利用曲波变换和局部线性嵌入算法的SAR图像海面油膜特征提取

溢油事故带来的海洋污染问题日益严重,SAR图像快速准确地自动识别为溢油事故的处理和决策支持提供了重要前提。为了获得更高的油膜识别准确率,提出了一种基于曲波变换（Curvelet）和局部线性嵌入（Local Linear Embedding,LLE）算法的SAR图像特征提取方法。首先,利用Curvelet对图像进行分解,选取包含了主要信息的低频分量作为新的图像矩阵;然后,利用LLE进行非线性降维,提取图像分类特征。为了验证提取特征的有效性,所提的Curvelet-LLE算法与PCA、LLE、等距特征映射（Isomap）、Curvelet变换和 Fisher 判别分析(Curvelet-KFD)、Wavelet-LLE等特征提取算法,利用K最近邻和支持向量机分类器分别进行了对比实验。实验结果表明,Curvelet-LLE算法能更有效地提取SAR图像油膜识别的分类鉴别特征,其准确率相对较高,具有较好的实用性。     

基于Dual-EndNet的全极化SAR溢油检测算法

海上溢油事故的发生不仅给人类造成了巨大的财产经济损失，而且严重破坏了海洋生态环境。极化合成孔径雷达（PolSAR）通过利用多种极化通道能够更综合地记录地物后向散射信息，从而广泛应用于海上溢油检测中。为了更加准确地进行海上溢油检测，提出一种基于Dual Encoder-Decoder Net(Dual-EndNet)的极化SAR海上溢油检测算法。首先提取出目前常用的30种用于溢油检测的极化特征，并利用随机森林算法选出区分溢油重要性较好的前10个特征；然后以编码器-解码器为基本框架，设计两个分支，分别输入PauliRGB图像和优选的10个极化特征图像，用于提取溢油极化SAR图像的空间信息和极化信息，进而对两分支信息进行融合，以提高溢油检测算法性能。在两景Radarsat-2全极化SAR溢油数据集上的实验结果表明，所提方法不仅具有较强的溢油检测能力，而且能够有效地区分原油、植物油、乳化油不同类型的油膜。     

基于并联卷积神经网络的SAR图像目标识别

基于合成孔径雷达（synthetic aperture radar，SAR）在图像目标识别领域中识别精度低的问题，设计一种利用并联卷积神经网络（convolutional neural network，CNN）来提取SAR图像特征的目标识别方法.首先利用改进的ELU激活函数代替常规的ReLU激活函数，建立与二次代价函数相结合的深度学习模型.其次采用均方根支柱（root mean square Prop，RMSProp）与Nesterov动量结合的优化算法执行代价函数参数迭代更新的任务，利用Nesterov引入动量改变梯度，从两方面改进更新方式，有效地提高网络的收敛速度与精度.通过对美国国防研究规划局（DARPA）和空军研究实验室（AFRL）共同推出的MSTAR数据集进行实验，实验表明，该文提出的算法能充分提取出SAR图像中各类目标所蕴含的信息，具有较好的识别性能，是一种有效的目标识别算法.     

卷积神经网络对SAR目标识别性能分析

近年来,以卷积神经网络（Convolutional Neural Network,CNN）为代表的深度学习方法在图像识别领域取得了巨大进展,但尚未在SAR目标识别领域得到广泛应用。基于此,将具有代表性的LeNet,AlexNet,VGGNet,GoogLeNet,ResNet,DenseNet,SENet等卷积神经网络模型应用到SAR图像目标识别上,并依据识别精度、模型尺寸、运行时间等指标在公开SAR数据集MSTAR上对9类目标进行识别实验。详细对比分析了不同CNN模型的综合性能,验证了利用CNN网络模型进行SAR图像目标识别的优越性,同时也为该领域的后续工作提供了参考基准。     

基于改进的Bag of Visual Words算法的SAR图像目标分类

"视觉词袋"(Bag of Visual Words,BOV)算法是一种有效的基于语义特征表达的物体识别算法。针对传统BOV模型存在的不足,综合利用SAR图像的灰度和纹理特征,提出基于感兴趣目标(Target of Interest,TOI)的"视觉词袋"算法。首先,对训练图像进行TOI选取,用灰度共生矩阵模型提取TOI的纹理特征,再结合灰度特征,组成多维特征向量集,以簇内相似度最高、数据分布密度最大为准则,生成"视觉词袋"。其次,对测试图像,依据已生成的"视觉词袋",采用支持向量机(Support Vector Machine,SVM)分类器,实现SAR图像感兴趣目标的有效分类。实验结果表明,与传统的"视觉词袋"构建算法相比,该算法在分类正确率提高的同时,能够在训练图像较少的情况下达到良好的分类效果。     

基于ESR的SAR目标型号识别算法

针对基于稀疏描述（SR）的识别算法的计算复杂度高,不利于算法实时、高效实现的问题,提出了一种快速稀疏描述（ESR）算法,以提高合成孔径雷达（SAR）图像目标型号识别的效率。考虑到SAR图像在一定的角度范围内惰性变化的特点,将每个型号目标的训练样本在一定方位区间内分别取平均,采用平均样本表征该方位区间内的若干个样本,以减少训练样本的数目,达到有效降低算法计算复杂度,提高SAR目标型号识别算法效率的目的。实测的MSTAR数据验证了所提快速算法的有效性。     

基于支持向量机的飞机图像识别算法

研究了一种基于支持向量机的飞机图像识别算法。采用基于神经网络的图像边缘检测方法,该方法首先基于邻域灰度极值提取边界候选图像,然后以边界候选象素及其邻域象素的二值模式作为样本集,输入边缘检测神经网络进行训练。提取具有RST不变性的轮廓特征向量,输入支持向量机进行训练和识别。将支持向量机与传统的人工神经网络的算法进行了对比实验,实验表明基于支持向量机的飞机图像识别算法具有更好的性能。     

高斯过程模型在SAR图像目标识别中的应用

将高斯过程模型应用于合成孔径雷达（SAR）图像目标识别。高斯过程模型是基于贝叶斯框架的统计学习算法,通过结合核函数和和概率判别构建分类模型。与传统分类模型相比,高斯过程模型可以获得更高的分类效率和精度。方法实施过程中,采用SAR图像的特征矢量作为输入,以目标类别标签作为输出训练高斯过程模型。对于待识别样本,通过计算其在高斯过程模型下属于各个类别的后验概率判定其目标类别。实验中,依托MSTAR数据集在典型条件下开展测试。根据实验结果,所提方法在标准操作条件下对10类目标识别精度达到99.28%;在30°和45°俯仰角下的平均识别率分别为98.04%和73.13%;在噪声干扰各个信噪比条件下均保持最高性能。实验结果验证了所提方法的有效性和稳健性。     

基于并行MLFMA的SAR舰船目标RCS计算

为提高合成孔径雷达（SAR）图像仿真效果,针对SAR图像中舰船目标雷达散射截面（RCS）计算的精度和效率问题,在利用几何建模方法构建三维舰船模型的基础上,采用并行多层快速多极子算法（MLFMA）计算了舰船目标RCS并分析了该算法的并行加速比。仿真实验表明,并行MLFMA算法适用于高频范围内较大尺寸舰船目标RCS的计算,比物理光学法（PO）和物理光学与矩量混合算法（PO—MOM）具有更高的计算精度且并行方案能明显提高求解目标RCS的效率。     

少样本条件下SAR目标识别潜力探究

随着深度学习在计算机视觉领域取得令人鼓舞的成果,基于深度学习技术实现对合成孔径雷达（Synthetic Aperture Radar, SAR）图像中时敏目标的分类识别已成为可能,实测SAR图像中时敏目标自动识别应用再次吸引了全球广大学者的目光。受客观条件所限,高质量实测SAR目标样本切片的获取代价大、成本高、数量少,且SAR对成像参数和目标姿态敏感,导致SAR图像面临的少样本条件下的目标识别问题更为突出。本文深度挖掘MSTAR(Moving and Stationary Target Acquisition and Recognition)数据集的目标识别潜力,针对10类SAR图像车辆目标分类识别潜能进行了研究和分析。为衡量不同样本数量条件下SAR目标识别潜能,同时降低对目标样本选取的随机性,提出利用不同数量实测训练样本,生成全角度训练数据集,对参与训练的样本进行规范化和合理化采样处理;将全角度扩充后得到的训练样本集作为标准模板数据集,通过遍历模板数据集,采用似然比相似性度量（Likelihood Ratio Similarity Measure, LiRSM）来衡量目标相似性,利用...     

Automatic detection of oil spills in ERS SAR images

The authors present algorithms for the automatic detection of oil spills in SAR images. The developed framework consists of first detecting dark spots in the image, then computing a set of features for each dark spot, before the spot is classified as either an oil slick or a “lookalike” (other oceanographic phenomena which resemble oil slicks). The classification rule is constructed by combining statistical modeling with a rule-based approach. Prior knowledge about the higher probability for the presence of oil slicks around ships and oil platforms is incorporated into the model. In addition, knowledge about the external conditions like wind level and slick surroundings are taken into account. The presented algorithms are tested on 84 SAR images. The algorithm can discriminate between oil slicks and lookalikes with high accuracy, 94% of the oil slicks and 99% of the lookalikes were correctly classified     

基于最大熵阈值分割的SAR图像溢油检测

近年来,海上溢油事故频发,使用(合成孔径雷达)SAR遥感图像进行溢油检测有着十分重要的意义。本文提出了一种基于最大熵阈值分割的SAR图像溢油检测算法,算法运算简单,适用于星载平台,可实现高效准确的检测。由于SAR成像存在固有的相干斑噪声,首先需要进行滤波对噪声进行抑制。图像中存在的陆地区域会对溢油检测产生影响,通过先验知识利用经纬度信息对其进行掩模处理,之后采用滑动窗口的方法,在窗口内部基于最大熵选取最佳的分割阈值,最后对分割产生的小块区域进行滤除,并依据距离信息合并相邻的区域。算法使用GF-3卫星图像进行验证测试,并与其他算法对比表明,本算法可满足遥感图像检测实时性、准确性的要求。      

A FARIMA-based technique for oil slick and low-wind areas discrimination in sea SAR imagery

This paper introduces a new analysis technique, using the fractionally integrated autoregressive-moving average (FARIMA) model, to distinguish between low-wind and oil slick areas in high-resolution sea synthetic aperture radar (SAR) imagery. The method deals with the estimation of the fractional differencing and autoregressive-moving average parameters of the mean radial power spectral density of sea SAR images. The algorithm is applied and validated on dark areas corresponding to oil slicks, oil spills, and low-wind sea surface anomalies in European Remote Sensing 1 and 2 Precision Images of the Mediterranean Sea, North Sea, and Atlantic Ocean.     

特征选择与深度学习相结合的极化SAR图像分类

给出了一种特征选择与深度学习相结合的极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像有监督分类算法。该算法首先根据极化SAR图像数据以及目标分解获取原始特征参数集,然后利用随机森林(Random Forest, RF)方法对特征参数集进行重要性评估,并根据特征重要性排名选择最优极化特征。以最优极,化特征为输入,通过卷积神经网络(convolutional neural network, CNN)学习多层特征信息,再利用训练好的网络模型对极化SAR图像进行分类。利用美国AIRSAR机载系统采集的实测数据进行实验,并同已有经典有监督分类算法进行比较,结果表明本文算法能够选取有效的极化特征,最终得到较为准确的分类效果。      

Oil Spill Detection in Radarsat and Envisat SAR Images

We present algorithms for automatic detection of oil spills in synthetic aperture radar (SAR) images. The algorithms consist of three main parts, namely: 1) detection of dark spots; 2) feature extraction from the dark spot candidates; and 3) classification of dark spots as oil spills or look-alikes. The algorithms have been trained on a large number of Radarsat and Envisat Advanced Synthetic Aperture Radar (ASAR) images. The performance of the algorithm is compared to manual and semiautomatic approaches in a benchmark study using 59 Radarsat and Envisat images. The algorithms can be considered to be a good alternative to manual inspection when large ocean areas are to be inspected     

SAR Polarimetry to Observe Oil Spills

A study on sea oil spill observation by means of polarimetric synthetic aperture radar (SAR) data is accomplished. It is based on the use of a polarimetric constant false alarm rate filter to detect dark patches over SAR images. Then, the target decomposition theorem is exploited to distinguish oil spills and look-alikes. Experiments are conducted on polarimetric SAR data acquired during the SIR-C/X-SAR mission on October 1994. The data were processed and calibrated at the Jet Propulsion Laboratory, National Aeronautics and Space Administration. Results show that the new polarimetric approach is able to assist classification     

基于反对称二进小波的SAR图像海洋表面油膜检测方法

海洋表面油膜检测是合成孔径雷达(SAR)很重要的应用领域之一。小波方法是近年来研究较多的图像边缘检测方法。通常的SAR图像油膜检测采用高斯函数一阶导和二阶导作为小波基函数,运算速度慢;该文采用反对称二进小波,利用小波变换多分辨率分析(MRA)思想,经多尺度综合得到油膜边缘图像。实验证明这是一种有效、有前途的SAR图像海洋表面油膜检测方法。     

环境一号C 卫星SAR 图像典型环境遥感应用初探

环境一号C 卫星(HJ-1C)于2012 年11 月19 日成功发射,并与2008 年9 月6 日一箭双星发射的环境一号A 星,B 星(HJ-1A/1B)组成2+1环境与灾害监测预报小卫星星座系统。该文以2012 年12 月～2013 年1 月期间获取的9 景HJ-1C 卫星数据2 级产品(S 波段,VV 极化,Strip 模式,5 m 分辨率)为实验数据,以北京市和福建省近海海域为研究实验区,以HJ-1C 卫星SAR 图像土地利用类型人工解译与制图、地表覆盖自动分类、近海海洋溢油污染识别、海浪特征参数反演、海水养殖区特征提取等近海海洋环境监测等为例,开展了HJ-1C卫星SAR 图像环境遥感应用能力的分析与评价。结果表明:(1)HJ-1C 卫星SAR 图像可用于耕地、林地、公路用地、河流水面、城镇住宅用地、农村宅基地等土地利用类型的人工解译和制图,地类图斑面积勾绘误差小于5%;(2)HJ-1C 卫星SAR 与HJ-1B CCD 图像融合可有效提高地表覆盖自动分类精度;(3)HJ-1C 卫星SAR 图像可用于海洋溢油污染识别、海浪特征参数反演及近海养殖区信息提取等近海海洋环境遥感监测。      

小型高光谱图谱仪与激光雷达及其海洋应用

海洋是地球生态环境的重要一环,但人类对海洋资源的勘探和开采容易对其造成严重破坏,如油气开采过程造成的大面积溢油、污染和赤潮爆发等。高光谱成像技术可以同时获取图像信息与高分辨光谱信息,在海洋原位探测上具有重大应用。文中综述了小型高光谱图谱仪与激光雷达及其在海洋应用上的部分近期工作。小型高光谱图谱仪结合荧光技术,实现了溢油种类的分类和油膜厚度的估计。多模式高光谱海洋原位探测系统可以工作于普通反射或透射成像、望远成像、显微成像三种模式,实现了海洋不同藻类及鱼类传染病载体孢囊的高光谱探测。高光谱技术结合激光雷达技术在溢油、赤潮等海洋污染物监测方面具有很大潜力。非弹性高光谱沙姆激光雷达系统通过油品的荧光光谱实现了海洋溢油油品的遥测鉴别。形貌沙姆激光雷达系统基于二维沙姆成像原理,通过空气-水界面折射矫正,成功的对人体、贝壳、珊瑚等进行了三维形貌重构,近处恢复精度可达毫米级,表面纹路清晰可见,为海洋监测应用提供了新的技术支持。     

基于CNN的SAR车辆目标检测

传统的SAR目标检测算法容易受到复杂背景的干扰,因此利用被广泛应用于图像目标检测和识别领域的Faster-RCNN方法,对复杂背景下的SAR图像进行车辆目标检测实验。在对样本数据进行预处理后对车辆真实位置进行标记,采用可视化的深度学习客户端对样本进行裁剪和旋转,扩充样本数据库。利用已充分训练的模型权重对ZF和VGG-16网络进行预训练,再利用扩充的数据集进行训练和验证,并使用包含MiniSAR数据的测试集进行测试。实验证明,ZF网络和VGG-16的检测效果类似,但是ZF网络因为网络层数更少因而检测耗时更短。