基于局部平滑加权图割方法的SAR图像分割

针对合成孔径雷达(SAR)图像分割,提出了一种 局部平滑加权图割(LSWGC,local smoothing weighted graph cut)模型。首先,在加权图割(WGCut)的目标函数中加入局部平滑罚项,提高了基于谱 聚类的SAR 图像分割方法对斑点噪声的稳健性,抑制了SAR图像分割中孤立点的产生;其次,利用WGCut 与加权核 K均值(WKKM)的等价性,LSWGC以不同于参数核 图割(PKGC)方法的核化方式将核映射引入目标函数中,用图 割最优化算法求解标号函数,避免了基于谱聚类的SAR图像分割方法中图谱的求解问题,同 时改善了PKGC方法二类划分易丢失目标的不足。模拟和真实SAR图像的实验结果证实 了本文方案的有效性。     

基于非负矩阵分解的谱聚类集成SAR图像分割

 本文提出了一种新颖的基于非负矩阵分解的谱聚类集成SAR图像分割框架.首先,个体分割结果的产生采用基于Nystrom逼近的谱聚类方法,使用不同的尺度参数,得到具有差异性的个体分割结果;其次,使用非负矩阵分解的方法来合并这些个体分割结果,使用非负矩阵分解方法的优点在于其合乎人类大脑感知的直观体验,并具有明确的物理含义;最后,根据合并得到的像素点隶属度关系得到SAR图像分割结果.为了验证本文方法的有效性,对3幅纹理图像和4幅SAR图像进行分割实验,并对比K-means方法、基于Nystrom逼近的谱聚类方法、Meta-clustering方法,本文的方法无论是定性还是定量分析都是较好的,并具有一定的实用性.     

基于区域谱聚类的极化合成孔径雷达图像分割

极化合成孔径雷达(Synthetic Aperture Radar,SAR)经常用于地物图像的分割和分类.实际中监测范围广,需要算法快速有效;地物复杂,需要算法能够处理不均匀地物.针对上述问题,提出了基于区域合并和谱聚类的极化SAR图像分割方法.先对图像进行一个区域合并步骤完成粗分割,产生许多具有相似统计特性的区域块,再对过分割的区域块进行谱聚类.多个场景下的实验表明:所提方法相对于传统针对像素点的谱聚类,运算复杂度低;相对于完全进行区域融合的方法,更能适应不均匀地物和大场景分割.     

一种快速有效的SAR图像起伏地形分割算法

根据合成孔径雷达(SAR)成像机理和图像特征,针对SAR图像中的起伏地形,提出了一种基于有向多尺度模型分割算法。该方法利用了SAR图像不同方向不同尺度间的统计相依性,而且考虑了SAR图像的空间信息。由于是基于有向多尺度模型少量的特征数据,利用最大期望(EM)算法可以快速估计参数,同时利用数学形态学算法进行分割修正,实现了高精度的SAR图像起伏地形的快速分割。实测SAR图像分割实验结果证明,对比其他分割算法,该方法对起伏地形的分割效果更为精确。     

基于分水岭-谱聚类的SAR图像分割

由于谱聚类是基于图论的、以相似性为基础的聚类方法,需要计算图像中每对像素点之间的相似性.当图像很大时,计算相似性矩阵和求解相应的特征值、特征向量是很困难和耗时的.为此,针对合成孔径雷达(SAR)图像的特点,提出了一个两阶段的图像分割方法,首先采用分水岭算法对图像进行过分割,然后再用改进的谱聚类算法进行聚类.新方法不仅可以减少噪声对分割结果的影响,很好地保持图像边缘,而且对时间要求较高的应用也具有一定的参考价值.为了验证新方法的有效性,将其用于SAR图像分割,取得了较优的分割结果.     

一种基于G0分布的水平集SAR图像分割方法

G0分布是一种性能优良的概率统计模型,能够精确描述SAR图像中均匀区域、不均匀区域以及极不均匀区域的统计特性.文中基于G0分布提出了一种基于概率统计模型的变分水平集SAR图像分割方法.该方法通过引入G0分布统计模型,定义了一种更加适用于SAR图像分割的能量泛函.利用基于Mellin变换的G0分布的参数估计方法估计各个区域内最优的分布参数,并且通过水平集方法进行偏微分方程的数值求解,实现了SAR图像的区域和目标分割.由于G0分布的采用,使得该方法能够适用于多种SAR图像的分割.利用模拟和真实SAR图像上的分割实验验证了该方法的有效性.     

基于局部超分辨重建的高精度SAR图像水域分割方法

合成孔径雷达(SAR)图像水域分割在水资源调查、灾害监测等领域具有重要意义。针对中低分辨率星载SAR图像水域提取精度不足的难题,该文融合基于轻量级残差卷积神经网络(CNN)的图像超分辨率重建技术和传统SAR图像水域分割技术的优点,提出了一种基于局部超分辨重建的SAR图像水域分割方法,显著提升了SAR图像水域分割的精度。为了验证上述方法的有效性,该文以南水北调中线工程水源地丹江口水库为应用对象,基于国产高分三号(GF-3)卫星的8 m分辨率标准条带(SS)模式图像和欧空局Sentinel-1卫星20 m分辨率干涉宽幅(IW)模式图像,开展了水域分割的实验验证和精度评估工作。实验结果表明,该文所提方法可在中低分辨率SAR图像中获取更精确的水域分割结果,其水域分割性能较传统方法有大幅提升。      

基于改进自调整图谱方法的SAR图像分割

谱聚类是在给定数据集上用基于图论的方法进行分类,并已广泛地应用于SAR图像分割.自调整谱聚类（self-tuning spectral clustering,简称STSC）方法是一种可以自动确定尺度因子和分类数的方法.本文给出了一种改进的STSC方法,使用熵函数作为自动求分类数的代价函数,使得分类数的计算更加准确和有效,提高了方法的分类精度.实验表明,改进的STSC方法对自然图像、SAR图像的分割精度高于原STSC方法.     

适用于高分辨SAR图像的全局稳态最小水平集分割方法

该文针对高分辨率SAR图像的分割问题提出了一种新的快速的水平集方法。该方法基于G0分布能够同时描述高分辨率和中低分辨率条件下的SAR图像统计特性,通过水平集方法求解能量泛函最小化实现SAR图像的分割。由于能量泛函被设计为具有全局稳态最小值,使得该方法具有较好的全局分割能力和比较快的分割速度,从而增强了该方法的实用性。利用模拟和真实SAR图像上的分割实验验证了该方法的有效性。     

基于MSP-ROA边缘检测的SAR图像分割

该文以卡通模型为SAR图像分割的理论依据,提出了一种基于MSP-ROA边缘检测的SAR图像分割算法,算法中对边缘检测的结果做种子生长、标注和区域填充,并根据相似性准则对填充的初始分割结果进行相邻区域的合并处理,最终得到同质性和连通性都较好的SAR图像分割结果;文中给出了SAR图像分割处理的性能评估指标,并用实测的SAR图像数据验证了上述算法,最后给出了与其它分割方法比较的结果.     

基于非负矩阵分解的TerraSAR与SPOT5影像融合

合成孔径雷达具有全天候、全天时的优势,能够提供高分辨的目标图像,而多光谱遥感影像能够提供丰富的光谱信息,将两种不同影像进行融合,综合两者的优势信息可以得到质量更高、信息更丰富的图像。提出了基于非负矩阵分解算法的融合算法对SAR影像和多光谱遥感影像进行融合。通过对比研究,提出的融合算法在目视判读以及客观评价指标上和传统融合算法相比,都有较明显的改善,尤其是在细节表现力和光谱保持度方面优势显著。     

基于形态学与多尺度空间聚类的SAR图像变化检测方法研究

介绍了一种形态学模型(morphological profile,MP)工具,这种工具运用在合 成孔径雷达(synthetic aperture radar,SAR) 图像中,增强了对SAR图像的多角度细节处理,提高了图像检测精度。在图像检测中加入算 法可被应用于遥感图像变化检测 领域。本文提出的SAR图像变化检测方法是在多尺度子空间融合谱聚类的基础上进行的,这 种方法是对不同时刻得到的同图 进行对数比和均值比处理,从而构成多个子空间获取图像的结构特征,并结合随机采样谱聚 类的子空间融合算法得到的变化 的图像。本文方法所得的SAR图可以检测到很多单一的像素点,误检像素点数目明显减小,优 于其他算法结果。检测结果抑制 了图像变化中的缺失问题,因此具备较高的检测精度。     

基于马尔科夫判别谱聚类的极化SAR图像分类方法

该文针对现有的谱聚类方法用于极化SAR图像分类时精度较低的问题,提出一种基于马尔科夫的判别谱聚类方法(MDSC),具有低秩和稀疏分解的特点。该方法首先恢复一个真实的低秩概率转移矩阵,将其作为标准马尔科夫谱聚类方法的输入,以减少噪声对分类结果的影响;然后在目标函数中引入判别信息,使极化SAR图像的数据信息能够得到更加充分地利用;最后采用增广拉格朗日乘子法来解决低秩和概率单纯形约束下的目标函数优化问题。在荷兰小农田、德国、西安和荷兰大农田4个不同数据集上的实验证明,该方法具有较好的准确率,且参数敏感性较低,表现出了良好的分类性能。      

一种基于集成学习和特征融合的遥感影像分类新方法

针对多源遥感数据分类的需要,提出了一种基于全极化SAR影像、极化相干矩阵特征、光学遥感影像光谱和纹理的多种特征融合和多分类器集成的遥感影像分类新方法.对全极化PALSAR数据进行预处理和极化相干矩阵特征提取,利用灰度共生矩阵计算光学和SAR影像的对比度、逆差距、二阶距、差异性等纹理特征参数,并与光谱特征结合,形成6种组合策略.利用集成学习方法对随机森林分类器、子空间分类器、最小距离分类器、支持向量机分类器、反向传播神经网络分类器等分类器进行组合,对不同组合策略的遥感影像特征集进行分类.结果表明提出的基于多种特征和多分类器集成的新方法很好地利用了主被动遥感数据在不同地表景观类型提取上的潜力,综合了多种算法的优势,能够有效地提高总体精度和各类别的分类精度.     

基于空间与光谱注意力的光学图像和SAR图像特征融合分类方法

针对多源遥感图像的差异性和互补性问题,该文提出一种基于空间与光谱注意力的光学图像和SAR图像特征融合分类方法。首先利用卷积神经网络分别进行光学图像和SAR图像的特征提取,设计空间注意力和光谱注意力组成的注意力模块分析特征重要程度,生成不同特征的权重进行特征融合增强,同时减弱对无效信息的关注,从而提高光学和SAR图像融合分类精度。通过在两组光学和SAR图像数据集上进行对比实验,结果表明所提方法取得更高的融合分类精度。     

基于免疫算法的SAR图像分割方法研究

免疫算法是借鉴生命科学中免疫的概念和理论提出的一种优化算法,它继承了遗传算法的优越性,且避免了优化过程中的退化现象。空间矩阵描述了不同区域间的相邻概率。SAR图像固有的相干斑噪声使对SAR图像处理非常困难。同时,由于SAR图像具有不同区域间对比度较大的特点,因而SAR图像的空间矩阵具有同类区域间相邻概率较大,异类区域间相邻概率较小的特征。该文将SAR图像的空间矩阵的这一特征作为免疫算法中的疫苗,用免疫算法搜索分割结果,并收敛到最优。仿真结果表明,这是一种有效的SAR图像区域分割方法,可以明显抑制噪声对分割结果的影响。     

基于小波域NMF特征提取的SAR图像目标识别方法

该文提出了一种基于小波域非负矩阵分解特征提取的合成孔径雷达图像目标识别方法。该方法对图像二维离散小波分解后提取低频子带图像,用非负矩阵分解对低频子带图像提取特征向量作为目标的特征,利用支持向量机进行分类完成目标识别。将该方法用于对MSTAR数据中三类目标识别,识别率最高可达97.51%,明显提高了目标的正确识别率。实验结果表明,该方法是一种有效的合成孔径雷达图像特征提取与目标识别方法。     

基于斯皮尔曼等级相关的单演谱成分选择及其在SAR目标识别中的应用

特征提取是合成孔径雷达（synthetic aperture radar，SAR）目标识别中的关键因素之一.文中提出联合多层次单演谱特征的SAR目标识别方法，采用单演信号对原始SAR图像进行分解，获得不同层次的单演谱成分.基于斯皮尔曼等级相关分析分解的谱成分与原始SAR图像的相关性，设置相似度门限来选取若干具有较强鉴别力的谱成分.采用联合稀疏表示（joint sparse representation，JSR）对筛选得到的谱成分进行表征和分类，并基于MSTAR公开数据集在标准操作条件（standard operating conditions，SOC）和若干扩展操作条件下对多类地面车辆目标进行分类测试.实验结果表明:本文方法在SOC下对10类目标的平均识别率达到98.52%；对30°和45°俯仰角下的10类目标平均识别率分别为98.15%和72.06%；在噪声干扰条件下也可以保持良好的稳健性.综合对比，提出的方法相比现有几类SAR目标识别方法具有一定的性能优势.