本发明属于雷达信号处理领域，特别是涉及一种基于边界和上下文约束sar(syntheticapertureradar，合成孔径雷达)图像相干斑的抑制方法。
背景技术：
合成孔径雷达(syntheticapertureradar，sar)是一种高分辨率成像雷达，可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像。sar具有分辨率高，全天候工作，有效地识别伪装和穿透掩盖物等特点。因而，在军事和民用等诸多领域有着广泛的应用。然而，相干斑的存在使sar图像解译更加困难，造成图像随机失真，并影响了后续处理的准确性。根据sar图像数据格式，现有的sar图像相干斑抑制方法包括复杂数据处理方法和真实数据处理方法。关于复杂数据处理算法的研究很少，例如基于gibbs先验模式的贝叶斯估计。越来越多的研究集中在真实数据的sar图像相干斑抑制方法上，它可以分为许多类别：多时间处理，空间滤波算法，例如lee，kuan，frost等；变换域滤波算法，如小波变换，轮廓波变换等；rudin等人提出的其他算法，如总变异算法已被证明是一种有效的方法。
现有的基于真实数据的sar图像相干斑抑制方法的，主要步骤是估计计算区域阈值，进行小波变换等滤波算法；在消除噪声的同时应尽可能地保留目标边缘。
然而，现有的基于真实数据的sar图像存在的缺陷是：
1)由于使用统计特性的空间滤波算法，单一的滤波模型不能有效的匹配不同的环境，在模型不匹配的情况下，滤波效果变差。
2)多时间处理可能会降低图像分辨率。
3)变换域过滤算法，需要根据目标选择适当的变换类型，鲁棒性较低。
4)滤波算法过程中，杂波背景功率不均匀导致目标边缘区域检测效果变差。
鉴于此，如何提供一种基于边界和上下文约束的sar图像相干斑的抑制方法，消除弱小值影响的同时保留边缘信息，有效提高sar图像分辨率成为本领域研究人员亟待解决的问题。
技术实现要素：
本发明要解决的技术问题是提出一种基于边界和上下文约束sar图像相干斑抑制方法，计算具有边界约束的sar图像相干斑系数，根据高斯核函数获得基于相干斑系数的上下文正则化约束模型，有效消除弱目标的影响并保留目标边缘信息，并对相干斑系数进行处理、估计，有效增强sar图像的分辨率，增强图像成像效果，提高sar图像目标检测和识别性能。
一种基于边界和上下文约束的sar图像相干斑抑制方法，具体的技术方案包含以下步骤：
第一步，构建一种基于边界和上下文约束的sar图像相干斑的抑制装置。基于边界和上下文约束sar图像相干斑的抑制装置由边界约束模块、上下文约束模块和相干斑系数估计模块构成。
边界约束模块与上下文约束模块、相干斑系数估计模块相连，该模块从雷达系统接收sar图像成像图(即sar图像像素值的集合)，计算具有边界约束的sar图像相干斑系数及具有边界约束的sar图像新区域相干斑系数约束范围，将sar图像像素值的集合、sar图像相干斑系数、sar图像新区域相干斑系数发送给上下文约束模块；边界约束模块还将具有边界约束的sar图像相干斑系数及具有边界约束的sar图像新区域相干斑系数发送给相干斑系数估计模块。
上下文约束模块与边界约束模块、相干斑系数估计模块相连，该模块从边界约束模块接收sar图像像素值的集合、sar图像相干斑系数、sar图像新区域相干斑系数，采用高斯核函数计算邻域像素值的差异，并引入正则化应用于整个图像，得到正则化相干斑系数，利用高阶滤波器输出最大值作为图像的边缘和角保留；将正则化相干斑系数发送给相干斑系数估计模块。
相干斑系数估计模块与边界约束模块、上下文约束模块相连，从边界约束模块接收具有边界约束的sar图像相干斑系数及其新区域相干斑系数，还从上下文约束模块接收正则化相干斑系数，构造目标函数；基于变量分割方法获得最佳相干斑系数和最佳新区域相干斑系数；基于相干斑抑制方法得到sar图像实际反向散射的像素值集合，并将sar图像实际反向散射的像素值集合输出给用户。
第二步，边界约束模块计算具有边界约束的sar图像相干斑系数及具有边界约束的sar图像新区域相干斑系数，方法是：
2.1边界约束模块从雷达系统获得sar图像成像图(即sar图像像素值的集合)。定义集合a为sar图像像素值的集合，
f(xq,yp)表示sar图像第p.q个像素值，p为正整数，q为正整数；
sar图像像素值的集合也可表示为：
令sar图像第i个像素值记为f(vi)，vi表示sar图像第i个像素的坐标，vi δ表示sar图像第i个像素的邻域像素的坐标，f(vi δ)是f(vi)的邻域像素值；当δ＝1时，f(vi)的邻域像素为f(vi-1)，f(vq i)，f(vi 1)；
2.2边界约束模块计算具有边界约束的sar图像相干斑系数及具有边界约束的sar图像新区域相干斑系数，具体方法是：
2.2.1边界约束模块计算具有边界约束的sar图像相干斑系数，方法是：
2.2.1.1边界约束模块将sar图像乘性相干斑模型转为sar图像加性相干斑模型，具体方法是：
2.2.1.1.1sar图像乘性相干斑模型，即sar图像第i个像素值f(vi)由sar图像第i个实际反向散射的像素值s(vi)与sar图像第i个相干斑噪声n(vi)相乘，计算方法为：
f(vi)＝s(vi).n(vi)(公式2.1)
2.2.1.1.2将sar图像乘性相干斑模型(公式2.1)转为sar图像加性相干斑模型，计算方法为：
f(vi)＝s(vi) s(vi).(n(vi)-1)
＝s(vi) s(vi).h(vi)
＝s(vi) sa(vi)(公式2.2)
h(vi)是sar图像第i个相干斑系数，sa(vi)是sar图像第i个加性噪声成分；
2.2.1.2边界约束模块对sar图像第i个实际反向散射的像素值s(vi)进行范围约束，方法是：
由于sar图像第i个实际反向散射的像素值s(vi)是有界的，令tu表示s(vi)的最大值，td表示s(vi)的最小值，其满足：
tu≥s(vi)≥td,vi∈ω(公式2.3)
其中，ω指目标区域。
2.2.1.3边界约束模块计算sar图像的相干斑系数h(vi)，计算方法是：
根据sar图像加性相干斑模型(公式2.2)可知，
相干斑系数
2.2.1.4边界约束模块计算具有边界约束的sar图像的相干斑系数h(vi)，计算方法是：
令hd(vi)是相干斑系数h(vi)下界，其满足：
0≤hd(vi)≤h(vi)≤1，(公式2.5)
其中，hd(vi)＝min{g,1}，(公式2.6)
根据公式2.3-2.6，得出相干斑系数下界范围的最小值
从公式2.5-2.7，易得出sar图像的相干斑系数h(vi)的约束范围值。
2.2.2边界约束模块计算具有边界约束的sar图像的新区域相干斑系数
2.2.2.1由于加性噪声分量sa(vi)受散射强度的影响，相干斑系数在不同环境下区域中也不同。相干斑系数的另一个区域的值，即新区域相干斑系数表示为
2.2.2.2采用步骤2.2.1.4的计算方法，得到具有边界约束的sar图像的新区域相干斑系数
2.3边界约束模块将sar图像相干斑系数和sar图像新区域相干斑系数发送给上下文约束模块；还将具有边界约束的sar图像相干斑系数和具有边界约束的sar图像新区域相干斑系数发送给相干斑系数估计模块。
第三步，上下文约束模块采用高斯核函数计算邻域像素值的差异，并引入正则化应用于整个图像，得到正则化相干斑系数，具体方法为：
3.1上下文约束模块从边界约束模块接收sar图像像素值的集合a，sar图像相干斑系数h(vi)，sar图像新区域相干斑系数
3.2上下文约束模块采用高斯核函数计算邻域像素值的差异，即sar图像第i个像素值与sar图像第i个像素值的邻域像素值的差异，计算方法是：
c(vi)＝exp(-||f(vi)-f(vi δ)||2/η)(公式3.1)
其中，η为规定参数；vi指sar图像中第i个像素的坐标；vi δ指sar图像第i个像素的邻域像素的坐标，f(vi δ)是f(vi)的邻域像素值。
3.3上下文约束模块将上下文正则化应用于整个图像，以计算正则化相干斑系数。
其中|h(vi)-h(vi δ)|为上下文正则化项；
3.4上下文约束模块交换总和顺序，根据公式3.2，得到正则化相干斑系数，交换方法是：
其中，像素个数
3.5上下文约束模块计算相干斑加权系数，计算方法是：
根据公式3.1和公式3.3知，
cn(vi)＝exp(-||dn*f(vi)||2/η)(公式3.4)
其中dn是指微分算子，微分算子采用高阶滤波器(参见英文文献索引meng,g.,wang,y.,duan,j.,etal.:'efficientimagedehazingwithboundaryconstraintandcontextualregularization'.ieeeinternationalconferenceoncomputervision.ieee,2014,pp.617–624.中文翻译为meng,g.,wang,y.,duan,j.,etal.:“具有边界约束和上下文正则化的有效图像去雾”[c]电气工程师学会国际计算机视觉会议，2014：617-624)，高阶滤波器以sar图像像素值f(vi)作为输入，输出结果为滤波后的sar图像像素值，用来消除弱小值影响并保留边缘信息，输出结果的最大值，作为图像的边缘和角保留。
3.6上下文约束模块构造邻域约束模型，构造方法是：
cn(vi)·(h(vi)-h(vi δ))≈0(公式3.5)
其中h(vi δ)是h(vi)的邻域相干斑系数；cn(vi)是加权系数，直接决定邻域像素值之间的约束程度。根据邻域约束模型公式3.5判断，若加权系数cn(vi)等于0时，说明sar图像第i个相干斑系数h(vi)与邻域相干斑系数h(vi δ)没有约束关系；若加权系数cn(vi)不等于0时，说明sar图像第i个相干斑系数h(vi)与邻域相关斑系数h(vi δ)有约束关系，转步骤3.7。
3.7上下文约束模块将正则化相干斑系数发送给相干斑系数估计模块。
第四步，相干斑系数估计模块从边界约束模块接收具有边界约束的sar图像相干斑系数h(vi)和具有边界约束的sar图像新区域相干斑系数
4.1相干斑系数估计模块从边界约束模块接收具有边界约束的sar图像相干斑系数h(vi)和具有边界约束的sar图像新区域相干斑系数
4.2相干斑系数估计模块构造目标函数，构造方法是：
其中，第一部分
4.3相干斑系数估计模块基于变量分割方法构建相干斑系数函数，构建方法是：
其中，β是系数，un表示辅助变量。
4.4相干斑系数估计模块计算相干斑系数函数的最小值，得到最佳相干斑系数和最佳新区域相干斑系数，方法是：
4.4.1令k＝1；
4.4.2相干斑系数估计模块固定第k个h(vi)值，根据相干斑系数函数公式4.2，un最小化计算方法为：
4.4.3相干斑系数估计模块将得到的第k个un值固定，根据相干斑系数函数公式4.2,h(vi)最小化计算方法为：
4.4.4若k＜num，次数满足100≤num≤200,则令k＝k 1,转步骤4.4.2；若k＝num，此时第k 1个h(vi)值与k个h(vi)值的差值l趋近于0，说明时第k 1个h(vi)值为最佳相干斑系数，则转步骤4.4.5；
4.4.5相干斑系数估计模块计算最小值，得到最佳新区域相干斑系数h(vi)，计算方法是：
根据相干斑系数函公式4.2可知，
其中，
第五步，相干斑系数估计模块边采用相干斑抑制方法，得到sar图像实际反向散射的像素值的集合，相干斑抑制方法是：
5.1根据相干斑抑制方法公式5.1，输入最佳新区域相干斑系数
根据公式(2.8)可知，
sar图像第i个实际反向散射的像素值
当
5.2相干斑系数估计模块得到sar图像实际反向散射的像素值的集合a′，
其中s(vi)表示sar图像第i个实际反向散射像素值，i为正整数，i≤q。
第六步，相干斑系数估计模块将sar图像实际反向散射的像素值的集合a′输出给用户。
采用本发明可以达到以下技术效果：
1)本发明提供一种基于边界和上下文约束sar图像相干斑的抑制方法，针对相干斑噪声对sar图像解译造成的解译困难，影响后续处理精度的问题，通过采用建立具有边界约束的sar图像的相干斑系数，通过实际目标反射像素的边界建立约束关系，实现对相干斑的抑制，提高sar图像目标检测和识别性能。
2)本发明根据高斯核函数获得了上下文正则化约束模型，有效消除弱目标的影响并保留目标边缘信息，进而为后续的图像编译处理创造了良好的环境。
3)与空间滤波算法相比，本发明利用目标反射像素的边界建立约束，适用范围更广，不会因为环境变换而影响效果，方法简单，计算量小，便于工程实现。
附图说明
附图1为本发明总体流程图；
附图2为本发明第一步构建的基于边界和上下文约束的sar图像相干斑的抑制装置的逻辑结构图。
具体实施方式
图1是本发明总体流程图。本发明包括以下步骤：
第一步，构建一种基于边界和上下文约束的sar图像相干斑的抑制装置。基于边界和上下文约束sar图像相干斑的抑制装置如图2所示，由边界约束模块、上下文约束模块和相干斑系数估计模块构成。
边界约束模块与上下文约束模块、相干斑系数估计模块相连，该模块从雷达系统接收sar图像成像图，即sar图像像素值的集合，计算具有边界约束的sar图像相干斑系数及具有边界约束的sar图像新区域相干斑系数约束范围，将sar图像像素值的集合、sar图像相干斑系数、sar图像新区域相干斑系数发送给上下文约束模块；边界约束模块还将具有边界约束的sar图像相干斑系数及具有边界约束的sar图像新区域相干斑系数发送给相干斑系数估计模块。
上下文约束模块与边界约束模块、相干斑系数估计模块相连，该模块从边界约束模块接收sar图像像素值的集合、sar图像相干斑系数、sar图像新区域相干斑系数，采用高斯核函数计算邻域像素值的差异，并引入正则化应用于整个图像，得到正则化相干斑系数，利用高阶滤波器输出最大值作为图像的边缘和角保留；将正则化相干斑系数发送给相干斑系数估计模块。
相干斑系数估计模块与边界约束模块、上下文约束模块相连，从边界约束模块接收具有边界约束的sar图像相干斑系数及其新区域相干斑系数，还从上下文约束模块接收正则化相干斑系数，构造目标函数；基于变量分割方法获得最佳相干斑系数和最佳新区域相干斑系数；基于相干斑抑制方法得到sar图像实际反向散射的像素值集合，并将sar图像实际反向散射的像素值集合输出给用户。
第二步，边界约束模块计算具有边界约束的sar图像相干斑系数及具有边界约束的sar图像新区域相干斑系数，方法是：
2.1边界约束模块从雷达系统获得sar图像成像图(即sar图像像素值的集合)。定义集合a为sar图像像素值的集合，
f(xq,yp)表示sar图像第p.q个像素值，p为正整数，q为正整数；
sar图像像素值的集合也可表示为：
令sar图像第i个像素值记为f(vi)，vi表示sar图像第i个像素的坐标，vi δ表示sar图像第i个像素的邻域像素的坐标，f(vi δ)是f(vi)的邻域像素值；当δ＝1时，f(vi)的邻域像素为f(vi-1)，f(vq i)，f(vi 1)；
2.2边界约束模块计算具有边界约束的sar图像相干斑系数及具有边界约束的sar图像新区域相干斑系数，具体方法是：
2.2.1边界约束模块计算具有边界约束的sar图像相干斑系数，方法是：
2.2.1.1边界约束模块将sar图像乘性相干斑模型转为sar图像加性相干斑模型，具体方法是：
2.2.1.1.1sar图像乘性相干斑模型，即sar图像第i个像素值f(vi)由sar图像第i个实际反向散射的像素值s(vi)与sar图像第i个相干斑噪声n(vi)相乘，计算方法为：
f(vi)＝s(vi).n(vi)(公式2.1)
2.2.1.1.2将sar图像乘性相干斑模型(公式2.1)转为sar图像加性相干斑模型，计算方法为：
f(vi)＝s(vi) s(vi).(n(vi)-1)
＝s(vi) s(vi).h(vi)
＝s(vi) sa(vi)(公式2.2)
h(vi)是sar图像第i个相干斑系数，sa(vi)是sar图像第i个加性噪声成分；
2.2.1.2边界约束模块对sar图像第i个实际反向散射的像素值s(vi)进行范围约束，方法是：
由于sar图像第i个实际反向散射的像素值s(vi)是有界的，令tu表示s(vi)的最大值，td表示s(vi)的最小值，其满足：
tu≥s(vi)≥td,vi∈ω(公式2.3)
其中，ω指目标区域。
2.2.1.3边界约束模块计算sar图像的相干斑系数h(vi)，计算方法是：
根据sar图像加性相干斑模型(公式2.2)可知，
相干斑系数
2.2.1.4边界约束模块计算具有边界约束的sar图像的相干斑系数h(vi)，计算方法是：
令hd(vi)是相干斑系数h(vi)下界，其满足：
0≤hd(vi)≤h(vi)≤1，(公式2.5)
其中，hd(vi)＝min{g,1}，(公式2.6)
根据公式2.3-2.6，得出相干斑系数下界范围的最小值
从公式2.5-2.7，易得出sar图像的相干斑系数h(vi)的约束范围值。
2.2.2边界约束模块计算具有边界约束的sar图像的新区域相干斑系数
2.2.2.1由于加性噪声分量sa(vi)受散射强度的影响，相干斑系数在不同环境下区域中也不同。相干斑系数的另一个区域的值，即新区域相干斑系数表示为
2.2.2.2采用步骤2.2.1.4的计算方法，得到具有边界约束的sar图像的新区域相干斑系数
2.3边界约束模块将sar图像相干斑系数和sar图像新区域相干斑系数发送给上下文约束模块；还将具有边界约束的sar图像相干斑系数和具有边界约束的sar图像新区域相干斑系数发送给相干斑系数估计模块。
第三步，采用高斯核函数计算邻域像素值的差异，并引入正则化应用于整个图像，得到正则化相干斑系数，具体方法为：
3.1上下文约束模块从边界约束模块接收sar图像像素值的集合a，sar图像相干斑系数h(vi)，sar图像新区域相干斑系数
3.2上下文约束模块采用高斯核函数计算邻域像素值的差异，即sar图像第i个像素值与sar图像第i个像素值的邻域像素值的差异，计算方法是：
c(vi)＝exp(-||f(vi)-f(vi δ)||2/η)(公式3.1)
其中，η为规定参数；vi指sar图像中第i个像素的坐标；vi δ指sar图像第i个像素的邻域像素的坐标，f(vi δ)是f(vi)的邻域像素值。
3.3上下文约束模块将上下文正则化应用于整个图像，以计算正则化相干斑系数。
其中|h(vi)-h(vi δ)|为上下文正则化项；
3.4上下文约束模块交换总和顺序，根据公式3.2，得到正则化相干斑系数，交换方法是：
其中，像素个数
3.5上下文约束模块计算相干斑加权系数，计算方法是：
根据公式3.1和公式3.3知，
cn(vi)＝exp(-||dn*f(vi)||2/η)(公式3.4)
其中dn是指微分算子，微分算子采用高阶滤波器(参见英文文献索引meng,g.,wang,y.,duan,j.,etal.:'efficientimagedehazingwithboundaryconstraintandcontextualregularization'.ieeeinternationalconferenceoncomputervision.ieee,2014,pp.617–624.中文翻译为meng,g.,wang,y.,duan,j.,etal.:“具有边界约束和上下文正则化的有效图像去雾”[c]电气工程师学会国际计算机视觉会议，2014：617-624)，高阶滤波器以sar图像像素值f(vi)作为输入，输出结果为滤波后的sar图像像素值，用来消除弱小值影响并保留边缘信息，输出结果的最大值，作为图像的边缘和角保留。
3.6上下文约束模块构造邻域约束模型，构造方法是：
cn(vi)·(h(vi)-h(vi δ))≈0(公式3.5)
其中h(vi δ)是h(vi)的邻域相干斑系数；cn(vi)是加权系数，直接决定邻域像素值之间的约束程度。根据邻域约束模型公式3.5判断，若加权系数cn(vi)等于0时，说明sar图像第i个相干斑系数h(vi)与邻域相干斑系数h(vi δ)没有约束关系；若加权系数cn(vi)不等于0时，说明sar图像第i个相干斑系数h(vi)与邻域相关斑系数h(vi δ)有约束关系，转步骤3.7。
3.7上下文约束模块将正则化相干斑系数发送给相干斑系数估计模块。
第四步，相干斑系数估计模块从边界约束模块接收具有边界约束的sar图像相干斑系数h(vi)和具有边界约束的sar图像新区域相干斑系数
4.1相干斑系数估计模块从边界约束模块接收具有边界约束的sar图像相干斑系数h(vi)和具有边界约束的sar图像新区域相干斑系数
4.2相干斑系数估计模块构造目标函数，构造方法是：
其中，第一部分
4.3相干斑系数估计模块基于变量分割方法构建相干斑系数函数，构建方法是：
其中，β是系数，un表示辅助变量。
4.4相干斑系数估计模块计算相干斑系数函数的最小值，得到最佳相干斑系数和最佳新区域相干斑系数，方法是：
4.4.1令k＝1；
4.4.2相干斑系数估计模块固定第k个h(vi)值，根据相干斑系数函数公式4.2，un最小化计算方法为：
4.4.3相干斑系数估计模块将得到的第k个un值固定，根据相干斑系数函数公式4.2,h(vi)最小化计算方法为：
4.4.4若k＜num，次数满足100≤num≤200,则令k＝k 1,转步骤4.4.2；若k＝num，此时第k 1个h(vi)值与k个h(vi)值的差值l趋近于0，说明时第k 1个h(vi)值为最佳相干斑系数，则转步骤4.4.5；
4.4.5相干斑系数估计模块计算最小值，得到最佳新区域相干斑系数h(vi)，计算方法是：
根据相干斑系数函公式4.2可知，
其中，
第五步，相干斑系数估计模块边采用相干斑抑制方法，得到sar图像实际反向散射的像素值的集合，相干斑抑制方法是：
5.1根据相干斑抑制方法公式5.1，输入最佳新区域相干斑系数
根据公式(2.8)可知，
sar图像第i个实际反向散射的像素值
当
5.2相干斑系数估计模块得到sar图像实际反向散射的像素值的集合a′，
其中s(vi)表示sar图像第i个实际反向散射像素值，i为正整数，i≤q。
第六步，相干斑系数估计模块将sar图像实际反向散射的像素值的集合a′输出给用户。
1.一种基于边界和上下文约束sar图像相干斑的抑制方法，其特征在于包括以下步骤：
第一步，构建一种基于边界和上下文约束的sar图像相干斑的抑制装置；基于边界和上下文约束sar图像相干斑的抑制装置由边界约束模块、上下文约束模块和相干斑系数估计模块构成；
边界约束模块与上下文约束模块、相干斑系数估计模块相连，该模块从雷达系统接收sar图像像素值的集合，计算具有边界约束的sar图像相干斑系数及具有边界约束的sar图像新区域相干斑系数约束范围，将sar图像像素值的集合、sar图像相干斑系数、sar图像新区域相干斑系数发送给上下文约束模块；边界约束模块还将具有边界约束的sar图像相干斑系数及具有边界约束的sar图像新区域相干斑系数发送给相干斑系数估计模块；
上下文约束模块与边界约束模块、相干斑系数估计模块相连，该模块从边界约束模块接收sar图像像素值的集合、sar图像相干斑系数、sar图像新区域相干斑系数，采用高斯核函数计算邻域像素值的差异，并引入正则化应用于整个图像，得到正则化相干斑系数，利用高阶滤波器输出最大值作为图像的边缘和角保留；将正则化相干斑系数发送给相干斑系数估计模块；
相干斑系数估计模块与边界约束模块、上下文约束模块相连，从边界约束模块接收具有边界约束的sar图像相干斑系数及其新区域相干斑系数，还从上下文约束模块接收正则化相干斑系数，构造目标函数；基于变量分割方法获得最佳相干斑系数和最佳新区域相干斑系数；基于相干斑抑制方法得到sar图像实际反向散射的像素值集合，并将sar图像实际反向散射的像素值集合输出给用户；
第二步，边界约束模块计算具有边界约束的sar图像相干斑系数及具有边界约束的sar图像新区域相干斑系数，方法是：
2.1边界约束模块从雷达系统获得sar图像像素值的集合，定义集合a为sar图像像素值的集合为，
令sar图像第i个像素值为f(vi)，vi表示sar图像第i个像素的坐标，vi δ表示sar图像第i个像素的邻域像素的坐标，f(vi δ)是f(vi)的邻域像素值；
2.2边界约束模块计算具有边界约束的sar图像相干斑系数及具有边界约束的sar图像新区域相干斑系数，具体方法是：
2.2.1边界约束模块计算具有边界约束的sar图像相干斑系数，方法是：
2.2.1.1边界约束模块将sar图像乘性相干斑模型转为sar图像加性相干斑模型，具体方法是：
2.2.1.1.1sar图像乘性相干斑模型为f(vi)＝s(vi).n(vi)，表示sar图像第i个像素值f(vi)等于sar图像第i个实际反向散射的像素值s(vi)与sar图像第i个相干斑噪声n(vi)相乘；
2.2.1.1.2将sar图像乘性相干斑模型转为sar图像加性相干斑模型，计算方法为
f(vi)＝s(vi) s(vi).(n(vi)-1)
＝s(vi) s(vi).h(vi)
＝s(vi) sa(vi)
其中h(vi)是sar图像第i个相干斑系数，sa(vi)是sar图像第i个加性噪声成分；
2.2.1.2边界约束模块对sar图像第i个实际反向散射的像素值s(vi)进行范围约束，方法为，令tu表示s(vi)的最大值，td表示s(vi)的最小值，其满足tu≥s(vi)≥td，vi∈ω，其中，ω指目标区域；
2.2.1.3边界约束模块计算sar图像相干斑系数，
2.2.1.4边界约束模块计算具有边界约束的sar图像的相干斑系数h(vi)，方法是：
相干斑系数h(vi)下界满足0≤hd(vi)≤h(vi)≤1，其中，hd(vi)＝min{g，1}，
2.2.2边界约束模块计算具有边界约束的sar图像新区域相干斑系数
2.2.2.1相干斑系数的另一个区域的值，即新区域相干斑系数
2.2.2.2采用步骤2.2.1.4的计算方法，得到具有边界约束的sar图像的新区域相干斑系数
2.3边界约束模块将sar图像相干斑系数和sar图像新区域相干斑系数发送给上下文约束模块；还将具有边界约束的sar图像相干斑系数和具有边界约束的sar图像新区域相干斑系数发送给相干斑系数估计模块；
第三步，上下文约束模块采用高斯核函数计算邻域像素值的差异，并引入正则化应用于整个图像，得到正则化相干斑系数，具体方法为：
3.1上下文约束模块从边界约束模块接收sar图像像素值的集合a，sar图像相干斑系数h(vi)，sar图像新区域相干斑系数
3.2上下文约束模块采用高斯核函数计算邻域像素值的差异，即sar图像第i个像素值与sar图像第i个像素值的邻域像素值的差异，计算方法是c(vi)＝exp(-||f(vi)-f(vi δ)||2/η)，其中，η为规定参数；vi指sar图像第i个像素的坐标；vi δ指sar图像第i个像素的邻域像素的坐标，f(vi δ)是f(vi)的邻域像素值；
3.3上下文约束模块将上下文正则化应用于整个图像，方法为
3.4上下文约束模块交换总和顺序，得到正则化相干斑系数，交换方法为
其中，像素个数
3.5上下文约束模块计算相干斑加权系数，计算方法是cn(vi)＝exp(-||dn*f(vi)||2/η)，其中dn是指微分算子；
3.6上下文约束模块构造邻域约束模型，构造方法为cn(vi)·(h(vi)-h(vi-δ))≈0若，加权系数cn(vi)等于0，说明sar图像第i个相干斑系数h(vi)与邻域相干斑系数h(vi δ)没有约束关系；若加权系数cn(vi)不等于0，说明sar图像第i个相干斑系数h(vi)与邻域相关斑系数h(vi δ)有约束关系，转步骤3.7；
3.7上下文约束模块将正则化相干斑系数发送给相干斑系数估计模块；
第四步，相干斑系数估计模块从边界约束模块接收具有边界约束的sar图像相干斑系数h(vi)和具有边界约束的sar图像新区域相干斑系数
4.1相干斑系数估计模块从边界约束模块接收具有边界约束的sar图像相干斑系数h(vi)和具有边界约束的sar图像新区域相干斑系数
4.2相干斑系数估计模块构造目标函数，构造方法是
其中，第一部分
4.3相干斑系数估计模块基于变量分割方法构建相干斑系数函数，构建方法是
其中，β是系数，un表示辅助变量；
4.4相干斑系数估计模块计算相干斑系数函数的最小值，得到最佳相干斑系数和最佳新区域相干斑系数，方法是：
4.4.1令k＝1；
4.4.2相干斑系数估计模块固定第k个h(vi)值，un最小化计算方法为
4.4.3相干斑系数估计模块将得到的第k个un值固定，h(vi)最小化计算方法为
4.4.4若k＜num，则令k＝k 1，转步骤4.4.2；若k＝num，此时第k 1个h(vi)值与k个h(vi)值的差值l趋近于0，说明时第k 1个h(vi)值为最佳相干斑系数，则转步骤4.4.5；
4.4.5相干斑系数估计模块计算最小值，得到最佳新区域相干斑系数h(vi)，计算方法是
第五步，相干斑系数估计模块边采用相干斑抑制方法，得到sar图像实际反向散射的像素值的集合，相干斑抑制方法是：
5.1根据相干斑抑制方法输入最佳新区域相干斑系数
5.2相干斑系数估计模块得到sar图像实际反向散射的像素值的集合a′，
其中s(vi)表示sar图像第i个实际反向散射像素值，i为正整数，i≤q；
第六步，相干斑系数估计模块将sar图像实际反向散射的像素值的集合a′输出给用户。
2.如权利要求1所述的基于边界和上下文约束sar图像相干斑的抑制方法，其特征在于所述的第一步的sar图像像素值的集合是sar图像成像图。
3.如权利要求1所述的基于边界和上下文约束sar图像相干斑的抑制方法，其特征在于所述的步骤2.1的sar图像像素值a表示为
f(xq，yp)表示sar图像第p.q个像素值，p为正整数，q为正整数。
4.所述的步骤3.5的微分算子采用高阶滤波器，高阶滤波器以sar图像像素值f(vi)作为输入值，输出结果的最大值作为图像的边缘和角保留。
5.如权利要求1所述的基于边界和上下文约束sar图像相干斑的抑制方法，其特征在于所述的步骤4.4.4的次数num满足100≤num≤200。
技术总结