Подавление мультипликативного шума на радиолокационных изображениях

Введение. Радиолокационное изображение (РЛИ) – это изображение, получаемое зондированием земной поверхности с помощью радиолокационного устройства. РЛИ обладает важной особенностью в виде спекл-шума, который вызывает зернистость фона. Данный шум необходимо фильтровать с целью улучшения качества РЛИ. Фильтры спекл-шума часто имеют в своей структуре один или несколько параметров, которые контролируют уровень сглаживания шума и значения которых приходится подбирать экспериментально. В статьях, посвященных фильтрации спекл-шума, авторы часто не поясняют, как были выбраны значения параметров фильтров.
Цель работы. Представление методики для выбора оптимальных в смысле качества получаемого изображения параметров фильтров мультипликативного спекл-шума на РЛИ.
Материалы и методы. Рассмотрена разработанная методика поиска оптимальных параметров фильтров спекл-шума применительно к наиболее часто используемым фильтрам. Поиск оптимальных параметров и тестирование работы фильтров проводятся на специально разработанном изображении, содержащем объекты, наиболее часто встречающиеся на РЛИ. Метрикой, оценивающей качество проведенной фильтрации, служил индекс структурного сходства SSIM (Structural Similarity Index Metric).
Результаты. После нахождения оптимальных по SSIM параметров рассматриваемых фильтров проведено сравнение работы фильтров с точки зрения обработки РЛИ и найдены наилучшие фильтры для этой задачи. Также работа рассматриваемых фильтров протестирована на изображениях, содержащих различные типы объектов, а именно: большие объекты, мелкие объекты, резкие границы. Зная, какой фильтр наилучшим образом справляется со сглаживанием шума на той или иной области и какие для этого необходимы значения варьируемых параметров, можно использовать полученные результаты для фильтрации радиолокационных изображений. Фильтрация не только улучшает восприятие РЛИ человеком, но и позволяет снизить влияние спекл-шума на дальнейшую автоматизированную обработку РЛИ (детектирование объектов, сегментация областей и др.).
Заключение. Предложенный алгоритм позволил найти оптимальные параметры для нескольких фильтров спекл-шума. Качество фильтрации оценивалось экспертным способом (визуально), посредством сравнения изображений до и после фильтрации, разностных изображений и одномерных срезов изображений. Фильтр Фроста и фильтр анизотропной диффузии с оптимальными параметрами показали лучшее качество обработки по SSIM.

1. Тузова А. А., Павлов В. А., Белов А. А. Применение платформы Jetson TX1 для реализации алгоритмов формирования радиолокационных изображений радиолокатора с синтезированной апертурой // Неделя науки СПбПУ 2019: материалы науч. конф. с международным участием. СПб.: Изд-во Политехн. ун-та, 2019. С. 26-29.

2. Pavlov V. A., Belov A. A., Tuzova A. A. Implementation of Synthetic Aperture Radar Processing Algorithms on the Jetson TX1 Platform // IEEE Intern. Conf. on Electrical Engineering and Photonics (EExPolytech), St Petersburg, 2019. P. 90-93. doi: 10.1109/EExPolytech.2019.8906850

3. Волков В. Ю. Адаптивное выделение мелких объектов на цифровых изображениях // Изв. вузов России. Радиоэлектроника. 2017. № 1. С. 17-28.

4. Fursov V., Zherdev D., Kazanskiy N. Support subspaces method for synthetic aperture radar automatic target recognition // Intern. J. of Advanced Robotic Systems. 2016. Vol. 13, iss. 5. P. 1-11. doi: 10.1177/1729881416664848

5. Domg Y., Milne A. K., Forster B. C. Toward edge sharpening: a SAR speckle filtering algorithm // IEEE Transactions on Geoscience and Remote Sensing. Apr. 2001. Vol. 39, № 4. P. 851-863. doi: 10.1109/36.917910

6. Yongjian Yu., Acton S. T. Speckle reducing anisotropic diffusion // IEEE Transactions on Image Processing. 2002. Vol. 11, № 11. P. 1260-1270. doi: 10.1109/TIP.2002.804276

7. A New Image Quality Index for Objectively Evaluating Despeckling Filtering in SAR Images / L. Gomez, M. E. Buemi, J. C. Jacobo-Berlles, M. E. Mejail // IEEE J. of Selected Topics in Applied Earth Observations and Remote Sensing. 2016. Vol. 9, № 3. P. 1297-1307. doi: 10.1109/JSTARS.2015.2465167

8. Speckle Reduction of Reconstructions of Digital Holograms Using Gamma-Correction and Filtering / X. Huang, Z. Jia, J. Zhou, J. Yang, N. Kasabov // IEEE Access. 2018. Vol. 6. P. 5227-5235. doi: 10.1109/ACCESS.2017.2751540

9. Старовойтов В. В. Методика выбора фильтра для сглаживания спекл-шума радарных изображений с синтезированной апертурой // Информатика. 2015. № 2. Р. 5-11.

10. Исследование методов удаления спекл-шумов на ультразвуковых изображениях / А. Бобкова, С. Поршнев, В. Зюзин, В. Бобков // The 23rd Intern. Conf. on Computer Graphics and Vision, Vladivostok, Sept. 2013. P. 244-246.

11. Touzi R. A review of speckle filtering in the context of estimation theory // IEEE Transactions on Geoscience and Remote Sensing. 2002. Vol. 40, iss. 11. P. 2392-2404. doi: 10.1109/TGRS.2002.803727

12. Aja-Fernandez S., Alberola-Lopez C. On the estimation of the coefficient of variation for anisotropic diffusion speckle filtering // IEEE Transactions on Image Processing. 2006. Vol. 15, № 9. P. 2694-2701. doi: 10.1109/TIP.2006.877360

13. Oriented Speckle Reducing Anisotropic Diffusion / K. Krissian, C. Westin, R. Kikinis, K. G. Vosburgh // IEEE Transactions on Image Processing. 2007. Vol. 16, № 5. P. 1412-1424. doi: 10.1109/TIP.2007.891803

14. Improved Sigma Filter for Speckle Filtering of SAR Imagery / Jong-Sen Lee, Jen-Hung Wen, T. L. Ainsworth, Kun-Shan Chen, A. J. Chen // IEEE Transactions on Geoscience and Remote Sensing. 2009. Vol. 47, № 1. P. 202-213. doi: 10.1109/TGRS.2008.2002881

15. FPGA-Based Adaptive Speckle Suppression Filter for Underwater Imaging Sonar / S. Karabchevsky, D. Kahana, O. Ben-Harush, H. Guterman // IEEE J. of Oceanic Engineering. 2011. Vol. 36, № 4. P. 646-657. doi: 10.1109/JOE.2011.2157729

16. Spatial filtering strategies on deforestation detection using SAR image textures / X. Dong, D. Zhang, K. Cui, C. Hu, X. Lv // CIE Intern. Conf. on Radar (RADAR), Guangzhou, China, 2016. P. 1-4. doi: 10.1109/RADAR.2016.8059472

17. Anisotropic Diffusion Filter With Memory Based on Speckle Statistics for Ultrasound Images / G. RamosLlordén, G. Vegas-Sánchez-Ferrero, M. Martin-Fernandez, C. Alberola-López, S. Aja-Fernández // IEEE Transactions on Image Processing. 2015. Vol. 24, № 1. P. 345-358. doi: 10.1109/TIP.2014.2371244

18. Paul A., Mukherjee D. P., Acton S. T. Speckle Removal Using Diffusion Potential for Optical Coherence Tomography Images // IEEE J Biomed Health Inform. 2019. Vol. 23, iss. 1. P. 264-272. doi: 10.1109/JBHI.2018.2791624

19. Gonzalez R. C., Woods R. E. Digital Image Processing. 2nd ed. Addison-Wesley Longman Publishing Co., Inc., USA, New Jersey 07458, 2001. 191 p.

20. Lee Jong-Sen Digital Image Enhancement and Noise Filtering by Use of Local Statistics // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1980. Vol. PAMI-2, № 2. P. 165-168. doi: 10.1109/TPAMI.1980.4766994

21. A Model for Radar Images and Its Application to Adaptive Digital Filtering of Multiplicative Noise / V. S. Frost, J. A. Stiles, K. S. Shanmugan, J. C. Holtzman // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1982. Vol. PAMI-4, № 2. P. 157-166. doi: 10.1109/TPAMI.1982.4767223

22. Adaptive restoration of images with speckle / D. Kuan, A. Sawchuk, T. Strand, P. Chavel // IEEE Transactions on Acoustics, Speech and Signal Processing. 1987. Vol. 35, № 3. P. 373-383. doi: 10.1109/TASSP.1987.1165131

23. Tomasi C., Manduchi R. Bilateral filtering for gray and color images // Sixth Intern. Conf. on Computer Vision (IEEE Cat. No.98CH36271), Bombay, India, 1998. P. 839-846. doi: 10.1109/ICCV.1998.710815

24. Structure detection and statistical adaptive speckle filtering in SAR images / A. Lopes, E. Nezry, R. Touzi, H. Laur // Intern. J. of Remote Sensing. 1993. Vol. 14, iss. 9. P. 1735-1758. doi: 10.1080/01431169308953999

25. Perona P., Malik J. Scale-space and edge detection using anisotropic diffusion // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1990. Vol. 12, iss. 7. P. 629-639. doi: 10.1109/34.56205

26. Image quality assessment: From error visibility to structural similarity / Z. Wang, A. C. Bovik, H. R. Sheikh, E. P. Simoncelli // IEEE Transactions on Image Processing. 2004. Vol. 13, iss. 4. P. 600–612. doi: 10.1109/TIP.2003.819861

27. Wang Z., Bovik A. C. A universal image quality index // IEEE Signal Processing Lett. 2002. Vol. 9, iss. 3. P. 81–84. doi: 10.1109/97.995823

28. Gradient magnitude similarity deviation: A highly efficient perceptual image quality index / W. Xue, L. Zhang, X. Mou, A. C. Bovik // IEEE Transactions on Image Processing. 2014. Vol. 23, iss. 2. P. 684–695. doi: 10.1109/TIP.2013.2293423

29. Comparison of Image Quality Assessment Metrics for Evaluation of Performance of Anisotropic Diffusion Filter for SAR Images / A. A. Tuzova, V. A. Pavlov, A. A. Belov, S. V. Volvenko // IEEE Intern. Conf. on Electrical Engineering and Photonics (EExPolytech), St Petersburg, 2020. P. 176-179. doi: 10.1109/EExPolytech50912.2020.9243957

30. Methods for Blind Estimation of Speckle Variance in SAR Images: Simulation Results and Verification for Real-Life Data / S. Abramov, V. Abramova, V. Lukin, N. Ponomarenko, B. Vozel, K. Chehdi, K. Egiazarian, Ja. Astol // Computational and Numerical Simulations. 2014. Ch. 24. P. 303-327. doi: 10.5772/57040

31. Choi H., Jeong J. Speckle noise reduction technique for SAR images using statistical characteristics of speckle noise and discrete wavelet transform // Remote Sensing, 2019. Vol. 11, iss. 1184. P. 1-27. doi: 10.3390/rs11101184

32. Xie Hua, Pierce L. E., Ulaby F. T. Statistical properties of logarithmically transformed speckle // IEEE Transactions on Geoscience and Remote Sensing. 2002. Vol. 40, iss. 3. P. 721-727. doi: 10.1109/TGRS.2002.1000333

33. Singh P., Pandey R. Speckle noise: Modelling and implementation // Intern. J. of Circuit Theory and Applications. 2016. Vol. 9, iss. 17. P. 8717–8727.

34. Herman C., Lehmann E. L. The use of maximum likelihood estimates in χ2 tests for goodness of fit // Ann. Math. Statist. 1954. Vol. 25, iss. 3. P. 579-586. doi: 10.1214/aoms/1177728726

35. Pearson K. On the criterion that a given system of deviations from theprobable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling // Breakthroughs in Statistics: Methodology and Distribution / eds. S. Kotz, N. L. Johnson. New York: Springer New York, 1992. P. 11–28. doi: 10.1007/978-1-4612-4380-9_2

36. Belov A. A., Pavlov V. A., Tuzova A. A. A Method of Finding Optimal Parameters of Speckle Noise Reduction Filters // Internet of Things, Smart Spaces and Next Generation Networks and Systems, Springer Intern. Publishing, 2020. P. 133-141. doi: 10.1007/978-3-030-65729-1_12

37. Тузова А. А. Проект по поиску оптимальных параметров фильтров спекл-шума. Файл FilteringSpeckleNoise_main_script.m. URL: https://github.com/AnnaTuzova/Speckle-noise-project (дата обращения 25.04.2021)