基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法专利检索-相干散射物理专利检索查询-专利查询网

基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法

阅读：326发布：2020-05-14

专利汇可以提供基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法专利检索，专利查询，专利分析的服务。并且本发明属于图像处理技术领域，特别是基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法，通过对极化SAR图像数据进行基于散射模型的目标分解得到散射向量；建立散射特征空间；对极化SAR数据利用非局部方法，对搜索窗内的像素点组成相似像素集；利用散射特征向量在相似像素集内对相似点进行筛选；利用最终权重对像素点进行滤波，解决现有极化滤波方法不能很好地将极化SAR图像的结构信息和散射特性两者相结合进行相干斑抑制的问题，可以准确判断像素点间的散射相似性，将非局部均值同散射特性相似性两者相结合，使得极化SAR的相干斑抑制在结构信息和散射特性两方面都得到保持。，下面是基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法专利的具体信息内容。

权利要求

1.基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法，其特征是：包括如下步骤，
步骤一：将一幅极化SAR图像X中的每个像素点i用3X3的矩阵表示，得到该极化SAR图像的相干矩阵T；
步骤二：对相干矩阵T进行Freeman-Durden目标分解并将每个像素点i分解成三种散射类型：表面散射ps，偶次散射pd，体散射pv，每个像素点i的散射特性用一个3×1向量表示，标记为veci＝[psi,pdi,pvi]；
步骤三：利用非局部均值滤波，寻找极化SAR图像数据中每一个像素点i的相似像素点，组成相似像素点集合S0；
步骤四：在步骤三得到的相似像素点集合S0中再利用像素点的散射特性筛选最终相似像素集合S，利用相似像素点集合S对像素点i进行估计；
步骤五：对极化SAR图像数据的每一个像素点i进行步骤三和步骤四，得到整个极化SAR图像数据的最终滤波后的相干矩阵
步骤六：利用Pauli分解方法将滤波后的相干矩阵合成伪彩图。
2.根据权利要求1所述的基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法，其特征是：所述的步骤二，包括如下步骤，
0
201：将相干矩阵T进行去定向处理，得到去定向后的相干矩阵T，
0 0
202：对相干矩阵T 转换成协方差矩阵C，
其中，表示水平发射水平接收极化通道数据，表示水平发射垂直接收极化通道数据，表示垂直发射垂直接收极化通道数据；
0 0
对C 进行散射机制建模，将C 分解为表面散射协方差矩阵偶次散射协方差矩阵
0
体散射协方差矩阵建模后的协方差矩阵C 公式如下：
即有方程
2
其中fS，fD，fV分别对应表面散射分量，二次散射分量，体散射分量对|SVV| 的贡献，RH和RV为水平和垂直反射系数， RTH和RTV分别为垂直树
干表面对水平极化波和垂直极化波的反射系数，RGH和RGV分别为水平地面对水平极化和垂直极化的反射系数，引入传播因子和 γH和γV分别代表电磁波传播过程的各种衰减和相位变化影响；
0
203：根据协方差矩阵C 得到体散射分量系数
2 2 *
从|SHH|、|SVV| 和SHHSVV 中减去fV或fV/3，可以得到：
2 2 2
<|SHH|>＝fS|β|+fD|α|
2
<|SVV|>＝fS+fD 三个方程；
*
＝fSβ+fDα
* *
204：如果的实部Re(SHHSVV)＞0，则表面散射机制占优势，令α＝-1；反之，二次散射占优势，令β＝1；然后，通过解方程解出fS、fD、α和β；
205：根据如下公式计算最终三种散射分量：
2
ps＝fS(1+|β|)
2
pd＝fD(1+|α|)
206：结束目标分解算法，每个像素点i分解成一个3×1散射向量，标记为veci＝[psi,pdi,pvi]。
3.根据权利要求2所述的基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法，其特征是：所述的步骤201，包括如下步骤，
301：估计出每个像素点i的定向角θ；
302：将每个像素点 i 旋转到 0 度定向角，利用公式
0
得到去定向的相干矩阵T。
4.根据权利要求1所述的基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法，其特征是：所述的步骤三，包括如下步骤，
401：以像素i为中心扩展出7×7的局部区域，记为图像块I和15×15的搜索窗Ω，
1 2 N
分别以搜索窗Ω内的每个像素点j,j,...,j 为中心扩展出各自的7×7的局部区域，分
1 2 N
别标记为图像块J,J,...,J，N为搜索窗内的像素点数；
1 2 N
计算图像块I和搜索窗内各图像块J,J,...,J 之间的相似度式子
中表示两个图像块之间的相似性度量，k为图像块内像素点个数，取值49；
1 2 N
计算像素点i和搜索窗内的每个像素点j,j,...,j 之间的相似度
1≤p≤k,1≤n≤N，式子中|Ip|是图像块I的
n
第p个像素点矩阵的行列式值，是图像块J 的第p个像素点矩阵行列式值；
n
402：对步骤401得到的与给定的阈值TNLM作比较，如果则将图像块Jn n
所对应的中心像素点j 存入像素点i的相似像素集S0中，同时计算出像素点j 对于像素点i的权重其中阈值TNLM的定义为： K是一个可调参
数，k为图像块内像素点个数。
5.根据权利要求1所述的基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法，其特征是：所述的步骤四，包括如下步骤，
501：像素点i的散射特性向量标记为veci＝[psi,pdi,pvi]，搜索窗Ω内的每个像
1 2 N
素点j,j,...,j 的散射向量标记为其中
n
1≤n≤N，计算出向量veci的模值为 vecj 的模值为
像素点i和像素点jn，1≤n≤N之间的散射相似性度量为
其中1≤n≤N，t表示转置，||veci||和
分别表示散射特征向量veci和之间的二范数，min指求取最小值的函数；
502：将步骤501得到的两个像素点间的散射相似性RHSP与阈值THHSP比较，如果n n n n
RHSP≥THHSP，则像素点j 对于像素点i的最终权重W ＝w，否则将像素点j 从像素点i的n
像素相似集S0中剔除，即W ＝0，得到像素点i的最终的像素相似集S，其中阈值THHSP定义为：
其中Pi是向量veci的模值；α是一个可调参数，可调范围为0.75～0.95，L是极化SAR数据的视数；
n n
503：利用最终权值W 计算像素点j 对像素点i的滤波结果
1≤n≤N，其中是归一化参数。

说明书全文

基于散射模型和非局部均值相结合的极化SAR相干斑抑制

方法

技术领域

[0001] 本发明属于图像处理技术领域，特别是基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法。

背景技术

[0002] 极化合成孔径雷达(极化SAR)图像的相干斑是由大量散射单元反射波的相干叠加引起的。相干斑使相邻像素间的信号强度发生变化，视觉上表现为颗粒状的噪声。它增加了图像解译和分析的难度，降低了图像分割和特征分类的性能。对于相干斑抑制一般包括以下两个步骤：对于极化SAR图像中的每一个像素点首先要找到它的一组相似点，然后使用这些相似点计算的估计值作为滤波结果。

[0003] 目前，具有代表性的极化SAR相干斑抑制方法有基于极化域极化白化滤波(PWF)和空域的精致Lee滤波等算法，这些算法的参数的计算本质都是将当前点与领域像素点的加权平均作为该点的估计值，一般是基于局部或半局部的计算模型，缺陷是忽略了图像的结构信息，并在去除相干斑的同时也会平滑图像的边缘细节信息，而非局部均值算法的基本原理就是利用图像的相似块作为均值滤波的加权权重，可以很好的保持图像的细节信息。原始的非局部均值算法适用于加性噪声，是使用欧式距离来衡量相似度，但这些是不适用于极化SAR图像的，2011年杨健提出了极化SAR的非局部均值滤波------Pretest方法中很好的应用了极化SAR图像的结构信息，但是缺陷是没有考虑极化SAR数据的散射特性，因此Pretest方法并没有很好地保持极化SAR数据的散射特性。现有的关于极化SAR相干斑抑制的文献和相关资料并没有很好的将结构信息保持和散射特性保持两者结合起来。

发明内容

[0004] 针对以上问题，本发明的目的是提供一种基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法，主要解决现有极化滤波方法不能很好地将极化SAR图像的结构信息和散射特性两者相结合进行相干斑抑制的问题。其实现过程是：对极化SAR图像数据进行基于散射模型的目标分解得到散射向量；建立散射特征空间；对极化SAR数据利用非局部方法，对搜索窗内的像素点组成相似像素集；利用散射特征向量在相似像素集内对相似点进行筛选；利用最终权重对像素点进行滤波。

[0005] 本发明的技术方案是，基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法，包括如下步骤：

[0006] 步骤一：将一幅极化SAR图像X中的每个像素点i用3X3的矩阵表示，得到该极化SAR图像的相干矩阵T；

[0007] 步骤二：对相干矩阵T进行Freeman-Durden目标分解并将每个像素点i分解成三种主要散射类型：表面散射ps，偶次散射pd，体散射pv，每个像素点i的散射特性用一个3×1向量表示，标记为veci＝[psi,pdi,pvi]；

[0008] 步骤三：利用非局部均值滤波，寻找极化SAR图像数据中每一个像素点i的相似像素点，组成相似像素点集合S0；

[0009] 步骤四：在步骤三得到的相似像素点集合S0中再利用像素点的散射特性筛选最终相似像素集合S，利用相似像素点集合S对像素点i进行估计；

[0010] 步骤五：对极化SAR图像数据的每一个像素点i进行步骤三和步骤四，得到整个极化SAR图像数据的最终滤波后的相干矩阵

[0011] 步骤六：利用Pauli分解方法将滤波后的相干矩阵合成伪彩图。

[0012] 上述的步骤二，包括如下步骤，

[0013] 201：将相干矩阵T进行去定向处理，得到去定向后的相干矩阵

[0014]0 0

[0015] 202：对相干矩阵T 转换成协方差矩阵C，

[0016]

[0017] 其中，表示水平发射水平接收极化通道数据，表示水平发射垂直接收极化通道数据，表示垂直发射垂直接收极化通道数据；0 0

[0018] 对C 进行散射机制建模，将C 分解为表面散射协方差矩阵偶次散射协方差矩0
阵体散射协方差矩阵建模后的协方差矩阵C 公式如下：

[0019]

[0020] 即有方程

[0021] 其中fS，fD，fV分别对应表面散射分量，二次散射分量，体散射分量对|SVV|2的贡献， RH和RV为水平和垂直反射系数， RTH和RTV分别为垂直树干表面对水平极化波和垂直极化波的反射系数，RGH和RGV分别为水平地面对水平极化和垂直极化的反射系数，引入传播因子和 γH和γV分别代表电磁波传播过程的各种衰减和相位变化影响；

[0022] 203：根据协方差矩阵C0得到体散射分量系数

[0023] 从|SHH|2、|SVV|2和SHHSVV*中减去fV或fV/3，可以得到：

[0024] <|SHH|2>＝fS|β|2+fD|α|2

[0025] <|SVV|2>＝fS+fD 三个方程；

[0026] ＝fSβ+fDα

[0027] 204：如果的实部Re(SHHSVV*)＞0，则表面散射机制占优势，令α＝-1；反之，二次散射占优势，令β＝1；然后，通过解方程解出fS、fD、α和β；

[0028] 205：根据如下公式计算最终三种散射分量：

[0029] ps＝fS(1+|β|2)

[0030] pd＝fD(1+|α|2)

[0031]

[0032] 206：结束目标分解算法，每个像素点i分解成一个3×1散射向量，标记为veci＝[psi,pdi,pvi]。

[0033] 上述步骤二中的步骤201，包括如下步骤，

[0034] 301：估计出每个像素点i的定向角θ；

[0035] 302：将每个像素点 i 旋转到 0 度定向角，利用公式0
得到去定向的相干矩阵T。

[0036] 上述的步骤三，包括如下步骤，

[0037] 401：以像素i为中心扩展出7×7的局部区域，记为图像块I和15×15的搜索窗1 2 N
Ω，分别以搜索窗Ω内的每个像素点j,j,...,j 为中心扩展出各自的7×7的局部区域，
1 2 N
分别标记为图像块J,J,...,J，N为搜索窗内的像素点数；

[0038] 计算图像块I和搜索窗内各图像块J1,J2,...,JN之间的相似度式子中表示两个图像块之间的相似性度量，k为图像块内像素点个数，取值49；
1 2 N

[0039] 计算像素点i和搜索窗内的每个像素点j,j,...,j 之间的相似度1≤p≤k,1≤n≤N，式子中|Ip|是图像块I的
第p个像素点矩阵的行列式值，是图像块Jn的第p个像素点矩阵行列式值；

[0040] 402：对步骤401得到的与给定的阈值TNLM作比较，如果则将图像n n n块J 所对应的中心像素点j 存入像素点i的相似像素集S0中，同时计算出像素点j 对于像素点i的权重其中阈值TNLM的定义为： K是一个可调
参数，k为图像块内像素点个数。

[0041] 上述的步骤四，包括如下步骤，

[0042] 501：像素点i的散射特性向量标记为veci＝[psi,pdi,pvi]，搜索窗Ω内的每个1 2 N
像素点j,j,...,j 的散射向量标记为其中
1≤n≤N，计算出向量veci 的模值为 vecjn的模值为
n
像素点i和像素点j，1≤n≤N之间的散射相似性度量为
其中1≤n≤N，t表示转置，||veci||和
分别表示散射特征向量veci和之间的二范数，min指求取最小值的函数；

[0043] 502：将步骤501得到的两个像素点间的散射相似性RHSP与阈值THHSP比较，如果n n n nRHSP≥THHSP，则像素点j 对于像素点i的最终权重W ＝w，否则将像素点j 从像素点i的n
像素相似集S0中剔除，即W ＝0，得到像素点i的最终的像素相似集S，其中阈值THHSP定义为：

[0044] 其中Pi是向量veci的模值；α是一个可调参数，可调范围为0.75～0.95，L是极化SAR数据的视数；

[0045] 503：利用最终权值Wn计算像素点jn对像素点i的滤波结果

[0046] 1≤n≤N，其中是归一化参数。

[0047] 相比传统的极化SAR相干斑抑制算法，本发明具备以下优点：

[0048] 1)将像素点的散射特性考虑到滤波中，可以在滤波的同时将极化SAR图像数据的散射特性得到很好保持；

[0049] 2)采用散射向量表示像素点的散射特性，通过比较向量的相似性来判断像素点的散射相似性，可以准确判断像素点间的散射相似性且方法简单；

[0050] 3)将非局部均值同散射特性相似性两者相结合，使得极化SAR的相干斑抑制在结构信息和散射特性两方面都得到保持。附图说明

[0051] 图1是本发明的主流程图。

[0052] 图2是Freeman-Durden目标分解算法流程图。

[0053] 图3是去定向算法流程图。

[0054] 图4是非局部均值算法流程图。

[0055] 图5是利用像素点散射特性进一步筛选像素相似集算法流程图。

[0056] 图6是现有的两组极化SAR原始数据图，其中(a)所示的第一组极化SAR数据为来源于Convair的10视加拿大Ottawa区域，(b)所示的第二组极化SAR数据为来源于AIRSAR的4视SanFransico局部区域。

[0057] 图7是本发明和Pretest滤波算法对第一组极化SAR数据的滤波结果图，其中(a)是原始第一组极化SAR图像，(b)是第一组极化SAR数据的Pretest算法的滤波结果，(c)是第一组极化SAR数据的本发明的滤波结果。

[0058] 图8是本发明和Pretest滤波算法对第二组极化SAR数据的滤波结果图，其中(a)是原始第二组极化SAR图像，(b)是第二组极化SAR图像的Pretest算法的滤波结果，(c)是第二组极化SAR图像的本发明的滤波结果。

具体实施方式

[0059] 对于极化合成孔径雷达(极化SAR)图像的相干斑抑制一般包括两个步骤：对于极化SAR图像中的每一个像素点首先要找到它的一组相似点，然后使用这些相似点计算的估计值作为滤波结果。

[0060] 现有的关于极化SAR相干斑抑制的文献和相关资料并没有很好的将结构信息保持和散射特性保持两者结合起来。

[0061] 本发明的这种基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法，将非局部均值同散射特性相似性两者相结合，其关键步骤是将非局部均值滤波算法寻找到像素点的初始像素相似集S0，利用像素的散射特性进一步进行筛选，得到最终既满足结构相似性又同时将散射特性进行保持的像素相似集S，使得滤波结果在结构信息和散射特性都得到保持。

[0062] 具体体现为首先将基于散射机制的目标分解结果保存为三维向量；其次，利用向量间的夹角和欧氏距离的相似性来判断两个像素点的散射相似性，使得计算和比较过程简单化；最终在非局部均值结果的基础上再一步应用散射相似性，这样使滤波结果在结构信息保持和散射特性两方面都得到保持。

[0063] 以下将结合附图对本发明做进一步详细说明，

[0064] 如图1所示，本发明的这种基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法，包括如下步骤，

[0065] 步骤一：将一幅极化SAR图像X中的每个像素点i用3X3的矩阵表示，得到该极化SAR图像的相干矩阵T；

[0066] 步骤二：对相干矩阵T进行Freeman-Durden目标分解并将每个像素点i分解成三种主要散射类型：表面散射ps，偶次散射pd，体散射pv，每个像素点i的散射特性用一个3×1向量表示，标记为veci＝[psi,pdi,pvi]，具体包括如下步骤，如图2所示，[0067] (1)将相干矩阵T进行去定向处理，得到去定向后的相干矩阵

[0068]

[0069] 具体通过如下实现，如图3所示，估计出每个像素点i的定向角θ；将每个像素点i旋转到0度定向角，利用公式得到去定0
向的相干矩阵T。

[0070] (2)对相干矩阵T0转换成协方差矩阵C0，

[0071]

[0072] 其中，表示水平发射水平接收极化通道数据，表示水平发射垂直接收极化通道数据，表示垂直发射垂直接收极化通道数据；0 0

[0073] 对C 进行散射机制建模，将C 分解为表面散射协方差矩阵偶次散射协方差矩阵体散射协方差矩阵建模后的协方差矩阵C0公式如下：

[0074]

[0075] 即有方程

[0076] 其中fS，fD，fV分别对应表面散射分量，二次散射分量，体散射分量对|SVV|2的贡献， RH和RV为水平和垂直反射系数， RTH和RTV分别为垂直树干表面对水平极化波和垂直极化波的反射系数，RGH和RGV分别为水平地面对水平极化和垂直极化的反射系数，引入传播因子和 γH和γV分别代表电磁波传播过程的各种衰减和相位变化影响；

[0077] (3)根据协方差矩阵C0得到体散射分量系数2 2 *

[0078] 从|SHH|、|SVV| 和SHHSVV 中减去fV或fV/3，可以得到：2 2 2

[0079] <|SHH|>＝fS|β|+fD|α|2

[0080] <|SVV|>＝fS+fD 三个方程；*

[0081] ＝fSβ+fDα*

[0082] (4)根据vanZyl的研究知道可以根据实部的正负号判断剩余项中主导*散射机制是二次散射还是表面散射。如果Re(SHHSVV)＞0，则表面散射机制占优势，令α＝-1；反之，二次散射占优势，令β＝1。这样，fS、fD、α和β就可以通过解方程解出来；

[0083] (5)根据如下公式计算最终三种散射分量：2

[0084] ps＝fS(1+|β|)2

[0085] pd＝fD(1+|α|)

[0086]

[0087] (6)结束目标分解算法，每个像素点i分解成一个3×1散射向量，标记为veci＝[psi,pdi,pvi]。

[0088] 步骤三：利用非局部均值滤波，寻找极化SAR图像数据中每一个像素点i的相似像素点，组成相似像素点集合S0，具体包括如下步骤，如图4所示，

[0089] (1)以像素i为中心扩展出7×7的局部区域，记为图像块I和15×15的搜索窗Ω，分别以搜索窗Ω内的每个像素点j1,j2,...,jN为中心扩展出各自的7×7的局部区域，分别标记为图像块J1,J2,...,JN，N为搜索窗内的像素点数；1 2 N

[0090] 计算图像块I和搜索窗内各图像块J,J,...,J 之间的相似度式子中表示两个图像块之间的相似性度量，k为图像块内像素点个数，取值49；
1 2 N

[0091] 计算像素点i和搜索窗内的每个像素点j,j,...,j 之间的相似度1≤p≤k,1≤n≤N，式子中|Ip|是图像块I的
n
第p个像素点矩阵的行列式值，是图像块J 的第p个像素点矩阵行列式值；

[0092] (2)对上述步骤得到的与给定的阈值TNLM作比较，如果则将图像n n n块J 所对应的中心像素点j 存入像素点i的相似像素集S0中，同时计算出像素点j 对于像素点i的权重其中阈值TNLM的定义为： K是一个可
调参数，k为图像块内像素点个数。

[0093] 步骤四：在步骤三得到的相似像素点集合S0中再利用像素点的散射特性筛选最终相似像素集合S，利用相似像素点集合S对像素点i进行估计，具体包括如下步骤，如图5所示，

[0094] (1)像素点i的散射特性向量标记为veci＝[psi,pdi,pvi]，搜索窗Ω内的每个1 2 N
像素点j,j,...,j 的散射向量标记为其中
n
1≤n≤N，计算出向量veci 的模值为 vecj 的模值为
n
像素点i和像素点j，1≤n≤N之间的散射相似性度量为
其中1≤n≤N，t表示转置，||veci||和
分别表示散射特征向量veci和之间的二范数，min指求取最小值的函数；

[0095] (2)将步骤501得到的两个像素点间的散射相似性RHSP与阈值THHSP比较，如果n n n nRHSP≥THHSP，则像素点j 对于像素点i的最终权重W ＝w，否则将像素点j 从像素点i的n
像素相似集S0中剔除，即W ＝0，得到像素点i的最终的像素相似集S，其中阈值THHSP定义为：

[0096] 其中Pi是向量veci的模值；α是一个可调参数，可调范围为0.75～0.95，L是极化SAR数据的视数；

[0097] (3)利用最终权值Wn计算像素点jn对像素点i的滤波结果

[0098] 1≤n≤N，其中是归一化参数。

[0099] 步骤五：对极化SAR图像数据的每一个像素点i进行步骤三和步骤四，得到整个极化SAR图像数据的最终滤波后的相干矩阵

[0100] 步骤六：利用Pauli分解方法将滤波后的相干矩阵合成伪彩图。

[0101] 本发明没有详细叙述的部分属本行业的公知的常用手段，这里不一一叙述。

[0102] 本发明的效果可以通过以下仿真实验进一步说明：

[0103] 1实验条件：

[0104] 在CPU为core2 1.86GHZ、内存2G、WINDOWS7系统上使用MATLAB2008进行仿真。

[0105] 2实验内容：

[0106] 本发明分别对两组极化SAR数据做了测试实验。两组极化SAR数据如图6所示，两组极化SAR数据分别来源于Convair的10视加拿大Ottawa区域和来源于AIRSAR的4视SanFransico区域，其中图6(a)所示的第一组极化SAR数据为来源于Convair的10视加拿大Ottawa区域，图6(b)所示的第二组极化SAR数据为来源于AIRSAR的4视SanFransico局部区域。

[0107] 采用本发明的这种基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法和Pretest方法同时对图6进行处理，实验结果用视觉效果来衡量滤波结果的好坏。

[0108] 3实验结果：

[0109] 图7是第一组极化SAR数据的实验比较结果，图7(a)是原始极化SAR图像，图7(b)是Pretest算法的滤波结果，图7(c)是本发明的滤波结果。从图7(b)可见，Pretest算法的结果有明显的过滤波现象，散射特性没有得到保持，本发明滤波结果图7(c)在散射特性上得到很好保持，具体可以见图7(c)黑的虚线圈出的区域1、白色虚线圈出的区域2和白色实线矩形框圈出的区域3，从区域1、区域2和区域3可以看出来本发明在散射特性上得到很好保持。

[0110] 图8是第二组极化SAR数据的实验比较结果，图8(a)是原始极化SAR图像，图8(b)是Pretest算法的滤波结果，图8(c)是本发明的滤波结果。从图8(b)可见，Pretest算法的结果有明显的过滤波现象，散射特性没有得到保持，本发明滤波结果图8(c)在散射特性上得到很好保持，具体可以见图8(c)白实线矩形框圈出的区域3，从区域3可以看出来本发明在散射特性上得到很好保持。

[0111] 综上所述，本发明提供的这种基于散射模型和非局部均值相结合的极化SAR相干斑抑制方法，能很好地将极化SAR图像的结构信息和散射特性两者相结合进行相干斑抑制，将像素点的散射特性考虑到滤波中，可以在滤波的同时将极化SAR图像数据的散射特性得到很好保持；采用散射向量表示像素点的散射特性，通过比较向量的相似性来判断像素点的散射相似性，可以准确判断像素点间的散射相似性且方法简单。

[0112] 以上例举仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

标题	发布/更新时间	阅读量
多通道相干拉曼散射光学装置和成像系统	2020-05-12	95
极化相似度匹配下的极化相干矩阵散射能量分解方法	2020-05-14	125
基于光学相干背散射效应的原子气体浓度检测装置及方法	2020-05-14	606
用于相干散射CT的射束硬化和衰减校正	2020-05-12	152
一种超分辨快速扫描的相干拉曼散射成像方法	2020-05-13	30
低相干增强背散射光谱的系统、方法和设备	2020-05-13	893
一种集受激布里渊散射与光学相干弹性成像于一体的检测装置	2020-05-14	265
一种基于simulink的非相干散射雷达回波模拟方法及系统	2020-05-14	441
基于旋转反射面和散射体的匀场消相干装置	2020-05-13	147
一种基于散射的消相干匀场装置	2020-05-13	487