Speckle Reduction in Synthetic Aperture Radar Images in Wavelet Domain Using Laplace Distribution
Notice bibliographique
Résumé
Speckle is a granular noise-like phenomenon which appears in Synthetic Aperture Radar (SAR) images due to coherent properties of SAR systems.The presence of speckle complicates both human and automatic analysis of SAR images.As a result, speckle reduction is an important preprocessing step for many SAR remote sensing applications.Speckle reduction can be made through multi-looking during the image formation or using spatial filters as a preprocessing step.However, these methods have some limitations such as a decrease in spatial resolution or smoothening of details and edges.To overcome these problems, Multi-Resolution Analysis (MRA), such as wavelet transform, should be used.In this paper, a despeckling method based on the Bayesian theory and Maximum a Posteriori (MAP) estimator in the wavelet domain was proposed.The noise-free wavelet coefficients of the logarithmically transformed image and the noise in the wavelet domain were modeled based on the Laplace and Gaussian distributions respectively.VisuShrink, SureShrink, and BayesShrink methods were also implemented and applied to both simulated and real SAR data for comparison purpose and to assess the proposed method.PSNR and beta edge preserving index were used to evaluate the performance of simulated SAR data, while ENL was employed to evaluate the real SAR data.Experimental results of despeckling showed the superior performance of the proposed method in suppressing the speckle efficiently and preserving better the spatial details in the SAR image
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».