基于相似度网络融合的极化SAR图像地物分类

从极化合成孔径雷达(synthetic aperture radar, SAR)图像中提取多种特征向量堆叠成一个高维特征向量用于地物分类,将导致部分特征向量的分类能力减弱或丧失。针对此问题,将每种特征向量看作为不同视角数据,提出了一种基于一致相似度网络融合的极化SAR图像非监督地物分类方法。首先,将极化SAR图像进行过分割,基于超像素提取5种特征向量以构建5个相似度矩阵;其次,采用一致相似度网络融合多视学习算法生成融合的相似度矩阵;然后,基于该矩阵进行谱聚类;最后,提出一种分类后处理策略修正错分像素。仿真和实测极化SAR图像地物分类结果表明,该方法性能优于其他5种经典方法。     

基于SNIC的双时相SAR图像超像素协同分割算法

针对面向区域的合成孔径雷达(synthetic aperture radar, SAR)图像变化检测方法中存在的双时相图像边缘和空间对应关系不一致的问题, 提出了一种基于简单非迭代聚类(simple non-iterative clustering, SNIC)的双时相SAR图像超像素协同分割算法。首先, 构造一幅包含双时相SAR图像特征的融合图像, 计算待处理像素点到聚类中心的像素强度相似度和空间距离相似度。其次, 采用一种高效的多尺度弱边缘检测算法, 对双时相SAR图像分别进行边缘检测并融合边缘检测结果。最后, 将像素强度相似度、空间距离相似度和边缘信息进行加权以替代原始SNIC算法中的距离测度, 实现对SAR融合图像的超像素分割, 得到与双时相SAR图像中真实地物边缘均贴合的协同分割结果。基于一组仿真和一组实测双时相SAR图像的超像素协同分割实验结果表明, 该算法的边缘贴合率、欠分割误差和可达分割准确率均优于其他7种经典方法。     

面向变化检测的SAR图像超像素协同分割算法

针对面向对象的合成孔径雷达(synthetic aperture radar, SAR)图像变化检测中存在的多时相图像边界和空间对应关系不一致的问题,提出了一种面向变化检测的SAR图像超像素协同分割算法。首先,分别计算两幅不同时相SAR图像中两个像素点之间的强度相似度,并进行加权组合得到新的像素强度相似度。其次,对两幅不同时相的SAR图像及其对数比值图分别进行边缘提取,以同一像素位置的最大边缘值构造二值边缘图。最后,以融合了像素强度、空间距离和边缘信息的相似度代替CIELAB彩色空间相似度,利用改进简单线性迭代聚类算法对多时相SAR图像进行超像素分割,得到边界准确、空间对应的协同分割结果。基于一组仿真和一组实测多时相SAR图像的协同分割实验结果表明,该方法的边缘贴合率、欠分割误差和可达分割准确率均优于其他4种经典方法。     

相干斑噪声背景下的SAR图像分类方法研究

研究了相干斑噪声抑制对合成孔径雷达 (SAR)图像分类的影响。分别采用Kuan自适应滤波和小波变换软门限滤波两种方法进行了相干斑噪声抑制 ;对于SAR图像的分类则采用了图像的灰度以及基于灰度级共生矩阵的 4种纹理特征 ,并利用最大似然分类器进行了监督分类。处理结果表明 ,相干斑噪声的抑制尽管可以提高SAR图像的质量 ,但是由于在相干斑噪声得到抑制的同时 ,地物的固有结构信息也受到损失 ,因此分类精度提高甚微 ,在某些情况下甚至有所下降。针对这种情况 ,提出了一种改进的特征提取方法 ,将基于原图像的灰度级共生矩阵提取的纹理特征与滤波后图像的灰度特征进行组合用于分类。实验结果表明 ,改进的特征提取方法提高了SAR图像的分类精度。     

基于DEM和地物分类信息的SAR图像模拟

SAR图像模拟对于雷达系统设计、SAR图像几何及辐射校正等具有重要意义.针对正侧视SAR成像的几何特点,顾及地面坡度、地物类型、成像距离等因素对雷达波后向散射强度的影响,采用强度积分策略,设计了基于DEM和地物分类信息的SAR图像模拟方案;通过仿真实验得到了满意的SAR模拟图像,验证了该模拟方案的正确性和有效性.     

基于区域分割的NSCT域SAR与全色图像融合算法

提出了一种基于多阈值分割和无下采样Contourlet变换(nonsubsampled Contourlet transform, NSCT)的SAR与全色图像融合算法。首先对降斑SAR图像作多阈值分割,并定义了区域均值比量测算子将SAR图像进行区域划分;然后采用NSCT对降斑SAR图像和全色图像进行多尺度、多方向分解,分解后的低频部分根据区域均值比量测算子进行区域融合,高频部分则采用区域与窗口邻域相结合的融合策略;最后对融合系数进行重构得到融合图像。实验结果表明,该算法的融合图像既可保持全色图像的空间分辨率,又可有效获取SAR图像的目标信息,融合效果优于小波变换法以及基于像素的NSCT法。     

基于结构的SAR图像配准

由于SAR图像中相干斑的存在，使得已有用于光学遥感图像自动配准的算法往往无法直接应用。基于人工通过地物结构推毫匹配关系进行配准的想法。提出了一种基于结构的SAR图像自动配准算法，该算法首先通过检测出的点目标构造“虚拟结构”，然后再综合新提出的“虚拟结构”不变量及结构区域不变矩作为相似测度完成匹配检测，最后用LMS算法估计出变换参数从而实现SAR图像的自动配准。实验结果表明，该算法不仅能够有效实现SAR图像的自动配准，而且能有效避免SAR图像中相干斑对配准过程中特征检测和匹配造成的影响。     

基于Wishart距离和超像素的极化SAR图像车辆检测

针对极化合成孔径雷达(synthetic aperture radar, SAR)在城市区域复杂地物条件下的密集车辆目标检测问题, 提出了一种结合超像素分割和Wishart分类器的非监督目标检测方法。首先，根据不同地物的极化散射特征检测出建筑物。然后，利用不包含建筑物的Wishart分类器和超像素分割获得目标的形态信息。接着，利用包含建筑物的Wishart分类器获得目标中心点。最后，通过区域生长对二者进行信息融合并完成目标检测任务。基于X波段的机载极化SAR数据表明, 所提算法不仅可以对密集目标进行区分和定位, 并且目标形态保持完整; 相比于传统方法, 目标检测与虚警鉴别性能得到较大提升。     

基于幂次变换的SAR图像Otsu分割法

通过分析合成孔径雷达(synthetic aperture radar, SAR)目标切片图像的散射特性,提出一种适用于SAR目标识别的目标切片图像分割算法。算法首先对SAR图像做相干斑滤波,通过邻域平滑处理,提高背景区域和目标区域像素幅值一致性。然后自适应地选取变换幂次,对滤波后的SAR图像做幂次变换,以进一步增强目标区域像素幅值一致性。最后直接利用一维Otsu法对变换后的图像进行分割处理。实验表明,该算法对不同散射特性的目标切片图像都能够实现较为准确的分割,且计算复杂度小,利于工程应用。     

基于模糊综合评判的车辆目标SAR仿真图像评估方法

为了验证理论建模计算合成孔径雷达(synthetic aperture radar,SAR)仿真图像的准确性,给出基于层次分析法(analytic hierarchy process, AHP)、模糊综合评判(fuzzy comprehensive evaluation,FCE)、图像特征与Fisher可分性及目标识别等知识综合的车辆目标SAR仿真图像评估方法。首先确定五级评语集{优秀,良好,中等,较差,很差},然后根据AHP构建评估因素集,分别利用Fisher可分性判据和目标识别率确定二级FCE的两层权重向量,再依据图像相似度评价标准区间构建模糊隶属函数,最后将权重向量和模糊关系矩阵合成计算出仿真和实测图像的FCE结果,即模糊向量,对模糊向量按照最大隶属原则给出评价结果。通过对车辆目标的仿真与实测SAR图像进行比对分析结果显示,该方法可以准确客观地反映出SAR仿真与实测图像之间的相似程度。     

优化视觉特性型多波段SAR图像像素级融合方法

针对多波段合成孔径雷达(synthetic aperture radar,SAR)图像数据特征,提出了一种优化视觉特性型像素级融合方法.该方法基于优化图像的视觉特性以及像素级融合的要求,利用小波变换对各波段SAR图像相对应的低频分量及各方向细节分量进行针对性融合处理,很好地将来自不同图像的特征与细节融合在一起.仿真实验证明,该算法可形成比单波段图像细节信息更为丰富、目测更为直观、统计特性更优的融合图像.     

结合边缘和统计特征的末制导SAR图像匹配

提出一种用于末制导的合成孔径雷达（synthetic aperture radar, SAR）图像实时匹配方法。考虑参考图与实时图尺度、方向等差异,制备多幅参考图像,基于最小错误概率准则,对每幅参考图像提取边缘,由边缘图形成用于匹配的包含边缘两侧地物区域信息的参考模板。提出一种利用边缘信息和SAR图像统计特性的相似性度量准则。采用金字塔分层结构的搜索策略,提高了匹配速度。该方法综合利用了边缘和灰度统计信息,避免了对实时图的边缘提取。实验验证了算法的有效性。     

结合空时上下文信息的视频SAR图像相干斑滤波

作为合成孔径雷达(synthetic aperture radar, SAR)的一种新体制,视频SAR能够对场景连续成像,在目标检测、跟踪等应用情景有独特优势。然而,相干斑的存在影响了视频SAR图像质量及后续目标检测应用。针对这一问题,提出了一种结合空时上下文信息的视频SAR图像相干斑滤波方法。该方法主要由3步构成：首先构建能表征视频SAR图像距离-方位-时间三维动态散射信息的空时上下文协方差矩阵;其次根据协方差矩阵的相似检验选取一定邻域内目标像素的相似样本;最后根据相似样本进行平均实现相干斑滤波。基于两组实测视频SAR数据开展相干斑滤波对比实验,实验结果表明所提方法能在有效抑制相干斑的同时较好地保留目标细节信息,验证了所提方法的有效性和优势。     

基于迭代阈值分割的星载SAR洪水区域快速提取

基于星载合成孔径雷达(synthetic aperture radar, SAR)的洪水区域提取可对洪灾信息进行高效提取。然而, 传统提取方法往往时间复杂度较高, 严重影响了洪灾区域获取的时效性。基于改进迭代阈值分割原理, 本文提出了一种星载SAR图像洪水区域快速提取方法。首先, 对预处理后的SAR图像进行高斯拟合再抽样, 抑制SAR图像直方图异常点的影响。其次, 利用迭代阈值算法进行水体提取, 并基于形态学滤波对噪声进行抑制。最后, 对已识别的水体区域开展变化检测, 实现洪灾区域的提取。基于2020年7月鄱阳湖流域特大洪灾前后的哨兵-1 SAR图像, 本文开展了洪水区域提取对比试验。试验结果表明, 该方法可在保证洪水区域提取精度的同时, 显著提升处理效率。     

基于多方向突堤扫描的极化SAR图像人工港口检测

针对现有合成孔径雷达(synthetic aperture radar, SAR)图像中基于海陆两区域分割和单方向突堤扫描港口检测方法存在虚警率高的问题,提出一种基于多区域分割和多方向突堤扫描的人工港口检测方法。该方法首先使用基于极化SAR相干矩阵统计特性的多区域水平集分割方法将地物分割为水域、强散射建筑和其他陆地3类;然后在水陆分割结果上从多对正交方向对沿岸突堤进行扫描,从而确定出港口感兴趣区域;最后利用强散射建筑分割结果实现感兴趣区域中人工港口和虚警天然凸起地形的区分。基于RADARSAT-2对新加坡和湛江地区实际观测的极化SAR数据进行实验,结果表明本文方法较好地实现了沿岸人工港口的正确检测。     

基于融合距离的极化SAR图像非局部均值滤波

在极化合成孔径雷达(synthetic aperture radar, SAR)图像降噪领域,常见的非局部均值滤波仅依靠像素间的统计距离进行相似性度量,忽略了像素点的空间信息。本文结合极化SAR数据统计特性和图像空间特征作为像素间的相似性度量,提出了一种利用融合距离来计算相邻窗口权重的方法——基于融合距离的非局部均值滤波器。融合距离的引入使得滤波器能够更全面的评估像素间的相似性,从而得到更合适的像素权重。此外,本方法还引进变异系数对邻域窗口的权重进行评估,通过该参数可以控制滤波的程度。在多幅极化SAR图像上的实验结果表明,所提出的滤波器能够在有效抑制斑点噪声的同时保留较为完整的图像边缘信息和极化散射特性。     

基于Kirsch方向模板的SAR相干斑噪声抑制方法

提出一种抑制SAR相干斑噪声的加权平滑滤波方法。该方法利用 8个 3× 3的Kirsch方向模板分别与SAR图像进行卷积运算 ,取其中的最大值作为窗口中心像素的边缘强度值 ,中心像素灰度值的滤波输出为它的 8个邻域像素灰度值的加权平均 ,加权系数为每个像素的边缘强度值。给出了滤波核方程的推导过程 ,分析了滤波原理。将该方法用于SAR图像相干斑噪声抑制 ,并与Lee滤波器的去斑效果进行了比较。实验结果表明 ,该方法具有良好的抑制相干斑噪声效果和较强的边缘保持能力。     

基于非局部分类处理的SAR图像降斑

针对合成孔径雷达(synthetic aperture radar, SAR)图像不同内容间的统计特性差距较大以及采用非局部降斑方法处理SAR图像时会产生图像细节丢失及伪影等现象,提出了一种基于非局部分类处理的SAR图像降斑方法。首先对相似块方差系数的均值采用阈值比较的方法将图像分为同质区和异质区,在寻找目标块对应的相似块时,根据图像块中心像素点所属的类别选择合适的参数进行块匹配,并在获得相似块后分别使用加权平均的方法处理同质区目标块和3D变换域硬阈值收缩方法处理异质区目标块。该方法不仅能在块匹配过程中选择不同的块尺寸和搜索范围以提高块匹配的精度,而且使用不同方法处理同质区和异质区时能够在图像降斑与细节保持的权衡中达到更好的平衡。实验结果表明,该方法充分利用同质区和异质区的特点,结合不同的方法进行分类处理可有效提高图像降斑性能,在SAR图像降斑性能指标和视觉效果方面均达到了较高水平。     

一种基于Weibull分布的SAR图像分割方法

分析了合成孔径雷达(SAR)图像的统计分布特性,推导了SAR目标及阴影的分割阈值与虚警概率之间的关系,给出了一种基于Weibull分布的SAR图像目标及目标阴影的分割方法,首先根据推导出的分割阈值公式对SAR目标图像及阴影图像进行粗分割,然后利用形态学滤波和计数滤波器进行细分割。基于MSTARSAR实测数据进行的大量实验表明,该方法是有效的,优于传统的双参数恒虚警分割方法。     

基于改进R-FCN的SAR图像识别

由于深度学习在目标识别方面取得了显著的成绩,为提高合成孔径雷达(synthetic aperture radar, SAR)图像目标识别的精度与速度提供了新的思路。本文将区域全卷积网络(region-based fully convolutional networks, R-FCN)结构应用于SAR图像目标识别中,取得了良好的效果。对于数据集较小和数据相似度较高的问题,提出了基于迁移学习的R-FCN模型用于SAR图像目标识别。对更快的区域卷积神经网络(faster region convolutional neural networks, Faster R-CNN)和R-FCN进行模型训练及优化,并与所提出的基于迁移学习的改进R-FCN模型实验结果进行对比。结果表明,所提方法对SAR图像具有更好的识别效果和更快的识别速度。