基于改进轮廓波变换的SAR图像增强
基于小波变换与改进维纳滤波的SAR图像分割
基于小波变换与改进维纳滤波的SAR图像分割温金玉;宣士斌;肖石林;黄亚武【摘要】图像分割在图像识别与计算机视觉中起着举足轻重的地位.为了提升合成孔径雷达(SAR)图像的分割质量,提出一种基于小波变换与改进维纳滤波相结合的SAR图像分割算法.首先用改进的维纳滤波对含有噪声的SAR图像进行去噪.接着对处理后的图像进行小波多层次分解,在每次重构前都对低频部分进行分割,保留前景并将背景置为0,同时对水平、垂直与对角分量的三个高频分量进行阈值降噪,再逐层重构.最后采用Canny微分算子对重构图实行边沿的检测.实验最终体现,该方法与已有方法相比能更好地索取图像的边沿信息,有更好的抗噪效验.【期刊名称】《广西民族大学学报（自然科学版）》【年(卷),期】2018(024)002【总页数】11页(P69-78,116)【关键词】维纳滤波;小波变换;阈值降噪;边缘检测;SAR图像分割【作者】温金玉;宣士斌;肖石林;黄亚武【作者单位】广西民族大学信息科学与工程学院,广西南宁530006;广西民族大学信息科学与工程学院,广西南宁530006;广西民族大学信息科学与工程学院,广西南宁530006;广西民族大学信息科学与工程学院,广西南宁530006【正文语种】中文【中图分类】TP370 引言合成孔径雷达(SAR)依附航空航天平台获得的近似光学成像的雷达图像，目前遍及于遥感、军事侦察、资源勘测、海洋研究、生态监视等民用范畴.SAR依据遥感与成像原理具有不易受光照条件的约束、不受气象条件的影响、全天候的对地观测、穿透能力强等受欢迎的特征，但SAR图像易受成像机理的影响，本身也将带有斑点噪声.图像分割的优劣直截了当地影响着后续图像的操作，而图像中的噪声直截了当地影响分割效益，为保证SAR图像分割质量，更重要的挑战是去噪.对于含噪图像的分割处理，一般要先对图像进行平滑降噪，目的是为了降低非目标边缘的细节对分割结果的影响，接下来再进行分割.文献[1]在中值滤波基础上提出自适应权值法子对图像去噪，然后对去噪后的图像实行小波分解，分解后对不同子带应用不同的滤波方式(LL子带低通滤波，LH水平方向中值滤波，HL垂直方向中值滤波，HH对角中值滤波)进行有效的滤波，最后小波重构.均值滤波与中值滤波的效果之差不是很明显，文献[2]先通过小波去噪进行图像处理，将处理后的图像通过小波变换得到近似图像，水平、垂直和对角高频部分索取出来，针对含噪图像的特征，对三个方向的高频系数选用不同的滤波模板执行均值滤波变换，最后将近似低频细节和变更后的三个高频部分选用逆小波获得重复去噪后的结果图.该算法也能有效减弱噪声，但是在去噪的过程中也削弱了图像的边沿.维纳滤波是相当好的一种方法，文献[3]对含噪图像进行小波分解，分解后的图像低频系数进行维纳滤波，对每一层高频子带运用贝叶斯准则估计各层的阈值，运用改善之后的阈值函数对子带系数实行缩放、小波重构.可以有效地去除高斯噪声，但该算法在小波系数小于阈值时，阈值函数中的可调参数会跟着噪声强度有小的波动，不具备自适应性.此外，通过计算均匀区域的方差得到的噪声的方差，这样的门槛参数不准确，使得它很难达到理想的去噪效果.Sun等人[4]提出了一种各向异性的点云数据，使用最小化方法去噪，从而恢复尖锐特征而平滑的剩余地区.仍然有一些学者在稀疏噪声点和小噪声点上做研究，然而不可以有效地删除噪声点，并将进一步影响重建的效果.Cheng等人[5]预计隧道点云数据在水平和垂直平面分别删除噪音.这些研究者试图使用投影的方法来处理未闭合的点云数据，但他们的去噪方法基本是通用的，结果不是那么理想.文献[6]利用小波理论的奇异性来检测图像边沿，除去噪声.目标小波的变换的确能对检测出图像的某一方向边沿，但少许细节部分容易被弱化.文献[7]介绍了一种改善了的基于小波变换的图像边缘索取方法，在多尺度小波消噪与系数模部分极值检验的基础上，插入了自适应的阈值要领，能够在不同的边沿信息中选择不同的阈值，对图像中的主要边缘清晰表示出来，但对边缘中的微弱信息不能够完全的体现.近些年也有许多基于最大后验概率[8]的图像去噪方法，Jian 等人[9]提出的一种改进的基于ICA基自举统计估计的SAR图像去噪方法.但是这些方法必须假定先验概率分布，然而，真正的分布是很难符合所有的SAR图像遵循相同的分布.Xiaoyu Li等人[10]提出了一种新的基于局部区域的信号噪声级估计方法.将估量噪声方差作为创新经验模态分解(EMD)信号去噪要领的阈值.该方法通过测量噪声信号与高斯滤波信号之间的相关系数，有效地提取噪声区域的候选区域.基于改良的EMD方式，固有模态函数(IMF)的情况，实行成效显示，该策略比传统的EMD具备更好的性能也能有效地去噪，但是通过计算均匀区域的方差得到的噪声的方差，这样选择的参数不准确，使得它很难达到理想的去噪效果.文献[11]提出了一种基于小波变换的图像边缘检测方法，该方法对图像优化是用形态学的方式.能够有效地提取到图像边缘，但是，对于含噪的情境下，细节边沿不能很好地被发掘到.Mohamad M等人[12]提出一种结合融合技术进行的图像分割，该融合过程首先依赖于小波变换技术，运用技术在不同的参数下运行好几次.融合的图像与小波技术结合，提高了分割的准确性.但好的结果必须要先寻找一个好的融合方法，验证此过程的时间复杂度比较大.文献[13]依据水雷目的在声呐图像中的外形特点，选用Chan-Vese模型的演变思想，推出了超椭圆形限制的多相水平集主动轮廓模型，实验结果拥有较好的判别成效.然而，这类基于椭圆形状模型的方法策花制约了对其他外形的检测效果.M.Awrangjeb等人[14-15]提出利用激光雷达检测光学图像足迹的正确性方法，该算法具有良好的性能，激光点密度减小的情况下，它可以成功地移除所有的植被.然而，当激光雷达密度较低时，过分割和欠分割率也将适度增长.Qingzhong Li等人[16]提出了一种基于离散小波变换的高频地波雷达舰船目标自动检测方法.首先提出了自动确定舰船标的提取的小波变换最优规模的算法；其次，用小波变换在最佳尺度的高频系数采用基于模糊集的方法来提高有效的目标讯息，忽略所有的低频部分执行逆小波变换，只对增强高频系数重构；最后，用自适应阈值进行分割处理.该算法能自适应且灵验地提取繁杂背景下的图像舰船目标，拥有更高的目标检测机能，在最优规模的高频子带采用基于模糊集的方法来提高有用的目标信息和降低不必要的噪声，但对于SAR图像的实验结果表明该降噪的效果不如本文的方法.笔者提出基于小波变换与改进维纳滤波SAR图像分割算法，结合SAR图像自带相干斑噪声的特点，考虑到将含混合噪声的SAR图像进行去噪平滑处理，并能保留边缘等细节信息，从研究图像含有的噪声类型出发，先对图像进行维纳滤波去噪，再结合Coif小波进行平滑处理，实验表明本文基于小波变换与改进维纳滤波去噪方法在小波多层次分解的基础上，减少了图像的边缘失真，对噪声平滑的处理效果较好，与其他算法相比本文提出的算法在去噪方面效果更佳，时间复杂度也相对低，同时也能完好的保留一些重要的细节部分信息.1 相关基础图像分割主要是对图像进行分割，但也包含着对图像的去噪作用，其中降噪算法主要可以分为这么几类：空间域滤波、频域滤波、偏微分方程、变分法等.本文主要综合运用频率域的小波去噪和空间域的维纳滤波来对含噪声的图像进行去噪处理.1.1 维纳滤波维纳滤波是经典的拥有较强去噪本领的空间滤波法，也是使原图和其还原图之间的均方误差最小的还原法，对保存图像的边沿信息和其他高频部分信息颇有用,关于去除高斯噪声效果更明显.图像复原的逆滤波方法在频域上的表述为：G(i,j)=H(i,j)F(i,j)+N(i,j)(1)其中，H表示退化函数，F表示原图像，N表示噪声矩阵，G表示退化后图像，假设F(i,j)的估计值WF(i,j)，则有：WF(i,j)(2)(1)式则为逆滤波的基本原理，要使得WF(i,j)与F(i,j)无限接近，就得将N(i,j)降到最小，才能使复原的效果好.维纳滤波实现的公式为：WF(i,j)(3)其中，H(i,j)2指代退化函数，H*(i,j)是H(i,j)的复共轭，PN(i,j)=|N(i,j)|2代表着噪声的功率谱，PS(i,j)=|F(i,j)|2表示原图像的功率谱，二者的比率即为信噪比.当然，在现实中，该比例是未知的，我们可以设计一些方法来估计PN，又因为PN是无法估计的，所以，常采用引入调节参数k来代替该比率，因此，维纳滤波的公式可变换为：(4)1.2 小波变换的图像降噪小波去噪的基本思想图像经过小波变换，把图像从空间域转到频率域上，频率域中的小波系数通过一定的处理.通常，噪声图像经由小波变换后产生的小波系数包含图像的要紧讯息，而且幅度值比较大，然而数目较小，噪声所对应的小波系数幅度值也小，经过在异同尺度上选出适合的阈值，来对噪声图像进行滤波.最后由逆变换又将图像从频率域转到空间域，可以有效地消除噪声也兼顾了保留细节信息的问题.小波去噪的方法可以分作三种：空域相关去噪、奇异性检测去噪和小波阈值去噪.小波的阈值法去噪是通过设置一个适合的阈值，不大于该值则置为零，反之，则被保留下来，经由阈值函数获取估计系数，再对估量的系数逆变换，抑制了信号中的噪声，完成了重建.2 小波变换与维纳滤波相结合的图像分割2.1 改进的维纳滤波维纳滤波主要使用平稳随机过程当中的相干特征，以及频谱特征对带有噪音的信号实行滤波操作，更有效于处理高斯噪声.考虑到维纳滤波中的退化模型和参数设置受具体待处理图像限制，在提出的改进的维纳滤波方法中，用加权的指数函数作为退化函数，将含噪图像的双精度经快速傅里叶变换后移零频分量到普中心与噪声功率谱相乘，最后再转到空域上来.而标准维纳滤波函数是先将退化函数转化到空域上再移零频分量到谱中心使用维纳滤波函数和逆FFT复原图像.在提出的方法中，先对含噪图像计算中心位置，然后对含噪图像水平与垂直方向坐标均分别求平均值，这样能使得求出的局部均方误差更小，造成滤波器的平滑作用减落，于是，能够避开对事物边沿的平滑处理，防止出现模糊现象.随后对均方误差平方和加权操作也是为了保持误差最小化的作用，从而不忽略一些有用的细节部分，再经过快速傅立叶变换的正逆过程对保留其高频部分信息有用，更好的滤去噪声其具体步骤如下：Step 1:对图像添加噪声，设定类型为0均值，0.01方差的高斯白噪声，并对含噪的SAR图像求大小；Step 2:引入一个常数作为信噪比的调节参数k，并设置其值在0～0.01之间，构造两个与含噪图像大小相同的零矩阵，一个作为退化函数，另一个作为噪声图像的功率谱；Step 3: 求退化函数，先分别对水平与垂直方向求平均值，根据其平均值分别求均方误差，二者之和的u 次方(u表示加权值，大量实验表明设置为(0,1)之间最佳)再乘上引入的调节参数，该结果的相反数作为指数函数的指数部分赋值给退化函数；Step 4: 噪声图像功率谱为退化函数的平方，估计信噪比的值为0.001，计算退化函数除于功率谱与信噪比之和，将结果记作OS；Step 5:将含噪图像的双精度形式经过二维快速傅立叶变换，再移零频分量到谱中心，即,对图像进行1，3象限对调，2与4象限对调，将结果记为Y；Step 6:用result记OS点乘上Y的结果，经逆FFT变换再进行二维逆快速傅立叶变换将其转化到空域上来，即逆波复原.2.2 小波去噪平滑方法小波函数主要对于类似高斯与脉冲混合噪声抑制的效果是比较理想的.本文采用的是Coif小波基函数，其除了具备完好的对称性之外，还具备正交性、双正交性、能够连续小波变换、也能够离散小波变换、另有近似对称等特点.针对二维离散化小波，它在剖析上能够表示成一维的导出，双正交的小波变换可分解成两一维的小波变换，即从x与y方向先后变换来完成.由小波函数与尺度函数可以得到小波基函数，若φ(x)是一维小波函数，ψ(x)是相对应尺度函数，则二维的尺度函数为：φ(x,y)=φ(x)φ(y)(5)那么二维的小波函数：(6)由小波的多分辨率特征可得第i级的尺度平滑函数hi(x,y)同涨落函数fi(x,y)进行组合，将得到第i+1级上尺度的二维平滑函数：(7)对于矩阵N×N大小，(N=2n，n是正整数)，上式中j小等于n，从此关系可以说明，对任意平方可积二维的算式都能够划分为低尺度部分的平滑函数以及在高尺度部分的细节函数，在各个层上各分辨率上由低频和高频三个方向上的分量构成.对维纳滤波处理后的图像执行小波2层分解，从而获取到异同的尺度下一系列小波系数，含噪图像经过小波变换后生成的小波系数蕴含有图像的重要信息，且幅度值相对大、数量比较少，但噪声相对应的小波系数幅度值比较低，经过在异同的尺度上对分解后的每一层分量求其各层的自适应阈值，运用此阈值对高频子带系数进行多次缩放，来对噪声图像进行滤波.当然，对于低频部分也不忽视，每层重构前对低频进行阈值分割，保留前景，同时将背景置为0.小波分解能够将噪声和图像在异同的分辨率中显现异同的规律，因小波分析具备多分辨率分析的特质，所以才能更好地滤除噪声，也能够较好的祛除图像中的多种噪音，有更好的分割成效和去噪作用.2.3 本文所用的理论分析针对SAR图像应用Coif小波变换与维纳滤波相结合进行有效的分割，改进的维纳滤波能保持与原图像更逼真的复原，使得高频信息更佳凸显，细节信息不被模糊化，提升复原的水平与质量，小波的多尺度剖析本领与时频局部化性质，使在提取目标边缘上具较强的抗噪本领，能获得较少的分割区域数，分割精度能有较大的提高，这也是本文的创新点所在.小波分析所具备的多分辨率的特点也能高效的去除多种杂质.再选用Canny算子的边沿检测方法把处理后的图像边沿描绘出来,因Canny算子在边沿索取上具有成效好、受噪声作用小、对噪声具有配合作用等特征.理论上表明了基于小波变换与维纳滤波结合可以保留更多的边缘与高频的信息，去除多种类型混合的噪声，因此，对图像进行处理能有更好的分割效果.本文先通过改进了的维纳滤波算法对SAR图像进行初步处理，接着对其进行小波的分解与重构，得到的分解系数再用自动取阈值的方法取阈值，确定好阈值向量后对小波系数进行处理，最后通过全局阈值和边缘检测的方法对SAR图像进行分割，其在Matlab中进行图像处理的具体实现步骤如下：(1)读取SAR图像信息，并将原SAR图像转换为灰度图像；(2)根据具体情况设置噪声的类型、均值与方差；(3)利用本文2.1所提出的采用改进的维纳滤波方法的6个步骤初步去噪，得到滤波图；(4)对处理后的图像进行小波两层分解，应用公式(7)对其进行小波单层分解，分解出低频系数和高频系数；(5)依据分解的系数矩阵与长度矩阵，分别提取第2层小波分解的近似系数与细节系数的水平、垂直及对角分量，并对提取到的小波分解系数进行小波逆变换来重构，并用Otsu法取阈值T1；同理，获取到小波单层分解重构的阈值T2；(6)利用上一步获取到的阈值T1与T2，通过设置的尺度向量与阈值向量，再分别对高频的三个分量进行阈值化处理，对更新后的结构再重复此阈值化处理操作；(7)同时低频部分进行阈值分割，根据小波分解每层的低频系数用Otsu法取阈值，大于阈值的则为前景保留下来，否则置0；(8)最后，对图像进行二维小波重构，再利用Canny微分算子的方法进行边沿检测.3 实验与总结依上文的理论分析，在分割过程当中利用维纳滤波结合小波原理，经过自适应阈值与Canny技术的嵌入，本文方法更能够减少图像边沿的失真，保存图像更多的细节，使边缘结构更明显，为了更全面的证实，分别对几个文献法子经添加椒盐和高斯噪声执行多次试验比较分析，针对SAR图像的实验成效也充分证实了本文方式的有效性，分别选取了三副SAR图像进行实验，如图1所示.图1 原SAR图像Fig.1 Original SAR image图1(a)中横着的是河流，竖着的则是马路，在河流的两侧有丛林，也有一些房屋，图1(b)可以看出很多房子之类的建筑位置湖泊建立，并大致成U型显示，湖的外围有一些岛礁，如左侧，中央也有一些细小的部分，可想象成船只，图1(c)可以看成是个倒立的V型湖，其包围着一些山脊，中间6个圆圈形的可以想象成是山丘，下面则是山脉.针对上面的SAR图像进行加噪处理，首先加入了高斯白噪声，它的均值设置为0,方差设置为0.01，接下来的所有实验结果中每一种方法(每一行)都对应着图1(每一列)图像的操作，实验结果均采用Canny边缘检测的方法体现，具体情况如图2所示.图2 文献[1]与[2]的实验结果Fig.2 Experimental results of literature 1 and 2图2中，文献[1]是基于中值滤波与小波变换应用在方法，整体看存在一定的分割与去噪作用，但具体看效果不明显，如图2(a)中的河流与道路并不能清晰的找到，看起来很凌乱.图2(b)中在内湖周围的房子本应该有序的显示，但在图中却不明显.图2(c)中湖泊周围的山丘没有成型，可不出哪三湖哪是山丘.文献[2]它是基于小波变换与均值滤波的方法应用，虽对抗噪效果比较好，但是分割的情况同文献[1]没有太大的差别，如此图2(d)还不及文献[1]，图2(e)同2(b)类似，图2(f)受噪声的影响比较大，不能很清晰的找到湖泊与山丘的位置.图3中的第一行所对应的是文献[7]的方法，其是改进的基于小波变换的图像边沿检测的应用，通过在多尺度的小波系数中加入设定自适应阈值，从图像也可看出效果还是有的，比如对噪声的抑制，和对轮廓的描绘，经过细致的观察，可以发现此方法对大致的即主要的边缘进行了检测，但是细节部分被落化了，由于噪声的影响使得整体有种错乱的感觉.第二行则是文献[11]的结果，它是基于小波应用的边沿检测算法，经过一维最大熵原理求出阈值，固定了此阈值，在各个尺度上进行小波分解后通过此阈值进行边缘检测，我们可以看出此方法对噪声的处理效果不明显，但是对边缘的检测比较有效，但对于前景与背景的区分不清晰，很难识别出湖泊与山丘的确切定位.图3 文献[7]与[11]的实验结果Fig.3 Experimental results of literature 7 and 11图4是文献[12]与[16]的实验结果图，文献[12]是基于小波变换和融合技术应用于图像分割的一种方法，在小波变换的前提下，对寻找到的合适的融合方法进行空间域的融合.对于传统图像表明其方法具有较强的抗噪性能，但对于SAR图像效果却不是很明显，还使得分割的结果视乎为零.文献[16]是基于一种离散小波变换的方法，主要是对小波的高频系数处理，忽视低频系数，最后用自适应阈值进行分割，上图可以也可以说明此方法的有效性，降噪的作用也很好，但一些细节部分在去噪的过程中被弱化了，如图4(e)中央湖泊的周围，及右上角湖泊的边缘部分.图4 文献12与16的实验结果Fig.4 Experimental results of literature 12 and 16图5则为本文所采用的基于小波变换与改进的维纳滤波结合方法的应用，从图5中可以很直观地看到该方法对高斯噪声起着有效的抑制作用，边缘检测图可以很明显地体现出细节部分信息，比较完好地保留了图像的边界特征，比较上面几组的实验发现唯独本文方法能清晰的勾画出山丘细节与湖泊轮廓信息，如图5(a)中的横着的河流，竖着的马路一眼都可以看清在哪里.图5(b)中中央湖泊周围的房子可以发现是整齐排列的，左侧湖泊中还有一个岛礁也被检测出来了，当然还有中间房子的细节也能看清.图5(c)类似一个倒立的V型湖，中间有一些山脊，湖泊下边可以清晰地看到有6个山丘以圆圈体现，还能发现它周边的山脉，当然湖泊也有大小与深浅之分，在图像上则以边缘分开.图5 本文的实验结果1Fig.5 The experimental results of this paper 1针对上面(图1)的SAR图像分别加入了椒盐噪声，并设置它的噪声密度为0.02，接下来的一组实验结果中每一种方法(每一行)也都对应着图1(每一列)中图像的操作，具体情况如图6所示.图6 文献[1]与[2]的实验结果Fig.6 Experimental results of literature 1 and 2图6中，文献[1]的去噪相比较加入高斯噪声的去噪效果明显一些，但分割的情况大致不变.虽然图6(a)中的河流与道路根据看原图能找到，但图6(c)的山丘看起来依旧较凌乱.文献[2]类似，图6(d)除了有明显的河流与马路外还保留了一些细节，但图6(f)的情况还不及前者.图7中的两者分别为文献[7]与[11]，整体看会对椒盐噪声没有高斯噪声敏感，但一幅一幅图像分析看就没有想象中的好.图7(a)与7(b)效果还不错，河流、湖泊还有房子都能大致地识别出，但是图7(c)则会令人产生幻觉，山丘也数不清有几个，还是较凌乱.文献[11]可能由于去噪过程中大大带走了部分信息，导致很多细节被落化了，使得没有被很好地分割出来，图7(d)找不到特别的标识，图7(e)中央的湖畔被分成了两个，图7(f)虽可以发觉湖泊与山丘，但是山脉显得很零散.图7 文献[7]与[11]的实验结果Fig.7 Experimental results of literature 7 and11图8的文献相比较之前加入高斯噪声(图4)效果还更差，两种方法类似，第一列的图像中横着的河流被噪声填充了，竖着的马路也被噪声给阻塞了，房屋已分不清还是不是了，图8(b)右上角的那块湖畔被扩大化了，图8(e)中央湖泊也被分割了，右上角的湖畔区域缩小了，受噪声影响使得房屋轮廓变形了，再看第三列，看起来丝毫无层次感，找不到山丘的位置，也分不清湖泊的大致轮廓信息.图8 文献[12]与[16]的实验结果Fig.8 Experimental results of literature 12 and 16。
一种基于小波分析的SAR图像增强去噪方法
一种基于小波分析的SAR图像增强去噪方法
李郁;闫敬文
【期刊名称】《计算机工程与设计》
【年(卷),期】2004(025)002
【摘要】提出了一种基于小波分析的SAR图像增强去噪声方法.该方法首先对被噪声污染的SAR图像进行小波变换,然后在小波域内对该图像进行平滑滤波,最后实现了一个SAR图像增强去噪处理系统.由处理结果可以看出,本方法在对SAR图像直接进行平滑滤波的应用中取得了较好的结果,为进一步图像分割、边缘提取奠定了一个较好的基础.
【总页数】2页(P309-310)
【作者】李郁;闫敬文
【作者单位】厦门大学,电子工程系,福建,厦门,316005;厦门大学,电子工程系,福建,厦门,316005
【正文语种】中文
【中图分类】TN919.8
【相关文献】
1.一种基于人眼视觉特性和静态小波变换的乳腺图像增强和去噪方法 [J], 温学兵
2.一种基于小波分析的SAR图像增强应用 [J], 欧阳沅斌;闫敬文
3.一种基于小波分析的各向异性图象去噪方法 [J], 袁修贵;王琛
4.一种基于小波分析的SAR图像增强应用 [J], 欧阳沅斌;闫敬文
5.一种基于小波分析的改进阈值图像去噪方法 [J], 唐普英;耿浩然;郝豫鲁;李薿
因版权原因，仅展示原文概要，查看原文内容请购买。
基于小波变换SAR图像斑噪声抑制算法的改进
技术应用Technique and application43Robot Technique and Application 201940引言在合成孔径雷达（SAR）中，源自基本分辨单元内地物的随机散射，在图像上表现为信号相关（如在空间上相关）的小斑点，即为相干斑噪声。
相干斑噪声不仅会降低图像的画面质量，还会严重影响图像的自动分割、分类、自动检测以及其他定量专用信息的提取。
对于SAR 图像相干斑噪声的处理，一方面要平滑噪点，另一方面要保持图像边缘和纹理细节信息。
SAR 图像可通过多视处理[3]来减小噪点，但是会降低其分辨率；若采用如均值滤波、中值滤波、Lee 滤波[4]、Frost 滤波[5]、Gamma Map 滤波等方法，虽然可以解决上述问题，但是自身也存在着无法克服的矛盾：要增强去噪效果需要选择较大的窗口，而要保持图像的分辨率则需要选择较小的窗口。
故本文将Canny 边缘检测算法与小波变换相结合，利用Canny 边缘检测算法对图像边缘强度和方向进行计算，再利用小波变换对像素进行过滤，实现了平滑斑噪点，同时保持了原图像边缘的完整性。
1基本算法1.1 Canny 边缘检测算法Canny 边缘检测算子通过高斯函数的一阶微分，可以在噪声抑制与边缘检测之间找到良好的平衡，表达式近似高斯函数的一阶导数。
设G(a,b)为二阶高斯函数，对于图像i(a,b)，可由Canny 算子得到：边缘强度C(a,b)=|▽G*i(a,b)| （1） 边缘方向n(a,b)= （2）基于小波变换SAR 图像斑噪声抑制算法的改进刘子豪 苗新刚 唐伯雁（北京建筑大学北京市建筑安全监测工程技术研究中心，北京，100044）摘 要合成孔径雷达（SAR）成像技术如今应用越来越广泛，对成像分辨率的要求也随之提高。
基于小波变换的SAR 图像斑噪声抑制算法[1]虽然可以很好地减小相干斑噪声对SAR 图像的影响，但在降低斑噪声的同时，往往会将图像的边缘模糊化，降低了SAR 图像的分辨率。
基于最大后验和非局域约束的非下采样轮廓波变换域SAR图像去噪方法
基于最大后验和非局域约束的非下采样轮廓波变换域SAR图像去噪方法岳春宇;江万寿【摘要】An algorithm of SAR image denoising in nonsubsampled contourlet transform（NSCT） domain based on maximum a posteriori （MAP） and non-local（NL） restriction is proposed.Firstly a nonlogarithmic additive model is applied to the SAR image data,and then the statistical distribution of the noise within the nonlogarithmic additive model in the SAR image is modeled in the NSCT domain.MAP and NL restriction are used to get the NSCT coefficients of the realsignal.Experiments show that the algorithm proposed is effective in SAR image denoising,and also possess high performance over many traditional algorithms.%提出一种基于最大后验和非局域约束的非下采样轮廓波变换域SAR 图像去噪方法。
根据SAR图像数据的特征,引入非对数加性模型,并在该模型下对SAR图像NSCT域中的噪声分布统计建模,应用最大后验准则和非局域约束相结合的方法解求SAR图像真实信号的NSCT系数。
试验结果表明,本方法具有良好的去噪能力。
【期刊名称】《测绘学报》【年(卷),期】2012(041)001【总页数】6页(P59-64)【关键词】SAR图像去噪;非对数加性模型;非下采样轮廓波;最大后验;非局域【作者】岳春宇;江万寿【作者单位】武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079;武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079【正文语种】中文【中图分类】TP511 引言合成孔径雷达（synthetic aperture radar，SAR）图像是由接收散射回波信号的相干获得的，因此会产生随机散布的相干斑（speckle），降低了目标探测和解译的能力，增加了图像处理的难度。
基于贝叶斯估计的改进Contourlet变换的SAR图像滤波
中 图分 类 号 ： Ｔ Ｐ ７ ５ 文献标志码 ： Ａ
Ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ Ｄｅ ｎｏ ｉ ｓ ｉ ｎｇ Ｍｅ ｔ ｈ ｏ ｄ ｏ ｆ Ｃｏ ｎｔ ｏ ｕ ｒ ｌ ｅ ｔ ｏ ｆ Ｓ ＡＲ Ｉ ｍａ ｇ ｅ Ｂａ ｓ ｅ ｄ ｏ ｎ Ｂａ ｙ ｅ ｓ ｉ ａ ｎ Ｅｓ ｔ ｉ ｍａ ｔ ｉ ｏ ｎ
Ｄｉ ｎ ｇ Ｃ ａ ｎ ，Ｑｕ Ｃｈ ａ ｎ ｇｗｅ ｎ 。 ，］ Ｆ ａ ｎ ｇ Ｊｉ ａ ｎ
Ｆｉ ｒ ｓ ｔ ｌ ｙ，ｔ ｈｅ ｐｒ ｏ ｐｏ ｓ ｅ ｄ ｍｅ ｔ ｈ ｏｄ ｄｅ ｒ ｉ ｖｅ ｓ ｗａ ｖｅ ｌ ｅ ｔ ｃ ｏｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎｔ ｓ ｏ ｆ ｅ ｎｔ ｒ ｙ ｉ ｍａ ｇｅ ｂｙ ｗａ ｖ ｅ ｌ ｅ ｔ ｔ ｒ ａ ｎｓ ｆ ｏ ｒ ｍ， ｔ ｈ ｅ ｎ ｒ ｅ ｃ ｏｎ ｓ ｔ ｒ ｕ ｃ ｔ ｓ ｔ ｈ ｅ ｉ ｍａ ｇ ｅ ｏ ｎｌ ｙ ｂｙ ｌ ｏ ｗｐ ａ ｓ ｓ ｃ ｏ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｔ ｓ ．Ａｎｄ ａ ｆ ｔ ｅ ｒ ｐｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎｇ，ｉ ｔ ｃ ａ ｎ ｄ ｅ ｒ ｉ ｖ ｅ ａ ｈｉ ｇｈｐ ａ ｓ ｓ ｓ ｕ ｂｂａ ｎｄ，ａ ｆ ｔ ｅ ｒ ｗａ ｒ ｄｓ ｔ ｏ ｐａ ｒ ｔ ｉ ｔ ｉ ｏ ｎ ｔ ｈ ｅ ｈ ｉ ｇｈ ｐａ ｓ ｓ ｓ ｕｂ ｂａ ｎ ｄ ｉ ｎｔ ｏ ｍｕ ｌ ｔ ｉ — ｄ ｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎ ｓ ｕｂ ｂａ ｎ ｄｓ ｂｙ ｄｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎ ｆ ｉ ｌ ｔ ｅ ｒ ｂ ａ ｎｋ ｓ ． Ｆｉ ｎａ ｌ ｌ ｙ，Ｂａ ｙ ｅ ｓ ｉ ａ ｎ ｍａ ｘ ｉ ｍｕ ｍ ａ ｐ ｏ ｓ ｔ ｅ ｒ ｉ ｏ ｒ ｉ ｐｒ ｏ ｂａ ｂ ｉ ｌ ｉ ｔ ｙ（ Ｍ ＡＰ） ｅ ｓ ｔ ｉ ｍａ —
基于改进的深度学习网络的SAR 图像瞬时海岸线自动提取算法
基于改瞬进时的海深岸度线学自习动网提络取的算犛犃法犚 图像
犓犲狔狑狅狉犱狊：ｃｏａｓｔｌｉｎｅｅｘｔｒａｃｔｉｏｎ；ｓｙｎｔｈｅｔｉｃａｐｅｒｔｕｒｅｒａｄａｒ（ＳＡＲ）ｉｍａｇｅｓｈａｄｏｗ ｗａｔｅｒｅｘｔｒａｃｔｉｏｎ；ｄｅｅｐ ｌｅａｒｎｉｎｇ；ｃｏｄｉｎｇａｎｄｄｅｃｏｄｉｎFra bibliotekｎｅｔｗｏｒｋ
收稿日期：２０２０ １２ １６；修回日期：２０２１ ０１ １７；网络优先出版日期：２０２１ ０２ ０３。 网络优先出版地址：ｈｔｔｐ：∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２１０２０３．０９５８．００４．ｈｔｍｌ 基金项目：国家自然科学基金（６１７０２２９５）资助课题 通讯作者． 引用格式：王彬，王国宇．基于改进的深度学习网络的 ＳＡＲ 图像瞬时海岸线自动提取算法［Ｊ］．系统工程与电子技术，２０２１，４３（８）： ２１０８２１１５． 犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋：ＷＡＮＧＢ，ＷＡＮＧＧＹ．ＩｎｓｔａｎｔａｎｅｏｕｓｃｏａｓｔｌｉｎｅａｕｔｏｍａｔｉｃｅｘｔｒａｃｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒＳＡＲｉｍａｇｅｓｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｄｅｅｐ ｌｅａｒｎｉｎｇｎｅｔｗｏｒｋ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２１，４３（８）：２１０８２１１５．
王 彬１，２， ，王国宇１
（１．中国海洋大学信息科学与工程学院，山东 青岛２６６１００； ２．青岛科技大学信息科学技术学院，山东 青岛２６６０６１）
一种基于小波变换的SAR海洋图像数据增强系统
一种基于小波变换的SAR海洋图像数据增强系统
闫敬文;王超;卢刚;郭子祺
【期刊名称】《海洋学报（中文版）》
【年(卷),期】2001(023)005
【摘要】提出了一种基于小波变换的SAR海洋图像数据增强系统,并进行了试验.本系统包括小波变换、Speckle及Pepper-Salt噪声抑制、船等目标提取、内波提取、目标数统计和图像图形显示放大等功能.该图像增强系统可以对含有常见的高斯噪声及Speckle和Pepper-Salt非高斯噪声的污染图像数据进行增强处理,可对SAR等微波成像传感器数据、光学成像传感器数据进行增强处理,具有广泛的应用前景.
【总页数】6页(P130-135)
【作者】闫敬文;王超;卢刚;郭子祺
【作者单位】厦门大学电子工程系,福建,厦门,361005；厦门大学环境科学研究中心,福建,厦门,361005;中国科学院北京遥感应用研究所,北京,100101;厦门大学电子工程系,福建,厦门,361005;中国科学院北京遥感应用研究所,北京,100101
【正文语种】中文
【中图分类】TN919.81
【相关文献】
1.一种基于小波变换的医学图像数据的高效编码方法 [J], 李鑫
2.一种基于小波变换的卫星SAR海洋图像舰船目标检测方法 [J], 罗强;罗莉;任庆
利;何鸿君;杨万海
3.基于二维连续小波变换的SAR图像海洋现象特征检测 [J], 陈捷;陈标;许素芹
4.基于小波变换的SAR图像海洋内波特征提取 [J], 郭薇;王亚波;汤琦璇
5.一种基于小波变换的SAR图像船舰监测新算法 [J], 周兴旺;皮德常
因版权原因，仅展示原文概要，查看原文内容请购买。
基于复轮廓波域高斯比例混合模型SAR图像去噪
Ｓ ＡＲ ｍ ａ ｅ ｄ － ｏ ｓ ｄ ｂ ｓ ｄ ｏ ｏ ｐｌ ｘ ｃ ｎｔ ｕ ｌ ｔｄ ｍ ａ ｎ ｉ ｇ ｅ ｎ ｉｅ ａ ｅ ｎ ｃ ｍ ｅ ｏ ｏ ｒ ｅ ｏ ｉ ｇ ｕ ｓａ ｃ ｌ ｉ ｔ ｒ ｏ ｅ ａ ｓ ｉｎ ｓ ａ ｅ ｍ ｘ ｕ ｅ ｍ ｄ ｌ
第３ ６卷 第 ２期
２１ ０ ２年 ４月
北京交通大学学报
Ｖ０ ． ６ Ｎｏ． １３ ２ Ａｏ ．２ １ ｒ ０２
０Ｆ ＢＥＵＩ ＮＧ 儿 Ａ ０Ｔ０ＮＧ ＵＮＩ Ｖ
文章编号 ：６ ３０ ９ （０ ２ ０ —０ ４０ １ ７ —２ １２ １ ）２０ ２ —５
基 于复 轮廓 波域 高斯 比例 混 合模 型 Ｓ 图像去 噪 ＡＲ
Ａｂ ｔａ ｔ Ｉ ｈ ｓｐ ｐ ｒｗｅａ ａｙ ｅｔ ｅｍｏ ｅ ｏ ｐ ｃ ｌ ｏ ＡＲ ａ ｅａ ｄ ｐ ｏ ｏ ｅａ ｎ ｗ ＡＲ ｇ ｓｒ ｃ ：ｎ ｔ ｉ ａ ｅ ｎ ｌｚ ｈ ｄ ｌ ｆｓ ｅ ｋｅ ｆＳ ｉ ｇ ｎ ｒ ｐ ｓ ｅ Ｓ ｍ ｉ ｍａ ｅ
Ｂ ＳＧ Ｌ － ＭＳ去噪 ， 本文的算法抑制 了人造纹理产生 ， 觉效果得到了明显的改善． 视 关键词 ： 复轮 廓 波 变换 ； 高斯 比例 混合模 型 ； 廓 波（ ｏ ｔｕｌ ） 轮 Ｃ ｎｏｒ ｔ变换 去噪 ； 成孔 径 雷达 图像 去噪 ｅ 合
中 图分 类 号 ： Ｎ９ １ ７ Ｔ １ ．３ 文献标 志码 ： Ａ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于改进轮廓波变换的SAR图像增强王蕊;龙奕【摘要】针对轮廓波变换(contourlet transform)中进行拉普拉斯金字塔分解时,所得的带通图像在奇异性点附近产生振荡,影响图像去噪的效果,提出一种改进的轮廓波变换.通过改进拉普拉斯金字塔分解,可消除轮廓波变换带通图像边缘附近的震荡.提出了基于改进轮廓波变换的SAR图像增强算法.实验结果表明,该算法在有效抑制SAR图像噪声的同时,较好地保持了图像边缘细节.%In the contourlet transform,the image obtained by Laplacian Pyramid decomposition may produce artifacts on singularity of signal, which is harmful to image denoising. Due to the lack, the improved contourlet transform which is composed of the improved Laplacian Pyramid(LP) decomposition is proposed,and the improved Laplacian Pyramid can effectively suppress the artifacts around the edge of the subband image obtained by contourlet transform. At the same time,SAR image enhancement algorithm based on improved contourlet transform is presented. Experiment results show that the algorithm is superior not only in speckle reduction but also in edge preservation.【期刊名称】《计算机工程与应用》【年(卷),期】2011(047)013【总页数】3页(P178-180)【关键词】合成孔径雷达(SAR)图像;轮廓波变换;拉普拉斯金字塔;图像增强【作者】王蕊;龙奕【作者单位】西南交通大学峨眉校区,计算机与通信工程系,四川,峨眉,614202;贵州大学,电气工程学院,贵阳,510003【正文语种】中文【中图分类】TP3911 引言由于成像系统的相干性，SAR图像中不可避免地存在着斑点噪声，斑点噪声将干扰对SAR图像的后续处理。
因此，斑点噪声的抑制和增强技术已成为SAR图像预处理的关键。
在过去的20多年中，提出了许多抑制SAR图像散斑噪声的算法。
这些算法可以分为3大类：多视处理、空域滤波和各种基于子波变换的散斑噪声抑制算法[1-4]。
多视处理是早期采用的方法，它是在成像过程中以牺牲空间分辨率为代价来抑制散斑噪声。
空域滤波法包括Lee滤波、Kuan滤波、Frost滤波、Gamma MAP滤波和数学形态学滤波及它们的增强形式。
空域滤波虽然算法简单，其主要问题是滤波窗口大小和方向的选择，很难在抑制散斑噪声和边缘保持两者之间兼顾。
为克服空域滤波的局限性，SAR图像去噪效果依赖于用少数几个基向量有效地近似信号的能力，也就是取决于图像表达的稀疏性能力以及噪声阈值的准确选取。
而对于二维图像信号，其奇异性主要是由边缘和轮廓产生。
二维张量小波变换由于方向有限（H，V和D）而在表示图像时存在不足，因此需要能够有效捕获图像关键特征的图像稀疏表示方法。
为了更好地处理高维信号的奇异性，一类带有方向性的稀疏表示方法——多尺度几何分析应运而生。
如Candes和Donoho等人相继提出的脊波变换（ridgelettransform）、曲线波变换（curvelet transform）。
脊波是在二维连续空间R2中定义的多方向小波，在离散二维空间中要借助Randon变换及一维小波变换实现，它是表示具有直线边缘图像的最优基。
曲线波是脊波的推广，它结合了分块脊波变换和子带分解算法，具有良好的空域和频域局部性及非线性逼近性能，它是表示具有二阶可微的平滑曲线边缘图像的最优基。
虽然curvelet变换能够很有效地捕捉曲线奇异性，但由于离散化的困难，促使M.N.Do和Martin Vetterli提出一种类似于curvelet变换的方向性多分辨变换，但它却是直接产生于离散域的变换——contourlet transform[5-7]。
contourlet变换是一种真正的二维图像表示方法。
这种方法可以很好地抓住图像的几何结构，并且因利用轮廓线段的构造方式产生了一种灵活可变的多分辨分析、局部和方向性的表示方法而得名。
但轮廓波变换也存在一些不足：由于使用了拉普拉斯金字塔，使得轮廓波分解的细节图像在奇异点附近产生振荡，影响了去噪效果，本文针对轮廓波变换的这种缺陷，对拉普拉斯分解做了改进，构造了一种新的轮廓波变换，并将其应用于图像增强，取得了良好效果。
2 改进的轮廓波变换轮廓波变换由拉普拉斯金字塔[8]LP（Laplacian Pyramid）和方向滤波器组DFB （Directional Filter Bank）两部分组成。
为了消除轮廓波变换带通图像边缘附近的震荡，将原拉普拉斯金子塔中的综合滤波器去掉，构造相应的拉普拉斯金子塔，得到改进的轮廓波变换。
2.1 拉普拉斯金字塔塔式分解拉普拉斯塔式分解把原始图像分解为低通子带和带通子带。
其中低通子带是由原始图像经过二维低通滤波和隔行隔列下抽样产生；低通子带经过上抽样和低通滤波后形成与原始图像尺寸相同的低通分量，原始图像减去这个低通分量形成高通子带。
拉普拉斯金字塔分解结构如图1所示。
图1 拉普拉斯金字塔分解图分析滤波器H和综合滤波器G为归一化滤波器，具有对称性。
设原图像表示为c0，金字塔第一层得到的低通采样图像为c1，第二层用同样的低通滤波器滤波再下采样得到c2，l为当前分解层，l≥1，迭代过程可用公式（1）、公式（2）表示：若进行J层LP分解，则图像空间V分解成为W1，W2，…，WJ，VJ共J+1个子空间。
其中VJ为低频子空间，Wl为各层的高频子空间。
2.2 改进的拉普拉斯金字塔塔式分解在基于轮廓波变换的去噪方法中，人为振荡现象主要表现在信号奇异点的附近。
在奇异点的邻域内，轮廓波变换去噪会表现出Pseudo-Gibbs现象，其重构回来的去噪信号在奇异点附近交替出现较大的上、下峰值，这些峰值并不是原始信号本身包含的，而是在去噪过程中产生的人为的干扰。
这种现象类似于基于Fourier变换去噪所产生的Gibbs现象。
因此为了消除去噪后信号所表现的振荡现象，需要采取适当的方法，消除轮廓波去噪在奇异点位置的特殊性。
基于图像的拉普拉斯金字塔变换的方法是一种很好的多尺度、多分辨率的图像处理方法，可以将图像的重要特征（如边缘等）按照不同的尺度分解到不同的塔型分解层上。
但是，用文献[8]中的拉普拉斯金字塔分解来获得图像在各个尺度下的奇异点，对Lena图分解后得到的带通图像如图2（a）所示。
可以看出，由于滤波器的多过零点，使得分解得到的细节图像在边缘附近产生了振荡。
这对于去噪很不利，为了克服这个现象，对Lena图像进行由改进的LP金字塔分解，可以消除边缘附近的振荡现象。
图2 原LP分解与改进的LP分解得到的子带图像对比图本文改变文献中LP金字塔结构，多尺度迭代分解仍在低通采样图像上进行。
对第l级获得的低通采样图像直接进行上采样，并与第l－1级低通采样图像相加得到第l级的细节图像。
分解结构如图3所示。
图3 改进的拉普拉斯金字塔分解结构图图3中cl－1为l－1级得到的低通采样图像，bl为第l层输出的带通图像，cl为第l级获得的低通采样图像，多尺度分解继续在cl上进行。
由图3的结构框图得到的输出信号表达式如下：这两种分解算法的主要差异在于，改进的拉普拉斯分解算法中去掉了综合滤波器，利用改进的拉普拉斯金字塔对图像进行分解，得到的子带图像如图2（b），可以看到利用改进的拉普拉斯金字塔分解的子带图像消除了边缘附近的振荡现象。
3 基于改进轮廓波变换的SAR图像增强由改进的拉普拉斯金字塔替代原拉普拉斯金字塔和方向滤波器组构成改进的轮廓波变换，由上述分析得基于改进的轮廓波变换不仅具有轮廓波变换的多分辨率特性、局部性和方向性，还可以消除轮廓波去噪在奇异点位置的震荡。
在图像处理中有广泛的应用前景。
SAR图像噪声通常表示为非相关的乘性噪声模型，即g=xη，其中，g表示噪声图像灰度，x表示不含噪声的图像，η表示噪声。
本算法的基本思想是将原始图像进行由改进的拉普拉斯塔式分解和二维方向滤波器组构造的轮廓波分解，采用自适应阈值去噪法将变换域系数中的噪声点和信号点完全区分开来，并对处理后的系数进行放大，随后通过反变换重构图像，从而有效抑制SAR图像噪声，达到图像增强的效果。
增强算法简述如下[9]：（1）对含噪图像g进行对数变换得到g1=x1+η1，其中g1=ln(g)，x1=ln(x)，η1=ln(η)。
（2）对g1进行J层，2J方向的改进的轮廓波变换得到，yi，j=xi，j+ ηi，j。
yi，j，xi，j，ηi，j是 g1，x1，η1的变换域系数。
i，j代表系数的位置。
（3）方差估计：SAR图像噪声仍然近似服从高斯分布，对轮廓波分解的J层系数的方差逐层进行估计，C一般取0.6745，是为加噪图像进行可控金字塔的轮廓波变换第l层系数。
（4）阈值设定：使用确定各高频子带的阈值，其中M（l）为第l层分解系数的数目。
（5）对不同子带、不同方向的分解系数进行硬阈值处理。
（6）对阈值处理后的系数进行放大（即乘以大于1的常数）能增强图像的主要特征。
（7）对处理后的系数进行改进的轮廓波反变换。
（8）将反变换后的系数再进行指数变换后即可得到图像增强后的SAR图像。
4 实验结果实验中采用加零均值白噪声的国际标准图像和机载单视SAR图像，对本文增强算法进行验证，并进行了对比，所用到的平稳小波变换及轮廓波变换进行的总分解层数均为J=3，各层的方向分解数目选定为2l，其中l为分解层数。
表1列出了本文算法、平稳小波变换和轮廓波变换对SAR图像增强处理后的均值m，标准差s，散斑指数β和等效视数ENL（其中β=s/m，ENL=1/β2）。
散斑指数和等效视数是定量评价均匀区域散斑噪声抑制效果的主要参数。
散斑指数越小，即等效视数越大，表示SAR图像去噪声效果越好。
由表1可以看出本文算法得到的散斑指数比轮廓波变换降噪的散斑指数低0.0313，等效视数比轮廓波变换降噪等效视数高0.6954。
表1 实验结果表msβ ENL原始图像85.798844.94810.52393.6433平稳小波84.031841.84830.49794.0338轮廓波83.391738.71530.46424.6407本文方法82.654435.78760.43295.3361图4给出了SAR图像在使用不同方法的增强效果。