基于区域分割的非局部全变差SAR相干斑滤波

受成像体制影响,合成孔径雷达（Synthetic aperture radar,SAR）图像带有非高斯的乘性相干斑噪声。为有效抑制乘性相干斑噪声,提出一种融合非局部均值滤波（Non-local means filter, NLMF）与全变差（Total variation,TV）正则化的非局部均值-全变差（NLM-TV）降噪算法。首先将相干斑噪声转换为依赖于散射强度的加性噪声,将SAR图像分为边缘、强散射区、弱散射区。然后利用NLMF进行降斑,为有效的保持边缘结构, NLMF的平滑参数选取较小。在强散射区,为解决平滑参数较小所带来的降斑不充分问题,进一步使用TV正则化进行平滑处理,获得最终的降噪结果。使用RADARSAT-2,TerraSAR-X两景实测SAR图像仿真实验,结果表明：相比多种滤波算法, NLM-TV算法在弱散射区,强散射区均能显著提高等效视数,边缘保持指数能够提高10%以上。     

基于双边滤波的船舶图像混合域去噪方法

船舶SAR图像由于高斯噪声、相干斑噪声以及SAR雷达的阴影特性等原因,SAR图像中存在着大量噪声,这些噪声信号会干扰基于SAR图像的海上船舶目标识别与监测。针对这一问题,本文提出一种基于双边滤波算法的船舶SAR图像混合区域去噪算法,阐述双边滤波算法的原理,进行SAR图像噪声的来源建模,在实际船舶SAR图像的处理过程中取得了良好的降噪效果。     

基于块匹配的迭代滤波在SAR舰船图像去噪中的应用

SAR以自身所具备的诸多优势,在舰船中得到越来越广泛的应用。在实际应用中发现,SAR的成像机制使图像中容易出现相干斑噪声,对舰船目标检测与识别造成影响。为最大限度地发挥出SAR图像的作用,需要采取合理可行的方法,对SAR图像进行去噪。块匹配算法在SAR图像去噪中的效果较为显著,而常规的块匹配存在虚假信号引入,未能达到平滑去噪的效果。为解决这一问题,可通过迭代滤波的方法,对块匹配算法进行优化。结果表明,经过迭代滤波优化后的块匹配算法,能够达到SAR图像的去噪要求。     

一类复杂带乘性噪声广义系统研究

研究状态空间模型描述的带乘性噪声广义系统,在加性噪声同时刻相关情形下的最优状态滤波算法以及观测噪声最优估计问题.在假设系统正则的情况下,针对乘性噪声为一般随机矩阵即各观测通道乘性噪声同时刻相关的情况,通过受限等价变换的方法,给出了线性最小方差意义下的系统状态滤波算法和观测噪声最优滤波算法.数字仿真结果表明了算法的有效性.     

基于频域滤波的噪声识别去噪算法

在频域滤波的基础上,对图像的高频部分进行噪声识别,区分边缘与噪声,进而通过改进的空间滤波算法实施去噪,使图像边缘细节部分得到保护,再将处理后的高频图像与其对应的低频图像进行融合,以获得完整的高质量图像.实验结果表明通过新算法处理后的图像可以达到较好的降噪效果.     

基于PCA算法的SAR图像舰船目标长宽特征提取

随着SAR图像成像技术的不断发展,几何特征被广泛应用在目标识别中,长宽特征因其简单直观、效率高、易于提取等优势,常被作为船只类型的初始判定,针对SAR图像舰船目标长宽特征提取问题,提出一种新的方法。首先通过水平集以及形态学方法获得预处理后的目标图像,利用PCA算法获取SAR图像舰船目标的长轴,结合最小二乘椭圆拟合方法获取舰船目标的短轴,最终得到舰船目标的长宽特征。通过实测SAR图像处理结果表明,该方法能够在背景杂波干扰下,抑制相干斑噪声的影响,提高了长宽提取的精度,是一种有效的舰船目标长宽特征提取方法。     

基于Hough变换的舰船尾迹检测研究

提出一种采用小波变换和Hough变换结合的对SAR图像中舰船尾迹检测的算法。该方法首先对SAR图像进行预处理,降低相干斑噪声的影响;然后采用小波变换对SAR图像进行多尺度分解,并利用归一化Hough变换对不同尺度的子图像进行处理,检测图像中的直线,再将多个尺度的直线检测结果结合起来考虑,剔除错误判断,选定准确的舰船尾迹检测直线。最后通过实验对本文算法进行验证,结果表明该方法能够有效检测舰船尾迹。     

船舶噪声视频图像的去噪锐化方法

传统视频图像降噪处理普遍采用小波滤波算法完成降噪计算,虽然像素通道内的噪声被有效去除,但是滤波过程中有效像素的损耗导致图像通道的收敛性降低,不利于后期图像的锐化处理。为了解决此问题,提出船舶噪声视频图像的去噪锐化方法。为了避免去噪过程中对正常像素的损伤,本文提出的方法采用拉氏去噪算子去噪算法,完成噪声像素点的去除计算。通过梯度锐化并行算法在去噪算法的基础上,完成对图像像素的锐化计算。对比实验表明,提出的去噪锐化方法比传统去噪锐化方法,提升图像整体去噪锐化效果好,实用性更强。     

一种基于边缘检测的图像平滑算法

基于图像增强理论,提出一种新的图像平滑算法,先利用边缘检测的方法区分出边缘区域和非边缘区域,然后对非边缘区域进行平滑,而非边缘区域保持不变。通过与整体图像平滑算法的对比可知,该方法在对图像进行平滑的同时能较好的保持图像的边缘和细节。     

基于改进Bregman TV与形态学的NSCT声呐图像融合去噪

传统去噪方法在去除声呐图像斑点噪声的同时,难以拥有很好的细节信息。为此,提出一种基于改进Bregman TV与数学形态学的NSCT声呐图像融合去噪技术。引入图像熵、梯度和边缘强度对Bregman TV的正则参数进行改进,在去噪过程中拥有更多的边缘细节信息。利用新的Bregman TV和数学形态学分别对声呐图像去噪,然后使用NSCT分解为高频和低频,高频拥有大量的边缘信息,低频具有图像细节信息。Bregman TV拥有很好的保边性,数学形态学拥有很好的去噪效果,将2种优势结合,因此采用Bregman TV的高频和数学形态学的低频进行NSCT逆变换,实现图像去噪。实验结果表明,该方法相比于使用基于小波变换和全变分的图像去噪、传统的Bregman TV去噪、数学形态学去噪,更能有效地降低斑点噪声,保留更多的图像细节信息。