Función de ruido

Información general

La función Moteado elimina el moteado de datasets de radar y suaviza el ruido, conservando al mismo tiempo los bordes y entidades sobresalientes de la imagen. El moteado es el ruido de alta frecuencia que existe en las imágenes de radar. Las imágenes generadas por láser, ultrasonido y sistemas de radar de apertura sintética (SAR) están sujetas a ruido de moteado debido a la interferencia recurrente de ondas electromagnéticas dispersas de varias superficies. La función Moteado utiliza modelos matemáticos para filtrar los puntos claros y oscuros que se generan como resultado de dicha interferencia y, así, permitir una mejor interpretación de las imágenes.

Notas

Los algoritmos de suavizado de la función Moteado reducen y filtran el moteado mediante los tipos de filtro Lee, Lee mejorado, Congelamiento, Kuan, MAP gamma y Lee perfeccionado.

Para reducción óptima de ruido, puede intentar lo siguiente:

• Tamaño de filtro afecta mucho a la calidad de imágenes procesadas. Un filtro de 7 por 7 suele dar buenos resultados con un suavizado moderado.
• 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 le lleva a más suavizado; un valor más grande conserva entidades de imágenes más claras.
• Redimensione el histograma para ajustar el contraste de la imagen o el brillo.

Parámetros

Parámetro	Descripción
Ráster	El ráster de entrada.
Tipo de filtro	Especifica el tipo de filtro que se va a utilizar en el algoritmo de suavizado para eliminar el ruido de moteado: Lee: reduce el ruido de moteado al aplicar un filtro espacial a cada píxel en una imagen, el cual filtra los datos con base en estadísticas locales calculadas dentro de una ventana cuadrada. Este filtro resulta útil si desea suavizar los datos moteados que tienen un componente aditivo o multiplicativo. Esta es la opción predeterminada. Lee mejorado: una versión adaptada del filtro Lee que incluye Factor de vaciado y Cantidad de aspectos. Este filtro resulta útil si desea reducir el moteado a la vez que conserva la información de textura. Congelamiento: reduce el ruido de moteado con un filtro simétrico circular vaciado exponencialmente que usa estadísticas locales dentro de ventanas de filtro individuales. Este filtro resulta útil si desea reducir el moteado a la vez que conserva los bordes de las imágenes de radar. Kuan: de forma similar al filtro Lee, este filtro aplica un filtro espacial a cada píxel en una imagen y filtra los datos con base en estadísticas locales calculadas dentro de una ventana cuadrada. Este filtro resulta útil si desea reducir el moteado a la vez que conserva los bordes de las imágenes de radar. MAP gamma: se aplicará un análisis bayesiano y un filtro de distribución gamma para reducir el ruido de moteado. Este filtro resulta útil para reducir el moteado a la vez que se conservan los bordes. Lee perfeccionado: se aplicará un filtro espacial a los píxeles seleccionados, en función de las estadísticas locales, para reducir el ruido de moteado. Este filtro utiliza una ventana de filtro que no es cuadrada para que coincida con la dirección de los bordes. Resulta útil para reducir el moteado a la vez que conserva los bordes.
Tamaño de filtro	Especifica el tamaño de la ventana de píxeles que se utiliza para filtrar el ruido: 3x3 5x5 7x7 9x9 11x11 El valor predeterminado es 3x3.
Modelo de ruido	Especifica el tipo de ruido que está reduciendo la calidad de la imagen de radar: Ruido multiplicativo: ruido de señal aleatorio que se multiplica en la señal relevante durante la captura o transmisión Ruido aditivo: ruido de señal aleatorio que se agrega a la señal relevante durante la captura o transmisión Ruido aditivo y multiplicativo: ambos modelos de ruido Este parámetro solo es válido si Tipo de filtro se cambia a Lee. El valor predeterminado es Ruido multiplicativo.
Varianza de ruido	Especifica la varianza de ruido de la imagen de radar. Este parámetro solo es válido si Tipo de filtro se cambia a Lee y Modelo de ruido se cambia a Ruido aditivo o Ruido aditivo y multiplicativo. El valor predeterminado es 0,25.
Media de ruido aditivo	Especifica el valor medio de ruido aditivo. Un ruido mayor significa que se producirá menos suavizado, mientras que un valor menor produce más suavizado. Este parámetro solo es válido si Tipo de filtro se cambia a Lee y Modelo de ruido se cambia a Ruido aditivo y multiplicativo. El valor predeterminado es 0.
Media de ruido multiplicativo	Especifica el valor medio de ruido multiplicativo. Un ruido mayor significa que se producirá menos suavizado, mientras que un valor menor produce más suavizado. Este parámetro solo es válido si Tipo de filtro se cambia a Lee y Modelo de ruido se cambia a Ruido multiplicativo o Ruido aditivo y multiplicativo. El valor predeterminado es 1.
Cantidad de aspectos	Especifica la cantidad de aspectos de la imagen, que controla el suavizado de la imagen y estima la varianza de ruido. Un valor menor significa que se producirá más suavizado, mientras que un valor mayor retiene más entidades de la imagen. Este parámetro solo es válido si Tipo de filtro se cambia a Lee y Modelo de ruido se cambia a Ruido multiplicativo, o bien si Tipo de filtro se cambia a Lee perfeccionado, Kuan o MAP gamma. El valor predeterminado es 1.
Factor de vaciado	Especifica la extensión del efecto de vaciado exponencial en el filtrado. Un valor de vaciado mayor conserva mejor los bordes, pero suaviza menos, mientras que un valor menor produce más suavizado. Un valor de 0 genera la misma salida que un filtro de paso bajo. Este parámetro solo es válido si Tipo de filtro se cambia a Lee mejorado o Congelamiento. El valor predeterminado es 1.

Más información sobre los filtros

Esta sección contiene información técnica acerca de algunos de los filtros.

Filtro 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. Con el filtro Lee, puede reducir el ruido aditivo, el ruido multiplicativo o ambos. Utilice el filtro Lee para suavizar los datos moteados que tengan un componente aditivo o multiplicativo.

Algoritmos del filtro Lee

Modelo de ruido	Algoritmo	Definiciones variables
Aditivo	Valor de píxel filtrado = LM + K * (PC - LM) donde K = LV / (LV + AV)	PC: valor de píxel central de la ventana K: función de peso LM: media local de la ventana de filtro LV: varianza local de la ventana de filtro M: Media de ruido multiplicativo A: Media de ruido aditivo AV.: varianza de ruido aditivo MV: varianza de ruido multiplicativo SD: desviación estándar de la ventana de filtro NAspectos: número de aspectos
Multiplicativo	Valor de píxel filtrado = LM + K * (PC - M * LM) donde K = M * LV / ((LM * LM * MV) + (M * M * LV)) MV = 1 / NAspectos
Aditivo y multiplicativo	Valor de píxel filtrado = LM + K * (PC - M * LM - A) donde K = M * LV / ((LM* LM * MV) + (M * M * LV) + AV) MV = (SD / LM)^2

Nota:

El valor de Media de ruido aditivo suele ser 0. El valor de Media de ruido multiplicativo suele ser 1.

Filtro Lee mejorado

El filtro Lee mejorado es una versión alterada del filtro Lee que reduce el ruido de moteado de manera efectiva al preservar la precisión y detalle de la imagen. Este requiere un valor de Factor de vaciado y un valor de Cantidad de aspectos. Utilice el filtro Lee mejorado para reducir el moteado, conservando al mismo tiempo la información de textura.

Algoritmo de filtro Lee mejorado

Algoritmo	Definiciones variables
El valor de píxel filtrado depende de determinadas condiciones. Si CI <= CU entonces PF = LM Si CU < CI < Cmáx entonces PF = LM * K + PC * (1 - K) Si CI >= Cmáx entonces PF = PC donde CU = 1 / raíz cuadrada (NAspectos) Cmáx = raíz cuadrada (1 + 2 / NAspectos) CI = SD / LM K = e^(- D (Ci - CU) / (Cmáx - CI))	PF: valor de píxel filtrado 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 D: Factor de vaciado CU: coeficiente de variación de ruido Cmáx: coeficiente de variación de ruido máximo CI: coeficiente de variación de imagen

Filtro Congelamiento

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. El filtro Congelamiento requiere de un Factor de vaciado. Utilice el filtro Congelamiento para reducir el moteado, conservando al mismo tiempo los bordes de las imágenes de radar.

La reflectividad de la escena es un factor importante que diferencia el filtro Congelamiento de los filtros Lee y Kuan. Se calcula combinando la imagen observada con la respuesta del impulso del sistema SAR.

Algoritmo del filtro Congelamiento

Algoritmo	Definiciones variables
La implementación de este filtro consiste en definir un filtro simétrico circularmente con un conjunto de valores de peso M para cada píxel. K = e ^(- D * (LV / LM * LM) * S) El valor de nivel gris resultante del píxel filtrado es (P1 * K1 + P2 * K2 + ... + Pn * Kn) / (K1 + K2 + ... + Kn)	S: valor absoluto de la distancia de píxel del píxel central a sus vecinos en la ventana de filtro P1,P2,...Pn son niveles grises de cada píxel en la ventana de filtro K1,K2,...Kn son pesos (según se ha definido anteriormente) para cada píxel D: Factor de vaciado LM: media local de la ventana de filtro LV: varianza local de la ventana de filtro

Filtro Kuan

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 filtro Kuan requiere el valor Cantidad de aspectos, que controla el suavizado de la imagen y estima la varianza de ruido. Utilice el filtro Kuan para reducir el moteado, conservando al mismo tiempo los bordes de las imágenes de radar.

Algoritmo del filtro Kuan

Algoritmo	Definiciones variables
El valor de píxel filtrado es PC * K + LM * (1 - K) donde CU = 1 / raíz cuadrada (NAspectos) CI = raíz cuadrada (LV) / LM K = (1 - ((CU * CU) / (CI * CI))) / (1 + (CU * CU))	PC: valor de píxel central de la ventana K = función de peso CU = coeficiente de variación de ruido CI = coeficiente de variación de imagen LM: media local de la ventana de filtro LV: varianza local de la ventana de filtro NAspectos: número de aspectos

MAP gamma

El filtro MAP gamma usa un enfoque posterior (MAP) máximo que requiere conocimiento a priori de la función de densidad de probabilidad de la imagen de radar. El filtro MAP gamma requiere el valor Cantidad de aspectos, que controla el suavizado de la imagen y estima la varianza de ruido.

Algoritmo	Definiciones variables
El valor de píxel filtrado depende de determinadas condiciones. Si CI < CU entonces PF = LM Si CU <= CI <= Cmáx entonces PF = (K–NAspectos-1)*L^M+raíz cuadrada((LM*LM)*((K-NAspectos-1)*(K- NAspectos-1))+4*K*NAspectos*LM) Si CI > Cmáx entonces PF = PC donde CU = 1 / raíz cuadrada (NAspectos) Cmáx = raíz cuadrada (2 * CU ) CI = SD / LM K = (1 + (CU * CU)) / ((CI * CI) - (CU * CU))	PF: valor de píxel filtrado CI: coeficiente de variación de imagen CU: coeficiente de variación de ruido LM: media local de la ventana de filtro NAspectos: número de aspectos K: función de peso SD: desviación estándar de la ventana de filtro

Lee perfeccionado

El filtro Lee perfeccionado es una versión perfeccionada del filtro Lee que reduce el ruido de moteado cerca de los bordes y preserva al mismo tiempo la nitidez de los bordes. Aplica detección de arista en un tamaño de ventana constante de 7x7. Dentro de esa ventana de 7x7, se utiliza una ventana no cuadrada para hacer coincidir la dirección de los bordes. Los píxeles que no sean de borde restantes de la ventana no se utilizan en el cómputo de filtrado.

Algoritmo	Definiciones variables
El valor de píxel filtrado es LM + K * (PC – LM) donde K = ( LV - LM * LM * MV) / ((1 + MV)*LV) MV = (SD / LM)^2	LM: media local de la ventana de filtro K: función de peso PC: valor de píxel central de la ventana LV: varianza local de la ventana de filtro MV: varianza de ruido multiplicativo SD: desviación estándar de la ventana de filtro