SAR图像处理与检测 课件 第二章 SAR 图像滤波的字典学习方法.pptx

2025/5/241第二章SAR图像滤波的字典学习方法2.1K-SVD算法2.2K-LLD算法2.3K-OLS算法2.4小结

2025/5/242字典学习方法超完备字典设计问题是信号稀疏表示建模中的研究热点之一。相比于传统的超完备字典设计方法，基于学习模式的超完备字典设计方法出现较晚，本身也随着稀疏表示理论的发展而不断发展。字典学习是对已有的初始字典进行训练，使其更符合实际信号的特征，使得信号具有更稀疏、更准确的表示，因而引起了研究者的广泛关注。基于字典学习的稀疏表示理论在语音的增强、去噪、超分辨，以及图像的压缩、分离、修复、目标检测、识别等领域得到了广泛应用，并取得了较好的应用效果。基于字典学习的SAR图像相干斑抑制算法，其基本思想是利用原始SAR图像作为样本数据，通过学习的方式获得具有良好逼近特性的原子集合（字典），并利用稀疏优化方法重建降噪后的SAR图像数据。本章所介绍的自适应超完备字典学习算法，其核心思想是基于聚类算法的向量量化问题进行字典原子的训练、更新。该类字典学习算法的实现过程是将字典的构建过程与优化算法结合起来，用待分解SAR图像来训练字典原子，择优选取，获得SAR图像特征信息的超完备字典和稀疏表示系数。

K-SVD算法?2025/5/243

K-SVD算法?2025/5/24

K-SVD算法?2025/5/24

K-SVD算法?2025/5/24

K-SVD算法?2025/5/24

K-SVD算法?2025/5/24

K-SVD算法?2025/5/24

K-SVD算法?2025/5/24

K-SVD算法?2025/5/24

K-SVD算法?2025/5/24

K-SVD算法?2025/5/24

K-SVD算法?2025/5/24

K-SVD算法以图2.1（a）所示图像作为输入数据，应用算法2.3，得到相应的超完备字典，如图2.2所示。2025/5/24对于K-SVD算法可以发现，此类相干斑抑制算法所追求的目标是更为强大的噪声抑制性能，从一定方面忽视了计算复杂度问题，然而，在处理大量的SAR数据时，通常对相干斑抑制性能的要求和对计算速度的要求同等重要，有时对计算速度的要求会更高。K-LLD（K均值局部学习字典）算法从一定程度上克服了K-SVD算法相干斑抑制的执行效率问题，但对于富含相干斑的SAR图像，K-LLD算法也表现出了自身的不足之处。

K-LLD算法2025/5/24?

K-LLD算法?2025/5/24

K-LLD算法?2025/5/24

K-LLD算法?2025/5/24

K-LLD算法?2025/5/24

K-LLD算法?2025/5/24

K-LLD算法SAR图像相干斑抑制的K-LLD算法K-LLD算法本质上是一种梯度回归算法，因此，基于K-LLD的图像降噪算法对低水平、均匀噪声有较好的处理效果。另外，基于K-LLD的图像降噪算法采用Stein的无偏风险估计方法得到的最小均方误差作为停止迭代的条件，其计算量很大。实验结果及分析接下来进行实验参数设定，聚类中心K=10。图2.3所示为K-LLD算法SAR图像相干斑抑制。K-LLD算法从一定程度上克服了K-SVD算法的执行效率问题，但对于富含相干斑的SAR图像，其相干斑抑制效果要比K-SVD算法差，出现了颗粒状的斑驳。若要降低颗粒状的斑驳，相应的参数设置也是比较麻烦的事情。2025/5/24

K-LLD算法2025/5/24

K-OLS算法?2025/5/24

K-OLS算法?2025/5/24

K-OLS算法?2025/5/24

K-OLS算法?2025/5/24

K-OLS算法?2025/5/24

K-OLS算法?2025/5/24

K-OLS算法?2025/5/24

K-OLS算法SAR图像相干斑抑制的K-OLS算法本节介绍一种新的基于自适应超完备字典学习的SAR图像相干斑抑制算法：针对SAR图像所固有的稀疏结构信息，通过迭代优化的方式得到超完备字典，利用超完备字典对SAR图像数据进行稀疏表示，运用乘性噪声模型进行参数估计和阈值设定，通过正则化方法实现SAR图像的相干斑抑制处理。考虑SAR图像的强度测量值、反射系数和相干斑噪声之间的关系模型，并以此为基础获得相干斑抑制算法的优化模型。图2.4所示为K-OLS算法用于SAR图像相干斑抑制的流程图。2025/5/24

K-OLS算法?2025/5/24

K-OLS算法?2025/5/24

K-OLS算法?2025/5/24

K-OLS算法?2025/5/24

K-OLS算法?2025/5