基于SVM 的SAR 图像去噪方法.docVIP

基于SVM 的SAR 图像去噪方法 　　摘要：图像去噪是SAR技术中非常关键的一环，对于信息的清晰度有着非常重要的决定作用。因此，在去噪的过程中，必须要注意加强对一些边缘信息的处理，避免由于分类不当，导致信息的误删。实践中笔者发现基于SVM的SAR技术可以取得更好的去噪效果，下面将进行浅析。 　　关键词：SAR图像；小波变换；支持向量机；相斑干噪声；去噪 　　中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2013）33-7560-02 　　SVM的全称是支持向量机，最早出现于上个实际的九十年代，是一种基于统计学的结构方法，由于其可以在统计的过程中最大话的控制风险，实现更加精准的分析，所以被应用于图像的去噪过程中，不仅可以应用于小波分析器中，还可以应用在SAR技术的图像去噪过程中。 　　1 SVM相关理论 　　1.1 基本知识 　　要想了解SVM技术的去噪，就必须要对相关的支持进行全面的了解和掌握，不仅要明确SVM技术的基本原理，还要掌握其相关的用途。就目前来看，在图像处理技术中，SVM属于一种比较系统的统计分析技术，基于其具有较强的对比分析能力，所以目前被应用于一些图像的处理活动中，不仅包括人脸的识别技术，还包括相关图像的恢复。由于该技术的本质是一种数据的分析和处理，所以在应用的过程中，要注意对相关的信息和数据的选择，只有这样才能结合其他相关技术，得到最理想的修复效果。另外，该技术同传统的分类器技术相比，最大的应用优势在于能够对更加细致的样本和更小的样本材料进行更加精确的分析。 　　也就是说，在采用SVM技术进行相关的图像处理的过程中，先要对待分析的样本进行一个集合设定，也就是说要对先有的可包含的数据和信息进行一个分类和整理。一般来说，要通过线性函数的方式表达出来，不仅要将图像作为一个平面函数的分类，还要对一些超平面的数据进行分类处理，这样就可以在几组分类中适当的选取最佳的分析数据和信息，提高了分析的效率和准确性。通常情况下，设定的函数表达式为 （xi，yi），i=1，…，n x∈Rd，y∈{+1，-1}。 　　对于一些非线性的函数集合，要想采用SVM技术进行数据处理，就必要先进行相关的函数形式的转化和调换。一般来说，将现有的函数转化为高维空间的一种函数问题，就可以定义内积函数，从而实现对现有的结合数据和信息的综合分析和精确判断。但是由于这种技术在实践中比较难以操作和控制，因此在设定非线性函数的相关数值的时候，应该注重对φ以及相关的样本的特征采集，也就是说要将现有的结合中的各种数据通过一种平面的表达方式输入现有的点积φ（xi）·φ（xj）中，并以此来实现内积的转换。在转换内积的过程中，值得注意的是要根据Mercer条件的变换而变换空间中的各种函数值。但是在计算的过程中，要始终的保持高维特征的不变，避免由于空间特征导致的复杂算法的误差，进而影响数据分析的准确性。 　　1.2 常用核函数 　　所谓核函数，就是指在计算的过程中，所采用的最核心的函数表达式，核函数的最主要的作用在于可以左右基本的函数定向，并且通常对于数值的大致范围起着决定性的左右，一般来说，常用的核函数有这样几个类型：首先，线性函数 （linear）K（xi，xj）=xi·xj，这个表达式的最大的特点在于它是基于最基础的线性理论进行的数据分析，因此数据的结果基本上来源于集合内部，也就是说结果同集合的重复率比较高，因此也比较容易把握；其次，多项式核函数（polynomial）K（xi，xj）=[（xi·xj）+1]d，这种核函数的最大的特点在于核函数的计算要通过多重的表达式才能实现，不仅要计算第一个阶段的单项式的函数值，还要带入到总的函数表达式中再次计算才能得到最后的数据，再次，径向基核函数（rbf）K（xi，xj）=e-||xi-xj||2/2б2，这种函数表达式的最大的特点在于要通过系数的自身范围来确定径向基的范围范围，也就是说不能够在函数的系数不明确的情况下，对径向基进行取值，即使是在集合范围内；最后，二层神经网络核函数（sigmoid tanh），这种核函数形式的最大特点在于能够及时的将二次计算的结果显示出来，并且筛选出适合于此次计算的系数。在具体的计算的过程中，可以根据实际的计算情况来选择不同的核函数的形式，也可以对核函数进行组合使用。 　　除此之外，在SVM函数表达的计算过程中，还可以根据具体的给定范围的不同，采取不同的表达方式，但是要注意的是保证核函数的算法不能够脱离B样条核的基本形式，否则将无法实现SVM技术的数据选择功能，也就无法对图像进行去噪处理。 　　2 基于SVM的小波SAR图像去噪 　　在去噪的过程中，选择小波去噪是最有效也是最安全的途径，因为小波去噪可以游戏的降低核函数的计算误差，因