【摘要】：合成孔徑雷達(Synthetic Aperture Radar,SAR)具有全天候、全天時、高分辨率和穿透力強等特點,因此,SAR在軍事方面和民用方面都得到了廣泛的應(yīng)用。但是,由于SAR系統(tǒng)是微波相干成像,SAR圖像在獲取的過程中受到了斑點噪聲的影響。斑點噪聲的存在大大降低了SAR圖像的分辨率,影響了后續(xù)的處理與解譯。因此,如何抑制SAR圖像中的斑點噪聲非常重要。通過分析SAR圖像的斑點噪聲模型和統(tǒng)計特性,結(jié)合稀疏表示理論和低秩逼近理論,本文提出了幾種新的SAR圖像降斑算法。本文主要包括以下三個方面:1.提出了一種基于聚類和提升字典學習的SAR圖像降斑算法�？紤]到圖像中具有大量相似結(jié)構(gòu)的圖像塊,利用K均值聚類算法,構(gòu)造相似圖像塊集合。為了充分挖掘圖像塊中包含的紋理細節(jié)信息,本章利用主成分分析法,提取各個相似圖像塊集合的主成分分量,構(gòu)造相應(yīng)的PCA字典。以PCA字典為初始字典,采用提升字典學習算法對相似圖像塊進行稀疏表示與重構(gòu),得到最終的降斑結(jié)果。2.提出了一種基于結(jié)構(gòu)相似度校正聚類的稀疏表示SAR圖像降斑算法。利用方向波變換的多方向性和各向異性,在方向波域?qū)AR圖像進行斑點噪聲估計�？紤]到相似圖像塊不僅僅存在于同一尺度的圖像中,不同尺度的圖像中也包含大量的相似圖像塊,本章通過對SAR圖像進行方向波變換來獲取不同尺度的圖像塊,并采用一種基于結(jié)構(gòu)相似度校正的聚類算法對圖像塊進行類別劃分。最后,利用基于聚類的稀疏表示算法對每類圖像塊進行稀疏表示和重構(gòu),得到最終的降斑結(jié)果。3.提出了基于改進的空間自適應(yīng)迭代奇異值閾值的SAR圖像降斑算法�？紤]到相似圖像塊集合具有低秩性的特點,本章利用奇異值分解對SAR圖像進行低秩逼近重構(gòu),進而達到降斑的目的。在降斑的過程中,為了更好的保留圖像中的紋理信息,以原始圖像的梯度直方圖作為參考,通過約束更新后圖像的梯度直方圖來達到紋理增強的目的。該方法不僅能夠很好的抑制圖像中的斑點噪聲,且可以很好的保留圖像中的點目標和紋理信息。
[Abstract]:Synthetic Aperture Radar (Synthetic Aperture) has been widely used in military and civil fields because it has the characteristics of all-weather, high resolution and strong penetration. However, the SAR system is affected by speckle noise in the acquisition process of microwave coherent imaging. The presence of speckle noise greatly reduces the resolution of SAR images and affects the subsequent processing and interpretation. Therefore, how to suppress speckle noise in SAR images is very important. Based on the analysis of speckle noise model and statistical characteristics of SAR images, combined with sparse representation theory and low rank approximation theory, several new speckle reduction algorithms for SAR images are proposed in this paper. This article mainly includes the following three aspects: 1. A SAR image speckle reduction algorithm based on clustering and lifting dictionary learning is proposed. Considering a large number of similar image blocks in the image, the K-means clustering algorithm is used to construct the set of similar image blocks. In order to fully mine the texture details contained in image blocks, this chapter uses principal component analysis (PCA) to extract the principal components of similar image blocks and construct corresponding PCA dictionaries. Using the PCA dictionary as the initial dictionary, the lifting dictionary learning algorithm is used to sparse represent and reconstruct the similar image blocks, and the final speckle reduction result. 2. A sparse representation SAR image speckle reduction algorithm based on structural similarity correction clustering is proposed. The speckle noise of SAR images is estimated in directional wave domain by using the multi-directivity and anisotropy of directional wave transform. Considering that similar image blocks not only exist in images of the same scale, but also contain a large number of similar image blocks in different scales, this chapter uses directional wave transform to obtain different scales of image blocks. A clustering algorithm based on structural similarity correction is used to classify image blocks. Finally, the sparse representation algorithm based on clustering is used for sparse representation and reconstruction of each image block, and the final speckle reduction result. 3. An improved spatial adaptive iterative singular value threshold algorithm for SAR image speckle reduction is proposed. Considering the low rank characteristic of similar image block set, this chapter uses singular value decomposition to reconstruct SAR image with low rank approximation, so as to achieve the purpose of speckle reduction. In the process of speckle reduction, in order to preserve the texture information of the image better, the gradient histogram of the original image is used as the reference, and the gradient histogram of the updated image is constrained to achieve the purpose of texture enhancement. This method can not only suppress the speckle noise in the image, but also preserve the point target and texture information of the image.
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TN957.52

【相似文獻】

相關(guān)期刊論文 前10條

1 鄭軼;蔡體健;;稀疏表示的人臉識別及其優(yōu)化算法[J];華東交通大學學報;2012年01期

2 段菲;章毓晉;;一種面向稀疏表示的最大間隔字典學習算法[J];清華大學學報(自然科學版);2012年04期

3 李仲生;李仁發(fā);蔡則蘇;趙乘麟;;稀疏表示下的非監(jiān)督顯著對象提取[J];電子學報;2012年06期

4 段菲;章毓晉;;基于多尺度稀疏表示的場景分類[J];計算機應(yīng)用研究;2012年10期

5 胡正平;李靜;白洋;;基于樣本-擴展差分模板的聯(lián)合雙稀疏表示人臉識別[J];信號處理;2012年12期

6 姜芳芳;;稀疏表示理論在提高數(shù)字圖像質(zhì)量中的應(yīng)用[J];科技創(chuàng)新導報;2012年36期

7 馬莉娜;;增強的兩階段測試樣本稀疏表示方法[J];福建電腦;2013年07期

8 尹學忠;樊甫華;;基于字典學習的超寬帶信號稀疏表示與降噪方法[J];計算機應(yīng)用研究;2014年06期

9 張佳宇;彭力;;基于聯(lián)合動態(tài)稀疏表示方法的多圖像人臉識別算法[J];江南大學學報(自然科學版);2014年03期

10 陳才扣;喻以明;史俊;;一種快速的基于稀疏表示分類器[J];南京大學學報(自然科學版);2012年01期

相關(guān)會議論文 前3條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識別研究[A];虛擬運營與云計算——第十八屆全國青年通信學術(shù)年會論文集（上冊）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標識別[A];2013年中國智能自動化學術(shù)會議論文集（第五分冊）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號處理及其研究進展[A];中國聲學學會水聲學分會2013年全國水聲學學術(shù)會議論文集[C];2013年

相關(guān)碩士學位論文 前10條

1 張琨雨;在線字典訓練及加權(quán)差異性稀疏表示的研究[D];大連理工大學;2011年

2 王勇;基于稀疏表示的人臉識別研究[D];五邑大學;2013年

3 李義真;基于詞包與稀疏表示的場景分類[D];華南理工大學;2013年

4 孫麗花;基于稀疏表示的人臉識別方法研究[D];河南科技大學;2013年

5 陳天嬌;基于分組稀疏和權(quán)重稀疏表示的人臉識別研究[D];安徽大學;2014年

6 劉自成;基于稀疏表示的雷達目標角度與距離估計[D];西安電子科技大學;2014年

7 李立;基于稀疏表示的人臉圖像識別方法研究[D];南京理工大學;2012年

8 滿江月;基于稀疏表示的代價敏感性人臉識別算法研究[D];南京郵電大學;2012年

9 趙廣鑾;稀疏表示在圖像識別中的應(yīng)用[D];北京郵電大學;2013年

10 羅燕龍;基于局部稀疏表示模型的在線字典學習跟蹤算法研究[D];廈門大學;2014年

，

本文編號：2156346