[论文解读] On the Use of Lee's Protocol for Speckle-Reducing Techniques

E. Moschetti, G. Palacio+3 more|arXiv (Cornell University)|Sep 9, 2012

Image and Signal Denoising Methods参考文献 21被引用 26

一句话总结

本文提出两种基于Gamma分布乘性模型的新型最大后验概率（MAP）滤波器，用于合成孔径雷达（SAR）图像的斑点噪声抑制。通过蒙特卡洛模拟，研究证明Lee原始评估协议在可靠滤波器评估方面存在不足，原因在于其存在偏差和高变异性。研究表明，唯有通过大规模模拟评估，才能在真实、非均匀的场景中实现有意义的滤波器性能比较，而Lee的方法在这些场景中无法有效区分性能差异。

ABSTRACT

This paper presents two new MAP (Maximum a Posteriori) filters for speckle noise reduction and a Monte Carlo procedure for the assessment of their performance. In order to quantitatively evaluate the results obtained using these new filters, with respect to classical ones, a Monte Carlo extension of Lee's protocol is proposed. This extension of the protocol shows that its original version leads to inconsistencies that hamper its use as a general procedure for filter assessment. Some solutions for these inconsistencies are proposed, and a consistent comparison of speckle-reducing filters is provided.

研究动机与目标

• 通过将斑点噪声建模为乘性噪声，利用统计方法开发基于MAP的新型滤波器，以减少SAR图像中的斑点噪声。
• 识别并解决Lee滤波器评估协议中的关键缺陷，该协议依赖于单幅图像，导致结果不一致且存在偏差。
• 提出一种蒙特卡洛模拟框架，实现对不同图像场景下斑点滤波器的统计稳健且具有代表性的评估。
• 通过在具有不同后向散射和对比度的模拟场景中，利用多种质量度量，比较新型MAP滤波器（G⁰和Gᴴ）与Lee滤波器的性能。
• 证明传统度量在真实非均匀场景中缺乏敏感性，因此需要采用更稳健的评估方法。

提出的方法

• 使用$\mathcal{G}^0$分布构建乘性斑点模型，以表征SAR图像退化，其中参数$\alpha$和$\gamma$用于建模后向散射强度。
• 基于贝叶斯推断，推导出两种新的MAP估计器以估计真实图像强度：一种基于$\mathcal{G}^0$分布，另一种基于$\mathcal{G}^H$分布。
• 设计一种蒙特卡洛模拟框架，每种场景进行100次重复实验，生成具有不同$\alpha$和$\gamma$参数的合成SAR图像，以反映真实世界场景的异质性。
• 对每张模拟图像应用Lee滤波器及两种新提出的MAP滤波器（G⁰和Gᴴ），采用$7 \times 7$窗口评估性能。
• 使用四种定量度量——等效视数（ENL）、线性保持度、边缘梯度和边缘方差——评估七种模拟情境下的滤波器性能。
• 通过箱线图和统计分析比较不同滤波器的结果，识别出一致的性能差异，揭示了Lee协议的局限性。

实验结果

研究问题

• RQ1 Lee原始协议在多样化SAR图像场景中是否为评估斑点抑制滤波器的可靠且一致的方法？
• RQ2 在真实、非均匀的图像条件下，所提出的MAP滤波器（G⁰和Gᴴ）与Lee滤波器在斑点抑制和细节保持方面相比表现如何？
• RQ3 斑点滤波器的性能在不同图像纹理和对比度水平下变化程度如何？蒙特卡洛模拟是否能比单幅图像评估更准确地捕捉这些变化？
• RQ4 在非均匀场景中，哪些图像质量度量——ENL、线性保持度、边缘梯度或边缘方差——最能有效区分滤波器性能？
• RQ5 基于多次重复和多样化参数设置的模拟方法，是否能提供比原始Lee协议更具代表性且更少偏差的滤波器性能评估？

主要发现

• Lee协议在真实场景中本质上不适用于滤波器评估，因其依赖于单幅图像，导致高变异性与结果不一致，从而掩盖了真实性能差异。
• 在恒定背景场景（情景0）中，所有滤波器在各项度量上表现几乎完全相同，表明在理想化条件下缺乏显著的区分能力。
• 在异质性场景中（如情景#1），仅边缘方差度量能区分滤波器性能，且Lee滤波器表现最佳，表明其他度量的敏感性有限。
• 在情景#5（高度异质背景）中，两种MAP滤波器（G⁰和Gᴴ）在边缘梯度和边缘方差度量上均优于Lee滤波器，表明在复杂后向散射条件下具有更优的边缘保持能力。
• 在情景#6（极端异质性）中，Lee滤波器在六项度量中的五项表现最佳，但差异微小，凸显了在多维度度量下难以形成明确的性能排序。
• 研究结论认为，必须采用包含多次重复和多样化图像参数的蒙特卡洛模拟，才能实现可靠且具有代表性的滤波器评估；而像Lee协议这样的单幅图像评估方法在复杂场景中本质上具有偏差且信息量不足。