一种基于多重分形的SAR图像边缘检测方法

分形维数只能刻画那些具有理想的自相似性的分形体,现实中的许多纹理并不满足这一条件,因此单一的分形维数并不足以描述和刻画SAR图像的纹理,多重分形维数更适合于描述图像的纹理.通过计算原始SAR图像离散点数据的奇异性指数,然后对应每一点奇异性指数计算全局多重分形奇异谱,根据判决准则区分边缘和纹理可以实现SAR图像的边缘检测,实验结果表明,基于多重分形特征的边缘检测算法能够检测到许多局部细节,同时又避免出现不重要的细节,突出了主要的边缘信息,很好地区分出SAR图像的纹理和边缘.     

一种基于局部分形维的CFAR检测算法

目标检测是图像处理领域和计算机视觉中一项非常重要的研究课题.针对光学遥感图像自然背景下人造目标检测中检测时间长,虚警率偏高的问题,本文提出一种基于局部分形维的CFAR检测算法.该算法首先引入重标极差分析法,把图像的局部窗转化为一维序列的形式,且通过对一维序列极差和偏差的运算得到反映图像局部纹理特征的局部分形维,并以此构造出图像的分维像.然后在分维像基础上进行快速CFAR检测,确定滑窗中心点像素是否为目标像素.最后对目标像素进行聚类以提取感兴趣目标区域.利用本文提出的算法对不同地区的光学图像进行了大量的实验,得到了较好的检测结果.实验结果证明了该算法在高分辨光学图像中能有效、快速地地检测自然背景中的人造目标.与传统的人造目标检测算法相比,本文提出的算法能有效地减少检测时间,降低虚警率.     

Estimation of 2-D noisy fractional Brownian motion and itsapplications using wavelets

The two-dimensional (2-D) fractional Brownian motion (fBm) model is useful in describing natural scenes and textures. Most fractal estimation algorithms for 2-D isotropic fBm images are simple extensions of the one-dimensional (1-D) fBm estimation method. This method does not perform well when the image size is small (say, 32x32). We propose a new algorithm that estimates the fractal parameter from the decay of the variance of the wavelet coefficients across scales. Our method places no restriction on the wavelets. Also, it provides a robust parameter estimation for small noisy fractal images. For image denoising, a Wiener filter is constructed by our algorithm using the estimated parameters and is then applied to the noisy wavelet coefficients at each scale. We show that the averaged power spectrum of the denoised image is isotropic and is a nearly 1/f process. The performance of our algorithm is shown by numerical simulation for both the fractal parameter and the image estimation. Applications to coastline detection and texture segmentation in a noisy environment are also demonstrated.     

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。     

分形方法在SAR图像分割中的应用

SAR图像中人造地物和自然地貌很容易在某些特征上出现类似,使得利用传统方法提取的特征进行分割往往不可靠.相比自然地貌,人造地物显得比较规则,SAR图像的这一特点使得基于分形特征的分割算法成为可能.基于数学形态学理论提出了一个变结构元素的形态学分形维数估计方法,对复杂SAR图像进行分割.实验结果表明,该方法计算量小,可充分利用SAR图像的纹理信息.     

基于分形维数和FCM聚类的多时相SAR图像变化检测

提出了一种基于分形维数和FCM聚类的SAR图像无监督变化检测的算法。首先用非下采样Contourlet变换(NSCT),对两时相图像进行分解,然后求出其分形维数图,构造差异图,再由FCM聚类得到变化区域和非变化区域。并对计算分形维的滑动窗口大小的选择进行了研究。与现有的基于分形维数的图像变化检测算法进行对比,实验证实,本文算法不仅对斑点噪声不敏感,并且提高了变化检测的精确度。     

利用改进分形特征对SAR图像目标检测方法的研究

改进分形特征是用指数小波在一个尺度上对检测图像滤波,针对特定大小目标用能量关系函数求得各像素点的分形特征。该文研究了利用改进分形特征对SAR图像进行目标检测的方法,分别使用改进特征与扩展分形特征对单一背景和复杂背景条件下的SAR图像进行目标检测,结果表明:改进分形特征能够在这两种背景条件下以更低虚警率检测出全部特定大小的目标,目标空间可分辨性好、位置指示准确;但在复杂背景条件下的检测虚警率比单一背景下的检测虚警率有所上升。     

基于局部分形维数的多目标检测算法

在以自然景物为背景的图像中,分形维数是一种能有效地将目标从自然背景中检测出来的纹理特征.将图像的局部窗转化为一维序列的形式,在研究R/S分析法的基础上,提出了一种局部分形维数估计算法.将一维最大熵的检测结果与分形特征图的检测结果进行逻辑与运算,从而实现目标边缘的精确定位.实验表明该算法不仅可以有效地实现多目标检测同时具有较好的抗噪性能.     

Application of neural networks for sea ice classification inpolarimetric SAR images

Several automatic methods have been developed to classify sea ice types from fully polarimetric synthetic aperture radar (SAR) images, and these techniques are generally grouped into supervised and unsupervised approaches. In previous work, supervised methods have been shown to yield higher accuracy than unsupervised techniques, but suffer from the need for human interaction to determine classes and training regions. In contrast, unsupervised methods determine classes automatically, but generally show limited ability to accurately divide terrain into natural classes. In this paper, a new classification technique is applied to determine sea ice types in polarimetric and multifrequency SAR images, utilizing an unsupervised neural network to provide automatic classification, and employing an iterative algorithm to improve the performance. The learning vector quantization (LVQ) is first applied to the unsupervised classification of SAR images, and the results are compared with those of a conventional technique, the migrating means method. Results show that LVQ outperforms the migrating means method, but performance is still poor. An iterative algorithm is then applied where the SAR image is reclassified using the maximum likelihood (ML) classifier. It is shown that this algorithm converges, and significantly improves classification accuracy. The new algorithm successfully identifies first-year and multiyear sea ice regions in the images at three frequencies. The results show that L- and P-band images have similar characteristics, while the C-band image is substantially different. Classification based on single features is also carried out using LVQ and the iterative ML method. It is found that the fully polarimetric classification provides a higher accuracy than those based on a single feature. The significance of multilook classification is demonstrated by comparing the results obtained using four-look and single-look classifications     

分形维数的多尺度形态估计与目标提取

本文研究了Minkowrki－Bouligand维数估计的数学形态学方法实现，给出了一种基于多尺度灰度形态运算的图像维数估计算法。将分形特征用于目标的检测，提出了一种具有较好稳健性的基于多分辨率分形特征的目标提取方法。     

真实孔径雷达海洋图像的分形特征分析

结合海洋雷达图像的电磁散射机理,采用小波分析方法对真实孔径雷达海洋图像的分形维数和特征进行分析,发现虽然海洋表面波具有分形的特征,但是海洋雷达图像在布拉格散射机制主导的情况下,不具备分形特征.为了准确计算雷达图像的分形维数,还对差分盒计数法、数学形态学方法和小波分析方法三种分形维数的计算方法进行了评估,通过对已知维数的模拟图像进行分形维数的计算,分析了三种方法的优缺点.     

一种改进的SAR图像舰船尾迹检测算法

Radon变换被广泛用于合成孔径雷达SAR图像上舰船尾迹的检测.由于舰船尾迹在SAR图像上呈现线性特征,并对应于Radon变换域中亮或暗的峰值点,因此通过检测变换域中的峰值点可以确定舰船尾迹.提出了一种新的基于Radon变换的SAR图像舰船尾迹检测算法IADA(Improved Automatic Detection Algorithm).考虑到海杂波的影响,IADA算法主要利用局部自适应检测算法来搜索变换域峰值点;另外还采用方向梯度算法来搜寻被检测到尾迹的起点.在真实SAR图像上的检测结果证明了该算法的有效性和准确性.     

基于2D-PWVD的SAR图像相干斑噪声抑制

合成孔径雷达(SAR)图像相干斑噪声是影响对SAR图像正确解译的主要因素之一,在二维魏格纳分布的框架内,提出了一种基于二维伪魏格纳威尔分布变换的SAR图像噪声抑制的方法。首先,根据魏格纳威尔分布的理论,阐述了图像的二维伪魏格纳威分布表示,以及分解后的多频段图谱的特性;然后,针对该特性,提出对应的计算处理方法,并将分解图像相加,形成SAR图像噪声抑制后图像;最后,利用MiniSAR实测SAR图像数据进行验证试验,并将结果与均值滤波、LEE滤波和小波软阈值滤波SAR图像噪声抑制算法进行对比分析,结果显示,文中所提算法是有效可行的。     

基于分形特征的高分辨率SAR图像分类

通过大量的实验，研究了3种分形特征提取算法在高分辨率SAR图像分类中的适应情况和彼此的差异性。对分形特征提取的图像量化等级、窗口大小、点对数的确定以及坏值剔除数量进行了深入的研究。在此基础上，总结了适合高分辨率SAR图像地物分类的分形特征提取的一般规律。最后，提出了利用分形特征的统计量作为特征向量，运用模糊C均值算法对图像进行分类，并取得了很好的效果。     

纹理特征提取方法

纹理作为图像重要特征,广泛存在于各种图像中。文中主要介绍了基于分形维数提取法、小波提取法、Gabor滤波器提取法、灰度共生矩阵提取法等纹理特征提取的原理和步骤等,并对各个方法的优、缺点进行了归纳总结。     

基于视觉显著性的SAR遥感图像NanoDet舰船检测方法

在合成孔径雷达遥感图像中,舰船由金属材质构成,后向散射强;海面平滑,后向散射弱,因此舰船是海面背景下的视觉显著目标。然而,SAR遥感影像幅宽大、海面背景复杂,且不同舰船目标特征差异大,导致舰船快速准确检测困难。为此,该文提出一种基于视觉显著性的SAR遥感图像NanoDet舰船检测方法。该方法首先通过自动聚类算法划分图像样本为不同场景类别;其次,针对不同场景下的图像进行差异化的显著性检测;最后,使用优化后的轻量化网络模型NanoDet对加入显著性图的训练样本进行特征学习,使系统模型能够实现快速和高精确度的舰船检测效果。该方法对SAR图像应用实时性具有一定的帮助,且其轻量化模型利于未来实现硬件移植。该文利用公开数据集SSDD和AIR-SARship-2.0进行实验验证,体现了该算法的有效性。      

基于分形特征的红外图像识别方法

文中首先对红外图像进行预处理,然后根据分形理论提取了红外图像的９种分形特征,用神经网络进行目标识别。这９种分形特征包括基于分形维数的特征,基于Ｈｕｒｓｔ指数的分形特征和基于缝隙的分形特征。最后进行了计算机仿真实验,实验表明基于分形特征红外图像识别方法是可行的,并取得了较好的结果。     

基于小波域两向二维主分量分析的SAR目标识别

针对合成孔径雷达图像目标识别在图像域进行特征提取时空间维数较高、计算复杂度较大、识别效率较低等问题,提出基于小波域两向二维主分量分析和概率神经网络的SAR图像目标特征提取与识别方法。该方法首先引入二维离散小波变换将预处理后的SAR图像变换到小波域,得到可充分表征目标特征信息的低频成分。然后提取低频子图像的两向二维主分量分析低维特征作为训练样本和测试样本的目标特征,最后由概率神经网络分类器完成目标识别。MSTAR数据实验结果表明,在特征矩阵维数低至6×3(原始图像128×128)的情况下平均识别率高达99.32%,且最高可达99.83%,该方法不但能够有效压缩目标特征维数和提高识别率,还对目标的方位信息具有很强的鲁棒性,可有效应用于SAR图像目标特征提取和识别。     

Improved algorithm for stripmap SAR imaging

This paper proposes a calibrated method for quasi-broadside side-looking mode SAR imaging with small squint angle and an improved method named as phase alignment algorithm of subaperture reference signal. The calibrated method adopts subaperture spotlighting algorithm of broadside mode to image the real data of quasi-broadside mode SAR, then based on the obtained image the small squint angle is estimated and the calibrated subaperture spotlighting algorithm of squint mode is employed to obtain the final image. The calibrated method can calibrate the abnormal region and obtain the correct image. The phase alignment algorithm of subaperture reference signal adjusts phases of respective subaperture reference signals in order to make them be in phase and constructs a new spotlighting window function for SAR imaging. Theoretical analysis shows that with the same sample data, the improved method can increase SAR imaging area in azimuth dimension. The methods are verified by the results of computer simulation.     

VOIR: a volumetric image reconstruction algorithm based on Fouriertechniques for inversion of the 3-D Radon transform

A novel volumetric image reconstruction algorithm known as VOIR is presented for inversion of the 3-D Radon transform or its radial derivative. The algorithm is a direct implementation of the projection slice theorem for plane integrals. It generalizes one of the most successful methods in 2-D Fourier image reconstruction involving concentric-square rasters to 3-D; in VOIR, the spectral data, which is calculated by fast Fourier techniques, lie on concentric cubes and are interpolated by a bilinear method on the sides of these concentric cubes. The algorithm has great computational advantages over filtered-backprojection algorithms; for images of side dimension N, the numerical complexity of VOIR is O(N(3) log N) instead of O(N (4)) for backprojection techniques. An evaluation of the image processing performance is reported by comparison of reconstructed images from simulated cone-beam scans of a contrast and resolution test object. The image processing performance is also characterized by an analysis of the edge response from the reconstructed images.