Python 中的散斑（Lee Filter）

Question

我正在尝试在卫星 SAR 图像中去除斑点噪声。我没有收到任何在 SAR 图像中去除斑点噪声的软件包。我已经尝试过pyradar，但它适用于python 2.7，我正在Windows上使用python 3.5开发Anaconda。 Rsgislib 也可用，但它在 Linux 上。 Joseph meiring也在github上给出了Lee过滤器代码，但它无法工作。 ： https://github.com/reptillicus/LeeFilter

请问任何人都可以分享散斑滤波器的 python 脚本或者如何在 python 中进行散斑滤波器设计。

Answer 1

这是一个有趣的小问题。与其尝试为它找到一个库，为什么不根据定义来编写它呢？

from scipy.ndimage.filters import uniform_filter
from scipy.ndimage.measurements import variance

def lee_filter(img, size):
    img_mean = uniform_filter(img, (size, size))
    img_sqr_mean = uniform_filter(img**2, (size, size))
    img_variance = img_sqr_mean - img_mean**2

    overall_variance = variance(img)

    img_weights = img_variance / (img_variance + overall_variance)
    img_output = img_mean + img_weights * (img - img_mean)
    return img_output

如果您不希望窗口是大小 x 大小的正方形，只需将

uniform_filter

替换为其他内容（与磁盘、高斯滤波器等进行卷积）。任何类型的（加权）平均滤波器都可以，只要计算

img_mean

和

img_square_mean

的计算相同即可。

Lee 过滤器作为过滤器似乎相当老式。它在边缘处的表现不佳，因为对于任何有边缘的窗口，方差将远高于整体图像方差，因此（未过滤图像相对于过滤图像的）权重会变大接近 1。

一个例子：

from pylab import *
import numpy as np
img = np.random.normal(0.5, 0.1, (100,100))
img[:,:50] += 0.25
imshow(img, vmin=0, vmax=1, cmap='gray')
imshow(lee_filter(img, 20), vmin=0, vmax=1, cmap='gray')

如您所见，总体来说降噪效果非常好，但边缘处的降噪效果要弱得多。

我对 SAR 不熟悉，所以我不知道 Lee 滤波器是否具有一些使其特别适合 SAR 中的散斑的功能，但您可能想研究现代的边缘感知降噪器，例如引导滤波器或双边滤波器。

Answer 2

一般来说，用肉眼很难在二维图中看到噪声滤波器的效果。 让我通过例子来证明这一点。假设我们有这张嘈杂的图片：

现在让我将此图像转换为 3D 网格图。然后它会看起来像这样。噪点变得非常清晰，而且图片左右两侧的深度也有差异。

库

findpeaks

包含许多过滤器，这些过滤器是从各种（旧的Python 2）库中使用的，并重写为Python 3。应用过滤器非常简单，如下所示。请注意，此示例对于 SAR 图像来说似乎不太具有代表性，因为没有斑点噪声。在此示例中，均值或中值滤波器似乎表现得非常好。在局部高度很重要的散斑噪声图像中，此类均值/中值滤波器可以去除峰值，从而破坏感兴趣的信号。

安装方式：

pip install findpeaks

运行者：

from findpeaks import findpeaks

# Read image
img = cv2.imread('noise.png')

filters = [None, 'lee','lee_enhanced','kuan', 'fastnl','bilateral','frost','median','mean']

for getfilter in filters:
    fp = findpeaks(method='topology', scale=False, denoise=getfilter, togray=True, imsize=False, window=15)
    fp.fit(img)
    fp.plot_mesh(wireframe=False, title=str(getfilter), view=(30,30))

如果您想直接使用去噪滤波器，可以按如下方式完成：

import findpeaks
import matplotlib.pyplot as plt

# Read image
img = cv2.imread('noise.png')

# filters parameters
# window size
winsize = 15
# damping factor for frost
k_value1 = 2.0
# damping factor for lee enhanced
k_value2 = 1.0
# coefficient of variation of noise
cu_value = 0.25
# coefficient of variation for lee enhanced of noise
cu_lee_enhanced = 0.523
# max coefficient of variation for lee enhanced
cmax_value = 1.73

# Some pre-processing
# Make grey image
img = findpeaks.stats.togray(img)
# Scale between [0-255]
img = findpeaks.stats.scale(img)

# Denoising
# fastnl
img_fastnl = findpeaks.stats.denoise(img, method='fastnl', window=winsize)
# bilateral
img_bilateral = findpeaks.stats.denoise(img, method='bilateral', window=winsize)
# frost filter
image_frost = findpeaks.frost_filter(img, damping_factor=k_value1, win_size=winsize)
# kuan filter
image_kuan = findpeaks.kuan_filter(img, win_size=winsize, cu=cu_value)
# lee filter
image_lee = findpeaks.lee_filter(img, win_size=winsize, cu=cu_value)
# lee enhanced filter
image_lee_enhanced = findpeaks.lee_enhanced_filter(img, win_size=winsize, k=k_value2, cu=cu_lee_enhanced, cmax=cmax_value)
# mean filter
image_mean = findpeaks.mean_filter(img, win_size=winsize)
# median filter
image_median = findpeaks.median_filter(img, win_size=winsize)


plt.figure(); plt.imshow(img_fastnl, cmap='gray'); plt.title('Fastnl')
plt.figure(); plt.imshow(img_bilateral, cmap='gray'); plt.title('Bilateral')
plt.figure(); plt.imshow(image_frost, cmap='gray'); plt.title('Frost')
plt.figure(); plt.imshow(image_kuan, cmap='gray'); plt.title('Kuan')
plt.figure(); plt.imshow(image_lee, cmap='gray'); plt.title('Lee')
plt.figure(); plt.imshow(image_lee_enhanced, cmap='gray'); plt.title('Lee Enhanced')
plt.figure(); plt.imshow(image_mean, cmap='gray'); plt.title('Mean')
plt.figure(); plt.imshow(image_median, cmap='gray'); plt.title('Median')

如果您想使用该库，可以在此处找到更多示例。

Answer 3

我尝试了findpeaks，它对我的数据（alos2 1.1）效果很好，但运行时间很长...... 每个极性一个半小时。你知道有一个计算能力更强、功能更强大的软件包可以实现同样的功能吗？ 谢谢