CN112750077B - 一种并行化的合成孔径雷达图像子带拼接效应处理方法 - Google Patents

一种并行化的合成孔径雷达图像子带拼接效应处理方法 Download PDF

Info

Publication number
CN112750077B
CN112750077B CN202011463637.6A CN202011463637A CN112750077B CN 112750077 B CN112750077 B CN 112750077B CN 202011463637 A CN202011463637 A CN 202011463637A CN 112750077 B CN112750077 B CN 112750077B
Authority
CN
China
Prior art keywords
image
sub
band
processing
band splicing
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
Application number
CN202011463637.6A
Other languages
English (en)
Other versions
CN112750077A (zh
Inventor
李依晗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
709th Research Institute of CSIC
Original Assignee
709th Research Institute of CSIC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 709th Research Institute of CSIC filed Critical 709th Research Institute of CSIC
Priority to CN202011463637.6A priority Critical patent/CN112750077B/zh
Publication of CN112750077A publication Critical patent/CN112750077A/zh
Application granted granted Critical
Publication of CN112750077B publication Critical patent/CN112750077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06T2207/20024—Filtering details

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种并行化的合成孔径雷达图像子带拼接效应处理方法，包括如下步骤：S1、读入图像，并对图像进行预处理，得到待处理图像；S2、针对大尺寸图像分块处理；S3、并行处理经过分块步骤后的子图像块；S4、以并行化计算估计子带拼接误差。本发明可以提升算法在处理子带拼接效应时的处理效果，减少图像处理时的误差，同时，并行化的计算方法能够有效提升子带拼接效应的处理效率，可以广泛应用于SAR图像处理领域。

Description

一种并行化的合成孔径雷达图像子带拼接效应处理方法
技术领域
本发明涉及信号处理领域，特别是涉及一种并行化的合成孔径雷达图像子带拼接效应处理方法。
背景技术
合成孔径雷达作为一种主动式微波传感器，合成孔径雷达具有不受光照和气候条件等限制实现全天时、全天候对地观测的特点，使其在农、林、海洋或地质、自然灾害等民用领域具有广泛的应用前景，在军事领域更具有独特的优势。
如今空间对地观测的要求在不断提高，为了实现广域大面积观测，星载SAR系统发展出了ScanSAR(扫描)以及TOPS工作模式。该类工作模式通过周期性调整天线姿态来获得更大的成像带宽。然而，这样的工作模式带来了系统增益不均匀及子带拼接误差的问题，即扇贝效应和子带拼接效应。虽然，TOPS模式已经比较有效的解决了扇贝效应的问题，然而子带间的跳变仍然存在。目前，有一种基于卡尔曼滤波的方法在矫正子带拼接效应方面取得了较为满意的效果，但是，该方法仍然存在一些问题。首先，如果SAR图像的方位向对应图像的列，该方法将每列图像上的子带拼接误差视为一个常量，然后使用卡尔曼滤波器对该常量误差进行估计，实验表明，当图像尺寸较大时，该数学模型的拟合性不好，很难取得令人满意的处理结果。另一方面，该算法需要对图像每一列的子带误差进行估计，计算量大，在实际应用中很难满足时效性要求。
发明内容
本发明的目的是为了克服上述背景技术的不足，提供一种并行化的合成孔径雷达图像子带拼接效应处理方法，使其针对现有数学模型在大图像上拟合性不好的问题，提出了一种分块处理的思想；针对计算时效性问题，提出了一种将该算法并行化的思路；利用本发明可以提升算法在处理子带拼接效应时的处理效果，减少图像处理时的误差，同时，并行化的计算方法能够有效提升子带拼接效应的处理效率。
本发明提供的一种并行化的合成孔径雷达图像子带拼接效应处理方法，包括如下步骤：S1、读入图像，并对图像进行预处理，得到待处理图像；S2、针对大尺寸图像分块处理；S3、并行处理经过分块步骤后的子图像块；S4、以并行化计算估计子带拼接误差。
在上述技术方案中，所述步骤S1的具体步骤如下：S11、判断图像中的条纹方向，具体是判断子带拼接误差条纹即SAR图像的方位向是否平行于图像呈纵向设置的列分布，如果不是则需要对图像进行转置；S12、确定子带间隔D。
在上述技术方案中，所述步骤S2的具体步骤如下：S21、计算图像尺寸：长*宽＝M*N，即图像有M行N列；S22、判断是否需要分块，若M<2000，则直接进入步骤S4；若M>2000，则需要对图像进行分块处理；S23、对图像的列进行划分，图像分块方法如下：实际分割块数s：s＝Floor(M/1000)，其中，Floor()为向下取整函数，若 MOD(M/1000)＝0，则分割结果为s个1000*N大小的图像块，若 MOD(M/1000)＝x，则分割结果为s-1个1000*N大小的图像块和一个(1000+x)*N大小的图像块。
在上述技术方案中，所述步骤S3的具体步骤如下：S31、确定图像块在原始图像中对应的索引位置，并计算各图像块原始均值[Mean_1，Mean_2，…，Mean_s]，以便于处理后进行图像拼接；S32、分别对s个图像块使用基于卡尔曼滤波的子带拼接效应处理算法对图像块进行子带拼接效应抑制，并将计算任务均分至可用的计算节点进行分布式并行计算；S33、对s个图像块进行均值矫正，以保证拼接后图像块拼接处不会发生亮度跳变，均值的矫正方法如下：
Figure RE-GDA0003782825060000031
其中Ioutput_x(m,n)和I′output_x(m，n)分别为经过子带拼接效应抑制后的第x幅图像块和均值调整后的第x幅图像块中(m,n)处的像素值，Mean_x为第x幅图像块的原始均值，Output_x_Mean为经过子带拼接效应抑制后第x幅图像块的均值；S34、根据索引位置，将s幅图像块重新拼接，得到最终的处理结果。
在上述技术方案中，所述步骤S32的具体步骤如下：S321、计算当前列邻域区域的均值mean和方差var，然后根据子带拼接误差的加性模型，以mean和var为参数，使用卡尔曼滤波器估计图像块每一列像素所对应的子带拼接误差oS；S322、进行子带拼接误差矫正，直接将原始图像中的一列减去该列对应的子带拼接误差，就得到子带拼接抑制结果；S323、逐列依次进行上述S321和S322两个步骤，直至全图处理完毕，得到子带拼接抑制结果。
在上述技术方案中，所述步骤S4的具体步骤如下：S41、若图像不需要进行分块，则直接进行基于卡尔曼滤波器的子带拼接效应处理； S42、若是分块后的图像，则计算卡尔曼滤波器所需参数；S43、将步骤S42计算后的当前图像矩阵数据分发至计算节点，进行基于卡尔曼滤波器的子带拼接误差估计，得到图像每一列所得到的子带拼接误差估计结果；S44、根据子带拼接误差估计结果，对原始图像进行矫正，得到最终的处理结果，即完成了图像的子带拼接效应抑制。
在上述技术方案中，所述步骤S42的具体过程如下：S421、在使用卡尔曼滤波器进行子带误差估计时，在进行分布式并行计算前完成输入参数的计算，卡尔曼滤波器的输入参数包括当前估计列左右邻域的均值、当前估计列左右邻域的方差以及当前列的观测值，其中，领域均值和领域方差的计算方法为：若当前列为第i列,则计算图像从
Figure RE-GDA0003782825060000041
列到
Figure RE-GDA0003782825060000042
列所对应区域的均值和方差，即为第i列的邻域均值和邻域方差；S422、将每一列像素对应的邻域均值和邻域方差参数存入每一列的第M+1行和M+2行，此时图像矩阵的每一列数据包含了图像原始像素、邻域均值和邻域方差。
在上述技术方案中，所述步骤S12中，子带拼接误差条纹方向与列平行，子带间隔D＝3000；所述步骤S2中，M＝18742，N＝12776， M>2000，需要进行分块处理，得到18块子图像。
在上述技术方案中，所述步骤S3的分布式计算采用了基于 Hadoop的计算架构，实施步骤为：将待处理数据上传到HDFS，然后输出数据是<key,value>形式的待处理子图像块，其中key为图像块所对应的位置索引，value对应待处理的图像块；Mapper获取待处理的<key,value>数据，进行步骤32中的基于卡尔曼滤波的子带拼接效应抑制，然后同样以<key,value>形式输出处理结果，最后在reduce 过程中对图像的均值进行调整，然后按照索引位置进行拼接，最终得到整幅图像的处理结果。
在上述技术方案中，所述步骤S4基于Hadoop架构进行计算，以<key,value>的形式输出待处理数据，此时key为当前列在图像中的位置索引，value为当前列像素值和当前列所对应的邻域均值邻域方差所组成的向量；然后，Mapper获取待处理的<key,value>数据，使用卡尔曼滤波器对该列像素中的子带拼接误差进行估计，得到的估计结果以<key,value>形式传递，此时key为当前列在图像中的位置索引， value为当前列的子带拼接误差；接着执行Reduce过程，根据索引位置，对原始图像中的子带拼接误差进行矫正，从而得到最终的处理结果，即完成了图像子带拼接效应的处理。
本发明并行化的合成孔径雷达图像子带拼接效应处理方法，具有以下有益效果：
(1)有效性，本发明提出的改进的并行化的合成孔径雷达子带拼接效应处理技术能够削弱原算法子带拼接效应建模缺陷对处理结果造成的不良影响，能够有效抑制图像中的子带拼接效应。
(2)实用性，本发明提出的改进的并行化的合成孔径雷达子带拼接效应处理技术所涉及的并行化计算改进能够适应各种尺寸图像的处理，且不会影响原算法的处理结果。
(3)高效率，本发明提出的改进的并行化的合成孔径雷达子带拼接效应处理技术对基于卡尔曼滤波的子带拼接效应处理算法进行了并行化的改进，能够有效提升算法的处理效率。
附图说明
图1为本发明并行化的合成孔径雷达图像子带拼接效应处理方法的整体流程示意图；
图2为本发明并行化的合成孔径雷达图像子带拼接效应处理方法中步骤二的图像分块示意图及图像分块结果；
图3为本发明并行化的合成孔径雷达图像子带拼接效应处理方法中步骤三的流程示意图；
图4为本发明并行化的合成孔径雷达图像子带拼接效应处理方法中步骤四的流程示意图；
图5为实施例中现有技术的含有子带拼接效应的扫描模式合成孔径雷达图像；
图6为图5没有经过分块直接处理得到的结果；
图7为图5进行分块处理后的结果；
图8为图5分块处理的结果和原始未进行分块处理的结果细节对比示意图。
具体实施方式
下面结合附图及实施例对本发明作进一步的详细描述，但该实施例不应理解为对本发明的限制。
本发明提出的改进的并行化的合成孔径雷达图像子带拼接效应处理技术是以基于卡尔曼滤波器的子带拼接效应处理算法为基础，使用图像分块处理的思想解决了原算法中的加性数学模型在大尺寸图像中拟合性不好的问题，并对多个图像块进行并行处理，提升子带拼接效应的处理效率；此外本发明针对原算法中子带拼接误差估计的步骤进行了并行化改进，使得不需要进行分块处理的图像的处理效率也能够有所提升。
本发明一种并行化的合成孔径雷达图像子带拼接效应处理方法，方法流程图如图1所示，具体包括以下步骤：
步骤一：读入图像，并对图像进行预处理，得到待处理图像；
该步骤包含两部分的内容：
(1)判断图像中的条纹方向，具体是判断子带拼接误差条纹即 SAR图像的方位向是否平行于图像的列分布，如果不是则需要对图像进行转置；
(2)确定子带间隔D。
本步骤的实施条件在于需要输入图像为幅度图像或功率图像。
本实施例中，子带方向与列平行，不需要进行转置，子带间隔D 只需要一个大概范围，本实施例中选择D＝3000；
步骤二：针对大尺寸图像的分块处理；
检查图像尺寸，如果图像的长度超过阈值，此时原算法数学模型无法准确拟合图像中的子带拼接误差分布，如果直接套用该模型进行子带拼接效应抑制会使得处理结果中产生人工伪影，但该数学模型对于局部图像仍然具有较好的拟合性，因此需要对图像进行分块；若图像尺寸较小，原算法的数学模型能够较好拟合图像中的子带拼接误差分布，则不需要进行图像分块的步骤，直接进行步骤四。
该步骤包含三部分内容：
(1)计算图像尺寸：长*宽＝M*N，即图像有M行N列；
(2)判断是否需要分块，若M<2000，则直接进入步骤S4；若 M>2000，则需要对图像进行分块处理；
(3)对图像的列进行划分，其原因在于：
由于在现有技术中，原加性模型算法针对图像中每一列像素子带拼接误差的数学模型如下：
IS(m)＝IO(m)+oS m∈1,M
其中IO(m)和IS(m)对应该列图像中第m个像素的理想值和实际值，如果图像较大即M较大时，oS不能再视为一个常数，因此需要对图像进行分割，使得上述模型具有较好的拟合性。
在本发明中，图像分块方法如下：
实际分割块数s：
s＝Floor(M/1000)
其中，Floor()为向下取整函数，若MOD(M/1000)＝0，则分割结果为s个1000*N大小的图像块，若MOD(M/1000)＝x，则分割结果为s-1个1000*N大小的图像块和一个(1000+x)*N大小的图像块。
本实施例中，处理的是18742*12776的扫描模式合成孔径雷达图像，M＝18742，N＝12776，M>2000，因此需要进行分块处理，得到 18块子图像，图像的分块示意图及图像分块结果如图2所示。
步骤三：子图像块并行处理；
经过步骤二的分块步骤后，得到了s幅图像块，由于针对每一个图像块的子带拼接效应抑制操作是相互独立的，因此可以进行并行处理，然后再将其拼接成完整的图像得到最后的处理结果。
所以，该步骤是针对步骤二所产生的多个子图像块先进行分布式并行计算，最后重新拼接得到最终的子带拼接效应抑制结果，本实施例的分布式计算基于Hadoop架构。
具体可以分为以下四个步骤：
(1)确定图像块在原始图像中对应的索引位置，并计算各图像块原始均值[Mean_1，Mean_2，…，Mean_s]，以便于处理后进行图像拼接；
(2)分别对s个图像块使用基于卡尔曼滤波的子带拼接效应处理算法对图像块进行子带拼接效应抑制，并将计算任务均分至可用的计算节点进行分布式并行计算；基于卡尔曼滤波的子带拼接效应处理步骤如下：
a)计算当前列邻域区域的均值mean和方差var，然后根据子带拼接误差的数学模型，以mean和var为参数，使用卡尔曼滤波器估计图像块每一列像素所对应的子带拼接误差oS。
b)进行子带拼接误差矫正，直接将原始图像中的一列减去该列对应的子带拼接误差，就得到子带拼接抑制结果。
c)逐列依次进行上述a)和b)两个步骤，直至全图处理完毕，就得到了子带拼接抑制结果。
(3)对s个图像块进行均值矫正，以保证拼接后图像块拼接处不会发生亮度跳变；均值的矫正方法如下：
Figure RE-GDA0003782825060000091
其中Ioutput_x(m,n)和I′output_x(m,n)分别为经过子带拼接效应抑制后的第x幅图像块和均值调整后的第x幅图像块中(m,n)处的像素值，Mean_x为第x幅图像块的原始均值，Output_x_Mean为经过子带拼接效应抑制后第x幅图像块的均值；
(4)根据索引位置，将s幅图像块重新拼接，得到最终的处理结果。
本实施例中分布式计算采用了基于Hadoop的计算架构，计算流程如图3所示，在实施时将待处理数据上传到HDFS，然后输出数据是<key,value>形式的待处理子图像块，其中key为图像块所对应的位置索引，value对应待处理的图像块；Mapper获取待处理的<key,value> 数据，进行步骤(2)中的基于卡尔曼滤波的子带拼接效应抑制，然后同样以<key,value>形式输出处理结果，最后在reduce过程中对图像的均值进行调整，然后按照索引位置进行拼接，最终得到整幅图像的处理结果。
步骤四：子带拼接误差估计的并行化计算；
该步骤包含四部分内容：
(1)若图像不需要进行分块，则直接进行基于卡尔曼滤波器的子带拼接效应处理，考虑到卡尔曼滤波器针对每一列像素的子带拼接误差估计步骤具有较好的独立性，因此可以对算法的步骤进行修改，然后使得子带拼接误差估计能够并行化分布式计算，从而提高子带拼接效应的处理效率。
(2)计算卡尔曼滤波器所需参数；
在使用卡尔曼滤波器进行子带误差估计的过程中，卡尔曼滤波器的输入主要有当前估计列左右邻域的均值和方差，以及当前列的观测值。其中，当前列的观测值就是该列图像像素值与邻域均值的差，因此利用卡尔曼滤波器进行估计需要计算的输入参数只有左右邻域的均值和方差。为了使得针对每一列像素的操作彻底独立，因此在进行分布式并行计算前完成输入参数的计算，并将每一列像素对应的邻域均值和邻域方差参数存入每一列的第M+1行和M+2行，此时图像矩阵的每一列数据包含了图像原始像素、邻域均值和邻域方差。
领域均值和领域方差的计算方法为：若当前列为第i列,则计算图像从
Figure RE-GDA0003782825060000101
列到
Figure RE-GDA0003782825060000102
列所对应区域的均值和方差，即为第i列的邻域均值和邻域方差。
(3)将当前图像矩阵数据分发至计算节点，进行基于卡尔曼滤波器的子带拼接误差估计，得到图像每一列所得到的子带拼接误差估计结果；
(4)根据子带拼接误差估计结果，对原始图像进行矫正，得到最终的处理结果。
本实施例中图像进行了分块处理，没有涉及到每一列的并行计算。本发明中的该步骤同样可以基于Hadoop架构进行计算，流程图如图 4所示，同样以<key,value>的形式输出待处理数据，此时key为当前列在图像中的位置索引，value为当前列像素值和当前列所对应的邻域均值邻域方差所组成的向量。然后，Mapper获取待处理的<key, value>数据，使用卡尔曼滤波器对该列像素中的子带拼接误差进行估计，得到的估计结果以<key,value>形式传递，此时key为当前列在图像中的位置索引，value为当前列的子带拼接误差。接着执行Reduce 过程，根据索引位置，对原始图像中的子带拼接误差进行矫正，从而得到最终的处理结果。
经过上述步骤后即完成了图像子带拼接效应的处理。
实施例
为了说明本发明中针对算法改进的有效性，使用了一幅尺寸为 18742*12776的包含子带拼接效应的扫描模式合成孔径雷达图像进行了如下实验(如图5所示)。首先，使用原始算法，不对其进行分块处理，得到的结果如图6所示。然后，使用本发明中提到的针对大幅图像的图像分块处理的方法进行处理得到的结果如图7所示。两幅图像的细节放大对比结果如图8所示。
从图5可以看出，图像中子带拼接的位置存在3处明显的亮度起伏。经过基于卡尔曼滤波器的子带拼接效应抑制方法处理后，如图6 所示，图像中的亮度起伏得到了矫正，然而，由于算法模型的缺陷，图像中出现了多处明显的亮线，称为人工伪影。在图7中，可以明显的看出图像中的子带拼接效应得到了很好的矫正，而且没有人工伪影的出现。图8对处理结果的一些细节进行了放大展示，可以看出，进行分块处理后能够有效能够削弱原算法子带拼接效应建模缺陷对处理结果造成的不良影响，而且处理步骤中后面子图像的拼接也不会给图像带来新的误差。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (9)

1.一种并行化的合成孔径雷达图像子带拼接效应处理方法，其特征在于：包括如下步骤：
S1、读入图像，并对图像进行预处理，得到待处理图像；
S2、针对大尺寸图像分块处理；
S3、并行处理经过分块步骤后的子图像块；
步骤S3的具体步骤如下：
S31、确定图像块在原始图像中对应的索引位置，并计算各图像块原始均值[Mean_1，Mean_2，...，Mean_s]，以便于处理后进行图像拼接；
S32、分别对s个图像块使用基于卡尔曼滤波的子带拼接效应处理算法对图像块进行子带拼接效应抑制，并将计算任务均分至可用的计算节点进行分布式并行计算；
S33、对s个图像块进行均值矫正，以保证拼接后图像块拼接处不会发生亮度跳变，均值的矫正方法如下：
Figure FDA0003782825050000011
其中Ioutput_x(m，n)和I′output_x(m，n)分别为经过子带拼接效应抑制后的第x幅图像块和均值调整后的第x幅图像块中(m，n)处的像素值，Mean_x为第x幅图像块的原始均值，Output_x_Mean为经过子带拼接效应抑制后第x幅图像块的均值；
S34、根据索引位置，将s幅图像块重新拼接，得到最终的处理结果；
S4、以并行化计算估计子带拼接误差。
2.根据权利要求1所述的并行化的合成孔径雷达图像子带拼接效应处理方法，其特征在于：所述步骤S1的具体步骤如下：
S11、判断图像中的条纹方向，具体是判断子带拼接误差条纹即SAR图像的方位向是否平行于图像呈纵向设置的列分布，如果不是则需要对图像进行转置；
S12、确定子带间隔D。
3.根据权利要求2所述的并行化的合成孔径雷达图像子带拼接效应处理方法，其特征在于：所述步骤S2的具体步骤如下：
S21、计算图像尺寸：长*宽＝M*N，即图像有M行N列；
S22、判断是否需要分块，若M<2000，则直接进入步骤S4；若M>2000，则需要对图像进行分块处理；
S23、对图像的列进行划分，图像分块方法如下：
实际分割块数s：
s＝Floor(M/1000)，
其中，Floor()为向下取整函数，若MOD(M/1000)＝0，则分割结果为s个1000*N大小的图像块，若MOD(M/1000)＝x，则分割结果为s-1个1000*N大小的图像块和一个(1000+x)*N大小的图像块。
4.根据权利要求3所述的并行化的合成孔径雷达图像子带拼接效应处理方法，其特征在于：所述步骤S32的具体步骤如下：
S321、计算当前列邻域区域的均值mean和方差var，然后根据子带拼接误差的加性模型，以mean和var为参数，使用卡尔曼滤波器估计图像块每一列像素所对应的子带拼接误差oS；
S322、进行子带拼接误差矫正，直接将原始图像中的一列减去该列对应的子带拼接误差，就得到子带拼接抑制结果；
S323、逐列依次进行上述S321和S322两个步骤，直至全图处理完毕，得到子带拼接抑制结果。
5.根据权利要求4所述的并行化的合成孔径雷达图像子带拼接效应处理方法，其特征在于：所述步骤S4的具体步骤如下：
S41、若图像不需要进行分块，则直接进行基于卡尔曼滤波器的子带拼接效应处理；
S42、若是分块后的图像，则计算卡尔曼滤波器所需参数；
S43、将步骤S42计算后的当前图像矩阵数据分发至计算节点，进行基于卡尔曼滤波器的子带拼接误差估计，得到图像每一列所得到的子带拼接误差估计结果；
S44、根据子带拼接误差估计结果，对原始图像进行矫正，得到最终的处理结果，即完成了图像的子带拼接效应抑制。
6.根据权利要求5所述的并行化的合成孔径雷达图像子带拼接效应处理方法，其特征在于：所述步骤S42的具体过程如下：
S421、在使用卡尔曼滤波器进行子带误差估计时，在进行分布式并行计算前完成输入参数的计算，卡尔曼滤波器的输入参数包括当前估计列左右邻域的均值、当前估计列左右邻域的方差以及当前列的观测值，其中，领域均值和领域方差的计算方法为：若当前列为第i列,则计算图像从
Figure FDA0003782825050000031
列到
Figure FDA0003782825050000032
列所对应区域的均值和方差，即为第i列的邻域均值和邻域方差；
S422、将每一列像素对应的邻域均值和邻域方差参数存入每一列的第M+1行和M+2行，此时图像矩阵的每一列数据包含了图像原始像素、邻域均值和邻域方差。
7.根据权利要求6所述的并行化的合成孔径雷达图像子带拼接效应处理方法，其特征在于：所述步骤S12中，子带拼接误差条纹方向与列平行，子带间隔D＝3000；
所述步骤S2中，M＝18742，N＝12776，M>2000，需要进行分块处理，得到18块子图像。
8.根据权利要求7所述的并行化的合成孔径雷达图像子带拼接效应处理方法，其特征在于：所述步骤S3的分布式计算采用了基于Hadoop的计算架构，实施步骤为：将待处理数据上传到HDFS，然后输出数据是<key,value>形式的待处理子图像块，其中key为图像块所对应的位置索引，value对应待处理的图像块；Mapper获取待处理的<key,value>数据，进行步骤32中的基于卡尔曼滤波的子带拼接效应抑制，然后同样以<key,value>形式输出处理结果，最后在reduce过程中对图像的均值进行调整，然后按照索引位置进行拼接，最终得到整幅图像的处理结果。
9.根据权利要求8所述的并行化的合成孔径雷达图像子带拼接效应处理方法，其特征在于：所述步骤S4基于Hadoop架构进行计算，以<key,value>的形式输出待处理数据，此时key为当前列在图像中的位置索引，value为当前列像素值和当前列所对应的邻域均值邻域方差所组成的向量；然后，Mapper获取待处理的<key,value>数据，使用卡尔曼滤波器对该列像素中的子带拼接误差进行估计，得到的估计结果以<key,value>形式传递，此时key为当前列在图像中的位置索引，value为当前列的子带拼接误差；接着执行Reduce过程，根据索引位置，对原始图像中的子带拼接误差进行矫正，从而得到最终的处理结果，即完成了图像子带拼接效应的处理。
CN202011463637.6A 2020-12-14 2020-12-14 一种并行化的合成孔径雷达图像子带拼接效应处理方法 Active CN112750077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011463637.6A CN112750077B (zh) 2020-12-14 2020-12-14 一种并行化的合成孔径雷达图像子带拼接效应处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011463637.6A CN112750077B (zh) 2020-12-14 2020-12-14 一种并行化的合成孔径雷达图像子带拼接效应处理方法

Publications (2)

Publication Number Publication Date
CN112750077A CN112750077A (zh) 2021-05-04
CN112750077B true CN112750077B (zh) 2023-01-20

Family

ID=75649170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011463637.6A Active CN112750077B (zh) 2020-12-14 2020-12-14 一种并行化的合成孔径雷达图像子带拼接效应处理方法

Country Status (1)

Country Link
CN (1) CN112750077B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092933A (zh) * 2017-04-24 2017-08-25 中国科学院遥感与数字地球研究所 一种合成孔径雷达扫描模式图像海冰分类方法
CN110533665A (zh) * 2019-09-03 2019-12-03 北京航空航天大学 一种抑制扇贝效应和子带拼接效应的sar图像处理方法
CN110749882A (zh) * 2019-10-24 2020-02-04 中国科学院电子学研究所 基于频域滤波的图像域扇贝抑制方法及系统
CN111510657A (zh) * 2019-12-18 2020-08-07 中国船舶重工集团公司第七0九研究所 基于fpga的多路雷达、光电视频综合显示方法及系统
CN111768337A (zh) * 2020-06-01 2020-10-13 中国科学院空天信息创新研究院 一种图像处理方法、装置和电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITTO20130108A1 (it) * 2013-02-08 2014-08-09 Thales Alenia Space Italia S P A C On Unico Socio Innovativo metodo per generare immagini sar in modalita' stripmap
CN109035152B (zh) * 2018-05-23 2022-03-18 电子科技大学 一种合成孔径雷达图像非局部均值滤波方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092933A (zh) * 2017-04-24 2017-08-25 中国科学院遥感与数字地球研究所 一种合成孔径雷达扫描模式图像海冰分类方法
CN110533665A (zh) * 2019-09-03 2019-12-03 北京航空航天大学 一种抑制扇贝效应和子带拼接效应的sar图像处理方法
CN110749882A (zh) * 2019-10-24 2020-02-04 中国科学院电子学研究所 基于频域滤波的图像域扇贝抑制方法及系统
CN111510657A (zh) * 2019-12-18 2020-08-07 中国船舶重工集团公司第七0九研究所 基于fpga的多路雷达、光电视频综合显示方法及系统
CN111768337A (zh) * 2020-06-01 2020-10-13 中国科学院空天信息创新研究院 一种图像处理方法、装置和电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于GNSS/INS与激光雷达的缓存池建图;叶珏磊，等;《激光应用技术》;20200331;第300-304页 *

Also Published As

Publication number Publication date
CN112750077A (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
Zhang et al. Nighttime dehazing with a synthetic benchmark
Ding et al. Uncertainty-based thin cloud removal network via conditional variational autoencoders
EP2556490B1 (en) Generation of multi-resolution image pyramids
US9542725B2 (en) Image processing device, image processing method and medium
CN110533665B (zh) 一种抑制扇贝效应和子带拼接效应的sar图像处理方法
CN111768337B (zh) 一种图像处理方法、装置和电子设备
CN111738929A (zh) 一种图像处理方法及装置、电子设备、存储介质
Zhang et al. ELFPIE: an error-laxity Fourier ptychographic iterative engine
CN109685879B (zh) 多视影像纹理分布的确定方法、装置、设备和存储介质
Zhu et al. Low-light image enhancement network with decomposition and adaptive information fusion
CN114998141B (zh) 基于多分支网络的空间环境高动态范围成像方法
Ma et al. SCT-CR: A synergistic convolution-transformer modeling method using SAR-optical data fusion for cloud removal
Suthar et al. A survey on various image inpainting techniques to restore image
CN112750077B (zh) 一种并行化的合成孔径雷达图像子带拼接效应处理方法
CN110223243A (zh) 基于张量的非局部自相似和低秩正则的张量修复方法
Zhang et al. Group-based sparse representation for Fourier ptychography microscopy
CN114972518A (zh) 实时目标位姿跟踪方法、装置、计算机设备和存储介质
CN120219173A (zh) 一种遥感图像超分辨率重建方法、系统、设备和存储介质
CN120070173A (zh) 一种大角度摆扫影像分辨率统一方法
CN117372307B (zh) 一种多无人机协同探测分布式图像增强方法
Zhang et al. High-quality image restoration from partial random samples in spatial domain
CN111179185B (zh) 一种基于云腌膜和msr的遥感影像色彩纠正方法及系统
CN116681615A (zh) 一种多种恶劣天气条件下的图像恢复方法
Zhang et al. A novel SAR denoising algorithm based on NLM and multi-temporal SAR
CN120070274B (zh) 一种图像拼接中的镜头阴影校正方法及装置

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