基于小波变换的遥感影像增强地理论文的开题报告范文

开题报告

课题名称：基于小波变换的遥感影像增强

院　　系：遥感信息工程学院

专　　业：遥感科学与技术

姓　　名：学　　号：指导老师：

一、研究的目的和意义

合成孔径雷达（SAR）是一种高分辨率成像雷达，广泛的应用于工业、农业、军事、及国防经济各个部门，它工作于微波波段，通过对地面发射微波，接受反射回波成像。

合成孔径雷达通过收集地物目标对雷达波束的反射（主要是后向反射）而形成图像信息，SAR图像的灰度是地物目标后向散射回波强度的表现形式，一般由雷达系统的参数波长、入射角、极化方式与地物目标的参数方位角、复介电常数、表面粗糙度、次表面粗糙度、不均匀介质中的体散射系数的函数。

然而合成孔径雷达发射的相干电磁波照射的地表单元包含了大量的随机分布的散射体，当回波单元是由各个散射体反射的电磁波的相干叠加而形成时，使SAR图像产生相干斑点（speckle）噪声。这种随机分布的噪声影响了SAR图像的校正和解译。如何能在保留原有图像信息的基础上，最大限度的去除图像上的斑点噪声成为现在研究的主要目标。

二、分析国内外现状和发展趋势，提出本课题的主攻方向

　　　　改善和滤除斑点噪声影响的方法基本上可分为两类：一类是成像前的多视平滑预处理，多视处理就相当于图像的低通滤波，虽然能够有效的抑制斑点噪声，但降低了图像的空间分辨率，同时也模糊了图像边缘。另一类是成像后去除斑点噪声滤波技术，可分为两大类：一类是基于合成孔径雷达图像斑点噪声统计特性地滤波算法，如Lee滤波，Kuan滤波，Frost滤波，Gamma Map滤波，EPOS滤波算法等；另一类是非统计类型的滤波技术，如均值滤波，Fourier变换以及基于小波变换的滤波技术。

　　　　第一类滤波技术（包括均值滤波）一般采用图像域的滤波方法，利用噪声和信号在频域上分布的不同进行的；信号主要分布在低频区域，而噪声主要分布在高频区域。但同时也存在一个问题，即图像的细节也分布在高频区域，如何在降低图像噪声的同时保持原有图像的细节，传统的低通滤波方法将图像的高频成分滤除，虽然能够达到降低噪声的效果，但破坏了原图像的细节。第二类中的Fourier变换和小波变换，均属于频域的滤波方法。小波变换克服了Fourier变换在变换之后失去时间信息的缺点，它具有多分辨分析的特点，在时域和频域都具有表征信号局部特征的能力。在小波变换中提出了变化的时间窗和频域窗，适当的变换时间窗的大小，从而可以获取更加精确的低频和高频信息。总而言之，基于小波分析的信号处理方法为SAR图像的斑点噪声的去除提供了另一条思路：它可以从不同的分辨率空间来描述图像的局部特征。

　　　　但是，与标准傅立叶变换相比，小波分析中所用到的小波函数具有不唯一性，小波函数存在多样性，对于同一图像的处理用不同的小波基分析会产生不同的结果。不同的小波基的选择，很大程度上还仅仅依靠目视判读。判断选择的标准有以下几种：平滑指数FI(各滤波器对各种地类图斑的平滑能力)；边缘保持指数ESI（表征处理后各滤波器对图斑水平向与垂直向边缘的保持能力）；等效视数ENL（评价SAR图像相干噪声强度指标）；直方图检验滤波效果。

　　　　不同的小波变换包括：单小波变换，小波包变换，多小波变换，平移不变小波包变换等。用于对SAR图像进行去噪处理应用的有，如：SAR图像斑点噪声的小波软门限滤除算法，SAR图像平稳小波变换相干斑的抑制方法，基于Daubechies小波和中值滤波的图像去噪算法，Donoho的软阈值去噪法，等等。

三、主要研究内容、途径和技术路线分析

　　　　主要研究内容的技术分析

　　　　传统的滤波方法是将被噪声污染的信号通过一个滤波器，滤掉噪声频率成分。但对于短时顺态信号，非平稳过程信号，含宽带噪声信号，采用传统方法是存在着明显的局限性。小波变换可进行时频局部分析，所以用小波变换方法可以更加有效的处理信号，具有非常灵活的对奇异特征提取及时变换滤波等功能。可在信噪比低的情况下进行有效滤噪并检测信号的波形特征。由于相干斑点的大小在统计平均意义上与点目标的大小相同，所以SAR图像上的点目标与相干斑点常常无法区别。在一定近似条件下，对SAR图像而言，其分辨单元内的相干斑是相关的，而各分辨单元之间的相干斑是不相关且独立统计的。因此我们在对SAR图像进行小波变换是不考虑其相关性，只把它当作是一种非相关的乘性噪声模型。将SAR的观测数据表示：

　　　　　　　　　　　Ｇ＝Ｆ×Ｕ

　　　Ｇ为观测数据，Ｆ为理想的图像亮度值，Ｕ为与Ｆ相对独立的斑点噪声随机变量。研究表明，SAR图像经过对数变换后，斑点噪声近似为独立相加性高斯白噪声。将进行对数变换后的SAR图像再进行小波变换，这样就可以对小波变换系数进行一定标准的处理来滤除相干斑噪声。

　　　　理论研究表明，图像上的高斯加性噪声的小波变换后仍然基于高斯分布，它均匀分布在相空间的各个部分。在小波域上，所有的小波系数对信号能量有贡献，即噪声的能量分布在所有的小波系数上，只有一小部分小波系数对信号能量有贡献，所以把变换后的小波系数分为两类：第一类小波系数仅仅由噪声变换后得到，这类小波系数幅值小，数目多；第二类小波系数由信号变化而来，并且包含噪声的变换结果，这类小波系数幅值大，数目小。由此出发，可以通过这种小波系数幅值上的不同来构造降噪方法。对图像信号的小波系数，可以设一个阈值，大于这个阈值的小波系数认为属于第二类系数，可以保留；而小于这个阈值的小波系数，认为属于第一类系数，并去除。这样就达到了降低噪声的目的，同时也较好的保持了图像的细节部分。

　　　　　　图像的降噪效果如何，除了与阈值的选取、噪声水平的估计有很大的关系之外，小波基的选择对图像降噪和特征提取也起了死对头重要的作用。不同小波基降噪结果在视觉效果上看没有太大的差别，但从衡量指数的数据就可以明显地分别出降噪效果的好坏。

　　　　　　去除图像噪声的基本流程图

原始数据输入

滤波处理

结果显示