基于视觉感知和MARMA-MRF模型的SAR图像分割

模拟人类视觉感知机制,提出了一种基于多尺度 自回归滑动平均(MARMA,multiscale auto-regressive and moving average model)模型 和Markov随机场(MRF,markov random field)的合成孔径雷达(SAR)图像分割新方法。首先 ,分析人类视觉感知系统的工作机制 和特点,利用SAR的成像机理,构建了SAR图像的金字塔结构和MARMA模型, 以此模拟视觉过程中的空间尺度和朝向感知机制;然后,通过不同尺度上的MRF模型和改 进的模拟退火(SA)算法实现更有效的多尺度分割策略。实验结果表明,本文提出的方法在SA R图像分割任务中有非常良好的表现。     

基于两种神经网络的SAR图像多尺度分割与分析

基于多尺度回归技术和神经网络提出两种合成孔径雷达(SAR)图像分割的新方法.首先利用多尺度自回归模型(MAR)来描述SAR图像不同尺度间的统计相依性,以此提取SAR图像的多尺度统计特征;然后分别构造自组织特征映射网络和概率神经网络,并利用统计特征作为输入训练两种网络,实现SAR图像的分割.最后通过实验对这两种方法以及其他方法之间进行比较、分析,结果表明本文提出的两种方法的实验结果比较理想.     

基于MAR-MRF的SAR图像分割方法

该文提出了一种基于多尺度自回归模型和马尔科夫随机场的SAR图像分割算法。算法引入多尺度自回归模型,建立层与层之间以及相邻层的像素点之间的数学关系,并将此模型与马尔科夫分割算法结合,实现了更为合理的多尺度分割策略。通过相邻尺度的依赖关系及同一尺度空间的马尔可夫性,使用多尺度自回归模型的预测结果来引导精细尺度图像分割,不仅使得最细尺度下的分割迭代次数减少;而且去除了最细尺度下多余的误分类斑块;同时还能够分割出清晰、平滑的目标边界,实现了较满意的SAR图像分割。     

基于多尺度自回归图模型的SAR图像稳健滤波

基于多尺度自回归(MAR)图模型的稳健递归M估计(RME)算法,给出一种新的合成孔径雷达(SAR)图像稳健滤波方法.首先根据SAR图像不同尺度下的统计相依性,构造SAR图像的多尺度图像序列;然后对多尺度SAR图像序列构造树上MAR图模型,利用其的RME算法得到SAR图像的滤波.研究表明,该算法不仅具有有效的可计算性,而且利用不同分辨率下SAR图像信息融合,在不同情况下都能得到较好的滤波结果.实验结果表明,本文提出的方法是稳健的.     

基于自组织网络的SAR遥感图像的多尺度分割

基于多尺度信息特征和混合模型,将自组织混合网络(SOMN)应用于合成孔径雷达(SAR)图像的分割.首先对SAR图像的多尺度序列进行多尺度随机建模,以此进行多尺度特征提取;然后对其建立混合模型,并经过SOMN进行学习研究得到混合模型的参数;最后再利用Bayesian分类器,对SAR图像进行分割.实验结果表明,本文方法能够充分地利用SAR图像多尺度序列中不同类型地形的统计信息,进而明显地改进了图像的分割质量.     

基于ROI自动提取的SAR图像压缩

在机载SAR应用中,基于感兴趣区域(ROI)保护的有损压缩是解决传输实时性的有效方法,而ROI的自动提取则是制约系统整体性能的关键环节.本文提出了一种基于ROI自动提取与保护的SAR图像压缩策略,首先将图像进行分解,然后在结构分量内对包含潜在目标的区域进行检测,生成敏感目标区域掩码,然后对图像的结构和纹理分量分别使用基于小波和多尺度几何分析的方法来进行压缩编码,在压缩时对ROI区域进行保护性的低损压缩,对背景杂波区域进行有损压缩.本文方法针对航拍SAR图像中易于在压缩中产生模糊的小型人造目标区域进行保护性压缩.在同样的码率条件下,恢复后的图像与标准的JPEG2000算法相比具有更好的视觉效果,适用于依赖于人眼判读与反应能力的人在回路应用.     

基于第二代Bandelet变换的SAR图像去噪压缩

从SAR图像的统计特性出发,构造了对比度塔(CP),对SAR图像进行相干斑抑制和对比度调整,并将第二代Bandelet变换用于SAR图像压缩.在bpp值较高的情况下,该方法提高了SAR图像的压缩性能,适用于方向信息比较丰富、背景复杂的SAR图像的压缩处理.     

基于位平面编码的SAR图像无损压缩算法

对于低相关性、高动态范围SAR幅度图像的无失真压缩,采用预测或变换编码的方法很难取得较好的效果。本文在对SAR图像统计特征进行分析的基础上,提出一种基于位平面编码的无损图像压缩算法。在该算法中,将SAR图像分成各个独立的位平面,对各位平面分别计算其中元素为0的概率,并将此概率与阈值比较,从而选择相应的编码分块尺寸,之后对分块采用修正的四叉树编码。文中同时给出了编码转换阈值的计算方法。仿真实验结果表明,该算法对SAR幅度图像的压缩率明显高于国际图像压缩标准JPEG2000和JPEG-LS。     

基于视觉系统模型的SAR图像压缩方法

提出一种基于视觉模型的合成孔径雷达(SAR)图像压缩方法,对SAR图像分解后不同频带的小波系数结合其能量分布和人眼对不同频率段的敏感度采用可变步长进行量化与压缩编码,应用嵌入式小波图像压缩算法,以峰值信噪比和均方误差等作为评价指标,对比进行了实验.结果表明,在保证压缩比不变的前提下,采用本算法获得的恢复图像的主观质量有所提高,较好地保留了图像的纹理细节,提高了图像的峰值信噪比.     

基于压缩感知的SAR图像压缩与重构方法

结合合成孔径雷达(SAR)图像特点,提出了一种基于压缩感知的SAR图像压缩与重构方法,并给出了具体的方法及详细流程.该方法首先将原始SAR图像进行分块处理,同时,利用离散小波变换(DWT)对分块结果进行稀疏处理,利用近似QR分解后的随机高斯矩阵对稀疏处理结果进行低维线性观测,实现了SAR图像的稀疏化表征与压缩.文中讨论的改进的正交匹配追踪(OMP)算法,与传统的OMP算法相比,改进的OMP算法在保证重构精度的前提下,可有效提高收敛速度.最后,通过离散小波反变换等处理获得最终的SAR图像重构结果.仿真实验结果证明所提方法的有效性与可行性.     

Hierarchical stochastic modeling of SAR imagery forsegmentation/compression

There has been a growing interest in synthetic aperture radar (SAR) imaging on account of its importance in a variety of applications. One attribute leading to its gain in popularity is its ability to image terrain at extraordinary rates. Acquiring data at such rates, however, has drawbacks in the form of exorbitant costs in data storage and transmission over relatively slow channels; thus, addressing these problems is clearly important. To abate these and related costs, we propose a segmentation-driven compression technique using hierarchical stochastic modeling within a multiscale framework. Our approach to SAR image compression is unique in that we exploit the multiscale stochastic structure inherent in SAR imagery. This structure is well captured by a set of scale auto-regressive (AR) models that accurately characterize the evolution in scale of homogeneous regions of different classes of terrain. We thus use them to generate a multiresolution segmentation of the image. The segmentation is subsequently used in tandem with the corresponding models in a pyramid encoder to provide a robust, hierarchical compression technique that, in addition to coding the segmentation, achieves high compression ratios with impressive image quality     

基于Contourlet域HMT模型的多尺度图像分割

基于Contourlet系数分布统计特性,结合隐马尔可夫树（HMT）模型和贝叶斯准则提出一种新的图像分割算法.为了更有效保持Contourlet域不同尺度间的信息,提出一种新的加权邻域背景模型,给出了基于高斯混合模型的象素级分割算法和基于新的背景模型的多尺度融合算法.分别选择合成纹理图像、航拍图像和SAR图像进行实验,并与小波域HMTseg方法进行比较以说明算法的有效性.对合成纹理图像给出错分概率作为评价参数.实验结果表明本文方法不但在边缘信息和方向信息保持上有明显改进,而且错分概率明显降低,对真实图像得到了理想的分割效果.     

SAR图像多尺度配准的小波域最小割模型方法

 针对合成孔径雷达(Synthetic Aperture Radar,简称SAR)图像提出了一种基于小波域改进最小割(Improved Minimum Cut,简称IMC)模型的多尺度配准方法.该方法首先将小波分解后的高频信息与SAR图像的特性相结合,用以指导在低频子图像中基于IMC模型的图像分割,从而获得两幅图像中完整的区域轮廓特征,然后通过融合开闭轮廓的信息,分别利用统计直方图和Hausdorff距离获取配准参数并对之细化,最后通过逐层校正参数完成多尺度的配准.实验结果表明,该方法能避免斑点噪声对轮廓提取和匹配的影响,能够实现具有平移、尺度和旋转变化的亚像素级精度的SAR图像配准.     

多尺度Markov模型的可适应图像分割方法

本文在图像分割的TSMAP(trainable sequential maximum a posterior)方法基础上,提出基于多尺度Markov模型的可适应ATSMAP(adaptive TSMAP)图像分割方法.在给定训练图像及其基本真实分割(ground truth segmentation,GTS)的基础上,通过直接对原始图像的GTS进行小波变换产生粗尺度上的GTS,进而估计出图像数据的分布参数和Markov四叉树模型参数;上下文模型参数根据上下文的低维特征(类别数量特征)而非上下文本身来估计.该方法具有上下文模型参数估计计算量小,Markov四叉树模型参数可针对特定的待分割图像重新优化等优点(模型适应过程),解决了TSMAP方法易导致过学习的问题,在待分割图像与训练图像的统计特性不匹配的情况下,仍能给出较好的分割结果.对合成图像与SAR图像的实验结果表明,这种方法的分割精度高于TSMAP和其它几种基于多尺度Markov模型的图像分割方法.     

基于图像分割的SAR图像变化检测算法及实现

本文提出一种基于图像分割的变化检测方法,该方法首先根据SAR图像统计特性进行图像分割,然后对两幅SAR图像的分割图进行融合,用相同的区域分割来描述两幅图像,再利用区域灰度和纹理等信息构造图像变化函数,用变化函数对图像进行变化检测判别,最后利用合成孔径雷达(SAR)图像进行的试验,并和变化矢量分析方法(CVA)进行比较,得到了很好的效果。     

多尺度曲波分解下的可变类SAR图像分割

为了实现SAR图像的可变类分割,本文提出了一种基于区域的多尺度可变类分割方法。首先,利用曲波变换对SAR图像进行多尺度分解,获取多尺度曲波系数;然后按尺度由粗-细次序,利用曲波逆变换对各尺度曲波系数进行重构,获取各尺度分解图像,进而获得多尺度分解图像。在此基础上,利用规则划分技术划分图像域;然后利用Gamma分布及马尔科夫随机场（Markov Random Field, MRF）模型建立基于区域的特征场模型及标号场模型;假设图像类别数为随机变量,并服从Poisson分布;并在贝叶斯理论框架下建立基于区域的多尺度可变类分割模型。最后,利用可逆变马尔可夫链蒙特卡罗（Reversible Jump Markov Chain Monte Carlo, RJMCMC）算法以实现该模型求解;在求解过程中,按尺度由粗-细次序,将当前尺度分割解作为下一低尺度分割的初始解,以细尺度的分割解作为最终分割结果。利用提出方法对模拟及真实SAR图像进行可变类分割实验,通过其实验结果验证提出方法的可行性及有效性。