一种基于稀疏表达的增量式时间序列SAR图像降噪方法

一种基于稀疏表达的增量式时间序列sar图像降噪方法
技术领域
1.本发明属于sar图像降噪技术领域，尤其涉及一种基于稀疏表达的增量式时间序列sar图像降噪方法。


背景技术：

2.合成孔径雷达(synthetic aperture radar,sar)图像在灾害监测、环境监测、海洋监测、资源勘探、农作物估产、测绘和军事等方面得到了广泛应用，越来越受到世界各国的重视。然而，sar属于相干成像系统，其固有的斑点噪声给后续sar图像的分析和解释带来了困难。因此，对sar图像进行降噪处理通常是利用sar图像的必要步骤。
3.sar图像降噪的主要问题是空间分辨率的保持，边缘和纹理的恢复，以及点状目标的保持。经过几十年的发展，sar图像斑点抑制方法不断被提出和改进。相较于传统的滤波方法(lee滤波器、frost滤波器等)，空间滤波器(如sar-bm3d或nl-sar等)不管是在空间分辨率的保持，还是在边缘和纹理的恢复效果上，性能明显更优。其中，稀疏表达作为一种高效的信号处理方法，也被广泛应用于相关领域。在完全发展的相干噪声条件下，sar图像的信号模型可表示为i＝r
×
s,其中，i为雷达的观测值，r为雷达的真实反射系数，s为噪声；对i取对数可以得到sar数据的加性模型z＝log(i)＝log(r)+log(s)＝rz+sz。此时，可以利用稀疏表达对rz和sz进行求解，从而实现对雷达真实反射系数的恢复。
4.随着新一代卫星雷达系统(cosmo-skymed、terrasar-x、alos-2、sentinel系列等)的发射，sar卫星重访时间更短，可以更容易的获取同一地区不同时间段的对地观测数据。如何利用多时相sar图像的空间和时间信息来改善滤波器的性能，是目前时间序列去噪方法所遵循的思路。时间序列去噪方法主要有时空加权法(m-tsf和msar-bm3d)、变化检测感知多时空平均法(2sppb)和使用三维自适应邻域滤波。这类方法的缺点是随着时间序列的延长，计算的时空复杂度会增加。针对这个此问题，有研究人员提出一种基于比率图像的时序图像降噪方法(rabsar)，即根据时序图像计算一个“超图像(xs)”，然后将目标图像与之相比得到比率图像并对这个比率图像进行降噪，最后将降噪后的比率图像和“超图像”相乘得到最终的降噪图像，即：rabasar通过时序算术平均求得超图像，这种方法的优点是速度快且实现简单，缺点则有两点：1)得到的超图像中可能包含大量的斑点信息；2)降噪效果随着时序图像长度的增加而提高的同时，算法效率会大幅度下降，而sar时序图像是一种“增量式”的数据源，即对于某一地区，sar卫星会定期地获取它的遥感数据。
5.综上，本领域的研究人员发现现有技术存在以下问题：一方面，仅对单幅图像降噪容易导致结果图像的空间分辨率损失；另一方面，现有的时序图像降噪方法的效率会随着数据量的增加而快速降低，无法适应增量式的数据源。
6.因此，怎样才能在兼顾处理效率的同时，保证目标图像的降噪效果，成为目前亟待解决的问题。


技术实现要素：

7.针对上述现有技术的不足，本发明提供了一种基于稀疏表达的增量式时间序列sar图像降噪方法，能够在兼顾处理效率的同时，保证目标图像的降噪效果。
8.为了解决上述技术问题，本发明采用了如下的技术方案：
9.一种基于稀疏表达的增量式时间序列sar图像降噪方法，包括以下步骤：
10.步骤1，获取目标地区的sar图像的时间序列数据，所述时间序列数据包括目标图像及预设数量的与目标图像相邻的历史图像；
11.步骤2，根据预设大小的窗口，获取数据时间序列数据中目标图像所在窗口，并记为当前窗口；通过迭代稀疏再求平均的方式计算当前窗口的临时超图像；再按预设的处理方法获取对应的经验图像，并将经验图像与临时超图像进行相似块匹配，得到当前窗口的超图像；
12.步骤3，通过sar图像滤波器对步骤2得到的超图像进行降噪处理，得到低噪声超图像；
13.步骤4，将低噪声超图像与目标图像相除得到对应的比率图像；
14.步骤5，通过sar图像滤波器对比率图像进行降噪，得到低噪声比率图像；
15.步骤6，通过低噪声比率图像和步骤3得到的低噪声超图像，计算降噪后的目标图像。
16.优选地，步骤1中，还对时间序列数据进行预处理，使数据时间序列数据中的所有图像的尺寸均相同。
17.优选地，步骤2中，所述通过迭代稀疏再求平均的方式计算当前窗口的临时超图像包括：
18.先通过稀疏表达fs计算当前窗口内第一张图像z1的低秩矩阵l1，然后将得到的l1累加到当前窗口内第二张图像上得到z
′2，再将z
′2作为fs的输入计算z
′2的低秩矩阵l2，重复上述过程，直至将l
m-1
累加到当前窗口内最后一张图像目标图像zm上得到z
′m，并通过fs计算z
′m的低秩矩阵lm，最后得到当前窗口的临时超图像其中m为窗口的大小。
19.优选的，3≤m≤10。
20.优选地，步骤2中，所述将经验图像与临时超图像进行相似块匹配，得到当前窗口的超图像包括：
21.获取临时超图像的块集合以及经验图像的块集合以及经验图像的块集合其中，n为块集合中的数据量；
22.计算上述两个块集合中对应的块的相似度a＝[α1,α2,
…
,αn]；
[0023]
再求解当前窗口的超图像xs：
[0024]
式中，j为全1矩阵，为临时超图像，为经验图像。
[0025]
优选地，步骤2中，所述经验图像的获取过程包括：判断是否已用本方法对当前窗口中与目标图像相邻的历史图像进行降噪；若否，则从时间序列数据中随机抽样出预设比例的图像进行迭代稀疏再求平均，得到对应的经验图像；若是，则将该与目标图像相邻的历史图像的降噪处理过程中的超图像作为对应的经验图像。
[0026]
优选地，步骤2中，所述预设比例大于等于20％。
[0027]
优选地，步骤6中，计算降噪后的目标图像的计算式为：
[0028]
式中，为降噪后的目标图像，为低噪声比率图像，为低噪声超图像。
[0029]
本发明与现有技术相比，具有如下有益效果：
[0030]
1.与现有技术直接对目标图像进行降噪或rabsar方法不同的是，针对sar时序图像的“增量”特性，本发明使用了“增量学习”思想来处理该问题。增量学习是一种新的学习模式，它指的是一个学习系统能不断地从新样本中“学习”到新的知识，并能保存大部分以前已经“学到”的知识的一种学习模式。在实际的感知数据中，数据量往往是逐渐增加的，因此，在面临新的数据时，采用增量学习方法可以利用已有的知识来加快模型对新数据的学习速度，同时也能更好地优化所得的结果。
[0031]
具体的，本发明通过利用目标图像所在地区的时间序列图像，选取目标图像邻近日期的图像作为窗口；然后计算该窗口的超图像——临时超图像；之后，引入经验图像，通过相似度加权平均的方式计算临时超图像和经验图像的加权平均值，并将此作为目标图像对应的超图像；接着，对超图像进行滤波得到低噪声超图像；然后，计算目标图像和低噪声超图像的比率图像；通过rulog滤波器对比率图像进行滤波得到低噪声比率图像；最后将低噪声比率图像和低噪声超图像相乘即可得到降噪后的目标图像。经过这样处理的目标图像保留了更多的形状结构信息，提高了空间分辨率，且具有操作简单，计算量少的优势。
[0032]
与直接对目标图像进行降噪相比，本发明能够保证降噪的效果；与rabsar方法相比，本方法在保证降噪效果的同时还可以兼顾处理效率。
[0033]
综上，本发明能够在兼顾处理效率的同时，保证目标图像的降噪效果。
[0034]
2.本发明在计算当前窗口的超图像时，先计算窗口内第一张图像的低秩矩阵，接着将该低秩矩阵累加到下一张图像上并将得到的图像作为新的当前图像，由此进行迭代累加计算窗口内所有图像的低秩矩阵，然后将最后一张图像的低秩矩阵的算术平均值作为临时超图像；之后，引入经验图像，通过相似度加权平均的方式计算临时超图像和经验图像的加权平均值，并将此作为目标图像对应的超图像。这样的方式，可以充分利用多时相sar图像的空间和时间信息来改善滤波器的性能。
[0035]
3.在引入经验图像时，本发明会依据本方法是否刚使用，选择对应的经验图像获取方式。如果本方法刚使用，即当前窗口中与目标图像相邻的历史图像未使用本方法进行降噪，则从时间序列数据中随机抽样出预设比例的图像进行迭代稀疏再求平均，得到对应的经验图像；如果不是刚使用，将该与目标图像相邻的历史图像的降噪处理过程中的超图像作为对应的经验图像。通过这样的方式，可以在保证经验图像的有效性的同时，进一步保证方法的整体效率。
[0036]
4.本方法中窗口的大小大于等于3小于等于10，可以兼顾迭代稀疏的效率和效果。
附图说明
[0037]
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
[0038]
图1为实施例中的流程图；
[0039]
图2为实施例中的过程示意图；
[0040]
图3为实施例中的sar图像时间序列数据集示意图；
[0041]
图4为实施例中的各步骤的效果示意图。
具体实施方式
[0042]
下面通过具体实施方式进一步详细的说明：
[0043]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及效果，以下结合附图及较佳实施例，对依据本发明提出的一种基于稀疏表达的增量式时间序列sar图像降噪方法，其具体实施方式、结构、特征及效果，详细说明如下。在下属说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
[0044]
除非另有定义，否则本文所使用的所有技术和术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0045]
实施例：
[0046]
如图1、图2所示，本实施例中公开了一种基于稀疏表达的增量式时间序列sar图像降噪方法。需要说明的是，图2中的参数的下标(如x
t-m
)仅仅为示意，实施例中的具体内容为了便于本领域技术人员具体实施与图2中的部分参数的下标并未完全统一，但其原理及过程完全相同，也不会对本领域技术人员造成理解上的影响。
[0047]
本方法包括以下步骤：
[0048]
步骤s1，获取目标地区的sar图像的时间序列数据，所述时间序列数据包括目标图像及预设数量的与目标图像相邻的历史图像；并对时间序列数据进行预处理，使数据时间序列数据中的所有图像的尺寸均相同。
[0049]
本具体实施时，准备目标图像所在地区的不同日期的图像数据，作为时间序列数据，并进行预处理(数据裁剪、热噪声去除、轨道校正、去除空间相关性等)，然后将所有图像进行坐标对齐，如图3所示。为了方便处理还可以将所有图像保存为一个三维矩阵。本实施例中的数据集，其维度为[500
×
500
×
35]，即35张500
×
500的图像，记第i张图像为xi，则实施例的历史图像可表示为[x1,x2,
…
,x
35
]。目标图像记为x
36
，同样为500
×
500的图像。
[0050]
步骤s2，根据预设大小的窗口，获取数据时间序列数据中目标图像所在窗口，并记为当前窗口；通过迭代稀疏再求平均的方式计算当前窗口的临时超图像；再按预设的处理方法获取对应的经验图像，并将经验图像与临时超图像进行相似块匹配，得到当前窗口的超图像。
[0051]
其中，通过迭代稀疏再求平均的方式计算当前窗口的临时超图像包括：
[0052]
先通过稀疏表达fs计算当前窗口内第一张图像z1的低秩矩阵l1，然后将得到的l1累加到当前窗口内第二张图像上得到z
′2，再将z
′2作为fs的输入计算z
′2的低秩矩阵l2，重复上述过程，直至将l
m-1
累加到当前窗口内最后一张图像目标图像zm上得到z
′m，并通过fs计算z
′m的低秩矩阵lm，最后得到当前窗口的临时超图像其中m为窗口的大小。临时超图像如图4(d)所示。
[0053]
本实施例中，窗口的大小为5，则窗口时序切片为d＝[x
32
,x
33
,
…
,x
36
]。为了方便描
述，记窗口内的第i张图像为zi，则窗口内的图像可以重新编号为d＝[z1,z2,
…
,z5]，其中，目标图像为z5。本实施例中使用robustpca计算各图像的低秩矩阵，在其他实施例中也可以选择其他稀疏表达方法。
[0054]
经验图像的获取过程包括：判断是否已用本方法对当前窗口中与目标图像相邻的历史图像进行降噪；若否，则从时间序列数据中随机抽样出预设比例的图像进行迭代稀疏再求平均，得到对应的经验图像(与临时超图像的求解过程相同)；若是，则将该与目标图像相邻的历史图像的降噪处理过程中的超图像作为对应的经验图像。其中，所述预设比例大于等于20％，本实施例中为25％。
[0055]
将经验图像与临时超图像进行相似块匹配，得到当前窗口的超图像包括：
[0056]
获取临时超图像的块集合以及经验图像的块集合以及经验图像的块集合计算上述两个块集合中对应的块的相似度a＝[α1,α2,
…
,αn]；再求解当前窗口的超图像xs：
[0057]
式中，j为500
×
500的全1矩阵，即它的所有元素皆为1，为临时超图像，为经验图像。
[0058]
具体实施时，取块的尺寸为5
×
5，块集合内的数据量为10000，则临时超图像的块集合为经验图像的块集合为两者对应的块的相似度为a＝[α1,α2,
…
,α
10000
]。为了方便描述，将每对相似块和它们对应的相似度用一个三元组来表示，即此时，当前窗口最终的超图像，如图4(e)所示。
[0059]
步骤s3，通过sar图像滤波器对步骤2得到的超图像进行降噪处理，得到低噪声超图像具体实施时，把s2得到的超图像输入到mulog-bm3d滤波器中，其输出结果即为低噪声超图像参照图4(f)。在其他实施例中，mulog-bm3d滤波器亦可替换为其他滤波器。
[0060]
步骤s4，将低噪声超图像与目标图像相除得到对应的比率图像比率图像r
36
如图4(g)所示。
[0061]
步骤s5，通过sar图像滤波器对比率图像进行降噪，得到低噪声比率图像。本实施例中，通过rulog(ratio extension of mulog)滤波器对比率图像r
36
进行降噪，得到低噪声比率图像参照图4(h)。在其他实施例中，rulog滤波器亦可替换为其他sar图像滤波器。
[0062]
步骤s6，通过低噪声比率图像和步骤3得到的低噪声超图像降噪后的目标图像如图4(b)所示。
[0063]
与现有技术直接对目标图像进行降噪或rabsar方法不同的是，针对sar时序图像的“增量”特性，本发明使用了“增量学习”思想来处理该问题。增量学习是一种新的学习模式，它指的是一个学习系统能不断地从新样本中“学习”到新的知识，并能保存大部分以前已经“学到”的知识的一种学习模式。在实际的感知数据中，数据量往往是逐渐增加的，因此，在面临新的数据时，采用增量学习方法可以利用已有的知识来加快模型对新数据的学习速度，同时也能更好地优化所得的结果。具体的，本发明通过利用目标图像所在地区的时
间序列图像，选取目标图像邻近日期的图像作为窗口；然后计算该窗口的超图像——临时超图像；之后，引入经验图像，通过相似度加权平均的方式计算临时超图像和经验图像的加权平均值，并将此作为目标图像对应的超图像；接着，对超图像进行滤波得到低噪声超图像；然后，计算目标图像和低噪声超图像的比率图像；通过rulog滤波器对比率图像进行滤波得到低噪声比率图像；最后将低噪声比率图像和低噪声超图像相乘即可得到降噪后的目标图像。经过这样处理的目标图像保留了更多的形状结构信息，提高了空间分辨率，且具有操作简单，计算量少的优势。与直接对目标图像进行降噪相比，本发明能够保证降噪的效果；与rabsar方法相比，本方法在保证降噪效果的同时还可以兼顾处理效率。
[0064]
除此，本发明在计算当前窗口的超图像时，先计算窗口内第一张图像的低秩矩阵，接着将该低秩矩阵累加到下一张图像上并将得到的图像作为新的当前图像，由此进行迭代累加计算窗口内所有图像的低秩矩阵，然后将最后一张图像的低秩矩阵的算术平均值作为临时超图像；之后，引入经验图像，通过相似度加权平均的方式计算临时超图像和经验图像的加权平均值，并将此作为目标图像对应的超图像。这样的方式，可以充分利用多时相sar图像的空间和时间信息来改善滤波器的性能。并且，在引入经验图像时，本发明会依据本方法是否刚使用，选择对应的经验图像获取方式。如果本方法刚使用，即当前窗口中与目标图像相邻的历史图像未使用本方法进行降噪，则从时间序列数据中随机抽样出预设比例的图像进行迭代稀疏再求平均，得到对应的经验图像；如果不是刚使用，将该与目标图像相邻的历史图像的降噪处理过程中的超图像作为对应的经验图像。通过这样的方式，可以在保证经验图像的有效性的同时，进一步保证方法的整体效率。
[0065]
最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种基于稀疏表达的增量式时间序列sar图像降噪方法，其特征在于，包括以下步骤：步骤1，获取目标地区的sar图像的时间序列数据，所述时间序列数据包括目标图像及预设数量的与目标图像相邻的历史图像；步骤2，根据预设大小的窗口，获取数据时间序列数据中目标图像所在窗口，并记为当前窗口；通过迭代稀疏再求平均的方式计算当前窗口的临时超图像；再按预设的处理方法获取对应的经验图像，并将经验图像与临时超图像进行相似块匹配，得到当前窗口的超图像；步骤3，通过sar图像滤波器对步骤2得到的超图像进行降噪处理，得到低噪声超图像；步骤4，将低噪声超图像与目标图像相除得到对应的比率图像；步骤5，通过sar图像滤波器对比率图像进行降噪，得到低噪声比率图像；步骤6，通过低噪声比率图像和步骤3得到的低噪声超图像，计算降噪后的目标图像。2.如权利要求1所述的基于稀疏表达的增量式时间序列sar图像降噪方法，其特征在于：步骤1中，还对时间序列数据进行预处理，使数据时间序列数据中的所有图像的尺寸均相同。3.如权利要求1所述的基于稀疏表达的增量式时间序列sar图像降噪方法，其特征在于：步骤2中，所述通过迭代稀疏再求平均的方式计算当前窗口的临时超图像包括：先通过稀疏表达f
s
计算当前窗口内第一张图像z1的低秩矩阵l1，然后将得到的l1累加到当前窗口内第二张图像上得到z
′2，再将z
′2作为f
s
的输入计算z
′2的低秩矩阵l2，重复上述过程，直至将l
m-1
累加到当前窗口内最后一张图像目标图像z
m
上得到z
′
m
，并通过f
s
计算z
′
m
的低秩矩阵l
m
，最后得到当前窗口的临时超图像其中m为窗口的大小。4.如权利要求3所述的基于稀疏表达的增量式时间序列sar图像降噪方法，其特征在于：3≤m≤10。5.如权利要求3所述的基于稀疏表达的增量式时间序列sar图像降噪方法，其特征在于：步骤2中，所述将经验图像与临时超图像进行相似块匹配，得到当前窗口的超图像包括：获取临时超图像的块集合以及经验图像的块集合以及经验图像的块集合其中，n为块集合中的数据量；计算上述两个块集合中对应的块的相似度a＝[α1,α2,
…
,α
n
]；再求解当前窗口的超图像x
s
：式中，j为全1矩阵，为临时超图像，为经验图像。6.如权利要求5所述的基于稀疏表达的增量式时间序列sar图像降噪方法，其特征在于：步骤2中，所述经验图像的获取过程包括：判断是否已用本方法对当前窗口中与目标图像相邻的历史图像进行降噪；若否，则从时间序列数据中随机抽样出预设比例的图像进行迭代稀疏再求平均，得到对应的经验图像；若是，则将该与目标图像相邻的历史图像的降噪处理过程中的超图像作为对应的经验图像。7.如权利要求6所述的基于稀疏表达的增量式时间序列sar图像降噪方法，其特征在于：步骤2中，所述预设比例大于等于20％。
8.如权利要求1所述的基于稀疏表达的增量式时间序列sar图像降噪方法，其特征在于：步骤6中，计算降噪后的目标图像的计算式为：式中，为降噪后的目标图像，为低噪声比率图像，为低噪声超图像。

技术总结
本发明属于SAR图像降噪技术领域，尤其涉及一种基于稀疏表达的增量式时间序列SAR图像降噪方法，通过利用目标图像所在地区的时间序列图像，选取目标图像邻近日期的图像作为窗口；然后计算该窗口的超图像——临时超图像；之后，引入经验图像，通过相似度加权平均的方式计算临时超图像和经验图像的加权平均值，并将此作为目标图像对应的超图像；接着，对超图像进行滤波得到低噪声超图像；然后，计算目标图像和低噪声超图像的比率图像；通过RuLoG滤波器对比率图像进行滤波得到低噪声比率图像；最后将低噪声比率图像和低噪声超图像相乘即可得到降噪后的目标图像。本发明能够在兼顾处理效率的同时，保证目标图像的降噪效果。保证目标图像的降噪效果。保证目标图像的降噪效果。


技术研发人员：杨祥立 梁雅麟 李建明 陈庭 杨建喜
受保护的技术使用者：湖北交通职业技术学院
技术研发日：2023.04.13
技术公布日：2023/10/15