[论文解读] SAR Image Despeckling Algorithms using Stochastic Distances and Nonlocal Means

Leonardo Torres, Alejandro C. Frery|arXiv (Cornell University)|Aug 20, 2013

Image and Signal Denoising Methods参考文献 3被引用 10

一句话总结

本文提出两种SAR图像去斑滤波器——随机距离Nagao-Matsuyama（SDNM）和随机距离非局部均值（SDNLM）——它们利用信息论中的随机距离，在伽马噪声模型下选择相似像素进行滤波。SDNLM滤波器在边缘保持和质量度量方面优于改进的Sigma滤波器和SRAD，在真实数据上达到37.384的BRISQUE指数，表明其具有更优的主观质量。

ABSTRACT

This paper presents two approaches for filter design based on stochastic distances for intensity speckle reduction. A window is defined around each pixel, overlapping samples are compared and only those which pass a goodness-of-fit test are used to compute the filtered value. The tests stem from stochastic divergences within the Information Theory framework. The technique is applied to intensity Synthetic Aperture Radar (SAR) data with homogeneous regions using the Gamma model. The first approach uses a Nagao-Matsuyama-type procedure for setting the overlapping samples, and the second uses the nonlocal method. The proposals are compared with the Improved Sigma filter and with anisotropic diffusion for speckled data (SRAD) using a protocol based on Monte Carlo simulation. Among the criteria used to quantify the quality of filters, we employ the equivalent number of looks, and line and edge preservation. Moreover, we also assessed the filters by the Universal Image Quality Index and by the Pearson correlation between edges. Applications to real images are also discussed. The proposed methods show good results.

研究动机与目标

• 为解决SAR图像中的斑点噪声问题，该噪声会降低图像质量并影响图像解释、分割与分类。
• 开发一种在抑制斑点噪声的同时能保持边缘与细节的滤波器，以克服传统滤波器（如改进的Sigma滤波器和SRAD）的局限性。
• 利用信息论中的随机距离，提升在伽马分布斑点噪声模型下图像块之间的相似性评估。
• 通过模拟数据（带真实值）和真实SAR图像对所提滤波器进行评估，确保其在多种场景下的鲁棒性。
• 证明所提方法在边缘保持与主观质量方面优于当前最先进的滤波器。

提出的方法

• SDNM滤波器采用类似Nagao-Matsuyama的邻域结构，为每个像素定义重叠窗口。
• 对每个像素，通过基于强度分布之间随机发散（信息论距离）的拟合优度检验，测试候选邻域像素。
• 仅通过检验的像素参与加权平均，以计算滤波后的像素值，确保仅统计上相似的邻域像素贡献结果。
• SDNLM滤波器在此基础上扩展，采用非局部均值框架，利用相同的随机距离度量在整幅图像中比较图像块。
• 随机距离基于伽马分布假设下的Kullback-Leibler发散推导得出。
• 滤波器性能通过100次重复的蒙特卡洛模拟进行评估，采用的度量指标包括等效视数（ENL）、线性与边缘保持能力，以及通用图像质量指数。

实验结果

研究问题

• RQ1 与传统方法相比，信息论中的随机距离是否能提升SAR图像去斑滤波的性能？
• RQ2 所提出的基于非局部均值的滤波器（SDNLM）是否在边缘与细小结构保持方面优于改进的Sigma滤波器和SRAD？
• RQ3 在真实SAR数据上（无真实值），该滤波器在ENL和主观质量方面的表现如何？
• RQ4 与现有最先进的方法相比，所提滤波器在斑点抑制与细节保持之间的权衡如何？
• RQ5 基于随机发散的拟合优度检验是否能带来比固定邻域或固定阈值方法更鲁棒、更自适应的滤波效果？

主要发现

• 在真实SAR数据上，SDNLM滤波器获得了最高的BRISQUE指数（37.384），表明其主观质量优于改进的Sigma滤波器（49.239）、SRAD（39.235）和SDNM（39.164）。
• 在模拟数据中，SDNLM在第三次模拟中达到66.485的ENL，标准差为19.580，优于改进的Sigma滤波器在边缘保持与相关性度量方面的表现。
• 在第三次模拟中，SDNLM与真实边缘图的皮尔逊相关系数达到0.899，表明其具有强大的边缘保持能力。
• 在第二次模拟中，SDNLM的Q指数为0.845，βρ指数为0.845，优于改进的Sigma滤波器（Q：0.784，βρ：0.784），在边缘相关性与图像质量方面表现更优。
• 在第三次模拟中，SDNLM在边缘梯度与方差指标上相比改进的Sigma滤波器实现了25%的边缘保持性能提升。
• 在真实数据上，SDNLM的ENL为4.539，略低于改进的Sigma滤波器（4.581），但在主观质量（BRISQUE）与边缘相关性方面显著更优，表明其在降噪与细节保留之间实现了更均衡的权衡。