散斑噪声 python 散斑噪声和色斑噪声

▒▒本文目录▒▒

• 一、引言
• 二、LEE滤波算法原理
• 三、基于LEE滤波算法去噪实例分析

• 3.1 仿真乘性散斑噪声相位去噪实验
• 3.2 <font color=blue>全息干涉相干噪声抑制实验

• 参考文献

一、引言

斑点噪声(散斑噪声)是由一个分辨单元内众多散射体的反射波叠加形成的， 表现为图像灰度的剧烈变化，即在SAR图像同一片均匀的粗糙区域内，有的分辨单元呈亮点，有的呈暗点，直接影响了SAR图像的灰度分辨率，模糊了图像的纹理信息，使SAＲ图像不能正确的反映地物目标的散射特性从而对图像的应用造成了一定阻碍，所以斑点噪声的抑制即图像滤波是SAＲ图像处理的一个重要研究课题。目前，针对SAＲ图像滤波开展了大量研究，形成了一些较为成熟的算法，但由于不同算法的原理不同，使不同的滤波算法具有各自的局限性从而产生的滤波效果也不相同。故在进行滤波处理时，应根据图像的应用目的，从多种方法中选出最适合最有效的滤波方法。

本博文主要验证LEE算法的去噪效果，将通过仿真乘性散斑噪声以及全息干涉实验获取的含有散斑噪声的包裹相位数据对LEE滤波效果进行验证。

二、LEE滤波算法原理

LEE滤波器是基于标准差的滤波器，它根据单独窗口中计算出的统计(方差系数)对图像数据进行滤波，当噪声为乘性噪声时，其数学模型[1, 2]为:
${{F}_{ij}}=M+K({{Y}_{i,j}}-UM)$

$K={UV}/{\left( {{U}^{2}}+{{M}^{2}}{{M}_{VAR}} \right)}\;$

${{M}_{VAR}}={{({S}/{M}\;)}^{2}}$

式中：${{F}_{ij}}$为滤波后像元(i，j)的强度(灰度值)；${{Y}_{i,j}}$为滤波前像元(i，j)的强度(灰度值)；M为滤波窗口像元的灰度平均值；V为滤波窗口内像元方差；U为乘性噪声均值；S为滤波窗口噪声的标准差。

三、基于LEE滤波算法去噪实例分析

3.1 仿真乘性散斑噪声相位去噪实验

首先，根据散斑乘性噪声的原理，仿真得到的带有乘性散斑噪声的包裹相位数据如图1(a)所示，其中，基于LEE滤波算法去噪散斑噪声后的结果如下图1(b)所示，结果表明，其去噪效果较为明显，计算得到的信噪比为9.2905；均方根误差值为1.5886，结构相似度指数值为0.5370。

图1 基于LEE算法的仿真乘性散斑噪声相位图去噪效果

3.2 全息干涉相干噪声抑制实验

随后，通过全息干涉实验获取两幅相移干涉图，并通过广义两步相移算法求解得到含有相干噪声的包裹相位图如图2(a)所示，通过LEE算法对其相干噪声进行抑制，最终滤波后的包裹相位图如图2(b)所示。

图2 基于LEE算法的全息干涉相干噪声抑制结果