CN112419205B - 一种用于SAR干涉图处理的Goldstein金字塔构建方法 - Google Patents
一种用于SAR干涉图处理的Goldstein金字塔构建方法 Download PDFInfo
- Publication number
- CN112419205B CN112419205B CN202011357471.XA CN202011357471A CN112419205B CN 112419205 B CN112419205 B CN 112419205B CN 202011357471 A CN202011357471 A CN 202011357471A CN 112419205 B CN112419205 B CN 112419205B
- Authority
- CN
- China
- Prior art keywords
- goldstein
- pyramid
- complex
- image
- interferogram
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于SAR干涉图处理的Goldstein金字塔构建方法,适用于图像处理领域。把SAR影像复数干涉图I0设为Goldstein金字塔的第0层图像G0;设置对复数干涉图G0进行Goldstein金字塔变换的最大层数L;设置频率域Goldstein低通滤波器的核大小N;利用大小为N的频率域Goldstein滤波器对金字塔第i层复数干涉图Gi做滑移滤波处理;对滤波后的干涉图进行下采样得到第i+1层Goldstein金字塔Gi+1;重复上述步骤直到得到第L层Goldstein金字塔GL,把第0‑L层金字塔图像进行组合得到Goldstein金字塔。其可以生成SAR影像复数干涉图的Goldstein金字塔图像,实现对复数干涉图的多尺度描述,为进一步提升复数干涉图滤波、相位解缠等处理的效果提供了一种有效的多尺度变换方法,对SAR影像复数干涉图构建金字塔的效果好。
Description
技术领域
本发明涉及一种Goldstein金字塔构建方法,尤其适用于图像处理技术领域中的用于SAR干涉图处理的Goldstein金字塔构建方法。
背景技术
金字塔构建属于图像处理领域,是一种图像多尺度表达技术,可以展示图像在不同分辨率下的信息,已被用于图像滤波、图像融合、图像超分辨率重建、运动识别、人脸识别等领域。一幅图像的金字塔是一组以金字塔形状排列的,由金字塔底层到顶层分辨率逐渐降低的图像,且来源于同一幅原始的图像。图像在金字塔中的层级越高,则图像越小,分辨率越低。
SAR干涉测量技术利用干涉相位信息精确测量地表目标的数字高程模型以及雷达视线向的微小形变。由于SAR传感器获取数据不受天气影响,因此能够实现全天时、全天候对地连续观测,这就使得SAR干涉测量技术在山体滑坡、沉降监测、地震形变等诸多领域有着广泛的应用。但受到时空去相干、热噪声去相干等影响,导致从实际影像得到的干涉图中存在大量相位噪声,需要通过滤波抑制干涉图中的噪声。此外,在从干涉图提取地表形变之前还需要进行相位解缠处理。在滤波、相位解缠等干涉图处理过程中构建金字塔是一种有效的多尺度、多分辨率分析方法。
高斯金字塔是最经典地图像金字塔构建方法,其首先使用二维高斯滤波器对原始图像进行滤波,然后采用一种图像下采样方法得到第一层金字塔图像。二维高斯滤波器是一种空间域滤波器,其对含有高斯噪声的普通的实数域图像具有很好的效果。但是,SAR干涉图是复数影像,由实数域向复数域扩展的高斯金字塔没有利用复数影像的频率特点
发明内容
针对上述技术的不足之处,提供一种理论严密、构建效果好的用于SAR干涉图处理的Goldstein金字塔构建方法。
为实现上述目的,本发明的用于SAR干涉图处理的Goldstein金字塔构建方法,其步骤如下:
a获取一幅列数为w、行数为h的复数干涉图I0=A+B×j,其中A是复数干涉图I0的实部,B是复数干涉图I0的虚部,j表示虚数单位;
b建立Goldstein金字塔,根据复数干涉图I0的列数w和行数h,设置Goldstein金字塔变换的最大层数L;
c将原始SAR影像复数干涉图I0设为Goldstein金字塔的第0层图像G0;
d设置频率域Goldstein低通滤波器的核大小N,利用Goldstein低通滤波器抑制复数干涉图的高频部分,保留复数干涉图的低频部分,把复数干涉图从空间域变换到频率域既可以使用普通傅里叶变换,也可以使用快速傅里叶变换;
e利用核大小为N的频率域Goldstein滤波器对金字塔第i层复数干涉图Gi做滑移滤波处理,得到滤波后干涉图
f对滤波后的干涉图进行下采样得到第i+1层Goldstein金字塔Gi+1;
g重复步骤(e)和(f)直到得到第L层Goldstein金字塔GL,把第0-L层金字塔图像由下至上组合得到层数为L+1的Goldstein金字塔。
所述步骤c中最大层数L满足条件为:式中log为取对数符号。
频率域Goldstein滤波器的核大小N,根据选择的傅里叶变换方法不同,要满足条件d1或d2:
d1)当Goldstein滤波算法使用普通傅里叶变换实现时,N为奇数,3≤N≤min(w,h)且N∈N*,其中N*表示正整数,min(·)表示取最小值,特别地,N建议设置为N=5;
d2)当Goldstein滤波算法使用快速傅里叶变换实现时,N为偶数,2≤N≤min(w,h),特别地,N建议设置为N=4或N=6。
步骤e中用到的金字塔层数i满足条件:0≤i≤L-1,对干涉图Gi滑移滤波处理使用的滑移步长为S=1
步骤f中对滤波后干涉图进行下采样的方式为直接移除图像/>偶数行和偶数列,利用/>的奇数行和奇数列组成Gi+1。
步骤g中Goldstein金字塔的组合方式为按照层数由小到大,由底层到顶层排列,第0层金字塔图像G0在最底层,第L层金字塔图像GL在最顶层。
有益效果:本发明利用Goldstein滤波理论,通过傅里叶变换把复数干涉图由空间域变换到频率域,进而在频率域完成金字塔构建所需要的低通滤波,结合图像下采样理论,得到Goldstein金字塔图像,与使用空间域二维高斯滤波器的高斯金字塔相比,充分利用了复数干涉图的频率特点,更适合于SAR复数干涉图处理中的金字塔图像构建,具有完善的理论支撑,避免了SAR复数干涉图构建高斯金字塔图像存在噪声残留多、相位信息损失多的问题,提高了在不同尺度和分辨率下分析和处理SAR复数干涉图的数据可靠性。为进一步提升复数干涉图滤波、相位解缠等处理的效果提供了一种有效的多尺度图变换方法。
附图说明
图1是本发明用于SAR干涉图处理的Goldstein金字塔构建方法流程图;
图2是本发明的用于SAR干涉图处理的Goldstein金字塔的复数干涉图I0,也是Goldstein金字塔图像的第0层G0的示意图;
图3是本发明用于SAR干涉图处理的Goldstein金字塔的Goldstein金字塔图像的第1层G1的示意图;
图4是本发明用于SAR干涉图处理的Goldstein金字塔的Goldstein金字塔图像的第2层G2的示意图;
图5是本发明用于SAR干涉图处理的Goldstein金字塔的Goldstein金字塔图像的第3层G3的示意图。
具体实施方式
以下结合附图及实施例对本发明作进一步的详细描述:
如图1所示,本发明的用于SAR干涉图处理的Goldstein金字塔构建方法,步骤如下:
a获取一幅列数为w、行数为h的复数干涉图I0=A+B×j,其中A是复数干涉图I0的实部,B是复数干涉图I0的虚部,j表示虚数单位;
b建立Goldstein金字塔,根据复数干涉图I0的列数w和行数h,设置Goldstein金字塔变换的最大层数L;
c将原始SAR影像复数干涉图I0设为Goldstein金字塔的第0层图像G0;最大层数L满足条件为:和/>式中log为取对数符号;
d设置频率域Goldstein低通滤波器的核大小N,利用Goldstein低通滤波器抑制复数干涉图的高频部分,保留复数干涉图的低频部分,把复数干涉图从空间域变换到频率域既可以使用普通傅里叶变换,也可以使用快速傅里叶变换;
e利用核大小为N的频率域Goldstein滤波器对金字塔第i层复数干涉图Gi做滑移滤波处理,得到滤波后干涉图频率域Goldstein滤波器的核大小N设置条件为,金字塔层数i满足条件:0≤i≤L-1,对干涉图Gi滑移滤波处理使用的滑移步长为S=1;
d1)当Goldstein滤波算法使用普通傅里叶变换实现时,N为奇数,3≤N≤min(w,h)且N∈N*,其中N*表示正整数,min(·)表示取最小值,特别地,N建议设置为N=5;
d2)当Goldstein滤波算法使用快速傅里叶变换实现时,N为偶数,2≤N≤min(w,h),特别地,N建议设置为N=4或N=6;
f对滤波后的干涉图进行下采样得到第i+1层Goldstein金字塔Gi+1;滤波后干涉图/>进行下采样的方式为直接移除图像/>偶数行和偶数列,利用/>的奇数行和奇数列组成Gi+1;金字塔层数i满足条件:0≤i≤L-1,对干涉图Gi滑移滤波处理使用的滑移步长为S=1;
g重复步骤(e)和(f)直到得到第L层Goldstein金字塔GL,把第0-L层金字塔图像由下至上组合得到层数为L+1的Goldstein金字塔多尺度图,Goldstein金字塔的组合方式为按照层数由小到大,由底层到顶层排列,第0层金字塔图像G0在最底层,第L层金字塔图像GL在最顶层。
实施例一、
步骤a:获取一幅如图2所示的列数w=512、行数h=512的复数干涉图I0=A+B×j,其中A是复数干涉图I0的实部,B是复数干涉图I0的虚部,j表示虚数单位;
步骤b:把图2所示的SAR影像复数干涉图I0设为Goldstein金字塔的第0层图像G0,即复数干涉图I0与Goldstein金字塔的第0层图像G0完全相同;
步骤c:根据Goldstein金字塔变换的最大层数L需要满足的条件和/>设置对复数干涉图G0进行Goldstein金字塔变换的最大层数L=3,式中log为取对数符号;
步骤d:复数干涉图在位置(p,q)处Goldstein低通滤波器H(p,q)的数学表达式为H(p,q)=S{|F(p,q)|}α,其中F(p,q)为傅里叶变换后的频率域数据,|F(p,q)|为F(p,q)的功率谱,α为滤波参数,S{·}为平滑因子,H(p,q)可以抑制复数干涉图的高频部分,保留复数干涉图的低频部分,频率域Goldstein滤波器的核大小N,根据选择的傅里叶变换方法不同,要满足条件d1或d2,本实施例使用普通傅里叶变换把复数干涉图从空间域变换到频率域,设置N=5满足条件d1:
d1)当Goldstein滤波算法使用普通傅里叶变换实现时,N为奇数,3≤N≤min(w,h)且N∈N*,其中N*表示正整数,min(·)表示取最小值,特别地,N建议设置为N=5;
d2)当Goldstein滤波算法使用快速傅里叶变换实现时,N为偶数,2≤N≤min(w,h),特别地,N建议设置为N=4或N=6;
步骤e:如果金字塔层数i满足的条件:0≤i≤L-1,设置对干涉图Gi滑移滤波时滑移步长S=1,利用核大小为N=5的频率域Goldstein滤波器对金字塔第i层复数干涉图Gi做滑移滤波处理,得到滤波后干涉图
步骤f:对滤波后的干涉图采用直接移除图像/>偶数行和偶数列的方式进行下采样,利用/>的奇数行和奇数列组成第i+1层Goldstein金字塔Gi+1
步骤g:重复步骤(e)和(f)直到得到如图5所示的第L=3层Goldstein金字塔GL,把第0-L层Goldstein金字塔图像按照层数由小到大,由底层到顶层的组合方式排列,得到层数为L+1的Goldstein金字塔多尺度图,如图2所示的第0层金字塔图像G0在最底层,第L层金字塔图像GL在最顶层,得到的第1层Goldstein金字塔图像如图3所示,第2层Goldstein金字塔图像如图4所示。
Claims (6)
1.一种用于SAR干涉图处理的Goldstein金字塔构建方法,其特征在于步骤如下:
a获取一幅列数为w、行数为h的复数干涉图I0=A+B×j,其中A是复数干涉图I0的实部,B是复数干涉图I0的虚部,j表示虚数单位;
b建立Goldstein金字塔,根据复数干涉图I0的列数w和行数h,设置Goldstein金字塔变换的最大层数L;
c将原始SAR影像复数干涉图I0设为Goldstein金字塔的第0层图像G0;
d设置频率域Goldstein低通滤波器的核大小N,利用Goldstein低通滤波器抑制复数干涉图的高频部分,保留复数干涉图的低频部分,把复数干涉图从空间域变换到频率域既可以使用普通傅里叶变换,也可以使用快速傅里叶变换;
e利用核大小为N的频率域Goldstein滤波器对金字塔第i层复数干涉图Gi做滑移滤波处理,得到滤波后干涉图
f对滤波后的干涉图进行下采样得到第i+1层Goldstein金字塔Gi+1;
g重复步骤(e)和(f)直到得到第L层Goldstein金字塔GL,把第0-L层金字塔图像由下至上组合得到层数为L+1的Goldstein金字塔。
2.根据权利要求1所述的用于SAR干涉图处理的Goldstein金字塔构建方法,其特征在于:所述步骤c中最大层数L满足条件为:和/>式中log为取对数符号。
3.根据权利要求1所述的用于SAR干涉图处理的Goldstein金字塔构建方法,其特征在于:频率域Goldstein滤波器的核大小N,根据选择的傅里叶变换方法不同,要满足条件d1或d2任一:
d1当Goldstein滤波算法使用普通傅里叶变换实现时,N为奇数,3≤N≤min(w,h)且N∈N*,其中N*表示正整数,min(·)表示取最小值,特别地,N建议设置为N=5;
d2当Goldstein滤波算法使用快速傅里叶变换实现时,N为偶数,2≤N≤min(w,h),特别地,N建议设置为N=4或N=6。
4.根据权利要求1所述的用于SAR干涉图处理的Goldstein金字塔构建方法,其特征在于:步骤e中用到的金字塔层数i满足条件:0≤i≤L-1,对干涉图Gi滑移滤波处理使用的滑移步长为S=1。
5.根据权利要求1所述的用于SAR干涉图处理的Goldstein金字塔构建方法,其特征在于:步骤f中对滤波后干涉图进行下采样的方式为直接移除图像/>偶数行和偶数列,利用/>的奇数行和奇数列组成Gi+1。
6.根据权利要求1所述的用于SAR干涉图处理的Goldstein金字塔构建方法,其特征在于:步骤g中Goldstein金字塔的组合方式为按照层数由小到大,由底层到顶层排列,第0层金字塔图像G0在最底层,第L层金字塔图像GL在最顶层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011357471.XA CN112419205B (zh) | 2020-11-27 | 2020-11-27 | 一种用于SAR干涉图处理的Goldstein金字塔构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011357471.XA CN112419205B (zh) | 2020-11-27 | 2020-11-27 | 一种用于SAR干涉图处理的Goldstein金字塔构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112419205A CN112419205A (zh) | 2021-02-26 |
| CN112419205B true CN112419205B (zh) | 2024-04-19 |
Family
ID=74843105
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011357471.XA Active CN112419205B (zh) | 2020-11-27 | 2020-11-27 | 一种用于SAR干涉图处理的Goldstein金字塔构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112419205B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114066778B (zh) * | 2021-11-30 | 2024-06-28 | 中国矿业大学 | 一种基于拉普拉斯金字塔的InSAR干涉图迭代自适应滤波方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104459633A (zh) * | 2014-12-01 | 2015-03-25 | 中国科学院电子学研究所 | 结合局部频率估计的小波域InSAR干涉相位滤波方法 |
| CN110047058A (zh) * | 2019-03-25 | 2019-07-23 | 杭州电子科技大学 | 一种基于残差金字塔的图像融合方法 |
| CN110458774A (zh) * | 2019-08-02 | 2019-11-15 | 陕西师范大学 | 一种基于改进Frost滤波和剪切波的高分三号SAR图像降斑方法 |
| CN111340895A (zh) * | 2020-02-18 | 2020-06-26 | 浙江工业大学 | 一种基于金字塔多尺度融合的影像色彩一致化方法 |
| CN111507239A (zh) * | 2020-04-14 | 2020-08-07 | 上海海事大学 | 一种基于图像金字塔的局部特征人脸识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9338331B2 (en) * | 2014-01-09 | 2016-05-10 | Massachusetts Institute Of Technology | Riesz pyramids for fast phase-based video magnification |
| CN106780392B (zh) * | 2016-12-27 | 2020-10-02 | 浙江大华技术股份有限公司 | 一种图像融合方法及装置 |
-
2020
- 2020-11-27 CN CN202011357471.XA patent/CN112419205B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104459633A (zh) * | 2014-12-01 | 2015-03-25 | 中国科学院电子学研究所 | 结合局部频率估计的小波域InSAR干涉相位滤波方法 |
| CN110047058A (zh) * | 2019-03-25 | 2019-07-23 | 杭州电子科技大学 | 一种基于残差金字塔的图像融合方法 |
| CN110458774A (zh) * | 2019-08-02 | 2019-11-15 | 陕西师范大学 | 一种基于改进Frost滤波和剪切波的高分三号SAR图像降斑方法 |
| CN111340895A (zh) * | 2020-02-18 | 2020-06-26 | 浙江工业大学 | 一种基于金字塔多尺度融合的影像色彩一致化方法 |
| CN111507239A (zh) * | 2020-04-14 | 2020-08-07 | 上海海事大学 | 一种基于图像金字塔的局部特征人脸识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于NSCT和纹理特征的SAR图像相干斑抑制;沈荻帆等;《科技创新与应用》;20191128;第33卷;1-4+8 * |
| 基于多尺度压缩感知金字塔的极化干涉SAR图像分类;何楚等;《自动化学报》;20110715;第37卷(第07期);820-827 * |
| 结合KI准则和逆高斯模型的SAR影像非监督变化检测;庄会富等;《武汉大学学报(信息科学版)》;20180205;第43卷(第02期);282-288 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112419205A (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | Learning spatial-spectral prior for super-resolution of hyperspectral imagery | |
| Li et al. | Single hyperspectral image super-resolution with grouped deep recursive residual network | |
| Ye et al. | FusionCNN: a remote sensing image fusion algorithm based on deep convolutional neural networks | |
| CN108765511B (zh) | 基于深度学习的超声图像超分辨率重建方法 | |
| CN102063715B (zh) | 基于非抽样contourlet变换和粒子群优化算法的台风云图融合方法 | |
| Li et al. | Drcr net: Dense residual channel re-calibration network with non-local purification for spectral super resolution | |
| CN106408524A (zh) | 基于二维图像辅助的深度图像增强方法 | |
| CN106204539B (zh) | 一种基于形态学梯度的反演城区建筑物沉降的方法 | |
| CN104008539A (zh) | 基于多尺度几何分析的图像超分辨率重建方法 | |
| CN112419206B (zh) | 一种基于多尺度分解-重构的sar干涉图滤波方法 | |
| CN107358260A (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
| CN112488920B (zh) | 一种基于类高斯模糊核的图像正则化超分辨重建方法 | |
| Yan et al. | Md³net: Integrating model-driven and data-driven approaches for pansharpening | |
| CN106097253A (zh) | 一种基于块旋转和清晰度的单幅图像超分辨率重建方法 | |
| CN103793883A (zh) | 一种基于主成分分析的成像光谱图像超分辨率复原方法 | |
| TW200903383A (en) | Method and apparatus for processing SAR images based on a complex anisotropic diffusion filtering algorithm | |
| CN105488759B (zh) | 一种基于局部回归模型的图像超分辨率重建方法 | |
| CN108447039A (zh) | 一种基于改进非局部均值的非下采样Shearlet降斑方法 | |
| Deng et al. | Multiple frame splicing and degradation learning for hyperspectral imagery super-resolution | |
| Guo et al. | An improved generative adversarial network for remote sensing image super‐resolution | |
| Xing et al. | Infrared and visible image fusion based on nonlinear enhancement and NSST decomposition | |
| CN112419205B (zh) | 一种用于SAR干涉图处理的Goldstein金字塔构建方法 | |
| Wu et al. | Unsupervised blind spectral–spatial cross-super-resolution network for HSI and MSI fusion | |
| CN114066778B (zh) | 一种基于拉普拉斯金字塔的InSAR干涉图迭代自适应滤波方法 | |
| Li | Image super-resolution using attention based densenet with residual deconvolution |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |