首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到17条相似文献,搜索用时 187 毫秒
1.
目的 海水浮筏养殖是海域使用动态监测中的重要类型,合成孔径雷达(SAR)卫星遥感影像可以克服海洋气象环境的影响,有效反映浮筏养殖区域。由于浮筏养殖信息受乘性相干斑噪声污染严重,为了降低噪声敏感性,改进得到广义局部二值模式(GLBP),进而将其用于改进广义统计区域合并算法(GSRM),构建以GLBP_GSRM为核心的多特征集成模型,得到更具纹理一致性的超像素,实现浮筏养殖信息精确提取。方法 根据SAR数据的乘性噪声特性改进局部二值模式算子得到GLBP算子,将其加入GSRM的合并准则中,结合纹理信息的超像素分割能得到更具纹理一致性的超像素,有效抑制相干斑噪声。进而利用非下采样轮廓波变换得到轮廓信息丰富数据特征,使用FCS(fuzzy compactness and separation)算法聚类实现浮筏养殖信息的无监督提取。结果 实验选取辽宁省长海县邻近海域作为研究区域,针对C波段的Radarsat-2 SAR和X波段的TerraSAR图像,分别比较同一图像不同区域和不同图像同一区域的提取结果,结合实地现场调查结果表明所提模型对不同类型SAR图像均能精确无监督地提取浮筏养殖信息,分类精度均高于85%,明显优于经典无监督算法,验证模型的有效性。结论 所提模型充分集成纹理特征、空间特征和轮廓特征,有效解决相干斑噪声干扰信息提取的问题,针对不同类型SAR遥感图像,均能在复杂的海洋背景中实现有效地无监督浮筏养殖信息提取,提高海水养殖自动监测准确度。  相似文献   

2.
提出了一种基于非局部均值滤波的合成孔径雷达(SAR)图像相干斑噪声抑制新方法.与传统方法相比,该方法通过利用SAR图像块之间的相似性来辨别具有相同结构属性的像素,从而实现在抑制相干斑噪声的同时有效减少图像结构信息的损失.针对SAR图像中各种结构基元相似性的特点,进一步采用两级非局部均值滤波,来削弱相干斑噪声对结构相似性度量的影响,提高去噪性能.通过采用添加不同程度相干斑噪声的合成sAR图像和真实SAR图像对提出的方法进行评价,实验结果表明,与传统的Lee滤波方法,增强的Lee滤波方法以及各向异性扩散相干斑抑制方法相比,提出的方法在相干斑噪声抑制尤其是结构信息保持性能上有显著提高.  相似文献   

3.
基于GA的SAR图像中主干道路提取   总被引:4,自引:1,他引:4  
从高分辨率合成孔径雷达(SAR)图像中提取道路及其他线性特征已成为目前遥感图像信息提取研究的热点。由于高分辨率SAR图像中,目标背景复杂,同时由于受相干斑噪声的影响,因此很难直接从原始图像数据中提取道路特征。为了能够从背景复杂,受斑点噪声干扰的高分辨率SAR图像中准确提取道路,提出了一种利用遗传算法提取主干道路的方法。该方法利用模糊C均值聚类法对滤波后的SAR图像进行无监督聚类,首先将图像分为林地、建筑物、道路等基本类,并将道路类像素从图像中分离出来,使问题得到简化;然后根据道路类像素的隶属度和道路像素灰度值的均匀特性来建立具体的道路模型;最后利用遗传算法搜索全局最优道路。实验结果表明,该方法可以很好地从SAR图像中提取各种主干道路。  相似文献   

4.
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。  相似文献   

5.
基于特征向量的SAR图像目标识别方法研究   总被引:1,自引:0,他引:1  
用于描述区域特征的Hu矩不变量在模式识别中得到广泛使用。然而在噪声影响下,尤其是SAR图像中严重的相干斑噪声,Hu矩不变量不再保持其完美的性能。以Hu七个矩不变量为基础,结合SAR图像的特点,引入四个仿射矩不变量和SAR图像中目标区域的峰值、均值和方差系数,构成SAR图像中目标识别的特征向量。该特征向量体现了SAR图像区域目标的形状特征和区域的灰度信息。通过对两种不同分辨率下的T72坦克SAR图像的目标识别仿真实验,均获得了较好的目标识别效果,说明所选取的SAR图像目标识别的特征向量是有效的,具有较强的目标识别性能。  相似文献   

6.
目前卷积神经网络已经在SAR目标识别领域得到了广泛应用, 然而, 由于SAR图像的目标样本数量过少, 以及图像相干斑噪声的存在, 使得网络不能充分的学习样本深层特征, 对网络的识别性能会造成一定的影响. 针对上述问题, 提出一种基于数据融合的目标识别方法, 算法首先对原始图像分别进行噪声抑制和边缘信息提取处理, 然后将处理后的两类特征信息进行数据融合, 将单通道灰度图像融合扩充至双通道图像来作为训练样本, 同时构建了一个高低层特征融合的卷积神经网络模型, 使用注意力机制来加强了对有用特征的学习, 实验结果显示, 该方法在MSTAR数据集上, 表现了对不同目标型号的优秀识别效果.  相似文献   

7.
一种有效的SAR图像目标识别方法   总被引:1,自引:0,他引:1       下载免费PDF全文
SAR图像目标识别是SAR图像应用中非常重要的环节,但由于SAR图像中相干斑噪声的存在,使得传统方法不能很好地对SAR图像进行分类识别。结合不变矩特征提取和支持向量机分类方法的优势,提出了一种有效的SAR图像目标识别方法,采用该方法对含有飞机和坦克目标的SAR图像进行了目标识别实验,取得了较好的识别效果。  相似文献   

8.
基于Contourlet域主成分分析的SAR图像去噪   总被引:1,自引:0,他引:1  
相干斑噪声是合成孔径雷达图像所固有的,并且严重降低了图像的可编译性,影响了后续图像分割,特征提取,目标分类和识别等工作.因此,SAR图像的相干斑去除问题一直是SAR图像应用研究的重要问题之一.针对SAR图像噪声去除问题,提出了一种基于Contourlet多尺度分解域主成分分析的SAR图像去噪新方法,并且简要归纳了已有的SAR图像去噪方法.方法首先对源图像进行Contourlet分解,在不同频段的子带图像中,利用主成分分析方法进行能量保持,用重构图像来进行子带去噪,最后通过Contourlet逆变换得到去噪之后的图像.在SAR图像上的实验结果表明,方法不仅较好地保持了图像的纹理和细节特征,且信噪比也较高.  相似文献   

9.
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ENVI-SAT 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。  相似文献   

10.
自适应超完备字典学习的SAR图像降噪   总被引:1,自引:0,他引:1       下载免费PDF全文
提出一种基于自适应超完备字典学习的SAR图像降噪。该算法建立在超完备字典稀疏表示基础上,具有较强的数据稀疏性和稳健的建模假设。算法依据相干斑噪声统计特性,通过分步优化字典原子和变换系数自适应构造超完备字典,利用获得的超完备字典将图像局部信息投影到高维空间中,实现图像的稀疏表示,运用正则化方法建立多目标优化模型。最后通过对优化问题的求解重建SAR图像场景分辨单元的平均强度,实现SAR图像的降噪。实验结果表明,该算法对相干斑噪声有很好的抑制效果,并且具有保持图像细节信息的优点。  相似文献   

11.
ABSTRACT

Synthetic aperture radar (SAR) images are inevitably contaminated by speckle noise due to its coherent imaging mechanism. Speckle noise obscures the intrinsic radar cross section (RCS) information in SAR images. This article proposes a novel deep neural network architecture specifically designed for despeckling purpose. It uses a convolutional neural network to extract image features and reconstruct a discrete RCS probability density function (PDF). It is trained by a hybrid loss function which measures the distance between the actual SAR image intensity PDF and the estimated one which is derived from convolution between the reconstructed RCS PDF and prior speckle PDF. The network can be trained by either purely simulated image patches or real SAR images. Experiment results on both simulated SAR images and real NASA/JPL AIRSAR images are used to test the performance, and the results show the efficacy of the proposed despeckling neural network compared with three state-of-the-art filters.  相似文献   

12.
目的 深度学习已经大量应用于合成孔径宽达(SAR)图像目标识别领域,但大多数工作是基于MSTAR数据集的标准操作条件展开研究。当将深度学习应用于同类含变体目标时,例如T72子类,由于目标间差异小,所以仍存在着较大的挑战。本文从极大限度地保留SAR图像输入特征出发,设计一种适用于SAR变体目标识别的深度卷积神经网络结构。方法 设计网络主要由多尺度空间特征提取模块和DenseNet中的稠密块、转移层构成。多尺度特征提取模块置于网络底层,通过使用尺寸分别为1×1、3×3、5×5、7×7、9×9的卷积核,提取丰富空间特征的同时保留输入图像信息。为使输入图像信息更加有效地向后传递,基于DenseNet中的稠密块和转移层进行后续网络层设计。在对训练样本进行样本扩充基础上,分析了输入图像分辨率及目标存在平移和不同噪声水平等情况对模型识别精度的影响,与用于SAR图像目标识别的深度模型识别精度在标准操作条件下进行了对比分析。结果 实验结果表明,对T72 8类变体目标进行分类,设计的模型能够取得95.48%的识别精度,在存在目标平移和不同噪声水平情况下,平均识别精度分别达到了94.61%和86.36%。对10类目标(包括不含变体和含变体情况)在进行数据增强的情况下进行模型训练与测试,分别达到了99.38%和98.81%的识别精度,略优于其他对比模型结构识别精度。结论 提出的模型可以充分利用输入图像以及各卷积层输出的特征,学习目标图像的细节差异,不仅适用于SAR图像变体目标的识别任务,同时在标准操作条件下的识别任务也取得了较高的识别结果。  相似文献   

13.
目的 合成孔径雷达图像目标识别可以有效提高合成孔径雷达数据的利用效率。针对合成孔径雷达图像目标识别滤波处理耗时长、识别精度不高的问题,本文提出一种卷积神经网络模型应用于合成孔径雷达图像目标识别。方法 首先,针对合成孔径雷达图像特点设计特征提取部分的网络结构;其次,代价函数中引入L2范数提高模型的抗噪性能和泛化性;再次,全连接层使用Dropout减小网络的运算量并提高泛化性;最后研究了滤波对于网络模型的收敛速度和准确率的影响。结果 实验使用美国运动和静止目标获取与识别数据库,10类目标识别的实验结果表明改进后的卷积神经网络整体识别率(包含变体)由93.76%提升至98.10%。通过设置4组对比实验说明网络结构的改进和优化的有效性。卷积神经网络噪声抑制实验验证了卷积神经网络的特征提取过程对于SAR图像相干斑噪声有抑制作用,可以省去耗时的滤波处理。结论 本文提出的卷积神经网络模型提高了网络的准确率、泛化性,无需耗时的滤波处理,是一种合成孔径雷达图像目标识别的有效方法。  相似文献   

14.
由于存在相干斑噪声的影响,给SAR图像分割造成很大的困难,提出一种基于多尺度特征融合的SAR图像分割方法。该方法利用快速离散curvelet变换提取图像的纹理特征,利用平稳小波变换提取图像的统计特征,将两种多尺度特征融合成高维的特征向量,采用模糊C均值聚类的方法进行分割。在仿真SAR图像和真实SAR图像的分割实验结果表明,提出的方法优于单独采用小波变换进行SAR图像分割的方法,在消除均质区内碎块的同时,使得边界更为精准和平滑。  相似文献   

15.
针对现有相干斑抑制算法不能在去除斑点噪声和保持图像边缘、细节信息之间做到很好的折中,提出了一种新的基于形态Haar小波变换的合成孔径雷达(SAR)图像斑点噪声抑制方法。该方法首先对SAR图像进行二维形态Haar小波分解,图像的边缘、细节和纹理信息在低频子带中得到了更好的保留,噪声主要分布在高频子带;然后,根据各高频子带噪声的特点,分别对高频子带进行均值和中值滤波达到去除斑点噪声的目的;最后,再对低频子带和处理后的高频子带进行形态Haar小波精确重构得到去斑图像。实验证明:该算法不仅大大改善了原始SAR图像的画面质量,同时很好地保持了原始SAR图像的纹理特性和细节信息;该算法去斑性能指标总体优于传统的Lee滤波、Frost滤波、Kuan滤波和小波软阈值法。  相似文献   

16.
The performance of synthetic aperture radar (SAR) image classification based on a conventional convolutional neural network (CNN) is limited by a trade-off between immunity to speckle noise and the ability to locate boundaries accurately. Difficulties regarding the accurate location of boundaries are a result of the smoothing effect of the pooling layer. To address this issue, we propose a novel framework called SRAD-CNN for SAR image classification. In this framework, we apply a filtering layer constructed according to prior knowledge of the speckle reducing anisotropic diffusion (SRAD) filter. The filtering layer can not only reduce speckle but also enhance the boundaries. The main parameter that controls the degree of filtering can be optimized adaptively by a backpropagation algorithm. Image patches adaptively filtered by the filtering layer are then put into the CNN layers to assign a label. Due to the effect of the filtering layer, for our proposed SRAD-CNN, both the speckle noise immunity and the sensitivity to boundaries are superior to those of conventional CNN.To confirm the performance of the proposed SRAD-CNN, we conducted experiments using both simulated and real SAR images. The experimental results demonstrated that the parameter of the filtering layer could be optimized adaptively for different scenes, different noise levels, and different image resolutions. The SRAD-CNN outperformed the conventional CNN in both overall classification accuracy and maintenance of boundary accuracy on images with different resolutions and noise levels with limited training samples.  相似文献   

17.
首先研究了图像融合小波基的选区,并利用提升小波技术分别对合成孔径雷达图像和光学遥感图像进行小波提升分解然后,对分解后的SAR低频分量进行邻域平均,再与光学图像的低频分量进行加权平均;为了抑制SAR图像斑点噪声的影响,重点研究了高频分量的融合方法,并提出了一种依据斑点噪声特征变化而自适应地改变融合窗口的方法,该方法提高了SAR图像的目标解译和识别能力;最后,使用融合前后的SAR图像进行图像的目标检测,结果表明,融合后的图像能够明显抑制SAR斑点噪声影响,使SAR图像目标检测的效果更佳。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号