Función de ruido
El ruido es el ruido de alta frecuencia en datos de un radar. Las imágenes generadas por los sistemas de radar de apertura sintética (SAR) son altamente sujetos a efectos del ruido debido al procesamiento de señales dispersas y a la interferencia de ondas electromagnéticas dispersas de las superficies u objetos. Esta función de ruido filtra el dataset de radar con ruido y suaviza el ruido mientas retiene los bordes o entidades precisas en la imagen.
Los algoritmos de suavizado en esta función de manera efectiva eliminan los ruidos con base en un modelo de ruido. Las técnicas de filtrado de reducción de ruido usadas en esta función son las siguientes:
- Lee
- Lee mejorado
- Kuan
- congelado
Estos filtros en la función Ruido preservan los bordes y detalles mientas reducen eficientemente el ruido en la imagen. Todos estos filtros tienen parámetros que puede ajustar para optimizar los resultados.
Las entradas principales para la función de Ruido son las siguientes:
- Ráster de entrada
- Tipo de filtro: Lee, Lee mejorado, congelado y Kuan
- Tamaño de filtro: 3 x 3, 5 x 5, 7 x 7, 9 x 9, 11 x 11
Lee
El filtro Lee reduce el ruido al aplicar un filtrado espacial a cada píxel en una imagen, el cual filtra los datos con base en estadísticas locales calculadas dentro de una ventana cuadrada. El valor del píxel del centro se reemplaza por un valor calculado usando los píxeles vecinos.
Entradas
El filtro Lee se aplica dependiendo de los siguientes tres modelos de ruido que el ráster de entrada presenta:
- Aditivo
- Multiplicativo
- Aditivo y multiplicativo
Básicamente, los ruidos tiene la naturaleza de ruido multiplicativo.
Las siguientes entradas dependen del modelo de ruido seleccionado:
| Modelo de ruido | Parámetro | Descripción | Valor predeterminado |
|---|---|---|---|
Aditivo | Varianza de ruido | Esta es la varianza de ruido de la imagen en caso de ruido aditivo así como ruido aditivo y multiplicativo. | 0.25 |
Multiplicativo (predeterminado) | Media de ruido multiplicativo | Valor medio de ruido multiplicativo. | 1 |
Cantidad de aspectos | Especifica la cantidad de vistas de la imagen. Esta se usa para calcular la varianza de ruido en caso del ruido multiplicativo. | 1 | |
Aditivo y multiplicativo | Varianza de ruido | Esta es la varianza de ruido de la imagen en caso de ruido aditivo así como ruido aditivo y multiplicativo. | 0.25 |
Media de ruido aditivo | Valor medio de ruido aditivo. | 0 | |
Media de ruido multiplicativo | Valor medio de ruido multiplicativo. | 1 |
Nota:La media del ruido aditivo normalmente es 0. La media de ruido multiplicativo generalmente es 1.
Algoritmos
Los algoritmos usados en la implementación del filtro Lee son los siguientes:
Modelo de ruido | Algoritmo |
|---|---|
Aditivo | Valor del píxel filtrado= LM + K * (PC - LM) donde K (función de peso) = LV / (LV + AV.) |
Multiplicativo | Valor del píxel filtrado= LM + K * (PC - M * LM) donde K (función de peso) = M * LV / ((LM * LM * MV) + (M * M * LV)) donde MV = 1 / NAspectos |
| Aditivo y multiplicativo | Valor del píxel filtrado= LM + K * (PC - M * LM - A) donde K (función de peso) = M * LV / ((LM * LM * MV) + (M * M * LV) + AV.) donde MV = (SD / LM)2 |
donde
PC: valor de píxel central de la ventana
LM: media local de la ventana de filtro
LV: varianza local de la ventana de filtro
M: media de ruido multiplicativo (parámetro de entrada)
A: media de ruido aditivo (parámetro de entrada)
AV.: varianza de ruido aditivo (parámetro de entrada)
MV: varianza de ruido multiplicativo (parámetro de entrada)
SD: desviación estándar de la ventana de filtro
NAspectos: número de aspectos (parámetro de entrada)
Lee mejorado
El filtro Lee mejorado es una versión alterada del filtro Lee que reduce el ruido efectivamente al preservar la precisión y detalle de la imagen. Este requiere un factor de vaciado y cantidad de aspectos.
El parámetro Cantidad de aspectos controla el suavizado de la imagen y estima la varianza de ruido. Entre menor el valor, mejor el efecto de suavizado y el rendimiento del filtro. Un valor más grande retiene más entidades de imagen.
El valor de Factor de vaciado define la extensión del vaciado exponencial. Un valor más grande conduce a una capacidad de suavizado aumentada.
Entradas
Las entradas del filtro Lee mejorado son las siguientes:
Parámetro | Descripción | Valor predeterminado |
|---|---|---|
Cantidad de aspectos | Especifica la cantidad de aspectos de la imagen. | 1 |
Factor de vaciado | Especifica el factor de vaciado para definir la extensión del suavizado. | 1.0 |
Algoritmo
El algoritmo usado en la implementación del filtro Lee mejorado es el siguiente:
Valor de píxel de centro suavizado:
LM para CI <= CU
LM * K + PC * (1 - K) para CU < CI < Cmáx
PC para CI >= Cmáx
donde
PC: valor de píxel central de la ventana
LM: media local de la ventana de filtro
SD: desviación estándar en la ventana de filtro
NAspectos: número de aspectos (parámetro de entrada)
D: factor de vaciado (parámetro de entrada)
CU = 1 / raíz cuadrada (NAspectos) (Coeficiente de variación de ruido)
Cmáx = raíz cuadrada (1 + 2 / NAspectos) (Coeficiente de variación de ruido máximo)
CI = SD / LM(Coeficiente de variación de imagen)
K = e(- D (Ci - CU) / (Cmáx - CI))
Kuan
El filtro Congelamiento reduce el ruido y preserva las entidades de imagen importantes en los bordes con un filtro simétrico circular vaciado exponencialmente que usa estadísticas locales dentro de ventanas de filtro individuales.
La reflectancia de escena es un factor importante que diferencia el filtro Congelamiento de los filtros Lee y Kuan, el cual se calcula al combinar la imagen observada con la respuesta de impulso del sistema SAR.
El filtro Congelamiento requiere de un factor de vaciado. El valor de Factor de vaciado define la extensión del vaciado exponencial. Entre menor el valor, mejor la capacidad de suavizado y el rendimiento del filtro.
Después de la aplicación del filtro de Congelamiento, las imágenes sin ruido muestran mejor brillo en los bordes.
Entrada
La entrada para el filtro Congelamiento es el siguiente:
Parámetro | Descripción | Valor predeterminado |
|---|---|---|
Factor de vaciado | Especifica el factor de vaciado para definir la extensión del suavizado. | 1.0 |
Algoritmo
La implementación de este filtro consiste en definir un filtro simétrico circularmente con un conjunto de valores de peso M para cada píxel. El algoritmo usado en la implementación del filtro Congelamiento mejorado es el siguiente:
K = e (- B * S)
donde
B = D * (LV / LM * LM)
S: valor absoluto de la distancia de píxel del píxel central a sus vecinos en la ventana de filtro
D: factor de vaciado exponencial (parámetro de entrada)
LM: media local de la ventana de filtro
LV: varianza local de la ventana de filtro
El valor de nivel gris resultante del píxel filtrado es
R = (P1 * K1 + P2 * K2 + ... + Pn * Kn) / (K1 + K2 + ... + Kn)
donde
P1,P2,...Pn son niveles grises de cada píxel en la ventana filtro
K1,K2,...Kn son pesos (como se define arriba) para cada píxel
congelado
El filtro Kuan sigue un proceso de filtrado similar al filtro Lee en reducir el ruido. Este filtro también aplica un filtro espacial a cada píxel en una imagen, filtrar la base de datos con base en estadísticas locales de valor de píxel centrado que se calcula usando píxeles vecinos.
El parámetro Número de aspectos controla el suavizado de imagen y estima la varianza de ruido; estos estimados se usan de varias formas para controlar procesos de filtro. Entre menor el valor, mejor el efecto de suavizado y el rendimiento del filtro. Un valor más grande de aspectos retiene más entidades de imagen.
Entradas
La entrada para el filtro Kuan es el siguiente:
Parámetro | Descripción | Valor predeterminado |
|---|---|---|
Cantidad de aspectos | Especifica la cantidad de aspectos de la imagen. | 1 |
Algoritmo
El algoritmo para la implementación del filtro Kuan es el siguiente:
El valor de píxel filtrado resultante es:
R = PC * K + LM * (1 - K)
donde
CU = 1 / raíz cuadrada (NAspectos): (Coeficiente de variación de ruido)
CI = Raíz cuadrada (LV) / LM: Coeficiente de variación de imágenes
K = (1 - ((CU * CU) / (CI * CI))) / (1 + (CU * CU))
PC: valor de píxel central de la ventana
LM: media local de la ventana de filtro
LV: varianza local de la ventana de filtro
NAspectos: número de aspectos
Para reducción óptima de ruido, puede intentar lo siguiente: Los diferentes tamaños de filtro afectan grandemente la calidad de imágenes procesadas. El filtro A 7 x 7 usualmente da mejores resultados. El número de aspectos se usa para estimar la varianza de ruido y efectivamente controla la cantidad de suavizado que el filtro aplica a la imagen. Un valor más pequeño de Número de aspectos le lleva a más suavizado; entre más grande el Número de aspectos valor preserva más características de imagen.
Se le recomienda que aplique una extensión de histograma para ajustar el contraste o brillo de la imagen para desplegar resultados de visualización óptimos.