极化SAR图像目标分解方法的研究进展

极化合成孔径雷达(极化SAR)经过近几年的迅速发展,已经成为遥感领域的一大研究热点。极化目标分解作为极化SAR图像分析的一种基本手段,所提取的极化信息是极化SAR图像目标检测和分类的基础,在极化SAR图像解译中起着关键作用。通过对近几年极化目标分解方法的发展作一个全面的阐述,重点介绍该领域出现的新技术,使相关研究人员能够更清晰地了解这一领域的最新进展。     

基于可变参数化几何模型的SAR图像飞机目标特征提取方法

基于飞机目标的轮廓特点和成像特性,提出了一种基于可变参数化几何模型的合成孔径雷达（SAR）图像飞机目标特征提取方法。首先,利用飞机目标的先验知识构造一个描述飞机目标外形轮廓的参数化模型;然后,对于输入的实测飞机目标切片图像,构建目标函数来度量模型与实测图像中目标区域的拟合程度,通过遗传算法求解最优参数;最后,在最优参数模型的基础上计算目标的几何特征。基于仿真和实测数据的实验结果验证了该方法的有效性。     

一种基于中心矩特征的SAR图像目标识别方法

合成孔径雷达自动目标识别是目前国内外模式识别领域的重点研究课题之一.本文给出了一种内存需求小,低计算复杂度且具有较好识别性能的SAR图像目标识别方法,先通过自适应阈值分割来获得目标图像,然后提取其中心矩特征,采用SVM来进行识别.基于美国MSTAR实测数据的识别试验验证了该方法的有效性.     

SAR图像飞机目标检测识别进展

目标检测与识别是高分辨合成孔径雷达(SAR)领域的热点问题。机场上飞机作为一种典型目标，其检测和识别有一定的独特性。该文回顾了SAR图像典型目标检测识别领域技术的发展过程，分析了SAR图像中飞机目标的散射机制及面临的技术难点，阐述了 SAR 飞机目标检测识别的系统流程、技术路线和关键科学问题，对基于传统与基于深度学习两个方面的飞机目标检测识别的研究进展进行了归纳总结，并讨论了各类方法的特点及存在的问题，展望了未来的发展趋势。该文认为如何将深度学习与目标电磁散射机理结合、提高网络或模型的泛化能力是提升SAR图像中目标检测识别精度的关键，并给出了一种基于散射信息与深度学习融合的飞机目标检测方法。      

基于图像显著性特征的舰船目标检测识别方法

针对可见光图像中的舰船目标检测与识别问题,提出了一种基于图像显著性特征(Visual Saliency Features,VSF)的舰船目标检测识别方法.该方法包括3个主要内容:计算图像各通道全局对比度特征值,融合并进行分块压缩后得到显著图;采用Otsu算法自适应分割图像,获取舰船目标待识别区域;使用HOG特征+SVM...     

SAR图像飞机目标智能检测识别技术研究进展与展望

合成孔径雷达(SAR)采用相干成像机制,具有全天时、全天候成像的独特优势。飞机目标作为一种典型高价值目标,其检测与识别已成为SAR图像解译领域的研究热点。近年来,深度学习技术的引入,极大提升了SAR图像飞机目标检测与识别的性能。该文结合团队在SAR图像目标特别是飞机目标的检测与识别理论、算法及应用等方面的长期研究积累,对基于深度学习的SAR图像飞机目标检测与识别进行了全面回顾和综述,深入分析了SAR图像飞机目标特性及检测识别难点,总结了最新的研究进展以及不同方法的特点和应用场景,汇总整理了公开数据集及常用性能评估指标,最后,探讨了该领域研究面临的挑战和发展趋势。     

基于极化交叉熵和Yamaguchi分解的飞机目标检测方法

给出了一种基于极化交叉熵和Yamaguchi分解相结合的飞机目标检测方法。首先计算极化SAR图像中各个像素点与平面、左螺旋体、右螺旋体三种基本散射体的相似性参数,并利用相似性参数构造极化交叉熵;然后采用Yamaguchi分解方法提取偶次散射分量功率;最后结合极化交叉熵与偶次散射分量功率构造检测特征量,并进行阈值判别提取飞机目标。利用美国UAVSAR和美国AIRSAR系统采集的全极化实测数据对算法进行实验,结果表明,该算法能够有效的检测出飞机目标,并且虚警较少。      

基于注意力和自适应特征融合的SAR图像飞机目标检测

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像中飞机目标尺度多样性及背景强散射干扰的问题,提出了一种基于坐标注意力和自适应特征融合的YOLOv4 SAR图像飞机目标检测算法。该方法首先在主干网络引入坐标注意力机制,以增强对于飞机散射点组合结构的聚焦能力以及抗背景干扰能力。其次,在特征增强网络中引入自适应特征融合机制,提高了对不同大小飞机的特征提取能力,同时改善了YOLOv4算法召回率和精确率不平衡的问题。最后,通过改进的K-Means聚类针对飞机目标调整先验框的尺寸,提高了模型的定位精度。实验结果表明,改进算法召回率达到91.01%,精确率达到90.09%,AP_0.5达到92.34%,分别较原YOLOv4算法提高2.49%,6.56%和3.62%。     

基于边缘特征的SAR图像目标检测方法

如何快速而准确地检测出SAR图像中的目标是一个极富挑战性的课题.利用图像边缘特征和模糊集理论设计了一种快速有效的SAR图像目标检测算法.该算法先利用模糊软阈值小波降噪方法去除相干斑噪声,然后用模糊边缘检测器检测出降噪图像的边缘,最后利用形态学操作算子提取出边缘图中的目标区域.与基于亮度特征以及基于纹理特征的检测算法相比,提出的检测算法能够快速、准确地检测出目标,而且产生的虚警数量较少.SAR实测数据的实验结果表明,提出的算法是有效的且具有很好的应用前景.     

基于聚类识别的极化SAR图像分类

该文提出一种基于判别式聚类框架的非监督极化SAR图像分类算法,利用判别式监督分类技术实现非监督聚类。为实现该算法,定义了一个结合softmax回归模型和马尔科夫随机场光滑性约束的能量函数。该模型中,像素类标和分类器均为需要优化的未知变量。该算法从基于${H / {\bar \alpha }}$目标极化分解和K-Wishart极化统计分布而产生的初始化类标开始,交替迭代优化分类器和类标的能量函数,从而实现对分类器和类标的求解。真实极化SAR数据上的实验结果证明了该算法的有效性和先进性。     

图像分割与分类相结合的PolSAR图像机场跑道区域检测

目前全极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)图像的机场跑道检测以基于分类的方法为主,检测效率较低,且需要更多的先验信息。针对此问题,本文提出一种基于图像分割与分类的无监督机场跑道检测方法。首先定义了图像的伪散射功率(Pseudo Scattering Power, Pspan),并结合Pspan和Tsallis熵对图像进行阈值分割,得到机场跑道感兴趣区域;然后利用密度峰值搜索和Wishart距离结合的分类器进行二分类,最后根据机场跑道的纹理和几何特征对分类结果进行进一步辨识,确定真实机场跑道区域。分别利用不同系统采集的多组实测PolSAR数据进行实验,结果表明该方法能够检测出图像中的所有机场,且外部轮廓清晰,结构完整,检测效率提高。      

基于马尔科夫判别谱聚类的极化SAR图像分类方法

该文针对现有的谱聚类方法用于极化SAR图像分类时精度较低的问题,提出一种基于马尔科夫的判别谱聚类方法(MDSC),具有低秩和稀疏分解的特点。该方法首先恢复一个真实的低秩概率转移矩阵,将其作为标准马尔科夫谱聚类方法的输入,以减少噪声对分类结果的影响;然后在目标函数中引入判别信息,使极化SAR图像的数据信息能够得到更加充分地利用;最后采用增广拉格朗日乘子法来解决低秩和概率单纯形约束下的目标函数优化问题。在荷兰小农田、德国、西安和荷兰大农田4个不同数据集上的实验证明,该方法具有较好的准确率,且参数敏感性较低,表现出了良好的分类性能。      

基于多特征提取和粒子群算法的图像分类

现有图像分类大都采用单一特征,不能利用多个特征之间性能互补优势,且将特征选择与分类器构造分割开来,影响图像分类的精度和分类器的泛化能力。针对以上问题提出一种基于混沌二进制粒子群算法(CBPSO)的特征选择和SVM参数同步优化方法,利用图像的综合特征,将特征选择和SVM分类器构造结合同步优化,仿真实验结果表明,该算法能同步找出最优的特征子集和合适的SVM参数,提高了图像分类精度和分类器泛化能力。     

航拍图像区域多特征紧耦合多级分类算法

提出一种基于多特征紧耦合的航拍图像区域多级分类算法.首先将样本图像从RGB空间转换到HSV空间,分别提取颜色矩特征和Gabor纹理特征,并对Gabor纹理特征进行PCA降维;然后将两种特征相乘构成紧耦合矩阵,进一步生成紧耦合特征向量,并对生成的紧耦合特征向量再次进行PCA降维;接着搭建了由5个概率神经网络分类器构成的多级分类器.最后利用Google Earth软件截取不同时间、不同尺度的图像,作为训练样本和测试样本,进行多级分类器的训练和测试.实验结果表明,相比于单特征及多特征松耦合的分类方法,提出的方法分类精度较高.     

一种基于图像多特征的火焰识别算法

火灾探测技术的稳定性高、误判率低是目前研究的热点,重点分析了火灾火焰燃烧过程中色彩形态的变化过程.提出用火焰色彩、面积变化、尖角数、质心位置移动等信息作为火灾识别的依据,采用逐步排除、渐进的识别方式作出火灾判断的算法.实验结果表明,基于图像多特征的火焰识别算法能够有效识别出火灾火焰,并有很强的抗干扰能力.     

基于二维极化特征的PolSAR图像决策分类

决策树模型在极化SAR数据分类中有着极大的应用价值,既能描述分类结果的极化散射机制,又能获得较好的分类精度。但在对散射机制相似的地物进行分类时,由于经典决策树模型的节点采用的是单个特征,分类精度不理想。因此,该文提出了节点采用2维特征的方法,即在特征集相同的前提下,每次取两个特征组成特征矢量用于节点,提高了经典决策树难以区分的地物的分类精度;并且利用分类结果的混淆矩阵准确定位了导致分类误差的节点,进而对节点进行有针对性的反馈调整,进一步提高了指定地物的分类精度。利用AIRSARFlevoland数据验证了该方法的有效性,并结合极化特征描述了Flevoland地区多种植被的极化散射机制。      

基于邻域最小生成树的半监督极化SAR图像分类方法

该文针对极化SAR图像分类中只有少量标记样本的问题,提出了一种基于邻域最小生成树的半监督极化SAR图像分类方法。该方法针对极化SAR图像以像素为分类对象的特点,结合自训练方法的思想,利用极化SAR图像像素点的空间信息,提出了基于邻域最小生成树辅助学习的样本选择策略,增加自训练过程中被选择无标记样本的可靠性,扩充标记样本数量,训练更好的分类器。最终用训练好的分类器对极化SAR图像进行测试。对3组真实的极化SAR图像进行测试,实验结果表明,该方法在只有少量标记样本的情况下能获得满意的分类结果,且分类正确率明显优于传统的分类算法。      

一种基于张量积扩散的非监督极化SAR图像地物分类方法

针对相似度表达的困难性以及极化SAR图像中固有的相干斑噪声问题,该文提出了一种基于张量积(TPG)扩散的非监督极化SAR图像地物分类算法。张量积扩散一般用于光学图像的分割或检索,目前研究表明,其已可用于极化SAR(PolSAR)图像地物分类。基于张量积扩散可以稳健地度量数据点之间的测地线距离,因此能够更好地挖掘数据点之间内在的相似度信息。首先,将极化SAR图像进行分割,生成许多超像素;其次,基于超像素提取7种特征并生成一个特征向量,进而利用高斯核构建相似度矩阵;再次,基于已构建的相似度矩阵,利用张量积扩散沿着数据点的内在流形结构进行相似度的传播,实现全局的相似性度量,从而获得一个具有更强判别能力的相似度矩阵;最后,基于此相似度矩阵进行谱聚类以得到地物分类结果。该文在仿真和实测极化SAR图像上均进行了大量实验,并与4种经典算法进行对比,结果表明该方法可以有效地结合空间邻域相似度信息并取得更高的分类精度。      

基于差异度迭代的极化SAR图像机场跑道检测算法

机场在军事和交通运输领域都有很重要的作用,对它的自动检测具有重大意义。本文提出了一种利用极化SAR(Polarimetric Synthetic Aperture Radar)图像检测机场跑道的方法。首先,利用SLIC(Simple linear Iterative Clustering)算法对极化SAR图像进行超像素分割;然后利用新三分量分解和极化散射熵对图像进行粗分类,再利用改进的K均值聚类结合差异度迭代的方法完成精细分类,最后利用跑道的散射特性和几何结构特征从分类结果中提取完整的机场区域。本文采用极化SAR数据进行实验检测,结果表明该方法能有效的检测出机场跑道,并且保持结构完整,边缘细节清晰,虚警率低。