الگوریتم حذف Speckle با قابلیت حفظ لبه برای تصاویر سنجش‌ازدور رادار روزنه ترکیبی با استفاده از تبدیل چندمقیاسه‌ی Curvelet و آستانه‌گذاری وفقی

نویسندگان

1 دانشجو

2 عضو هیئت علمی دانشگاه شهید چمران اهواز

چکیده

چکیده: تبدیل کرولت (Curvelet)، نوع جدیدی از الگوریتم آنالیز چندمقیاسه بوده که برای پردازش تصاویر SAR بسیار مناسب است. این تبدیل، جزو تبدیل­های هندسی محسوب می­شود که برای رفع مشکلات اساسی تبدیل­های ویولت (موجک) و گابور در تشخیص لبه­ها و منحنی­ها توسعه پیدا کرد. تبدیل Curvelet را می­توان در جهت رسیدن به بخش­بندی بهتر و شناسایی اهداف در تصاویر ماهواره­ای SAR با دقت بسیار بالا به کار برد. در این مقاله هدف اصلی، تمرکز بر حذف Speckle از تصاویر  SARاست که مهم­ترین مرحله از پردازش تصاویر SAR است. به دلیل نتایج عالی تبدیل Curvelet در تجزیه­و­تحلیل لبه­های منحنی شکل و دقت بالای آن برای تقریب و توصیف پراکندگی­ها و جهت­ها در مقایسه با تبدیل موجک مناسب است. در این مقاله با استفاده از تبدیل کرولت گسسته سریع (FDCT) بر مبنای پیچش، با در نظر گرفتن آستانه وفقی، یک روش جدید برای کاهش نویز Speckle و نرمالیزه کردن تصاویر سنجش‌ازدور SAR ارائه شده است؛ به­گونه­ای که بین دو تبدیل کرولت سریع بر پایهUSFFT  و Wrapping مقایسه­ای انجام خواهد شد. با استفاده از نتایج، روشی جدید برای بهره­برداری بهتر این نوع تصاویر معرفی می­شود. سپس برای کاهش نویز از تصاویر SAR از تبدیل Curvelet گسسته سریع (FDCT) استفاده می­شود و ضرایب Curvelet کاهش می­یابد. سپس با استفاده از الگوریتم پیشنهادی می­توان ضرایب Curvelet را استخراج کرد. این ضرایب تحت تأثیر آستانه نرم قرار گرفته و این امر منجر به کاهش یا حذف نویز در تصاویر SAR خواهد شد. در مرحله آخر الگوریتم پیشنهادی، شبیه­سازی شده و نتایج آزمایش­ها بحث خواهد شد. نتایج شبیه­سازی نشان می­دهد که روش پیشنهادی در مقایسه با سایر روش­های قبلی کارایی بهتری دارد.

کلیدواژه‌ها


[1]O. Ponce, P. Parts-Iraola, M. Pinheiro, M. Rodriguez-Cassola, R. Scheiber, A. Reigber and A. Moreira, “Fully polarimetric high-resolution 3-D imaging with circular SAR at L-band,” IEEE Transactions on Geoscience and Remote Sensing, vol. 52, no. 6, pp. 3074-3090, June 2014.
[2]C. Delia, S. Ruscino, M. Abbate, B. Aiazzi, S. Baronti, and L. Alparone, “SAR imageclassification through information-theoretic textural features, MRF segmentation, and object-oriented learning vector quantization,” IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 7, no. 4, pp. 1116-1126, April 2014.
[3]P. Shui and Z. Zhang, “Fast SAR image segmentation via merging cost with relative common boundary length penalty,” IEEE Transactions on Geoscience and Remote Sensing, vol. 52, no. 10, pp. 6434-6448, Oct 2014.
[4]J. S. Lee, “Speckle analysis and smoothing of synthetic aperture radar images,”Compute. Graph. Image Process. Vol. 17, pp. 24-32, 1981.
[5]D. T. Kuan, A. A. Sawchuk, T. C. Strand and P. Chavel, “adaptive noise smoothing filter for images with signal dependent noise,” IEEE Trans. Pattern Anal. and Mach. Intell, vol. 7, pp. 165-177, 1985.
[6]V. S. Frost, J. A. Stiles, K. S. Shanumugan, and J. C. Holtzman, “A Model for radar images and its application to adaptive digital filtering of multiplicative noise,” IEEE Trans. Pattern Anal. and Mach. Intell, vol. 4, no. 2, pp. 157-165, Mar 1986.
[7]M. I. H. Bhuiyan, M. O. Ahmad, and M. N. S. wamy. “Spatially adaptive wavelet-based method using the Cauchy prior for denoising the SAR images,” IEEE Trans. Circuits Syst. Video Technol., vol. 17, pp. 500–507, 2007.
[8]T. Bianchi, F. Argenti and L. Alparone, “Segmentation-based MAP despeckling of SAR images in the undecimated wavelet domain,” IEEE Trans. on Geo. and Remote Sensing, vol. 46, no. 9, pp. 2728-2742, Sep 2008.
[9]C. Tomasi and R. Manduchi, “bilateral filtering for gray and color images,” IEEE International Conference on Computer Vision, pp. 839–846, 1998.
[10]W. G. Zhang, F. Liu and L. C. Jiao, “SAR image despeckling via bilateral filtering,” IET Electronics Letters, vol. 45, no. 15, pp. 781–783, July 2009.
[11]B. Lu and Y. Ku, “Speckle reduction with multiresolution bilateral filtering for SAR image,” IEEE Int. Conf. on Machine Vision and Human-machine Interface, pp. 700–703, July 2010.
[12]G. T. Li, C. L. Wang, P. P. Huang and W. D. Yu, “SAR image despeckling using a space-domain filter with alterable window,” IEEE Geo. and Remote Sensing Let, vol. 10, no. 2, pp. 263–267, 2012.
[13]M. Zhang and B. K. Gunturk, “Multiresolution Bilateral Fltering for Image Denoising,” IEEE Trans. on Image Process, vol. 17, no. 12, pp. 2324–2332, December 2008.
[14]S. G. Chang, B. Yu and M. Vetterli, “adaptive wavelet thresholding for image denoising and compression,” IEEE Transactions on Image Process, vol. 9, no. 9, pp. 1532-1546, September 2000.
[15]S. Md. M. Roomi, D. Kalaiyarasi, “Despeckeling of SAR images by optomizing averagee power spectral value in curvelet domain,” International Journal of Information Sciences and Techniques, vol. 2, no. 2, March 2012.
[16]B. B. Saevarsson, J. R. Sveinsson and J. A. Benediktsson, “Speckle reduction of SAR images using adaptive curvelet domain,” IEEE Transactions on Image Process, vol. 6, pp. 4083-4085, July 2003.
[17]L. Gagnon and A. Jouan, “Speckle filtering of SAR images - A comparative study between complex-wavelet-based and standard filters,” in SPIE proc, vol. 3169, pp. 80-91, 1997.
[18]J. L. Stark, E. J. Candes and D. L. Donoho, “The curvelet transform for image denoising,” IEEE Transactions on Image Processing, vol. 11, no. 6, pp. 670-684, Jun 2002.
[19]سمیه ایوبی و حسین پورقاسم، «مقایسه تبدیل کرولت و ویولت گسسته در استخراج ویژگی سیستم تشخیص عنبیه»، اولین کنفرانس ملی ایده­های نو در مهندسی برق، 16 و 17 آذرماه 1391- دانشگاه آزاد اسلامی واحد خوراسگان- اصفهان.
[20]E. J. Candes, L. Demanet and D. L. Donoho, “Fast discrete curvelet transforms,” Tech. report, California Institute of Technology, pp. 1-43,2005,  www.curvelet.org.
[21]D. L. Donoho, “Wedgelets: nearly-minimax estimation of edges,” Ann Statist, vol. 27, pp. 859-897, 1999.
[22]D. L. Donoho, “De-noising by soft-thresholding,” IEEE Trans. On Information Theory, vol. 41, pp. 613-627, 1995.
[23]J. Z. Wu, Y. D. Huang, “Image denoising algorithm based on edge feature extraction in curvelet domain,” Proceedings of the 2012 International Conference on Wavelet Analysis and Pattern Recognition, pp. 15-17, July 2012.
[24]Z. Zhiyu, Z. Xiaodan and Z. Jiulong,“SAR image processing based on fast discrete curvelet transform,” IEEE International Forum on Information Technology and Application, 2009.
[25]D. Ali, P. D. Swami and J. Singhai, “Modified curvelet thresholding algorithm for image denoising,” Journal of Computer Science, vol. 6, no. 1, pp. 18-23, 2010.