Hybrid SAR Speckle Reduction Using Complex Wavelet Shrinkage and Non-Local PCA-Based Filtering
Notice bibliographique
Résumé
In this paper, a new hybrid despeckling method, based on Undecimated Dual-Tree Complex Wavelet Transform (UDT-CWT) using maximum a posteriori (MAP) estimator and non-local Principal Component Analysis (PCA)-based filtering with local pixel grouping (LPG-PCA), was proposed. To achieve a heterogeneous-adaptive speckle reduction, SAR image is classified into three classes of point targets, details, or homogeneous areas. The despeckling is done for each pixel based on its class of information. Logarithm transform was applied to the SAR image to convert the multiplicative speckle into additive noise. Our proposed method contains two principal steps. In the first step, denoising was done in the complex wavelet domain via MAP estimator. After performing UDT-CWT, the noise-free complex wavelet coefficients of the log-transformed SAR image were modeled as a two-state Gaussian mixture model. Furthermore, the additive noise in the complex wavelet domain was considered as a zero-mean Gaussian distribution. In the second step, after applying inverse UDT-CWT, an iterative LPG-PCA method was used to smooth the homogeneous areas and enhance the details. The proposed method was compared with some state-of-the-art despeckling methods. The experimental results showed that the proposed method leads to a better speckle reduction in homogeneous areas while preserving details.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».