融合区域和边界信息的水平集SAR图像分割方法

提出了一种基于区域和边界信息的水平集SAR图像分割方法。该方法根据SAR图像的区域统计特征和边界梯度信息,建立SAR图像分割能量泛函模型;通过最小化能量泛函得到曲线演化偏微分方程;采用水平集方法求解演化方程,实现了SAR图像的分割。分别采用模拟和真实SAR图像对该方法进行了仿真。实验结果表明,该方法能充分利用SAR图像特征,不需要去除相干斑噪声的预处理过程,实现了对图像中目标与背景的正确分割。     

有监督的水平集高分辨SAR图像分割方法

针对基于统计模型的水平集SAR图像分割中参数估计耗时较多的问题,提出了一种有监督的高分辨SAR图像分割方法.该方法将Fisher分布和Gamma分布分别作为高分辨SAR图像的目标和背景统计模型,结合水平集方法推导了SAR图像分割水平集函数的能量泛函模型,通过最小化能量泛函得到曲线演化偏微分方程,实现对高分辨SAR图像的...     

Dirichlet过程混合模型SAR图像分割算法

传统的合成孔径雷达(SAR)图像参数化有限模型都有其特定的物理背景或者数学假设,很难准确估计SAR图像中各地物的密度分布,为了解决这一问题,提出一种基于非参数化无限混合模型的SAR图像分割方法,该方法利用Dirichlet过程对SAR图像进行建模,进一步采用非参数化Bayes模型分割包含复杂地物目标的SAR图像。Dirichlet分布作为一种基于分布的分布可以确定不同类别的先验概率,由样本估计出密度函数来描述图像,从而可以更精确地分割各类地物。该算法在模拟图像与真实SAR图像上进行了比对测试,实验结果验证了Dirichlet过程混合模型SAR图像分割算法的有效性和稳健性。     

基于正则化方法的SAR图像分割及目标边缘检测算法

为了准确地分割图像并获取清晰、连续的边缘特征,在系统分析正则化技术的基础上,提出了一种基于正则化技术的SAR图像分割及目标边缘检测算法。该算法首先利用一种改进的正则化方法对SAR图像进行预处理,然后分析图像的统计特性,利用阈值化技术获取SAR图像的目标区域和阴影区域,最后通过加窗处理技术对分割后的目标区域进行边缘特征提取。并用MSTAR数据进行大量的仿真实验,结果表明,与经典的边缘检测方法相比,该方法在获取良好的分割结果的同时能更精确、更完整地检测出目标的边缘特征。     

利用DT-GrowCut的MSTAR SAR图像自动分割技术

结合Delaunay三角剖分理论,提出了一种DT-Growcut全自动SAR雷达图像分割技术.首先将MSTAR数据图像进行Delaunay三角剖分.由于背景噪声是随机相干斑噪声,所以选择两个最大的连通域,引导设置GrowCut种子函数,依据自动细胞机竞争机制,对SAR图像进行分割处理.该方法不需要预先设置类别,能够消除相干斑噪声,能有效地提取SAR图像边沿,大大降低图像的边缘模糊.通过对MSTAR数据库进行仿真实验,并对分割结果进行分析,证明了该方法的有效性和可行性.     

选择利用Wishart和K统计描述的极化SAR图像分割

为得到极化SAR图像中不同异质程度区域的准确分割,本文提出一种选择利用Wishart和K统计描述的极化SAR图像分割方法。该方法采用分形网络演化算法思想,将简单线性迭代聚类算法生成的超像素作为初始对象;再根据区域异质度指标,选择利用Wishart分布或K分布描述对象的统计相似性;最终实现综合利用Wishart和K统计描述的极化SAR图像分形网络演化分割。通过模拟数据和真实极化数据进行实验并与其它方法相比较,结果表明,本文方法在整体上能准确分割不同异质程度的地物,在局部细节上分割结果边界更精细。     

快速的Otsu双阈值SAR图像分割法

在分析SAR图像的统计分布特征的基础上,根据SAR图像自动目标识别对SAR图像分割的要求,提出了一种适合SAR图像的Otsu分割算法。算法首先利用CFAR进行粗分割,然后利用Otsu进行细分割。实验结果表明,该算法分割准确且计算量小,客观评价值较高。     

SAR图像分割的多尺度自回归滑动平均模型方法

给出了合成孔径雷达(synthetic aperture radar简称SAR)图像多尺度自回归滑动平均(multiscale autoregressive moving average简称MARMA)模型建模的一种新方法。研究了基于MARMA模型的SAR图像多尺度随机特征提取的方法，构造了相应的分类器．将这类方法用于实际SAR图像分割，并将MARMA模型与多尺度自回归(multiscale autoregressive简称MAR)模型的分割结果进行比较，说明SAR图像的MARMA模型分割方法优于MAR模型分割方法；最后给出了评价SAR图像分割结果的区域均匀性指标方法，实际应用结果表明该评价方法是有效的。     

基于参数化模型的水平集SAR图像多区域分割方法

提出了一种基于参数化模型的水平集合成孔径雷达（SAR）图像多区域分割方法。该方法采用改进的Edgeworth展开式自适应地对SAR图像统计信息进行拟合。由于无需预先估计SAR图像待分割区域的概率密度函数,因此该方法更适用于多区域分割。该方法根据分割区域数量,将改进的Edgeworth展开式嵌入到对应个数的能量泛函模型中,并给出水平集方法求解过程及数值实现方案,最终实现图像多区域分割。实验结果表明,同其他水平集方法相比,该方法能获得更高的分割精度,更适用于多区域分割。     

一种有效的SAR图像目标识别方法

根据不变矩特征提取和支撑矢量机分类的优势,提出了一种有效的SAR图像目标识别方法.首先对样本SAR图像进行预处理。然后提取目标区域的不变矩特征并计算灰度均值,将其组成特征向量训练SVM分类器,最后用训练好的SVM分类器对要识别的SAR图像进行目标识别.采用该方法对一些含有桥梁和坦克的SAR图像进行目标识别实验,取得了较好的识别结果.     

基于特征的SAR图像与光学图像自动配准

针对现有配准方法在用于SAR图像和光学图像配准时,存在受SAR图像相干斑噪声影响大,手工选取配准点精度低等缺点,提出了一种基于区域特征提取的图像配准方法．对SAR图像首先进行相干斑噪声抑制,并采用图像分割的方法提取出封闭区域的边界作为特征,然后与可见光中提取的边缘利用闭合区域边缘链码的相关寻求匹配,精确配准的误差达到子象素级水平．实验结果表明,该方法能够以较高的精确度从SAR图像中提取配准控制点,从而实现了多传感器图像的自动配准．     

场景语义SAR图像桥梁检测算法

在合成孔径雷达图像中存在大量相干斑乘性噪声,导致桥梁检测中极易出现漏检和误检．针对这一问题提出了基于场景语义的水上桥梁检测算法．该方法首先根据图像的内容自动分割出水域和陆地两类不同的场景,沿着水陆交界区域搜索疑似桥梁目标,有效地缩小了搜索范围;然后提取图像的素描特征,抑制相干斑噪声的干扰;最后根据素描特征的几何特性定义桥梁的隶属度函数,实现桥梁目标的检测．在真实合成孔径雷达图像上的仿真实验表明,该算法有效地降低了桥梁的漏检率和误检率,具有较好的鲁棒性．     

Road network extraction in classified SAR images using genetic algorithm

Due to the complicated background of objectives and speckle noise, it is almost impossible to extract roads directly from original synthetic aperture radar(SAR) images. A method is proposed for extraction of road net-work from high-resolution SAR image. Firstly, fuzzy C means is used to classify the filtered SAR image unsupervis-edly, and the road pixels are isolated from the image to simplify the extraction of road network. Secondly, according to the features of roads and the membership of pixels to roads, a road model is constructed, which can reduce the extraction of road network to searching globally optimization continuous curves which pass some seed points. Final-ly, regarding the curves as individuals and coding a chromosome using integer code of variance relative to coordi-nates, the genetic operations are used to search global optimization roads. The experimental results show that the al-gorithm can effectively extract road network from high-resolution SAR images.     

基于SVM的SAR图像分割方法

先去噪再分割的SAR图像分割方法会损失有用的纹理信息,因此本文给出了一种直接对含噪SAR图像进行分割的方法.首先利用小波变换提取SAR图像的纹理特征,计算图像的灰度均值作为图像的灰度特征,然后用完全无监督的聚类算法进行分类,最后将特征值与类别标记作为支持向量机的训练样本,用训练后的分类器对图像进行分割.实验结果表明:本文所给出的方法在分割的准确性和抗噪性方面都优于几种有代表性的分割方法.     

基于子波域隐含马尔可夫模型的SAR图像斑点抑制

为了抑制合成孔径雷达成像中的“斑点效应” ,提出了一种新颖的基于子波域隐含马尔可夫树的信号处理方法 .首先对图像进行对数变换 ,转换噪声的统计特性 ,然后在子波域建立隐含马尔可夫树模型 .根据此模型 ,进行最大似然估计 ,恢复图像并抑制斑点噪声 .实例显示 ,该方法在平滑斑点噪声的同时又保留了边缘信息 ,使得处理后的图像比较自然 .     

一种SAR图像相干斑噪声抑制新算法

为抑制合成孔径雷达(SAR)图像乘性相干斑噪声,同时有效保护SAR图像的边缘特征,给出了相干斑噪声在小波域的一种加性转换噪声模型．并以此模型为基础,提出了一种非下采样小波包分解下自蛇扩散与改进L1-L2联合优化相结合的相干斑噪声抑制新算法．该算法利用非下采样小波包变换对SAR图像进行多层子带分解,然后对低通子带系数进行自蛇扩散滤波,并将滤波处理后的系数作为原SAR图像在小波域的局部均值估计,再以此局部均值为基础,利用改进的L1-L2联合优化对其他各高频子带系数进行自适应软阈值收缩滤波去噪．最后通过重构滤波后的各子带系数实现SAR图像相干斑噪声抑制．实验表明: 与经典的空域Kuan滤波算法、P-M扩散滤波算法及基于非下采样小波变换的Γ-WMAP算法相比,本算法在SAR图像的相干斑噪声抑制与边缘保护方面均取得了较好的效果．     

New soft morphological parameterized symmetric logarithmic image processing filtering algorithm

Synthetic Aperture Radar (SAR) imaging has the inherent random speckle noise, which seriously affects the quality of the SAR image, and it is very important to study the suppression of the speckle noise. In view of the fact that the traditional spot noise suppression method could not remove speckle noise while protecting the image texture information, a novel filtering algorithm is proposed based on the soft morphological and parameterized symmetric logarithmic image processing model. The proposed algorithm combines the flexibility of the order-statistic soft morphological operations and the characteristic of the parameterized symmetric logarithmic image processing model which establishes a parameterized symmetric structure processing part of the image, which can suppress speckle noise while protecting the texture information on the image. In order to validate the despecking performance of the proposed algorithm, we compare the effect of the filter with some of the existing filtering algorithms, and use some of the image evaluation parameters of the suppress speckle noise image to evaluate the performance of the SMPSLIP filtering algorithm. Experimental results show the effectiveness of this algorithm.