基于粗糙集理论的SAR图像speckle滤波方法

针对合成孔径雷达(SAR)采用主动式相干波的成像方式,在从原始信号到图像的重建过程中存在斑点噪声的干扰的问题,根据粗糙集理论的条件属性把SAR图像像素分成三类:均匀区域类、非均匀区域类和包含分离点目标类.对不同的像素类采用不同的滤波方式,然后合并三类子图像得到SAR图像的speckle滤波的图像.该方法既可除去图像中的斑点噪声,又可保留图像中的细节特征,有利于对图像的后续处理.     

基于小波域隐马尔可夫模型多尺度图像分割

提出了一种基于小波域自适应上下文结构的多尺度图像分割算法（JACMS）．该算法为了减小计算复杂度,采用隐马尔可夫半树模型和参数加权训练算法,得到了可靠的初始分割．为了获得较好的区域一致性和边缘准确性,在进行尺度间融合时,采用自适应的上下文结构分别应用于图像纹理均质区域和图像纹理边缘,保证了图像大致轮廓的准确性和可靠性,提高了分割后图像纹理边缘的精确度．对合成图像与航摄像片的实验结果表明,该方法的分割错误概率低于传统的基于小波域隐马尔可夫树模型的图像分割方法,且对真实图像得到了理想的分割效果．     

基于小波域分类隐马尔可夫树模型的图像恢复

针对自然图像的非平稳特性和图像恢复中计算困难的问题,提出了一种基于小波域分类隐马尔可夫树(CHMT)模型的图像恢复算法.从图像恢复的贝叶斯框架出发,将CHMT模型作为自然图像小波域的先验知识,构造正则化约束进行图像恢复.该模型具有空间适应性,使建模更加精确.对恢复方程的求解,采用了分类简化的共轭梯度算法.实验结果表明,该算法具有较低的计算复杂度,能提高图像恢复峰值信噪比(PSNR).     

基于树状分解隐马尔可夫树的纹理分类模型研究

遥感图像纹理信息丰富，要准确地进行纹理特征描述，必须尽可能地抓住其本质特征和属性。以小波域隐马尔可夫树模型为基础，并结合遥感图像特点，提出在全树状小波分解的基础上建立隐马尔可夫树模型，在子图选择上用图像熵作为判据，使分解更有针对性，并使计算效率得以提高。     

基于非子采样Contourlet变换的多聚焦图像融合方法

非子采样Contourlet变换(NSCT),是针对Contourlet变换的一些局限性进行了改进,可以对图像进行灵活的多尺度、多方向和平移不变性分解.提出了一种基于NSCT的多聚焦图像融合方法.首先对多聚焦图像进行NSCT变换;然后对变换得到的低频分量系数采用改进的加权平均融合规则进行融合处理,对高频分量的最高层和其它层系数分别采用绝对值最大和改进的区域方差融合规则进行融合处理;最后重构图像得到融合结果;并给出了实验结果.对结果的分析比较表明,所提出的融合规则的效果优于常用的融合方法和参考文献的融合方法.     

星载SAR图像的斑点噪声抑制与滤波研究

根据斑点噪声的来源,分析和比较了抑制SAR图像斑点噪声的Lee滤波、Gamma MAP滤波、Frost滤波算法,并用台湾地区的SAR图像数据验证了不同滤波算法对斑点噪声的抑制效果.结果表明,Lee滤波抑制斑点噪声的综合性能最好.     

基于隐马尔可夫模型的火场噪声数学模型

在灭火救援的第一线,无线通信是火场指挥的重要手段,而在复杂多变的火灾现场,高强度的噪声给火场通信带来了严重的影响,不仅会干扰指挥员与作战员之间的信息传递,还会影响作战员的判断能力,造成安全事故发生。分析火场噪声特性并研究降噪技术在消防领域是十分必要和必须的,本文通过分析火场噪声来源和特性,使用隐马尔可夫模型(HMM)建立噪声模型,为火场降噪技术处理提供参考。     

基于T分布的雷达斑点滤波方法研究

在对合成孔径雷达（synthetic aperture radar,SAR）滤波器的研究状况进行回顾的基础上,介绍了基于T分布的可调节斑点噪声滤波器的算法和特点,通过目视比较和定量分析,将该滤波器与Lee,Frost,Lee-Sigma,GammaMAP等滤波器进行了比较,结果表明该滤波器在斑点滤除和细节保留方面均取得了很好的效果.最后,以1998年马来西亚吉兰丹地区SAR洪水为例,显示了可调节滤波器在水灾监测方面的巨大潜力.     

基于中值滤波和Contourlet变换的图像去噪研究

针对图像中同时含有脉冲噪声和高斯噪声的情况,提出了一种中值滤波和Contourlet变换相结合的图像去噪方法,首先用中值滤波检测出脉冲噪声的噪声点并加以处理,然后用Contourlet变换对高斯噪声进行处理.实验结果表明,此方法不仅能有效地滤除脉冲和高斯的混合噪声,提高去噪后图像的PSNR值,而且可以很好地保留图像的细...     

基于Contourlet变换和全变差的图像融合

针对基于小波和全变差的图像融合方法的缺点和不足,提出了一种基于Contourlet变换和全变差算子的含噪图像融合方法,这种方法在融合图像的同时,也对图像进行了去噪处理.首先对图像进行Contourlet变换,对得到的低频子带用分块主成分分析的方法进行处理,以估计传感器的退化算子,然后进行低频部分的融合;将高频系数归一化的全变差算子的模作为权因子进行高频部分的融合,以经Contourlet逆变换后得到的融合图像作为初始值,经过迭代演化,最终得到了去噪的融合图像.实验结果表明,该方法得到的图像视觉效果更好,信息熵更高.     

一种基于非降采样Contourlet变换的遥感图像融合方法

给出了一种非降采样Contourlet变换和HIS变换相结合的遥感图像融合算法.非降采样Contourlet变换是一种平移不变的小波变换方法,且具有良好的方向选择性,其对图像做多分辨率分析得到的高频子带,有效地表达了图像中的细节特征信息.结合HIS变换,非降采样Contourlet变换将细节注入到多光谱图像得到的融合图像,不但具有较高的空间分辨率,而且有效保持了多光谱图像的光谱特征.实际的SPOT全色图像和TM多光谱波段融合结果表明,所提议方法的性能优于目前广泛使用的小波域方法如离散小波变换和A Trous小波变换以及Contourlet变换等融合方法.     

基于NSCT变换与自蛇扩散的SAR图像相干斑抑制算法

针对SAR图像中乘性相干斑噪声的抑制与边缘保护问题,提出了一种基于非下采样轮廓波变换(NSCT)与自蛇扩散的抑斑新算法。该算法先利用NSCT变换对SAR图像进行多层子带分解,然后借助自蛇扩散对SAR图像不同子带分别实施参数不同的扩散滤波,最后对各去噪子带进行NSCT重构获得的SAR图像再次进行自蛇扩散滤波处理,从而实现带有边缘保护与增强的SAR图像相干斑抑制。实验表明,与多种传统抑斑算法相比,本文算法在相干斑抑制与边缘保护性能上均有明显提升。     

基于小波包分解的SAR图像斑点噪声抑制

论述利用小波包分解技术和软门限理论对合成孔径雷达(SAR)图像斑点噪声(speckle)进行抑制与滤除，首先对SAR图像进行小波包分解，选取最优基，加大小波系数之间的差距；然后应用Donoho的软门限(soft threshold)理论，针对SAR图像斑点噪声的特点，在小波包变换域内选取合适的门限进行滤波；最后，通过小波包重构技术获得去除斑点噪声的SAR图像，实验证明，该方法能有效抑制SAR图像中的斑点噪声。     

基于小波变换的遥感图像快速拼接方法

基于图像小波变换与低频区域特征匹配的拼接方法,实现无人机序列遥感图像的快速动态拼接.根据无人机遥感图像成像的内、外方位元素,采用直角空间变换及二次线性插补方法,实现了遥感图像校正.小波变换提取低频图像,在此图像区域中搜索和提取特征模板,然后利用序贯相似性检测法进行匹配计算.根据匹配结果,实现两幅图像的拼接.仿真实验结果表明,所提出的拼接方法具有较好的实时性和拼接精度.     

基于主动轮廓模型的合成孔径雷达图像分割方法

针对合成孔径雷达(synthetic aperture radar,SAR)图像中的乘性相干斑噪声影响分割效果的问题,提出了一种基于主动轮廓模型的分割方法。该方法将改进的细节保持各向异性扩散(IDPAD)滤波和SBGFRLS模型相融合,构造了一个边迭代演化边抑噪的改进的演化微分方程。在每一次迭代演化中,先借助改进的演化微分方程演化水平集函数,然后利用高斯滤波器正则化水平集函数,最后通过检查水平集函数的收敛性判定分割是否完成。实验结果表明,与经典的分割方法相比,本文方法在保护边缘的同时减少了乘性相干斑噪声对SAR图像分割的影响,减少了误检轮廓,且对初始轮廓不敏感。     

基于多小波的局部背景隐马尔可夫模型图像去噪

小波域局部背景隐马尔可夫模型（LCHMM）可获得尺度内的相关性和局部的统计特征,并且复杂度小,多小波分析在图像去噪方面有很好的性能。利用多小波分析和局部背景隐马尔可夫模型各自在图像去噪方面的优势,将两者结合起来,提出了一种基于多小波的局部背景隐马尔可夫模型（M—LCHMM）图像去噪算法。算法主要有两步：局部背景隐马尔可夫模型去噪处理和均值处理。该算法简单有效,仿真试验表明M—LCHMM的去噪效果优于目前许多已有的去噪算法。     

基于小波域HMT模型的图像复原

小波域隐马尔可夫树（HMT）模型采用混合高斯模型刻画各子带系数的概率分布,并通过小波系数隐状态在多个尺度之间的Markov依赖性来刻画自然图像小波系数随尺度呈指数衰减的特性.提出了基于小波域HMT模型的图像复原算法作为自然图像的先验模型,将图像复原问题转化为一个约束优化问题并用共轭梯度法对其进行求解.实验结果表明,该算法较好地再现了各种边缘信息,复原出的图像在信噪比和视觉效果方面都有显著的提高.     

基于距离度量学习的SAR图像识别方法

针对合成孔径雷达（synthetic aperture radar,SAR）图像样本数据有限,且不同类别间的图像区分度不高导致识别困难的问题,提出一种应用于SAR图像识别的距离度量学习方法.该方法使用CNN网络得到图像的特征分布,利用LSTM网络加强图像间的关联性,基于余弦相似距离度量方法计算图像之间的匹配度,通过注意力机制后对结果进行分类.训练过程结合小样本学习的训练方式,采取预训练的策略进行实验.实验以公开的MSTAR数据集进行SAR图像识别,结果表明该方法准确率达到99.3%,比SVM方法提升2.5%.