难得到较为稀疏的字典系数;字典训练时间成本较大,字典原子更新较为困难。因此,为了摆脱上述困难,急需一种自适应稀疏编码的新方法,
技术实现思路
:为了克服上述
技术介绍
的缺陷,本专利技术提供一种SAR图像的去噪方法,提高训练字典时字典原子更新的合理性和训练字典表示图 ...
【技术保护点】
一种SAR图像的去噪方法,其特征在于:步骤1,选取SAR图像训练样本集并初始化离散余弦变换字典DCT字典;步骤2,获取表示当前训练样本的稀疏系数与表示训练样本残差的稀疏系数的集合,并对所述集合中各个稀疏系数由大到小进行排序,对前K个稀疏系数对应的字典原子进行求解,得到表示训练样本的稀疏系数;步骤3,利用重构训练样本的误差最大项对应的训练样本或者是加权误差的归一化更新字典原子;步骤4,去除字典中相关性大于预设上限或者对应稀疏系数小于预设下限的原子得到自适应学习字典。
【技术特征摘要】
1.一种SAR图像的去噪方法,其特征在于:步骤1,选取SAR图像训练样本集并初始化离散余弦变换字典DCT字典;步骤2,获取表示当前训练样本的稀疏系数与表示训练样本残差的稀疏系数的集合,并对所述集合中各个稀疏系数由大到小进行排序,对前K个稀疏系数对应的字典原子进行求解,得到表示训练样本的稀疏系数;步骤3,利用重构训练样本的误差最大项对应的训练样本或者是加权误差的归一化更新字典原子;步骤4,去除字典中相关性大于预设上限或者对应稀疏系数小于预设下限的原子得到自适应学习字典。2.根据权利要求1所述的一种SAR图像的去噪方法,其特征在于,所述步骤1包括:输入所述SAR图像,随机选择所述SAR图像的像元中的80%个所述像元的集合作为训练样本集,并创建所述离散余弦变换字典DCT作为初始化字典。3.根据权利要求1所述的一种SAR图像的去噪方法,其特征在于,所述步骤2具体包括:步骤21,计算训练样本的残差Reidual和初始化字典的相似性,记录相似性较大的前两个字典原子;步骤22,计算上一循环表示训练样本所使用的字典原子与上一步骤获得两个原子组成矩阵的伪逆矩阵,左乘训练样本的残差得到表示残差的稀疏系数;步骤23,计算上一循环表示训练样本所使用的字典原子对应的稀疏系数与表示残差的稀疏系数的和,选取最大的前K个稀疏系数对应的字典原子Cell;步骤24,计算字典原子Cell组成矩阵的伪逆矩阵,左乘训练样本得到表示训练样本的稀疏系数;步骤25,记录所采用的字典原子及其对应的稀疏系数,根据当前选取的字典原子及其对应的稀疏系数更新训练样本的残差;步骤26,判断当前选择的字典原子是否能够稀疏的表示训练样本,若是,则进入步骤27,若否,则回到所述步骤23;步骤2...
【专利技术属性】
技术研发人员:詹云军,代腾达,黄解军,唐聪,
申请(专利权)人:武汉理工大学,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。