基于灰度共生矩阵纹理特征的SAR图像分割

同时考虑SAR图像局部灰度均值和方差及像素空间分布特征等统计量,在以灰度共生矩阵产生的纹理统计量为特征所生成的图像上,建立多分辨双Markov-GAR模型,采用多分辨MPM的参数估计方法及相应的无监督分割算法,对SAR图像进行纹理分割。该方法用于一些高分辨SAR图像,其分割精度及分割边缘的平滑度均优于基于灰度图像上的多分辨双Markov-GAR模型纹理分割。     

基于小波变换的SAR图像分割

SAR(合成孔径雷达)图像包含有相干斑噪声，传统方法不能很好地对SAR图像进行分割，该文结合SAR图像和小波变换多分辨分析的特点，提出了一种新的SAR图像分割方法。首先利用小波变换提取SAR图像的纹理特征信息，然后根据SAR图像噪声在小波域中的分布特点对SAR图像进行滤波，最后以SAR图像小波能量纹理特征和滤波后的灰度组成特征向量对SAR图像进行分割。实验结果表明，该方法是一种有效的SAR图像分割方法。     

基于多特征的SAR图像的无监督分割

针对合成孔径雷达(SAR)图像灰度变化大、纹理复杂及边界模糊等特点提出了一种基于多特征的sAR图像的无监督分割方法。首先提取了SAR图像的局部矩特征与灰度共生矩阵的统计量(对比度、相关度、嫡、同质性)特征;然后利用主元分析(PCA)的方法对这些有用的特征进行降维处理以得到含有足够类别信息的2维特征;最后使用Mcan Shift方法对具有2维特征信息的像素进行自动聚类。由于Mcan Shift聚类过程中无需提供类别数,因此,这种处理是一个无监督的自动分割过程。采用了多幅SAR图像和13rodatz纹理合成图像做分割实验,结果证明:本方法与单一利用灰度共生矩阵或矩特征的方法相比,分割的准确性明显提高。     

基于多尺度图像块的SAR图像无监督分割

提出了一种基于多尺度图像块的SAR图像无监督分割方法。在利用高斯混合模型进行图像分割时,大多采用的是基于单个像素的分割方法,这种方法由于未考虑像素周围邻域结点的信息,分割精度往往不高。论文考虑到SAR图像具有很强的斑点噪声,为了更好地抑制斑点噪声对分割结果的影响,在多分辨分析的基础上提出了一种基于多尺度图像块的图像分割新方法。实验表明,这种基于多尺度图像块的分割较在单个像素下多尺度Markov模型的MPM分割好,分割精度有了较大的提高。     

基于水平集的SAR图像建筑物区域检测

根据合成孔径雷达(SAR)图像建筑物成像的特点,采用基于水平集的分割方法对SAR图像建筑物区域进行检测。结合基于指数小波提取的SAR图像梯度边缘信息,以及基于变差函数提取的SAR纹理特征,建立能量函数模型,进行曲线演化分割从而提取目标。实验结果表明,与基于灰度信息的模型相比,该模型可以准确、快速地检测出大场景SAR图像中的建筑物区域。     

基于多特征的SAR图像多尺度无监督分割

提出一种基于多特征的SAR图像多尺度无监督分割方法.该方法采用隐Markov树(hidden Markov tree,HMT)模型对SAR图像的灰度数据与标准差数据分别建模并分割,由两个分割结果提取SAR图像的结构性信息,并根据结构性信息,对灰度分割的后验概率进行平滑,最终的分割结果表明,该方法在很少损失结构性信息的基础上,能得到更光滑的分割结果.     

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。     

基于中值-游程共生矩阵的纹理特征提取

提出了一种基于中值-游程共生矩阵模型的纹理特征提取方法.该方法利用了图像的灰度信息和等灰度游程长度信息,通过计算图像的中值矩阵和游程矩阵,从而计算出中值-游程共生矩阵,来提取图像的特征.仿真结果表明,该方法能有效地分割出纹理图像上区域特性不同的纹理,且分割效果优于等灰度游程矩阵和灰度共生矩阵.     

基于广义多分辨似然比的SAR图像无监督分割

首先在多分辨四叉树上定义了一个广义的多分辨似然比,刻画并且累积了SAR(synthetic aperture radar)图像中目标与背景在不同分辨率上的差异,从而增大了目标与背景之间的区分度。为了达到图像无监督分割目的,利用经典的混和模型方法分别估计出每个分辨率上对应的多分辨似然比中一组密度函数的参数。为了考虑被分类像素与周围像素之间的Markov性,减弱对噪声的敏感性,利用开窗内像素的广义多分辨似然值的和的大小来确定中心像素点的类别。实验中与通常的分割技术作了比较,也表明该方法不论从分割的精度,对噪声的敏感度,还是从边缘的光滑度都表明该方法都具有明显的效果。     

基于小波域广义高斯分布的SAR图像分割算法

针对利用灰度共生矩阵作为纹理特征的传统方法不能够有效表征图像的边缘高频信息的问题,结合小波的多分辨率分析,提出了一种基于小波变换域统计特性的合成孔径雷达（SAR）图像分割算法。图像经过小波变换后,其统计特性服从广义高斯分布（GGD）,利用最大似然（ML）估计,推导出GGD的两个参数[α]、[β],提出了利用Newton-Raphson法对[β]进行快速迭代求解。并将[α]、[β]作为SAR图像的纹理特征,利用K-Means对其进行分割。通过对典型的SAR图像结果分析,表明了该算法的有效性。     

基于多尺度随机模型的SAR图像无监督分割

合成孔径雷达（synthetic aperture radar,SAR）是一种基于相干原理的成像系统,在SAR图像中存在严重影响图像质量的斑点噪声,使得SAR图像的可靠分割非常困难。〖BP）〗根据SAR图像的成像机理,利用两种多尺度随机模型,即多尺度自回归（Multiscale Autoregressive,MAR）模型和多尺度自回归滑动平均（Multiscale Aautoregressive Moving Average, MARMA）模型,分别来描述同一场景不同分辨率SAR图像像素间的统计相关性,并构造了相应的多分辨混合算法实现SAR图像的无监督分割。试验结果表明,提出的两种无监督分割方法是可行的,且MARMA模型比MAR模型能够更精确地捕捉SAR图像多尺度序列中不同类型地形的统计信息,使分割质量具有明显的改进。     

基于特征的遥感影像数据融合方法

基于小波的多分辨率分析理论提出了一种新的遥感影像数据融合方法。它利用区域方差最大和一致性准 则对不同尺度下的子带数据进行融合，采用加权运算对相应基带数据进行复合E文中给出了黑白航空影像与TM 影像、SAR影像的融合结果E通过与基于像素平均的融合方法比较，证明了本方法具有良好的鲁棒性和自适应能 力E     

基于Contourlet变换的多波段SAR图像伪彩色融合

针对多波段SAR图像融合问题, 提出了一种基于contourlet变换的伪彩色图像融合方法. 该方法首先利用contourlet变换多尺度, 多方向以及各向异性的良好特性对不同波段SAR图像进行多尺度分解, 采用边缘信息量测因子策略融合方向高频子带, 加权平均策略融合低通子带. 然后对灰度融合图像利用混合高频提升滤波方法得到RGB彩色空间的三个颜色通道, 并在RGB空间量化显示,把人眼难以分辨的灰度信息转化为可分辨的色彩, 保持SAR图像的空间分辨率的同时增强了光谱分辨率. 采用Ku和L波段SAR图像进行融合实验, 并用客观评价因子对融合质量进行评价, 结果验证了该方法的有效性.     

基于多纹理特征融合的震后SAR图像倒塌建筑物信息提取

合成孔径雷达（SAR）凭借其全天候观测能力以及SAR图像中丰富的纹理信息,在震后建筑物倒塌评估中发挥了重要作用。针对SAR图像中倒塌建筑物纹理特征多样但利用率较低,且特征信息冗余的问题,提出一种基于主成分分析的SAR图像多纹理特征分类方法。该方法基于灰度直方图、灰度共生矩阵、局部二值模式、Gabor滤波器提取了26种纹理特征信息,构建主成分变量进行多维特征优选与降维融合,通过随机森林分类算法提取建筑物的倒塌信息。以2016年日本熊本地震为例验证了该方法的有效性,结果显示其提取精度高达79.85%,倒塌建筑物的识别效率有所提高,分类结果优于单种纹理特征提取方法及多种纹理特征组合提取法,可用于震后建筑物震害信息的快速提取。     

基于Contourlet变换和均值漂移的SAR图像分割

基于斑噪特性和纹理特征,提出了一种完全无监督的SAR图像分割算法。针对SAR图像的Contourlet变换,提出了子带选取的能量标准,对选定的子带计算能量特征和共生特征;依据特征向量的相似度剔除相近特征向量,用均值漂移算法获取纹理区域数和相应的中心特征,用像素的特征向量与相应中心特征向量的距离确定它们的分类。该文提出的方法不需要先验知识和训练样本。实验表明,基于Contourlet变换的均值漂移分割算法对混合Brodatz图像和SAR图像的分割取得了满意结果。     

Study on segmentation and interpretation of multi-look polarimetric SAR images

The segmentation and interpretation of multi-look polarimetric synthetic aperture radar (SAR) images is studied. We first introduce a multi-look polarimetric whitening filter (MPWF) to reduce the speckle in multi-look polarimetric SAR images. Then, by utilizing the wavelet multiresolution approach to extract the texture information in different scales and the Markov random field (MRF) model to characterize the spatial constraints between pixels in each scale level, a multiresolution segmentation algorithm (MSA) to segment the speckle-reduced SAR images is presented. The MSA first segments the image at the lowest resolution level and then proceeds to progressively higher resolutions until individual pixels are well classified. An unsupervised step to estimate both the optimal number of texture classes and their model parameters is also included in the MSA so that the segmentation can be implemented without supervision. Finally, in order to interpret the results of the unsupervised segmentation and to understand the whole polarimetric SAR image, we develop an image interpretation approach which jointly utilizes the scattering mechanism identification and target decomposition approaches. Experimental results with the real-world multi-look polarimetric SAR image demonstrate the effectiveness of the segmentation and interpretation approaches.