Two-Step Sparse Decomposition for SAR Image Despeckling
Two-Step Sparse Decomposition for SAR Image Despeckling
复制标题
SAR 图像去斑的两步稀疏分解
DOI：
10.1109/lgrs.2017.2705030
复制
发表时间：
2017-06
影响因子：
4.8
通讯作者：
Hong Sun
中科院分区：
文献类型：
--
作者：
Cheng-Wei Sang;Hong Sun
在本文中，我们提出了一种新的基于两步稀疏分解的斑点去除方法。首先，块匹配分组方法识别相似的图像块并将其堆叠成一组，使得相似块的组大多是均匀的，这适用于后续的稀疏分解方法。然后，将所提出的两步稀疏分解应用于每一组。第一种稀疏分解是一种经典的稀疏表示，以获得过完备字典和稀疏系数。第二个稀疏分解是字典上的子空间分解。我们提出了一种基于稀疏系数的度量作为识别主信号子字典的标准。最后，通过主子词典的原子的线性组合来重建图像。该方法结合了学习的过完备字典和主子字典的优点，前者能充分挖掘细节，后者能减少强噪声。实验结果证明了该方法对合成孔径雷达图像去噪的有效性。该方法在结构细节保持和相干斑噪声抑制两方面都取得了较好的效果。
In this letter, we propose a new despeckling method based on two-step sparse decomposition. First, the grouping by block matching method identifies similar image patches and stacks them into a group, so that the group of similar patches are mostly homogeneous, which is suitable for the followed sparse decomposition method. And then, the proposed two-step sparse decompositions are applied to each group. The first sparse decomposition is a classical sparse representation to obtain an overcomplete dictionary and the sparse coefficients. The second sparse decomposition is a subspace decomposition over the dictionary. We proposed a measurement from the sparse coefficients as the criterion to identify a principal signal subdictionary. Finally, the image is reconstructed by the linear combination of the atoms of the principal subdictionary. The proposed method takes benefits from learned overcomplete dictionary, which fully explores details and from the principal subdictionary, which reduces strong noises. Experimental results demonstrate the efficiency of the proposed method to denoise synthetic aperture radar images. Our method can achieve high performances in terms of both structure details preservation and speckle noise reduction.
登录
查看更多内容
DOI：
10.1109/tgrs.2011.2161586
发表时间：
2012-02-01
影响因子：
8.2
作者：
Parrilli, Sara;Poderico, Mariana;Verdoliva, Luisa
通讯作者：
Verdoliva, Luisa
DOI：
10.1016/j.sigpro.2011.12.015
发表时间：
2012-06
期刊：
Signal Process.
影响因子：
--
作者：
Yan Hao;Xiangchu Feng;Jianlou Xu
通讯作者：
Yan Hao;Xiangchu Feng;Jianlou Xu
DOI：
10.1109/tpami.1985.4767641
发表时间：
1985-01-01
影响因子：
23.6
作者：
KUAN, DT;SAWCHUK, AA;CHAVEL, P
通讯作者：
CHAVEL, P
影响因子：
--
作者：
ARSENAULT, HH;APRIL, G
通讯作者：
APRIL, G
DOI：
10.1109/igarss.2008.4778835
发表时间：
2008-07
期刊：
IGARSS 2008 - 2008 IEEE International Geoscience and Remote Sensing Symposium
影响因子：
--
作者：
S. Foucher
通讯作者：
S. Foucher