英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
基于非下采样变换和memetic算法的自动SAR图像的增强
摘要
这篇论文提出了一种基于基于非下采样变换(NSCT)和memetic算法(MA)的自动SAR图像增强的的方法。首先，一个整合了散斑减少和功能增强的改进了的增强功能提出了非线性收缩和拉伸NSCT系数，然后和一个多群体合作的MA(MP-CMA)提出了自动调整增强函数的参数。我们对增强提出了一个客观的标准,根据增强准则尝试找到(附近)最优图像。为了得到最优的在尖锐和平滑之间有一个令人满意的折衷的增强图像，我们采用MP-CMA作为全局搜索策略。实验结果表明,该方法可以有效地提高SAR图像的边缘特征和对比度,降低散斑噪声并且，优于小波变换和NSCT的像素级图像融合的非自动增强方法。
- 绪论
合成孔径雷达(SAR)图像由于其全天候获得,大型覆盖度、短时重复和高分辨率的能力
可以对于许多的应用程序提供有用的信息。然而,SAR图像被固有的被称为“斑点”的乘性噪声所影响。斑纹出现在从相干成像系统获得的所有类型的图像,如激光、声学和SAR意象。此外,一些SAR图像通常表现出低的对比度。降低目标的检测能力和阻碍进一步的对于SAR图像的研究的散斑和低对比度会导致图像退化。它已成为增强感兴趣的目标同时抑制SAR图像的斑点噪声的图像处理领域的一个至关重要的问题[1]。
传统的图像增强方法主要包括直方图均衡化,在空间域的反锐化掩模法和通过傅里叶变换在频域增强感兴趣的部分，但这些方法在增强图像的对比度的同时放大了噪声，这使得在处理后，SAR图像的细节部分被噪声掩盖。在噪声抑制和功能增强方面，基于多尺度小波变换的子频带系数增强方法优于单一规模的常规方法[2]。然而,通常的二维小波是由一维小波的张量积组成。在这种情况下,小波变换只能识别逐点不连续,不能够识别图像中的任何线形不连续的方向。所以最近，新开发了一些其他的新的多尺度分析包括脊波[3],曲波[4，5]和轮廓波[6 - 8]等。由于他们共同的各向异性他们可以有效地代表线形不连续特性。研究结果表明,图像去噪和增强两者都基于新的多尺度变换工作要优于基于类小波变换[8-13]。
在这篇文章中,我们实现抑制SAR图像固有的斑点噪声,同时加强边缘特征,对比在一个统一框架下的多尺度非下采样变换(NSCT)[8]。我们寻找一个基于memetic算法(MA)[14,15]的自动的方法来消除散斑噪声,同时保留或增强突出的特征。我们开发了一种改进的集合了散斑减少和增强特征为了非线性收缩和拉伸的轮廓波系数的增强功能，然后一个多群体合作的MA(MP-CMA)提出了自动调整增强函数的参数。我们的实验结果表明，在这个论文中被提议的这种方法有效地抑制了SAR图像的噪声，同时，加强显著特征和对比度,而且，它要优于小波和基于非自动的方法的NSCT。
- 非采样轮廓波变换
轮廓波变换[6]是一个真实的使用级联的拉普拉斯算子的金字塔(LP)和一个定向的滤波器组的二维图像表示。轮廓波变换能够有效地捕获内在几何机构例如，一个图像的轮廓，而且可以得到比小波变换要好的图像的描述。此外，在任何方向的曲率上它都是很容易可调节检测细节的，这导致更多的潜在有效地图像分析。
然而，由于降低取样频率和提升采样频率，轮廓波变换缺乏平移不变性。在2006年, Cunha et al提出非下采样变换(NSCT)[8]，这是一个完全移不变的，多尺度的，和一个有更好的定向频率定位和一个快速实现的多方向扩张。NSCT包含两个滤波器，i,e,即非下采样金字塔滤波器组(NSPFB)和非下采样方向滤波器组(NSDFB)如图1(a)所示，在次能带分裂的频率二维平面图如图1(b)所示。 NSPFB提供非下采样多尺度分解和抓住了不连续点。NSDFB提供非下采样定向分解和链接不连续点变为线性结构。
图1 NSCT的总体结构。(a)非下采样滤波器组结构。(b)理想化的频率分区。
2.1 非下采样金字塔滤波器组(NSPFB)
NSCT的多尺度特性是从一个移不变的达到相似的子带分解的拉普拉斯算子的金字塔的过滤结构中获得的。这个核心是一个类似于一维非下采样小波变换计算算法的二维两通道非下采样过滤器组。完美的重建条件是给定的 （1）
在这里是低通分解滤波器，是高通分解滤波器，是低通重建滤波器，是高通重建滤波器。图2(a)显示了一个两通道非下采样滤波器组的结构。非下采样滤波器组分解生成了原始图像的一个低通版本和一个高通版本。为了实现多尺度分解,这个过程在粗糙的版本中迭代。在最后，得到一个低通和几个带通版本，并且，一个非下采样金字塔结构被实现了。
2.2非下采样方向滤波器组（NSDFB）
移不变的方向的扩张是通过一个非下采样方向滤波器组获得（NSDFB）。NSDFB是由在非下采样方向滤波器组中消除降低取样频率取样器和升取样器构成。这是通过关掉在DFB树结构中的每个两通道滤波器组的降低取样频率取样器和升取样器，并且，关闭相应的上采样滤波器。一个理想的NSDFB的频率响应图如图2（b）所示。这个结果是在一个树组成的两通道非下采样滤波器组。
为了获得更好的方向分解，NSDFB被迭代。对于下一个级别，所有的滤波器是上采样通过一个给出的梅花形矩阵
图2 (a)NSPFB的理想的频率响应的构建块。(b)NSDFB的理想的频率响应的构建块。
- SAR图像自动增强
3.1改进的增强功能
Starck等[11]基于第一代曲波变换提出了对比度增强方法。他们使用以下增强函数[11]修改曲波系数以增强图像的边缘 (2)
在这里sigma;是噪声的标准方差，p决定非线性的程度，s是介绍压缩的动态范围，c是一个归一化参数，c的值大于3保证噪声不会被放大。参数m是放大的系数。
Starck的增强功能在提高细节和我们感兴趣的边缘方面工作的很好。
然而，虽然这个给出的函数不是放大了噪声，但是它的缺点是不能有效的降低噪音。为了不仅仅是提高SAR图像的特性,而且要降低散斑,我们将努力通过阈值去除噪声,同时保持 Starck增强函数的优势增强特性,并获得以下改进的增强函数。
在这里p决定非线性的程度，表示增强阈值满足,图3(a)和(b)显示曲线代表修改系数与Stark增强函数中的原始系数相对有独自地改进的增强功能，在这里曲线代表修正系数y与原始曲线x相对，。
图3 (a) Starck的增强函数(c=4,m=80,p=0.5,s=0.8).(b)改进的增强函数
从图3我们可以清楚地看到，改进的增强函数与原始的那一个不相同存在于其系数低于1设置为0更有可能引起噪声，比大的系数保持不变而不是为了减少计算预算被压缩非线性。
为了能够有效地抑制噪声和增强特征我们使用改进的增强函数，主要的问题是选择合理的参数。在本文中，我们将会基于MP-CMA优化这些参数。
3.2 增强评价标准
为了在增强函数中自动地获得最优的参数，为了增强图像的质量应该选择一个客观的评价标准。根据人类的感知，一个高质量的图像应该包括更多的微小的细节和少的噪声。我们使用下面的对噪声很敏感的边缘检测算子，因为这个特性是对评估质量是有帮助的[17]。
(4)
在输出我们可以计算出有多少像素大范围超出阈值。因此我们得到的边缘图像，这是eta;(l),通过使用一个自动阈值，将设置为(1 delta;)sigma;[18],在这里，delta;是大于零的常数，sigma;是图像的噪声标准差估计值。
此处，为了评估图像的噪声，我们介绍了熵测量。
(5)
在这里是像素拥有的第i个灰度的频率。根据信息理论，我们知道噪音越大，不确定性就越大，熵度量也越大。
为了结合着两个方面，对于一个给定的图像我们增强评估标准Eval(I)如下定义
(6)
在这里M,N分别是图像的x和y方向上的像素的数量。根据实证的证据我们已经注意到的值小于两个数量级。为了平衡这两个组建的贡献，我们选择的指数和的对数。
最好的增强算法是在(6)中的最大化标准。
3.3 基于MP-CMA参数优化
MA是一个基于人群的元启发搜索方法通过达尔文的自然进化论原则和道金斯的文化基因的的定义作为一个整体的当地的改进的文化进步。理论和实证分析表明，MAs不仅收敛于高质量的解决方案，而且也比传统的同行更有效的搜索。我们用它来优化增强函数中的参数。首先，我们选择一个尺度值
(7)
在这里j表示分解尺度，s是噪声方差，是NSCT后的噪声方差，和是参数优化。
然后，在的基础上，我们设置
(8)
在这种情况下，在增强函数中有5个参数需要优化，分别是
(9)
通过我们的研究和实验，我们发现这些参数的合适区间是，和这些参数将会在这些界限内初始化。
我们使用MA来优化这些参数。每个人，即每个候选解决问题作为一个五维向量对应五个参数来表示，适应度函数如图(6)所示。
规范化MA是一种接近混合遗传算法(GA)机上一个个人学习能力的进行具有良好的全局搜索的局部改进的过程的能力。MA的伪代码在算法1中显示。MA的规范化在人口中的所有个人的使用本地搜索。虽然规范化模型充分利用了在人口中的所有人，但是这是一个计算非常密集和低效的搜索过程。同时，详尽的本地搜索可能导致在MA搜索中无效的搜索多样性下降。另一方面，绝大多数的MAs使用一个单个个体做成的群体和应用操作符作为一个整体。然而，多个基于种群的进化算法不仅仅支持并且实现，收敛速度无疑将会得到改善，而且他们通常提供更好的搜索空间和在许多情况下表现良好。[20,21]。因此，本文提出一种多群体合作的(MP-CMA)自动调整参数的增强函数。它涉及多个交互的通过交换信息来解决问题的人群的集合。每个群体在中执行MA独特的工作来维持群体的多样性，在这里，只有少数几个随机选择的个体进行局部搜索。此外，在跑固定的代后在所有的群体中的每个群体的最好的个体被共享和交换。这是在进化的过程中，个体不仅要与在同一群体的其他人交换信息，而且也要被来自其他群体的个体所影响。通过群体之间的信息共享和交换，可以实现探测与开发之间的平衡，从而减少收敛于局部非最佳的风险。MP-CMA的伪代码在算法2中列出。
实证研究规范化MA和MP-CMA进行了使用两个常用的基准测试函数，也就是说，Ackley和Rastrigin函数[22]。图4展示了被GA,MA发现的最好的适当得进化，和MP-CMA两个函数。结果表明MP-CMA收敛于与竞争解决方案相比显著降低计算代价权威的MA和GA。此外，MP-CMA显示出更好的稳健性的质量问题的解决方案。
图4 比较不同的优化算法 Ackley函数(a)Rastrigin函数(b)
3.4 对SAR图像的自动增强算法
对于SAR图像自动增强算法的流程图如图5所示，具体步骤领域如下所示。
- 对原始SAR图像做对数变换，得到图像。
- 估计图像中的噪声标准差sigma;。
- 计算图像的NSCT。我们得到一系列组，每一组j包含系数和对应于一个给定的分辨率。
- 计算好NSCT的每个次能带j的子带的噪声标准差。
- 初始化增强函数的一组参数。
- 乘以增强函数(3)的轮廓波系数和参数(i=1,2,......N)。
- 在每个修改系数得到一组增强的图像执行NSCT逆变换(INSCT)和指数变换。
- 用评估函数(6)来评估每一个增强的图像。
- 在基于MP-CMA的增强函数(3)中优化参数。
- 重复步骤(6)-(9)，知道满足MP-CMA的条件。
图5 提出的SAR图像的增强算法的流程图
- 实验结果
在本节中，我们使用所提到的方法通过处理模拟和真实的SAR图像得到结果。实验结果与基于小波变换(SWT)的增强方法和基于NSCT的增强方法相比较。由于图像增强的目的是为了方便后续处理(如分割，边缘提取),我们提取的边缘增强的图像通过使用相同的精明的边缘检测器参数,然后进一步研究是否在不同的方法增强图像的边缘提取在人眼观察是一样的,从而帮助我们确定这些图像增强方法的利弊。这两种增强方法使用相同的增强函数(3)，但是没有参数优化。参数是根据经验设置为。在提出基于MP-CMA优化的自动增强方法，我们使用Nelder–Mead简单的算法[23]作为局部搜索策略，并设置交叉概率为0.85，变异概率为0.05，群体的数量为2，每个群体的规模为10。算法的终止条件是被选择的一代的数量最大为10。与此同时，我们设置的小波分解尺度和轮廓波变换是3。
4.1 模拟的SAR图像
使用模拟SAR图像允许在散斑减少中客观性能评价和特征增强效率。图6(a)显示一个与线异常分段光滑的图像。我们的原始无噪声图像乘以模拟控件不相关的散斑噪声的振幅格式[24]。不间断振幅图像的斑点噪声服从瑞利分布与平均单位和方差(4/pi;-1)。通过平均L振幅线性检测样本,我们形成一个多方位振幅图像。应该注意的是,较大的值是L,较低水平的是噪音。在图6(b)中，一个散斑噪声L=4添加到原始无噪声的图像。图6(c)-(e)显示增强的结果应该通过应用SWT，NSCT和该种方法。为了提供某种程度的客观比较的结果,我们使用精明的边缘检测器提取原始和增强图像的边缘。图6(f)-(j)显示图6(a)-(e)的相应的边缘
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[151349]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
