Multiplicative noise reduction using variational methods

Abstract

Sentetik Açıklıklı Radar (SAR) görüntüleri kullanan görsel ve otomatik analizler, doğal olarak oluşan benek gürültüsünden dolayı zordur. Bu nedenle, ayrıntıları korurken benek gürültüsünü azaltmak SAR görüntü analizi için önemli bir araştırma alanıdır. Benek gürültüsünün azaltılması sırasında, homojen bölgelerin düzeltilmesi gerekirken kenarlar ve nokta saçıcılar korunmalıdır. SAR görüntülerinde baskın gürültü tipi, Gamma dağılımı ile çarpımsaldır, ancak SAR görüntüleri ayrıca genellikle ihmal edilen Gauss dağılımına sahip düşük miktarda toplamsal gürültü içerir. Bu tez çalışmasında, hem çarpımsal gürültü modelini hem de toplamsal gürültü modelini hesaba katan yeni bir seyrek odaklı benek gürültü azaltma yöntemi önerilmiştir. Önerilen benek gürültüsü azaltma yönteminde, toplam değişkenlik pürüzsüzlüğü terimine ek olarak, çoklayıcı ve ek veri terimleriyle birlikte değişken bir maliyet fonksionu kullanılmaktadır. Ayrıca, aynı anda çoklayıcı ve toplamsal gürültü ile ilgilenen önerilen değişimsel maliyet fonksiyonu için verimli ve kararlı bir sayısal en küçükleme yaklaşımı önerilmiştir. Önerilen yöntemin benek azaltma performansı, gerçek dünya SAR görüntüleri ve sentetik olarak üretilen SAR görüntüleri üzerinde gösterilmekt

Visual and automatic analyses using Synthetic Aperture Radar (SAR) images is challenging due to inherently formed speckle noise. Thus, reducing speckle noise in SAR images while preserving details is an important research area for SAR image analysis. During speckle reduction, edges and point scatterers should be preserved while homogeneous regions needs to be smoothed. Dominant noise type in SAR images is multiplicative with Gamma distribution but SAR images also contain low amount of additive noise with Gaussian distribution that is generally neglected. In this thesis, a novel sparsity-driven speckle reduction method is proposed that takes both multiplicative noise model and additive noise model into consideration. Proposed speckle reduction method employs a cost function with multiplicative and additive data terms in addition to total variation smoothness term. Also, an efficient and stable numerical minimization scheme is proposed for the proposed variational cost function which deals with multiplicative and additive noise simultaneously. Speckle reduction performance of the proposed method is shown on real-world SAR images and synthetically generated SAR images.