基于Sentinel-1双极化数据改进水体提取的Otsu算法

基于SAR图像的阈值分割法是水体信息有效提取的常用方法之一。针对Otsu算法对于SAR影像水体提取精度低、噪声大的问题,以C波段Sentinel-1 SAR为数据源,提出一种基于Otsu算法的SAR图像水体提取新方法。该方法首先基于双极化数据构建自然指数函数,优化原始Sentinel-1数据图像像元直方图分布,再结合Otsu算法对图像进行水体提取,最后基于DEM数据去除误提取的山体阴影。以同一天的Landsat 8光学影像作为真实水体样本进行精度评定,结果表明：在不同水体占比情况下,该方法水体提取精度均优于Otsu算法,在水体占比小于10%时综合精度提升约为20%—60%,而且噪声小、适用性强,可用于快速高效获取大范围内水体信息。     

基于边缘保持的SAR图像预处理方法

SAR图像空间自适应Gamma MAP滤波去噪后,常残留一些类似脉冲噪声的像素点;为了滤除这些噪声,提高图像质量,采用基于阈值的极值中值滤波;在对SAR图像进行预处理时,将基于阈值的极值中值滤波算法级联到Gamma MAP算法滤波后的SAR图像;测试图像和数据显示,该方法提高了SAR图像质量,保留了SAR图像边缘细节,能很好地检测奇异性目标,易于硬件并行架构实现。     

基于混合阈值法的Envisat影像水体提取

图像分割是图像目标识别和提取的重要步骤。然而由于SAR影像相干成像特点,SAR影像往往信噪比不高,于是传统的图像处理方法难以适用。本文在分析当前主流的阈值法图像分割的基础上,提出一种改进的混合阈值法:首先对影像按一维最大类间方差法求解出一维最佳阈值,以此计算图像分割水体和背景的权重比,然后根据求得的权重比,修改二维最大熵算法,最后采纳遗传算法提高搜索效率,进而求解二维最优阈值实现SAR影像水体提取。为了验证此方法的有效性,针对阳澄湖地区Envisat ASAR影像中同时存在信噪比高的区域和信噪比低的区域设计了仿真实验。实验结果表明,改进方法能较好地从信噪比低的影像中提取水体,同时保持良好的时间复杂度。     

盲信号分离和序贯滤波的SAR影像水体提取

采用一种新的基于盲信号分离（BSS）和序列非线性滤波方法实现多极化合成孔径雷达（SAR）影像相干斑噪声抑制和水体目标快速提取。SAR影像具有强烈乘性相干斑噪声,影像数据为非高斯分布,但其具体分布形式及参数难以获得。利用基于独立分量分析的盲信号分离方法,不需要知道SAR影像的具体分布,通过对数量化将相干斑噪声转化为与图像数据相互独立的加性噪声,从多极化SAR影像中自动分离出图像数据与相干斑噪声,并自动选择相干斑指数最小的分量为图像分量。针对SAR影像水体目标的亮度及形状分布特征,进一步采用序列非线性滤波处理,从分离出的图像分量中提取出水体目标。利用ENVISAT ASAR多极化影像进行了实验,结果表明该方法可以快速准确地提取多极化SAR影像中的水体目标。     

SAR影像水体目标提取的序列非线性波波方法

合成孔径雷达（SAR）影像由于其特有的相干斑点噪声,加大了其目标边界特征提取的难度。采用一般针对光学影像的目标提取区域分割算子,在SAR影像的自动目标识别处理中往往不能取得理想的效果。水体目标在SAR影像中表现为整体亮度很低且成面状连续分布的像素区域。目前大多采用阈值分割转为二值影像的方法提取低亮度目标,但由于强烈的相干噪声影响,如何自动获得一个合适的阈值是一个比较困难的问题。一般多采用基于假设检验,多次迭代获得阈值。针对水体目标的亮度及形状分布特征,不作二值分割处理,而采用序列非线性滤波处理,提出一种针对SAR影像水体目标的快速提取方法。经实际数据检验,算法可以快速有效地实现SAR影像水体目标的自动提取识别。     

一种有效的SAR图像自动目标识别方法

提出了一种有效的SAR图像中自动目标识别的方法。首先采取双阈值CFAR目标分割算法对SAR图像进行目标分割。通过对SAR图像的空间局部特征和PCA全局特征的提取,在参数学习的基础上,结合了遗传算法进行迭代优化获取分类器,实现SAR图像的自动目标识别。该方法可以直接对原始图像进行计算,避免了基于数据特征计算所带来的问题。实验结果显示,这种基于遗传算法的自动目标识别方法对T-72和BMP2坦克进行识别,获得了较好的识别率。     

一种基于组件树的SAR图像分割算法

合成孔径雷达(SAR)图像中存在严重的相干斑干扰,使得SAR的图像解译过程较为困难。为此,提出一种基于组件树的SAR图像分割算法。对SAR图像建立组件树,给出基于全局特征的自适应非局部判定准则,使用该准则对组件树中的相似组件进行合并,保留组件树中最重要的组件,以完成图像滤波,获取分割后的目标。实验结果表明,该算法能获得准确的分割结果,保持目标的细节信息。     

水库水体面积提取方法

遥感影像的水库水体信息提取对水库面积变化监测有很大的帮助,因此,提出一种基于遗传算法和改进Otsu算法的水体提取方法。对处理后的遥感影像使用NDWI (normalized difference water index)水体指数法进行初始的水体提取,由于传统的Otsu算法对直方图呈现双峰分布的图像提取效果不佳,利用遗传算法对最大类间方差公式进行双阈值计算,引入滑动窗口对图像进行阈值判断;使用自适应阈值算法进行局部阈值分割。通过对石梁河水库和小塔山水库的实验,表明该方法能够准确提取出水库的水体信息,误提取和漏提取现象得到了很大的改善。     

自适应阈值的视觉注意模型SAR舰船检测算法

为了解决SAR图像基于人类视觉注意模型舰船检测算法中需要人工确定经验阈值的问题,提出一种自适应阈值的视觉注意模型SAR舰船检测算法。引入最大类间方差(OTSU)法确定自适应阈值进行图像初分割,再应用视觉注意模型得到视觉显著图,最终根据显著图的统计特性进行自适应阈值分割检测出舰船目标。该算法相对于已有的视觉注意模型舰船检测算法自动化程度更高,与视觉注意模型舰船检测算法以及目前普遍使用的双参数CFAR、K-CFAR、KSW双阈值算法同时处理3种星载SAR数据——ENVISAT ASAR(25 m)、Sentinel-1(10m)和Cosmo-SkyMed(3m),进行对比分析实验,实验结果证明该算法简单、准确、高效。     

基于分布式计算的遥感图像水体识别研究

为了提高遥感数据的处理速度,解决遥感信息提取中的数据密集与计算密集问题,将并行计算的思想引入到遥感图像的处理与信息提取中,构建基于Landsat ETM+影像的分布式遥感图像水体提取模型。以渭干河流域为研究区,利用单波段阈值法、多波段谱间关系法、水体指数法等方法进行水体信息自动提取的实验。实验结果表明,该模型具有较高的识别精度,能够快速识别水体,并具有稳定的可扩展性和伸缩性。     

基于高亮特征匹配的双视向SAR图像建筑物高度提取

由于城区场景的复杂性和SAR成像几何畸变的影响,基于单幅SAR图像的建筑物高度提取常常存在很大困难。针对这一问题,利用建筑物目标SAR成像形成的叠掩、二次散射、较强单次散射等散射机制对应的高亮特征非常典型,并且对方向性敏感的特点,提出了一种基于双视向SAR图像高亮特征与几何模型匹配的建筑物高度提取方法。首先分析了建筑物目标的SAR图像散射特征及对雷达视向的敏感性,然后构造了建筑物目标在双视向SAR图像上高亮特征几何模型,然后基于灰度均值、灰度概率分布、边界信息定义匹配函数,并利用多种群遗传算法进行优化求解,最终得到建筑物目标的高度信息。基于模拟和机载SAR图像的试验表明该方法的建筑物高度平均反演误差小于1m,可以有效提高建筑物高度反演的精度。     

一种新型的空域SAR图像相干斑抑制方法

为了有效抑制SAR强度图像中的相干斑噪声,提出一种改进Sigma滤波并结合Gamma MAP滤波的空域相干斑抑制方法。首先利用阈值判断法判断并保留强点目标,然后结合SAR图像分布模型和MMSE准则判断Sigma区间,其中可以根据图像局部统计特性自适应调整窗口尺寸,最后选择Sigma区间内像素进行Gamma MAP滤波。实验结果表明:对于星载和机载SAR图像,在相干斑噪声抑制和边缘纹理细节信息保持方面,该方法较其他常用的空域相干斑抑制方法具有明显的优越性,能极大地提高SAR图像判读和目标识别能力。     

融合图模型及形态模型的SAR图像中河道提取

随着各种高性能SAR成像传感器的广泛使用,海量的SAR图像为各种对地表观测提供了更加丰富的研究依据。基于SAR图像,在复杂场景中提出了一种基于图论及河道轮廓模型相融合的河道提取方法。首先考虑到河道轮廓曲线的复杂性,提出一种河道轮廓分段建模的方法,将复杂的曲线河道轮廓形式化近似为规则直线线段的组合,进而分段采用最小外接矩形窗的组合准确地对河道区域进行描述。建立了一种更加适用于河道提取的图像分割规则,实现对河道区域的准确分割。在此基础上,利用河道轮廓特征的先验知识,根据区域最小外接矩形的形态和连通性对河道区域进行识别。实验结果表明:该方法与常用的基于灰度阈值判别的方法相比,不仅能够有效提取出河道区域,提取结果有效覆盖90%以上的真实区域,还能够较好地抑制背景信息,提取结果仅包含约2%的背景区域。     

一种子像素精度SAR图像目标峰值提取方法

SAR图像目标峰值是SAR图像目标识别的重要特征 ,它本质对应于目标散射中心 ,目标峰值提取是SAR图像目标识别的一个重要步骤。基于峰值SAR图像目标识别系统要求目标峰值提取方法应具有快速、高精度的特点。现有的SAR图像目标峰值提取方法精度较低 ,其对目标峰值位置的估计精度只能达到像素级。为了提高SAR图像目标峰值提取精度 ,该文在分析SAR图像峰值模型基础上 ,提出了一种子像素精度SAR图像目标峰值提取方法 ,并通过仿真实验 ,分析了该方法对目标峰值位置、幅度的估计性能 ,结果表明在SNR =2 0dB的情况下 ,该方法对目标峰值位置估计的标准偏差 <0 .1个像素 ,峰值幅度估计的标准偏差小于 0 .0 5 H(这里H表示目标峰值的真实幅度 ) ,文中还给出了该方法对实测MSTARSAR图像的目标峰值提取结果。     

全极化SAR影像城区建筑密度分析

针对全极化SAR影像的建筑区特性,提出了一种基于极化特征共生矩阵的城区建筑密度分析方法。首先将极化特征与共生矩阵结合,在考虑建筑区极化散射机理和建筑朝向作用的同时,兼顾了建筑区的空间排列信息,在此基础上为了增强建筑密度的局部区域特性,将共生矩阵特征进行K-means聚类,结合图像分块形成标号直方图统计矢量,进而对该直方图统计矢量进行矢量量化实现SAR影像城区的建筑密度分级。RadarSat-2全极化SAR影像城区建筑密度分析的实验表明,该方法既适用于建筑朝向复杂城区也适用于建筑排列整齐城区的密度信息提取。     

结合边缘和区域的活动轮廓模型SAR图像目标轮廓提取

目的 目标轮廓表征了目标形状,可用于目标方位角估计、自动目标识别等,因此提取合成孔径雷达（SAR）图像中的目标轮廓受到了人们的广泛关注。受SAR图像乘性噪声的影响,传统的目标轮廓提取方法应用在SAR图像时失效。针对这一问题,提出一种将基于边缘的活动轮廓模型和基于区域的活动轮廓模型相结合的活动轮廓模型。方法 以真实SAR图像为基础,分析了向量场卷积（VFC）活动轮廓模型以及区域竞争（RC）活动轮廓模型各自的特点和优势,发现这两个模型存在一定的互补性,因此将这两个模型进行了结合,得到了一种新的SAR图像目标轮廓提取方法。结果 基于真实SAR图像的实验结果表明,本文方法能较好地应对SAR图像信噪比较低、目标边缘模糊等特点,能准确地获得SAR图像目标轮廓。结论 本文方法可用于执行实际的SAR图像轮廓提取任务,为后续的SAR图像自动识别和特征级图像融合等任务提供了较为优良的输入信息。     

基于半监督鉴别分析的高分辨率SAR影像建筑区提取

针对建筑物在城市化发展规划、地理国情信息系统更新、数字化城市以及军事侦察等方面的迫切要求,提出将半监督鉴别分析(Semi-supervised Discriminant Analysis,SDA)算法应用于高分辨率SAR影像的建筑区提取中,实现快速提取建筑区信息以及提高城市地物目标识别能力。以Radarsat-2影像和TerraSAR-X影像为实验数据,基于灰度共生矩阵计算影像的各种纹理特征;结合SDA算法进行特征提取,并以新特征作为大津法(Otsu)的输入提取建筑区;最后对分类结果进行后处理。实验结果与线性鉴别分析(Linear Discriminant Analysis,LDA)算法和局部保持投影(Local Preserving Projection,LPP)算法进行比较,结果表明:SDA算法具有较强的泛化能力,在先验类别信息较少时,适用于高分辨率SAR影像的特征提取,可以快速有效地提取建筑区信息。     

基于ASAR和MODIS图像的藻华范围提取

本文将同期的EnviSat-ASAR图像和MODIS图像进行配准,利用经过大气校正后的MODIS光学图像,根据经验模型反演得到叶绿素a的浓度,借此对太湖的藻华和非藻华区域进行划分,并以此为据在ASAR图像上研究两者的V/V后向散射特性,使用阈值法对藻华范围进行提取,并将结果与MODIS图像上得到的藻华范围进行对比,结果较好的吻合.分析二者结果表明,风速会造成的藻华漂移和沉浮并且影响湖面粗糙度,是决定提取结果好坏的关键因素.另外从成像机理上,太湖粗糙度不规则性和介电特性上的误差使得藻华提取阈值不具有适用性,也是此次提取藻华结果不完全一致的原因,恰恰也成为了利用微波数据监测藻华的局限所在.     

改进的基于Parzen窗算法的SAR图像目标检测

传统的Parzen窗检测算法假设目标占整个背景中较小的一部分,将SAR图像中的所有像素用于估计杂波概率密度函数,容易造成检测阈值的增大从而对不太明显的SAR图像舰船目标产生漏检。对此,提出了一种改进的Parzen窗检测算法,该算法通过自适应地设置目标窗口,将潜在的目标从检测图像中剔除,对剔除后的杂波背景采用Parzen窗进行非参数化的杂波模型估计,进而确定检测阈值,完成目标的检测。相比传统的Parzen窗检测算法,提出的SAR图像舰船目标检测算法减少了漏检数量,改善了检测性能。实测SAR图像的检测结果表明了该方法的有效性。     

High-resolution SAR images segmentation using NSCT denoising and QIGA based parameters selection of PCNN model

The high-resolution synthetic aperture radar (SAR) images usually contain inhomogeneous coherent speckle noises. For the high-resolution SAR image segmentation with such noises, the conventional methods based on pulse coupled neural networks (PCNN) have to face heavy parameters with a low efficiency. In order to solve the problems, this paper proposes a novel SAR image segmentation algorithm based on non-subsampling Contourlet transform (NSCT) denoising and quantum immune genetic algorithm (QIGA) improved PCNN models. The proposed method first denoising the SAR images for a pre-processing based on NSCT. Then, by using the QIGA to select parameters for the PCNN models, such models self-adaptively select the suitable parameters for segmentation of SAR images with different scenes. This method decreases the number of parameters in the PCNN models and improves the efficiency of PCNN models. At last, by using the optimal threshold to binary the segmented SAR images, the small objects and large scales from the original SAR images will be segmented. To validate the feasibility and effectiveness of the proposed algorithm, four different comparable experiments are applied to validate the proposed algorithm. Experimental results have shown that NSCT pre-processing has a better performance for coherent speckle noises suppression, and QIGA-PCNN model based on denoised SAR images has an obvious segmentation performance improvement on region consistency and region contrast than state-of-the-arts methods. Besides, the segmentation efficiency is also improved than conventional PCNN model, and the level of time complexity meets the state-of-the-arts methods. Our proposed NSCT+QIGA-PCNN model can be used for small object segmentation and large scale segmentation in high-resolution SAR images. The segmented results will be further used for object classification and recognition, regions of interest extraction, and moving object detection and tracking.