联合显著性与MRF的SAR建筑物分割算法

针对经典马尔可夫随机场（MRF）在进行高分辨率SAR图像分割时存在容易受到斑点噪声干扰等问题,提出一种基于建筑物指数相似度距离及MRF模型（BISD-MRF）的高分辨率SAR建筑物分割算法。基于较复杂SAR场景下建筑物目标可能呈现多种形态结构的问题,设计一种多尺度显著性建筑物指数（MSBI）方案来提取建筑物目标的显著性特征,并通过强度信息重构、纹理显著性提取、频谱显著性信息统计来分别提取不同类型区域的显著性信息,构建适用于SAR建筑物目标的显著性模型。在此基础上,将MSBI值引入到改进的基于改进余弦函数的势函数模型中,利用余弦函数对邻域像素MSBI值进行相似性度量,同时利用特征空间语义信息对像素及其邻域像素标签信息进行有效约束,以提升势函数模型对高分辨率SAR建筑物目标的表征能力。不同平台下的建筑物分割实验结果表明,与MRF、MBI、FRFCM等算法相比,本文算法分割性能平均提升了4.3~10.7个百分点,更适用于较复杂场景下高分辨率SAR建筑物的分割任务。     

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.     

基于边缘检测的SAR图像自适应区域分割

受相干斑噪声影响,合成孔径雷达（Synthetic Aperture Radar,SAR）图像成像质量低,目标判读困难。针对传统方法对SAR图像分割存在噪声敏感、细节缺失、过度分割等问题,提出一种基于边缘检测的SAR图像自适应区域分割方法。首先引入双边滤波构建级联滤波器,对SAR图像进行保边抑噪;然后建立基于纹理复杂度的阈值估算模型,实现阈值自适应目标SAR图像边缘检测;最后提出基于边缘特征的自适应区域生长分割方法,较好解决了传统区域生长算法对SAR图像分割时出现的过度生长和过度分割之间的矛盾问题。该方法综合利用了SAR图像二维熵、边缘灰度信息、区域灰度信息,实现了对单极化目标SAR图像的自动分割。实验表明,相较于其他传统分割方法,该方法保边抑噪能力更强,目标细节检测更准确,较好解决了SAR图像过分割问题。     

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。     

光学图像辅助分割的极化SAR建筑物提取

针对全极化SAR数据分割时存在边缘漂移导致建筑物提取精度较低的问题,在FNEA算法基础上,提出一种光学图像辅助分形网络演化分割的极化SAR建筑物提取方法。首先基于FNEA分割方法获取与极化SAR图像相配准的光学图像中对象的初始边界信息,并利用该信息来改善极化SAR图像FNEA分割结果中存在的边缘漂移现象;在此基础上,利用Singh四分量分解提出一种基于对象占优因子的对象极化后向散射类型判定方法,从而提取出建筑物。采用国产机载X波段全极化SAR数据,并通过与其他方法的对比实验验证了该文方法的有效性。     

基于高亮模型匹配的SAR建筑物高度反演方法

针对高分辨率SAR图像中的建筑物高度提取问题,提出了一种基于高亮模型匹配的建筑物高度反演方法。通过对建筑物的成像特征进行分析构建出高亮特征模型,建立模型与SAR图像之间的匹配度函数,运用多种群遗传算法对匹配度函数进行优化搜索出最优的高度参数。基于模拟和实测SAR图像的实验结果表明该算法可以用于SAR图像建筑物高度反演,并具有较高的反演精度。     

基于区域相似性的活动轮廓SAR图像分割

为了克服传统活动轮廓SAR分割模型高度依赖统计分布假定的缺点,结合基于成对相似性的图划分方法和几何活动轮廓模型的优点,提出了基于区域相似性的活动轮廓SAR分割模型.首先将原始图像过分割成同质子区域集;然后结合强度和纹理信息真实度量子区域的成对相似性,并以此定义能量泛函;最后利用基于过分割的规则化和快速曲线演化实现SAR图像的有效分割.真实SAR图像的实验结果表明,该模型能快速、准确地得到SAR图像的分割结果.     

基于能量最小化的星载SAR图像建筑物分割方法

针对星载合成孔径雷达 (Synthetic aperture radar, SAR) 图像信噪比低、建筑物目标几何变形大以及周围背景复杂的特点, 本文提出了一种基于能量最小化的星载SAR图像建筑物分割方法.基于星载SAR图像数据构造条件概率能量项, 推动变形曲线向建筑物目标边界演化; 在能量泛函模型中定义长度能量项以保证变形曲线的平滑; 在水平集方法获取的SAR图像初始分割结果的基础上, 以高分辨率光学遥感影像中建筑物目标的轮廓作为先验信息, 构造先验形状能量项约束曲线在第二阶段的演化, 最终实现SAR图像建筑物的分割.实验结果表明, 该方法显著提高了建筑物目标轮廓的分割精度.     

基于改进分水岭变换的遥感图像建筑物提取

遥感图像的分割是遥感信息提取与目标识别的基础和关键。以高分辨率城镇地区遥感图像为研究对象,提出一种基于全局阈值的多级分水岭算法,用于遥感图像的分割。该算法通过引入差异度函数,在执行传统分水岭算法的过程中对图像中存在的噪声区域进行修正,并通过使用全局阈值有效的控制欠分割问题。首先基于全局阈值的多级分水岭算法对高分辨率遥感图像进行初始分割,然后综合利用分割对象的颜色和形状特征信息,进行区域合并和梯度边缘提取,得到最终的建筑物提取结果。实验结果表明,所提出的基于全局阈值的多级分水岭算法较好地避免了过分割和欠分割现象,结合区域合并和梯度提取,能够快速准确地对城镇遥感图像中的建筑物进行提取。     

SAR图像的最优分割方法

根据SAR图像的概率密度函数获得图像的拟然函数,然后将似然函数和边界约束方程结合起来,提出适合于SAR图像分割的代价函数,其中边界约束方程引入邻域结构信息来保证区域边界的规则性,通过使代价函数最小来获得图像的最优分割。算法首先将原图分割成一定大小的块状区域作为初始分割,每一区域代表一个类别;然后随机调整相邻两个区域之间的像素,通过比较代价函数的变化,利用模拟退火算法确定接受该调整的概率。模拟退火是一种求解全局最优的算法,当温度趋向于0时,它可以获得使代价函数最小的SAR图像的分割。最后,利用基于相似性的融合方法对分割进行后期处理,将相似的较小的区域融合成较大的区域,使得分割更合理。我们将该算法应用到一些SAR测试图像上,获得了比较满意的结果。     

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。     

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。     

多区域SAR图像分割的改进水平集方法

由于合成孔径雷达（SAR）图像易受相干斑噪声的影响,光学图像的分割方法并不适用于SAR图像,更不能获得精确的分割结果对比,因此,首先基于GA^0统计模型定义能量映射函数以代替像素值进行后续处理,减小相干斑的影响;其次,使用水平集算法对处理后的图像进行分割处理,选用了一种形式更为简单的水平集函数,并可以较容易地推广到多区域SAR图像分割情况。实验结果表明,该方法可以减少相干斑噪声对SAR图像分割过程的不良影响,具有较好的准确性。     

基于模糊控制的光照自适应特征提取

为了提高变化光照下视觉特征的识别能力,提出一种光照自适应的特征提取方法。动态选择颜色、边缘特征建立特征集,解决单一类特征造成的跟踪不稳定性问题;定义局部光照变化测定函数,检测光照变化;利用Fisher准则评价特征识别能力,在线更新特征集,克服光强变化、噪声等因素的影响;采用模糊方法根据光强变化控制特征集的更新度。应用特征提取方法在粒子滤波框架下进行跟踪实验,在光照不断变化情况下能够实现稳定的目标跟踪,准确率较基于颜色特征的视觉跟踪方法有所提高。     

基于目标检测的多源遥感图像特征融合方法研究

提出了一种基于目标检测的多源遥感图像特征融合方法.首先,在单源图像上检测目标,利用图像的大地坐标信息,自动截取包含目标的同一地区的局部遥感图像,再分别提取多源遥感图像上目标的特征信息,根据其中冗余的特征信息对提取的目标区域进行关联,再由关联检验确保特征关联的正确性,最后对目标特征进行融合决策得到特征融合结果.实验结果表明,方法能有效地利用多源遥感图像的信息,提高所获取目标特征的准确度.     

双Level Set遥感影像建筑物检测

对传统的基于梯度的Level set方法和基于区域的Chan-Vese分割模型进行分析,提出结合局部梯度和同质区域全局均值信息的双水平集遥感影像分割模型,并利用变分法得到曲线的演化方程。该模型引入一种内部约束能量项近似地表示符号距离函数,使算法摆脱了重新初始化符号距离函数的缺陷,提高了曲线的演化速度,且可以同时分割出多类目标。在建筑物检测中可以同时检测出建筑物的向阳区域、屋顶和阴影区域。实验表明,该方法是一种有效的建筑物检测方法。     

高分辨率极化SAR图像水平集分割

目的 传统的极化SAR图像分割方法中,由于采用的统计分布模型不能较好地描述高分辨率的图像纹理特征,导致高分辨率极化SAR图像分割效果较差。针对这个问题,本文将具有广泛适用性的KummerU分布嵌入到水平集极化SAR图像分割方法中,提出了一种新的极化SAR图像分割算法。方法 将KummerU分布作为高分辨率极化SAR图像的统计模型,定义一种适用于极化SAR图像分割的能量泛函;利用最大似然法对各个区域的KummerU分布进行参数估计,并通过数值偏微分方程的方法求解水平集函数,实现极化SAR图像的区域分割。结果 分别对仿真全极化数据,真实全极化数据进行分割实验,结果表明本文提出的方法其分割精度高于传统方法,分割精度高于95%,从而验证了新方法的有效性。结论 本文算法能够对各向同质区和各向异质区的极化SAR图像都能取得良好的分割效果,并适应于多种场景,有效地分割出背景和目标。     

Coastline extraction from SAR images using spatial fuzzy clustering and the active contour method

Coastline extraction from synthetic aperture radar (SAR) data is difficult because of the presence of speckle noise and strong signal returns from the wind-roughened and wave-modulated sea surface. High resolution and weather change independent of SAR data lead to better monitoring of coastal sea. Therefore, SAR coastline extraction has taken up much interest. The active contour method is an efficient algorithm for the edge detection task; however, applying this method to high-resolution images is time-consuming. The current article presents an efficient approach to extracting coastlines from high-resolution SAR images. First, fuzzy clustering with spatial constraints is applied to the input SAR image. This clustering method is robust for noise and shows good performance with noisy images. Next, binarization is carried out using Otsu’s method on the fuzzification results. Third, morphological filters are used on the binary image to eliminate spurious segments after binarization. To extract the coastline, an active contour level set method is used on the initial contours and is applied to the input SAR image to refine the segmentation. Because the proposed approach is based on an active contour model, it does not require preprocessing for SAR speckle reduction. Another advantage of the proposed method is the ability to extract the coastline at full resolution of the input SAR image without degrading the resolution. The proposed approach does not require manual initialization for the level set method and the proposed initialization speeds up the level set evolution. Experimental results on low- and high-resolution SAR images showed good performance for coastline extraction. A criterion based on neighbourhood pixels for the coastline is proposed for the quantitative expression of the accuracy of the method.     

一种高性能SAR图像边缘点特征匹配方法

针对合成孔径雷达（Synthetic aperture radar,SAR）图像特征匹配中特征提取的不稳定性和相似度优化搜索的复杂性问题,提出了一种精确高效稳健的SAR图像边缘点集匹配方法. 首先,分析了仿射变换模型在遥感图像匹配中的适应性,并对仿射变换模型进行了参数分解;其次,提出了基于方向模板的SAR图像边缘检测算子,并利用SAR图像边缘的梯度和方向特征,建立了基于像素迁移的多源SAR边缘点集相似性匹配准则,以及图像匹配的联合相似度-联合特征均方和（Square summation joint feature,SSJF）;然后,利用改进的遗传算法（Genetic algorithm,GA）来进行相似度的全局极值优化搜索,获取变换模型参数和边缘点集的对应关系;最后,从理论上分析了本文方法的性能,并利用多幅SAR图像的匹配实验以及与原有方法的对比分析,对本文方法的性能进行了验证.