基于多级分类的极化SAR图像斑点抑制

针对极化合成孔径雷达（polarimetric synthetic aperture radar, PolSAR）图像相干斑抑制后的目标极化特性和结构特征保持问题,给出了一种多级分类的极化SAR图像斑点抑制方法。首先利用H/α快速分解法并结合极化总功率图像进行初分类,之后采用最小距离准则和聚合的层次聚类方法进行细分类,最后根据图像结构将图像内容分为亮点线目标、暗线目标和其他目标三大类,利用线性最小均方滤波器对暗线目标和非点线目标进行滤波。采用美国AIRSAR机载系统获取的实测数据进行实验,结果表明,与Lee的基于散射模型降斑算法相比,本文算法不仅能够更有效地抑制斑点噪声,而且在保持极化特性、结构和纹理特征方面更为有效。     

基于深度卷积神经网络的PolSAR图像变化检测方法

针对极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像变化检测问题,提出了结合区域信息和深度卷积神经网络(deep convolutional neural network,DCNN)的PolSAR图像变化检测算法。在本方法中,用超像素分割算法与超像素合并算法提取图像场景的区域信息,利用区域信息和Wishart似然比得到差异图像;再运用预分类算法以得到训练DCNN的伪训练样本和待分类样本;接着用伪训练样本训练DCNN;最后用训练好的DCNN对待分类样本进行分类得到最终结果。实验结果表明,与多种PolSAR变化检测算法相比,所提算法能够获得更好的结果。     

基于典型散射差异指数的PolSAR图像Lee滤波

为提高滤波后极化合成孔径雷达图像的边缘清晰度和保持目标的极化特性,提出了基于典型散射差异指数(typical scattering difference index, TSDI)的PolSAR图像Lee滤波算法。算法根据滤波像素和邻域像素之间的TSDI,采用自适应阈值法筛选出滤波像素的同质像素,然后用同质像素进行Lee滤波。针对筛选阈值,首先利用Parzen窗估计同质区域TSDI概率分布,然后根据估计结果计算阈值。用美国AIRSAR系统和UAVSAR系统采集的极化数据进行实验。实验结果表明该算法相对于精致Lee滤波算法相干斑抑制更加彻底,同时图像边缘清晰度和目标极化特性保持更完好。     

基于直线特征的航拍图像机场跑道自动识别算法

针对航拍图像中机场跑道的区域灰度特征和边界直线特征,提出了一种基于直线特征的机场跑道自动识别算法。首先对航拍图像进行边缘检测;然后在归一化的边缘检测幅度图像中进行直线提取,并对提取的直线进行三次连接;再进行机场跑道边界平行直线对的提取;最后根据区域灰度特征对机场跑道区域进行验证,完成机场跑道的识别和定位。大量实验结果表明,本算法对云层遮挡等具有较强的鲁棒性,并且定位准确,是一种有效的机场跑道识别算法。     

基于多级分类与逆向时空融合的弱小目标检测

弱小点目标检测是红外探测技术中的一个关键问题.针对目前序列红外图像目标检测中单阈值分割时弱小目标易丢失及快速移动目标的能量欠积累问题,提出了一种基于多级分类与逆向时空融合的弱小红外目标检测方法.该方法在对图像进行背景抑制的基础上,采用自适应多级分类的方法提取候选目标,强化了各类弱小候选目标的检测能力.同时,根据目标在相邻帧间的位置变化信息构造动态时空管道,在当前帧候选目标点的真伪无法判定时,沿时空管道逆向寻找可能出现的各类候选目标,将其中的各类候选目标点能量与当前帧候选目标点的能量进行加权求和后再进行门限判决,较好地解决了弱小目标及快速移动目标的能量积累问题.最后,本文通过若干实际红外数据验证了上述方法的有效性.     

PolSAR图像的改进非局部均值滤波算法

为了在抑制相干斑的同时更好地保留地物目标的极化散射信息和结构信息,提出了一种基于变异系数(coefficient of variance,C.V)的极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像自适应非局部均值滤波算法。该算法结合图像子块的统计特性和目标点的极化散射特性筛选同质像素,然后引入C.V自适应选取平滑系数来计算滤波所用的权重,最后对同质像素进行非局部均值滤波。用不同系统采集的PolSAR数据进行的实验结果表明,与精致LEE滤波、NL-Pretest滤波以及最新的滤波方法相比,本文算法不仅能够有效抑制相干斑噪声,而且图像的边缘和极化散射特性也得到了更好地保持。     

PolSAR图像的两级分块最优加权滤波方法

针对多极化合成孔径雷达（polarimetric synthetic aperture radar, PolSAR）图像的相干斑抑制问题,提出一种两级分块的最优加权滤波方法。该方法在分块加权法的块处理基础上,采用边缘检测模板对非同质类子块进行二次分类和处理,提高了滤波参数的估计精度。实验结果表明,该方法不仅保持了块处理简单、运算量小的优点,而且在斑点抑制和边缘保持方面更优于最优加权法和分块加权法。     

基于SVM的图像分类系统设计

为实现基于语义的图像分类,其本质还是从底层特征出发,因此,高层信息的学习和建模也就必须来源于底层特征了。在底层特征提取的基础上提出了一个基于SVM的图像分类系统的设计,重点介绍了图像数据库的设计和分类引擎的设计,说明了其可行性和方便易用性。最后展望了基于SVM的图像分类引擎技术的发展方向和应用前景。     

环境特征与散射特性融合的PolSAR飞机目标检测

针对复杂场景下极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像飞机目标检测问题,提出了一种融合目标环境特征与散射特性的PolSAR飞机目标检测方法。首先,利用极化白化滤波(polarimetric whitening filter, PWF)图提取疑似飞机目标,将疑似飞机目标转换成超像素得到混合图像。然后,经极化分解与分类构造一个新的环境特征,并与散射特性融合得到飞机目标检测特征,通过阈值判别检测出飞机目标。最后,使用AIRSAR和UAVSAR系统采集的实测数据进行实验,并与其他检测方法进行对比。结果表明,所提方法产生的虚警和漏警较已有方法有所改善,检测结果更好。     

环境特征与散射特性融合的PolSAR飞机目标检测

针对复杂场景下极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像飞机目标检测问题,提出了一种融合目标环境特征与散射特性的PolSAR飞机目标检测方法。首先,利用极化白化滤波(polarimetric whitening filter, PWF)图提取疑似飞机目标,将疑似飞机目标转换成超像素得到混合图像。然后,经极化分解与分类构造一个新的环境特征,并与散射特性融合得到飞机目标检测特征,通过阈值判别检测出飞机目标。最后,使用AIRSAR和UAVSAR系统采集的实测数据进行实验,并与其他检测方法进行对比。结果表明,所提方法产生的虚警和漏警较已有方法有所改善,检测结果更好。     

稀疏描述与结构特征融合的极化SAR斑点抑制算法

提出一种稀疏描述与结构特征相结合的极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像斑点抑制算法。首先利用图像的极化信息对原图像按结构特征分类,形成分类标记图;然后采用正交匹配追踪(orthogonal-matching-pursuit,OMP)算法对图像进行稀疏分解,利用K奇异值分解 (K-singular value decomposition, K-SVD)算法对过完备字典进行训练更新,得到图像相应的训练字典和稀疏系数,重构图像;最后在重构图像中按分类图增强相应的点线目标。利用美国AIRSAR系统采集的半月湾地区数据进行实验表明:该方法在实现图像去噪的同时,能够有效的保持地物的散射特性。     

基于小波变换的图像边缘检测

提出了一种新的基于小波变换的多尺度多分辨率特性的边缘检测方法。分别利用不同尺度小波变换后的水平方向、垂直方向和对角线方向高频信息 ,根据李氏指数与小波变换关系 ,采用零交叉检测方法和极大值在不同尺度下传播的特性 ,检测出图像在 3个方向的极大值。对不同尺度不同方向高频子图像 ,首先采用平均值法确定阈值 ,去除震荡噪声 ,然后对不同方向高频子图像合成的图像 ,根据最大类间方差法 ,计算其阈值 ,求出极大值 ,最后从这 3个方向的极大值中确定出最大值。实验结果表明 ,检测出图像的边缘结果非常理想。     

基于改进基本图像特征直方图的纹理分类算法

提出了一种改进的基本图像特征(basic image feature, BIF) 直方图纹理分类算法。首先在4个尺度上分别确定图像中每个像素点对应的BIF,然后在每个尺度上分别提取6维直方图特征及3维高阶统计特征共36维特征,最后使用支持向量机(support vector machine, SVM) 作分类器对实验图像进行训练和分类。实验表明,所提方法降低了算法的计算复杂度和运行时间,对噪声有较好的鲁棒性。     

四叉树分类的网格编码量化在SAR图像中的应用

综合了小波去相干斑噪声、四叉树分类、网格编码量化技术,提出了一种在小波域内对带噪SAR图像作网格编码量化的新方法。首先对小波域的SAR图像实施软阈值去噪声,然后根据小波图像中各子带系数的带间相关性对其进行四叉树分类,再对分类后的重要类小波系数应用网格编码量化形成有序的嵌入式比特流。该方法不仅利用了信号间的时间相关性,而且也较好地利用了信号变换域的相关性。并且在对SAR图像压缩的同时去除了噪声,取得了很好的效果。     

基于空间预处理联合稀疏表示高光谱图像分类

针对高光谱图像分类时光谱信息和空间信息利用不充分、分类精度低的情况, 提出一种结合空间预处理的联合稀疏表示分类方法。一方面能够弥补联合稀疏表示固定窗口模式中空间信息利用不充分的问题, 另一方面也避免了像元多次参与联合稀疏模型的构建过程。考虑每个像元对联合稀疏模型的贡献不同, 通过赋予邻域像元相应权重以提高稀疏重构精度。最后, 充分利用训练样本的已知信息修正分类结果, 在Pavia University和AVIRIS Salinas两个数据集上进行实验验证。实验结果表明, 所提方法能够有效地提高高光谱图像分类精度。     

基于自适应稀疏表示的高光谱遥感图像分类

针对多数传统分类算法应用于高光谱分类都存在运算速度慢、精度比较低和难以收敛等问题,从稀疏表示基本理论出发建立了一个基于自适应稀疏表示的高光谱分类模型。利用训练样本构建字典,聚类每一步迭代所产生的余项,将聚类中心作为新的字典原子,然后将测试样本看成冗余字典中训练样本的线性组合,令字典能够更适应于样本的稀疏表示。利用华盛顿地区的HYDICE高光谱遥感数据进行试验,并且与主成分分析、线性鉴别分析、支持向量机、神经网络算法进行比较,结果表明,该算法的总体分类精度比其他算法提高了约12%,有效提高了高光谱影像的分类精度。