基于低秩分解和改进的非局部平均的SAR图像相干斑抑制

为抑制合成孔径雷达（SAR）图像成像过程中形成的相干斑噪声,提出了一种基于低秩分解和改进的非局部平均的SAR图像相干斑去噪方法。首先将SAR图像进行对数处理,将乘性噪声转换为加性噪声;然后利用低秩稀疏分解将对数图像分解成低秩图像部分和稀疏图像部分;接着对含噪严重的稀疏图像部分分析其结构张量,生成非局部平均滤波所需的衰减因子,进行改进的非局部平均滤波去噪;最后再做图像合成,经指数变换得到去噪后的SAR图像。实验结果表明,该方法经视觉评价、边缘保持指数（EPI）和等效视数（ENL）等方面评测,具有较好的抑制噪声和保持边缘及纹理细节的能力。      

基于S1/2范数的非局部视频去噪

为了去除视频中的高斯噪声及脉冲噪声,提出了 一种基于S1/2矩阵范数的非局部视频去噪算法。 首先,在视频数据中利用非局部块匹配的钻石搜索算法搜寻与参考图像块最相似的图像块组 ;然后,将搜 寻到的相似图像块组列向量化后组合成的矩阵进行基于S1/2范数的低秩和稀疏分解,分解后 的低秩成分视 为原视频场景信息,稀疏成分视为视频中存在的随机值脉冲噪声及异常值数据;最后,由低 秩矩阵恢复的 各图像块数据经过加权平均后作为参考图像块的去噪估计值,进而求得视频各帧图像的去噪 估计值。实 验结果表明,本文方法能够有效去除视频中的高斯噪声和脉冲噪声,相比同类 算法,去噪后的视频无论 在视觉质量上还是客观评价指标上都有明显的优势。     

应用残差总变分和低秩表示的视频去噪算法

为了有效地去除视频当中的高斯噪声和脉冲噪声,提出了一种新的视频去噪算法。该算法通过相似图像块组内的残差值总变分及低秩表示来同时探索图像块内的局部相似性以及图像块之间的相似性。首先,采用块匹配的方式在含噪视频中寻找最相似图像块并组合成图像块组;其次将每个相似图像组表达为一个低秩矩阵及一个稀疏矩阵之和,并同时强调低秩矩阵内的残差总变分范数最小化;最后,通过求解最优化问题获得最终的低秩矩阵,即恢复出的图像块组数据。实验结果表明,本文的算法能够有效去除视频当中含有的高斯噪声和脉冲噪声。与同类算法相比,能够获得显著的峰值信噪比提升。      

BM3D算法在海洋SAR图像去噪中的应用

相干斑噪声一直是困扰SAR图像处理的重要问题,噪声往往将有用信号完全掩盖。由于海洋图像邻域相似性高,将三维块匹配(BM3D)算法应用于海洋SAR图像相干斑噪声的滤除中,能够得到较好的去噪效果。该算法是基于变换域方法和非局部思想发展而来的,通过相似图像块匹配分组生成三维矩阵,然后在三维变换域去噪,最后逆变换还原图像。通过对BM3D算法的深入研究,发现该算法去噪性能与其参数密切相关。针对海洋SAR图像,通过大量实验,总结BM3D参数选择原则,优化了算法的去噪性能。     

非线性扩散方程在SAR图像噪声抑制中的应用

将光学图像加性噪声抑制的非线性扩散方程引入到SAR图像相干斑抑制中，通过分析SAR图像的相干斑噪声模型在功率图像域以及功率图像的对数域上的表现特性，说明了基于加性噪声模型的非线性扩散方程在SAR图像噪声抑制中的应用可能性，并由此设计了基于非线性扩散方程的SAR图像噪声抑制算法。计算结果表明，与现有的SAR噪声抑制方法相比，非线性扩散方程方法具有更强的对背景区域的噪声抑制能力，且能更好地保持目标特征。     

一种改进的基于小波变换的相干斑去噪方法

对于合成孔径雷达(SAR)图像中含有的相干斑噪声的抑制一直是SAR图像处理的热点和难点。相干斑噪声的存在对SAR图像的后续相关的图像处理,例如图像的分割、图像的特征提取以及目标的分类与识别有很大影响。提出了一种基于平稳小波变换的相干斑去噪方法,通过平稳小波变换对图像进行小波分解,对于子图像的高频区域进行阈值分割和双边滤波,利用平稳小波更好的冗余性和平稳不变性更好地去除了SAR图像的相干斑噪声。实验结果表明,这种改进的去噪方法对SAR图像的相干斑噪声抑制有很好的效果,并且尽可能地保留了图像的边缘和纹理细节。     

基于秩极小化的压缩感知图像恢复算法

本文将压缩感知图像恢复问题作为低秩矩阵恢复问题来进行研究.为了构建这样的低秩矩阵,我们采样非局部相似度模型,将相似图像块作为列向量构建一个二维相似块矩阵.由于列向量间的强相关性,因此该矩阵具有低秩属性.然后以压缩感知测量作为约束条件对这样的二维相似块矩阵进行低秩矩阵恢复求解.在算法求解的过程中,使用增广拉格朗日方法将受限优化问题转换为非受限优化问题,同时为了减少计算复杂度,使用基于泰勒展开的线性化技术来加速算法求解.实验表明该算法的收敛率、图像恢复性能均优于目前主流压缩感知图像恢复算法.     

基于变差系数的SAR图像非局部均值滤波算法

SAR(synthetic aperture radar)图像有固有的乘性相干斑噪声,抑制相干斑噪声和保护边缘信息是研究的重要内容。文章提出了一种变差系数差构建的非局部平均滤波算法DCV-NLM(differenceof coefficient of variation non-local means)。首先,搜索窗口中的变差系数的像素与中心像素在相似窗口中之间的局部差,其次,局部差由两个范数构造的相似性参数,用负指数形式得到每个像素的加权系数,最后是对SAR图像的噪声执行加权滤波。通过提出的算法与IDPAD算法对比,从抑制相干斑图像视觉效果方面对比,DCV-NLM算法比起IDPAD算法有更好的相干斑抑制性能。     

多方向高斯窗匹配模板的SAR-BM3D相干斑抑制算法

针对三维块匹配(BM3D)算法在合成孔径雷达(SAR)图像相干斑抑制时存在的边缘方向信息获取不足和过度平滑的问题,提出一种基于非下采样的Shearlet变换(NSST)和多方向高斯窗匹配模板的SAR-BM3D相干斑抑制算法。通过NSST对图像的边缘纹理特征进行描述,通过多个方向不同的高斯窗来匹配SAR图像在空间域内的几何结构,保留较为完好的SAR图像边缘细节信息,将相似性估计的结果聚合得到相干斑抑制后的SAR图像。通过对比实验证明,本文提出的算法不仅对SAR图像的相干斑抑制效果明显,同时能够有效地保持SAR图像的纹理细节,具有良好的人眼视觉效果。     

基于Shearlet变换的SAR图像自适应去噪算法

针对SAR图像相干斑噪声的特点,提出了一种基于Shearlet变换的自适应去噪算法。首先对图像进行Shearlet变换,在考虑噪声度量和各尺度空间相关性的基础上,对Shearlet系数进行自适应收缩,将修正后的系数通过Shearlet逆变换重构图像。实验结果表明,文中算法在SAR图像处理相干斑得到有效抑制的同时,具有较强的边缘保持能力。     

Denoising by low-rank and sparse representations

Due to the ill-posed nature of image denoising problem, good image priors are of great importance for an effective restoration. Nonlocal self-similarity and sparsity are two popular and widely used image priors which have led to several state-of-the-art methods in natural image denoising. In this paper, we take advantage of these priors and propose a new denoising algorithm based on sparse and low-rank representation of image patches under a nonlocal framework. This framework consists of two complementary steps. In the first step, noise removal from groups of matched image patches is formulated as recovery of low-rank matrices from noisy data. This problem is then efficiently solved under asymptotic matrix reconstruction model based on recent results from random matrix theory which leads to a parameter-free optimal estimator. Nonlocal learned sparse representation is adopted in the second step to suppress artifacts introduced in the previous estimate. Experimental results, demonstrate the superior denoising performance of the proposed algorithm as compared with the state-of-the-art methods.     

Gamma norm minimization based image denoising algorithm

Focusing on the issue of rather poor denoising performance of the traditional kernel norm minimization based method caused by the biased approximation of kernel norm to rank function,based on the low-rank theory,a gamma norm minimization based image denoising algorithm was developed.The noisy image was firstly divided into some overlapping patches via the proposed algorithm,and then several non-local image patches most similar to the current image patch were sought adaptively based on the structural similarity index to form the similar image patch matrix.Subsequently,the non-convex gamma norm could be exploited to obtain unbiased approximation of the matrix rank function such that the low-rank denoising model could be constructed.Finally,the obtained low-rank denoising optimization issue could be tackled on the basis of singular value decomposition,and therefore the denoised image patches could be re-constructed as a denoised image.Simulation results demonstrate that,compared to the existing state-of-the-art PID,NLM,BM3D,NNM,WNNM,DnCNN and FFDNet algorithms,the developed method can eliminate Gaussian noise more considerably and retrieve the original image details rather precisely.     

采用GSM模型进行稀疏表示的SAR图像降斑算法

针对SAR图像降斑过程中会产生过平滑现象及相干斑的滤除不彻底等问题,提出了稀疏结构符合高斯比例混合（Gaussian Scale Mixture,GSM）模型的SAR图像降斑算法。根据贝叶斯原理以及相干斑的统计特性推导该算法的数学模型,在块匹配过程中使用概率而不是欧式距离进行权重衡量,根据图像块之间的结构相似度,可以有效区分同质区与异质区,并得到图像块的较优均值估计。使用PCA字典学习方法对每个图像块进行子字典训练,实现同步稀疏编码（Simultaneous Sparse Coding,SSC）,数学模型的求解利用迭代正则化方法。分别使用合成场景SAR图像及真实场景SAR图像对算法进行验证,实验表明,相比于目前已提出的PPB算法、SAR-BM3D算法及FANS算法,该算法能有效提高等效视数,在滤除相干斑的同时很好地保留了图像的局部结构特性与纹理特征。      

基于AOS非线性扩散的SAR图像去噪研究

针对合成孔径雷达(SAR)图像的斑点噪声,介绍了一种基于非线性各向异性扩散的去噪方法,该方法经过加性算子分离(AOS)方案离散可以保证其扩散迭代过程中滤波结果的绝对稳定,并且利用其在消除噪声的同时锐化边界的特点,将之引入SAR图像的斑点噪声抑制问题当中.通过对一幅SAR图像的滤波处理,以及若干衡量滤波算法效果的评价指标,将其与传统的自适应局域统计滤波方法进行分析比较,并得出相关结论,从而证实了该研究提出的AOS非线性扩散滤波法(AOS ND法)抑制SAR图像相干斑的可行性和有效性.     

SAR speckle reduction using wavelet denoising and Markov random field modeling

The granular appearance of speckle noise in synthetic aperture radar (SAR) imagery makes it very difficult to visually and automatically interpret SAR data. Therefore, speckle reduction is a prerequisite for many SAR image processing tasks. In this paper, we develop a speckle reduction algorithm by fusing the wavelet Bayesian denoising technique with Markov-random-field-based image regularization. Wavelet coefficients are modeled independently and identically by a two-state Gaussian mixture model, while their spatial dependence is characterized by a Markov random field imposed on the hidden state of Gaussian mixtures. The Expectation-Maximization algorithm is used to estimate hyperparameters and specify the mixture model, and the iterated-conditional-modes method is implemented to optimize the state configuration. The noise-free wavelet coefficients are finally estimated by a shrinkage function based on local weighted averaging of the Bayesian estimator. Experimental results show that the proposed method outperforms standard wavelet denoising techniques in terms of the signal-to-noise ratio and the equivalent-number-of-looks measures in most cases. It also achieves better performance than the refined Lee filter.     

SAR图像组合降斑算法

SAR图像存在较强的相干斑点噪声,严重的影响了地物信息的提取与SAR图像的应用效果,作者在研究分析斑点噪声产生机理以及统计特性的基础上,提出了一种组合降斑重构算法,该算法与降斑重构性能优异的模拟退火算法降斑重构性能相当,但极大的减少了计算代价;与许多其它SAR降斑算法相比,组合降斑重构算法具有很好的降斑以及场景结构保持性能,并有较好的实用性.     

基于非下采样Shearlet和方向权值邻域窗的非局部均值SAR图像相干斑抑制

非局部均值算法将传统的图像去噪算法由局部计算模型推广到非局部计算模型,取得了良好的效果.但对于合成孔径雷达图像,使用观测值和各向同性邻域窗来度量相似性,缺乏鲁棒性和方向性,不利于捕获图像边缘结构信息.提出了基于非下采样Shearlet特征描述子和方向权值邻域窗的非局部均值算法.实验表明,该算法不但有效地去除了相干斑,而且很好地保持了图像的几何结构信息,为后期SAR图像的理解与解译奠定了良好的基础.