空间约束混合伽马模型的SAR影像分割算法北大核心CSCD

为了避免斑点噪声的影响并实现高效且精确的合成孔径雷达(synthetic aperture radar,SAR)影像分割,提出一种结合空间约束混合伽马模型和共轭梯度的SAR影像分割方法。根据SAR影像强度统计特性,采用混合伽马模型建模像素强度统计分布。为了降低SAR影像斑点噪声的影响,利用局部像素类属性定义组份权重,构建空间约束混合伽马模型。考虑到伽马分布自身结构,构建条件期望函数,并采用共轭梯度估计模型参数,以实现高效且精确的SAR影像分割。为了验证所提出算法的分割性能,与对比算法进行分割实验,并定量和定性地评价分割结果。实验结果表明,所提出算法可获得高精度分割结果,且具有较高的分割效率。     

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。     

基于星载SAR的渤海海冰遥感监测系统设计与研究

针对渤海海洋防灾减灾的需要,提出基于星载SAR构建渤海海冰遥感监测系统。分析探讨了系统的数据源选择及工作流程,并就渤海海冰在SAR图像中的响应、海冰信息提取等关键技术进行了讨论。最后描述了该系统的结构设计及运行应用情况,可为今后类似系统的建立提供参考和借鉴。     

双功能混合催化剂上含氮合成气一步法制二甲醚的本征动力学模型

研究了由商业甲醇合成催化剂和改性分子筛脱水催化剂混合组成的双功能催化剂上含氮合成气一步法制取二甲醚的本征动力学。实验是在3-7Mpa、220-260℃条件下进行的。选择CO、CO2加氢合成甲醇及甲醇脱水三个反应为独立反应，采用双曲型动力学模型，通过单纯形法与遗传算法相结合估计了动力学模型参数，经检验该模型可靠，模型计算值与实验数据吻合良好。     

基于边缘保持的区域能量最小化SAR海冰图像分割

提出了一种基于边缘保持的区域能量最小化的SAR海冰图像分割算法。首先对图像进行SRAD滤波,然后进行分水岭初始分割和区域能量最小化分割,从而得到最终分割结果。将该算法用于SAR海冰图像的分割中,实验结果表明,该分割方法有效、准确性好。     

有限混合密度模型及遥感影像EM聚类算法

遥感信息是地球表层信息的综合反映，由于地球表层系统的复杂性和开放性，地表信息是多维的、无限的、遥感信息传递过程中的局限性以及遥感信息之间的复杂相关性，决定了遥感信息其结果的不确定性和多解性，遥感信息具有一定的统计特性，同时又具有高度的随机性和复杂性，在特征空间中往往表现为混合密度分布，针对遥感信息这种统计分布的复杂性，提出了有限混合密度的期望最大（EM）分解模型，该模型假设总体分布可分解为有限个参数化的密度分布，通过EM迭代计算可估计出各密度分布的最大似然参数集；将有限混合EM聚类算法应用于遥感影像的聚类分析中，并与传统统计聚类方法进行了比较，比较结果表明，其对复杂地物的区分具有优势，另外在融合专家知识、初始化等方面具有扩展能力。     

基于优化活动轮廓模型的SAR影像海陆分割方法研究*

SAR（合成孔径雷达）影像具有很强的乘性斑噪,给图像分割带来了困难。本文利用Gamma分布拟合SAR影像,并将其用于构造基于区域信息的能量泛函,提出了一种基于活动轮廓模型的SAR影像海陆自动分割方法。该方法在能量泛函中同时融合了边缘信息和区域信息,既有利于边界精确定位又有利于降低乘性斑噪的影响,利用活动轮廓演化模型,通过变分水平集方法推动活动轮廓曲线向海岸线演化,在最小化特定的能量泛函的约束下,使活动轮廓与海岸线重合,达到影像分割的目的。同时针对该模型提出了优化方法提高其计算效率,使本文提出的分割算法更加实用。     

基于层次Gamma混合模型的高分辨率SAR影像分割方法

为了准确地对高分辨率合成孔径雷达(SAR)影像内像素强度统计分布建模并得到高精度的分割结果,提出基于层次Gamma混合模型(HGaMM)的高分辨率SAR影像分割方法.HGaMM由多个Gamma混合模型构成,用于对非对称、重尾和多峰等复杂的像素强度统计分布建模.为了减少影像噪声对分割的影响,采用马尔科夫随机场建模像素标号场,将像素邻域位置关系引入HGaMM.根据贝叶斯理论,利用后验分布构建影像分割模型.马尔科夫链蒙特卡罗算法用于模拟影像分割模型.在模拟和真实SAR影像上的分割实验表明,文中方法可得到较高精度的分割结果.     

地物散射模型与知识库系统中SAR影像数据分析与管理

地物散射模型与知识库系统是一个集典型地物散射模型库、目标后向散射特性数据库、地物的航空航天SAR(Synthetic Aperture Radar)影像库为一体的综合SAR影像信息应用平台。本文在介绍了该系统的研究背景基础上,针对系统中SAR影像数据的管理问题,首先分析了系统中影像数据的特点,并对目前常用的两款利用关系型数据存储和影像数据管理商用软件ArcSDE(Spatial Data Engine)和GeoRaster进行了简要介绍;接着通过对比分析试验表明,采用ArcSDE软件更适合管理本系统的SAR影像数据;最后针对SAR影像数据的特征,从系统结构、存储结构和存储模型3个角度说明ArcSDE10管理SAR影像数据的方式。     

基于冰情图的极地SAR海冰图像分割

冰情图在极区安全航行、气候研究等方面具有重要价值,但其存在不能提供像素级的定位信息、对密集度的估计较粗略等缺陷。基于此,提出一种基于冰情图的边缘保持区域型MRF分割方法。依据冰情图从SAR图像中提取子图像,进行SRAD滤波、分水岭初始分割、区域型MRF分割,合并各子图像得到最终分割结果,实现人工解译和计算机解译的结合,得到像素级的结果,具有物体边缘定位准确、分割效率高、可并行化处理等优点。实验结果表明,该方法对极区SAR海冰图像均具有良好的分割效果。     

海冰观测中的图像匹配方法研究

海冰流速的测定是寒区海冰观测的重要内容。结合海洋工程实际,提出一种根据视频图像的特征点提取和匹配来测算海冰流速的方法：把Harries角点作为海冰的特征点,根据不同时刻下特征点的单应得到特征点的移动距离和移动方向,通过高斯混合模型消除单应计算中的误匹配,最终得到海冰的移动方向和速度。实验结果表明,这种方法具有较好的鲁棒性。     

卷积神经网络和深度置信网络在SAR影像冰水分类的性能评估

目的 海冰分类是海冰监测的主要任务之一。目前基于合成孔径雷达SAR影像的海冰分类方法分为两类：一类是基于海冰物理特性与SAR成像特征等进行分类,这需要一定的专业背景;另一类基于传统的图像特征分类,需要人为设计特征,受限于先验知识。近年来深度学习在图像分类和目标识别方面取得了巨大的成功,为了提高海冰分类精度及海冰分类速度,本文尝试将卷积神经网络（CNN）和深度置信网络（DBN）用于海冰的冰水分类,评估不同类型深度学习模型在SAR影像海冰分类方面的性能及其影响因素。方法 首先根据加拿大海冰服务局（CIS）的冰蛋图构建海冰的冰水数据集;然后设计卷积神经网络和深度置信网络的网络架构;最后评估两种模型在不同训练样本尺寸、不同数据集大小和网络层数、不同冰水比例的测试影像以及不同中值滤波窗口的分类性能。结果 两种模型的总体分类准确率达到93%以上,Kappa系数0.8以上,根据分类结果得到的海冰区域密集度与CIS的冰蛋图海冰密集度数据一致。海冰的训练样本尺寸对分类结果影响显著,而训练集大小以及网络层数的影响较小。在本文的实验条件下,CNN和DBN网络的最佳分类样本尺寸分别是16×16像素和32×32像素。结论 利用CNN和DBN模型对SAR影像海冰冰水分类,并进行性能分析。发现深度学习模型用于SAR影像海冰分类具有潜力,与现有的海冰解译图的制作流程和信息量相比,基于深度学习模型的SAR影像海冰分类可以提供更加详细的海冰地理分布信息,并且减小时间和资源成本。     

相似度自适应样本块的高分辨SAR图像阴影修复

高分辨率SAR图像目标阴影可为目标识别提供更多的信息,对SAR图像目标阴影进行修复可以获取完整的目标阴影.采用传统样本匹配方法对SAR图像进行目标阴影修复时会出现阴影区域漏判问题和过渡区域不均匀问题.提出一种相似度自适应样本块的SAR图像目标阴影修复方法.利用SAR图像中目标及其阴影斜距的相对位置关系作为待修复区域的预判依据,有效地解决了阴影区域漏判问题;然后采用相似度自适应样本块的图像修复方法,改善了过渡区域不均匀问题.实验结果表明,本文方法可以有效地恢复高分辨率SAR图像中缺失的目标阴影.     

基于L型结构中心线的SAR图像建筑物提取方法

针对在高分辨率SAR图像上具有明显L型结构高亮特征的建筑物目标,提出了一种提取高分辨率SAR图像建筑物L型结构中心线,并进而提取建筑物几何信息的方法.运用基于Gabor纹理特征和模糊C均值的方法对SAR图像进行分割,再结合骨架提取、骨架跟踪、最小外接矩形提取、最小二乘准则等技术实现了L型结构中心线的提取,最后利用中心线获取了建筑物的长度、宽度和方位角信息.基于机载SAR图像的实验表明,利用提出的方法从SAR图像提取的建筑物几何结构和方位信息具有较高的精度.     

有效的SAR图像多尺度分类算法

为提高分类精度,提出一种基于最大期望(EM)与遗传(GA)算法的多尺度SAR图像无监督分类方法.利用多尺度自回归(MAR)模型描述SAR图像中不同尺度之间的统计相依性,提取多尺度特征.应用混合模型描述多尺度特征,并将GA算法与EM算法相结合给出混合模型的参数估计算法,利用最小描述长度(MDL)准则选择模型的分量教.最后使用Bayes分类器实现了图像的分类与分割.该方法集EM算法和GA算法结合后的优点,对设定初值有较少的敏感性,因而避免了局部最优解.应用于SAP图像的实验表明,在分割精度上GA-EM方法优于MAR模型的算法.     

Comparison of aerial video and Landsat 7 data over ponded sea ice

The development of melt ponds on Arctic sea ice during spring and summer is of great importance to the Arctic climate system as it accelerates the decay of the sea ice and greatly reduces the albedo. Both melt pond development and its spatial distribution are needed to understand the surface energy balance in summer. Previously, a technique was developed for classifying summer sea ice characteristics, including the amount of open water, white (snow-covered) ice, wet ice, and melt ponds using Landsat 7 Enhanced Thematic Mapper Plus (ETM+) spectral information. In this paper, we refine this technique through the use of airborne video data coincident with Landsat ETM+ imagery obtained over Baffin Bay on June 27, 2000. The video images, having a resolution of about 1.5 m at an aircraft altitude of 1.4 km, are classified into open water, ponded or wet ice, and unponded sea ice. Comparison of the video and Landsat imagery shows that many of the melt ponds are too small to cover an entire Landsat pixel (resolution of 30 m) so that the Landsat classification scheme would underestimate melt pond fraction. Thirteen high-resolution video images are classified to develop a method to calculate fractions of open water, ponded or wet ice, and unponded ice from Landsat 7 data. A comparison between these classified video images and Landsat retrievals yields a correlation coefficient of 0.95 with rms errors of less than 9% for the two ice types and 2% for open water. Comparisons of Landsat and video analyses not used in the development of the algorithm yield correlation coefficients of 0.87 for open water, 0.68 for ponded ice, and 0.78 for unponded ice. The rms differences are 10%, 8%, and 11%, respectively.     

空间约束层次加权Gamma混合模型的SAR图像分割

目的 合成孔径雷达（SAR）图像中像素强度统计分布呈现出复杂的特性,而传统混合模型难以建模非对称、重尾或多峰等特性的分布。为了准确建模SAR图像统计分布并得到高精度分割结果,本文提出一种利用空间约束层次加权Gamma混合模型（HWGaMM）的SAR图像分割算法。方法 采用Gamma分布的加权和定义混合组份;考虑到同质区域内像素强度的差异性和异质区域间像素强度的相似性,采用混合组份加权和定义HWGaMM结构。采用马尔可夫随机场（MRF）建模像素空间位置关系,利用中心像素及其邻域像素的后验概率定义混合权重以将像素邻域关系引入HWGaMM,构建空间约束HWGaMM,以降低SAR图像内固有斑点噪声的影响。提出算法结合M-H（Metropolis-Hastings）和期望最大化算法（EM）求解模型参数,以实现快速SAR图像分割。该求解方法避免了M-H算法效率低的缺陷,同时克服了EM算法难以求解Gamma分布中形状参数的问题。结果 采用3种传统混合模型分割算法作为对比算法进行分割实验。拟合直方图结果表明本文算法具有准确建模复杂统计分布的能力。在分割精度上,本文算法比基于高斯混合模型（GMM）、Gamma分布和Gamma混合模型（GaMM）分割算法分别提高33%,29%和9%。在分割时间上,本文算法虽然比GMM算法多64 s,但与基于Gamma分布和GaMM算法相比较分别快600 s和420 s。因此,本文算法比传统M-H算法的分割效率有很大的提高。结论 提出一种空间约束HWGaMM的SAR图像分割算法,实验结果表明提出的HWGaMM算法具有准确建模复杂统计分布的能力,且具有较高的精度和效率。     

一种基于小波分析的SAR图像增强去噪方法

提出了一种基于小波分析的SAR图像增强去噪声方法。该方法首先对被噪声污染的SAR图像进行小波变换,然后在小波域内对该图像进行平滑滤波,最后实现了一个SAR图像增强去噪处理系统。由处理结果可以看出,本方法在对SAR图像直接进行平滑滤波的应用中取得了较好的结果,为进一步图像分割、边缘提取奠定了一个较好的基础。