基于多尺度特征融合的SAR图像分割

由于存在相干斑噪声的影响,给SAR图像分割造成很大的困难,提出一种基于多尺度特征融合的SAR图像分割方法。该方法利用快速离散curvelet变换提取图像的纹理特征,利用平稳小波变换提取图像的统计特征,将两种多尺度特征融合成高维的特征向量,采用模糊C均值聚类的方法进行分割。在仿真SAR图像和真实SAR图像的分割实验结果表明,提出的方法优于单独采用小波变换进行SAR图像分割的方法,在消除均质区内碎块的同时,使得边界更为精准和平滑。     

有效的SAR图像多尺度分类算法

为提高分类精度,提出一种基于最大期望(EM)与遗传(GA)算法的多尺度SAR图像无监督分类方法.利用多尺度自回归(MAR)模型描述SAR图像中不同尺度之间的统计相依性,提取多尺度特征.应用混合模型描述多尺度特征,并将GA算法与EM算法相结合给出混合模型的参数估计算法,利用最小描述长度(MDL)准则选择模型的分量教.最后使用Bayes分类器实现了图像的分类与分割.该方法集EM算法和GA算法结合后的优点,对设定初值有较少的敏感性,因而避免了局部最优解.应用于SAP图像的实验表明,在分割精度上GA-EM方法优于MAR模型的算法.     

基于多尺度谱特征的SAR图像分割

该文结合多尺度技术与谱分析方法,提出了基于多尺度谱特征的图像分割方法,并将之用于SAR图像分割。该方法在多尺度框架内,提取每个像素在不同尺度下的局部谱特征(AR模型参数),并组合各尺度的谱特征为一多尺度谱特征向量,作为该像素的分类特征,利用一基于二元假设检验的分类器对该像素分类。与单一尺度的谱特征分割方法相比,多尺度谱特征分割保留了算法简单的优点的同时,在小窗口情况下,仍能给出较平滑的分割结果,从而减小了计算复杂度。     

一种基于矩不变的SAR海洋图像舰船目标检测算法

提出了一种先分离SAR图像场景中的陆地和海洋区域，再利用矩不变自动门限法对分离出的海洋子场景进行舰船目标检测的算法。对数据处理的结果表明，该方法能够有效、快速、准确地检测到SAR海洋图像中的舰船目标。     

基于α稳定分布的SAR图像目标检测算法

在SAR图像目标检测中,分布模型与杂波的拟合精度对基于统计模型的CFAR(constant false alarm rate)检测算法性能有着重要的影响。在极不均匀区域,由于存在着大量的强脉冲干扰,使得常用的分布模型的拟合精度都有所下降。基于广义中心极限定理的α稳定分布能对强脉冲干扰现象准确地建模,对各种性质区域的杂波都有较好的适应性。本文对基于α稳定分布的SAR图像目标CFAR检测算法进行了研究,给出了参数估计、标准模型变换及检测阈值确定等关键步骤的实现方法。对实际数据的处理表明,该算法具有较好的检测性能,能达到较高的检测率和较低的虚警率。     

SAR图像中目标的自动检测与辨别

SAR图像自动目标识别(automatic target recognition,ATR)是当前的一大研究热点。典型的ATR系统分为检测、辨别和识别3个阶段。在检测和辨别过程中对图像进行预筛选,找出感兴趣区域,是进行目标识别前的一个重要步骤。高效的预筛选过程可以大大减少目标识别过程的计算量。目前,目标检测的方法有CFAR方法、多分辨率方法以及基于相位信息的检测方法3类。目标辨别的方法也有多种。本文就目标检测和辨别阶段的主要算法及其效果作了系统的介绍,并对该领域未来的发展方向进行了展望。     

基于多尺度继承性SAR图像分割算法

针对高分辨率SAR图像的分割问题,提出一种基于多尺度继承性的分割算法。该算法综合利用图像的宏观和微观特征,将传统的单尺度信息处理技术纳入尺度不断变化的动态分析框架中,更容易获得图像的本质特征。同时,使用异性扩散方程获得多尺度图像序列,采用一种由粗尺度到细尺度的分割策略,先进行粗尺度分割,然后以此分割结果来引导较细尺度层的分割。分割过程中采用迭代自组织的数据分析算法自适应地确定每一层分割的区域个数,较好地建立尺度之间的分割继承关系。该分割算法可以满足不同图像处理任务的需求,也更加符合人的认知过程和视觉处理系     

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。     

SAR图像自动目标识别系统研究与设计*

研究了SAR图像自动目标识别系统。通过分析国际上先进的SAR自动目标识别系统的组成、算法实现、流程设计和所得到的结果,设计出SAR自动目标识别系统结构和识别流程图。系统结构主要由SAR图像特性库、特征库和模型库组成。识别流程在系统结构的基础上,分为检测、辨识和分类三步。最后给出了SAR图像自动目标识别系统的主要评价原则。     

多尺度与复杂背景条件下的SAR图像船舶检测

针对SAR图像船舶目标检测中存在的多尺度检测问题,提出了一种加权双向特征金字塔网络对提取的特征进行融合.首先,在双向特征金字塔网络的基础上移除单输入节点,并添加横向捷径;然后,利用可学习的权重对输入特征加权融合,以学习不同输入特征的重要性,分配不同尺度特征的信息比重.为了改进CNN检测算法中使用先验知识人为预设锚框的方...     

一种应用峰值特征匹配的SAR图象自动目标识别方法

针对合成孔径雷达（SAR）图象自动目标识别问题，在对SAR图象的特征提取问题进行分析的基础上，提出了一种特征点匹配算法，该算法根据Birkhoff-von Neumann定量，首先将广义置换矩阵约束松驰为广义双随机矩阵约束；然后利用拉格朗日乘子和障碍函数法，把约束加到目标函数中，从而将点集匹配问题转化为非线性最优化问题；最后利用确定性退火和软分配技术求解该问题，将得到的匹配代价用特征点数目的比值进行修正后，用于目标的识别。实验结果表明，该算法非常有效。     

高分辨率SAR图像目标属性散射中心特征提取方法

目标属性散射中心模型是基于物理光学和几何绕射理论解的散射中心模型,该模型中提供了可供目标识别的属性散射中心特征。为了能从高分辨率SAR图像中获得这些特征,讨论了目标属性散射中心模型,研究了从高分辨率SAR图像中提取目标属性散射中心特征参数的方法。该方法是一种基于图像域的参数估计方法,它通过图像分割、模型类别选择、参数初值选择和参数优化4个步骤,得到单个散射中心的7个参数。循环进行上面的步骤,就可以从SAR图像中提取出目标所有的散射中心特征。仿真结果验证了该算法的有效性。     

Dynamic Feature Extraction of Sea Ice in SAR Imagery

The Marginal Ice Zone (MIZ) consists of different ice types,which makes it very dynamic.The dynamic features of sea ice in SAR imagery show as numerous curves in random orientations and scales.According to these curve features,the paper use middle scales coefficients of the curvelet transform which gives an optimal sparse representation of singularities along smooth curves at multi-scale and multi-direction to design a dynamic feature extraction method in SAR imagery.The feature is related to the mean and GLCM energy of curvelet coefficients magnitude and its neighborhood.The MIZ getting from the proposed feature has an obvious improvement of accuracy comparing with the MIZ getting from the SIC data.The results demonstrate that it is an effective way to extract dynamic feature of sea ice.It can be used as the first step of the detection of MIZ,also used as an effective parameter in sea ice analysis model and environment prediction model.     

星载SAR图像中居民地专题信息增强的方法探讨

探讨了通过SAR图像中的纹理信息以增强居民地专题信息的方法。首先,采用共生矩阵的方法,对图像纹理特征进行描述,产生纹理特征波段。然后,对这些特征波段进行相关分析,并采用假彩色合成增强的方法,增强居民地的专题信息。最后得到最佳增强的纹理波段组合方案。结果表明该方法能有效地增强居民地的专题信息,从而为居民地自动提取提供可靠数据。     

基于遗传算法的SAR图像自动道路提取

为了有效地进行SAR图像道路目标自动提取,提出了一种基于遗传算法的SAR图像道路目标自动提取方法。该方法首先通过Frost滤波器去相干斑;然后利用乘性Duda线特征检测算子进行线特征检测,接着利用Radon变换进行线基元提取,再利用遗传算法进行线基元连接;最后利用蛇模型调整道路位置并进行道路鉴别。在星载和机载SAR图像上进行的实验以及性能定量评估结果证明了该方法的有效性。     

Whitt点目标极化定标算法的实验研究

将Whitt等人提出的通用的点目标极化定标算法应用到SIR-C系统获取的L波段多极化数据中,进行定标实验。利用所获取的SIR-C合成孔径雷达图像中存在的点目标,将它们经过SIR-C定标组定标的极化数据作为理论值看待,运用Whitt算法来定标整幅没有定标的图像。最后将实验获取的结果与SIR-C定标组定标结果互相比较,可以看出这个算法具有良好的性能。     

基于遗传算法的SAR图像道路网检测方法

提出了一种基于遗传算法的SAR图像道路网检测算法.该算法以道路在SAR图像中呈黑色直线状结构为基本出发点,首先检测线特征点以获取潜在道路点;接着利用基于每个连通区域上的Radon变换提取线基元;然后从图像上最长的线基元出发,以其为种子基元,在其周围确定一个搜索区域,用遗传算法选择与种子基元共线的线基元进行连接,并更新种子基元,直到完成所有的连接,得到候选道路段.为了使检测道路更准确,利用蛇模型调整道路段的位置,然后用道路的特征进行鉴别.最后检测道路的交叉点,完成整个道路网的检测.机载SAR图像的实验结果及定量分析均证明了该算法的有效性.     

一种多目标环境下的SAR图像自适应CFAR检测方法

多数CFAR检测器在多目标检测环境下需要关于干扰目标的先验信息,当检测环境发生变化时,这些检测器很难维持稳定的检测性能。针对多目标环境下的SAR图像目标检测,提出一种新的自适应CFAR（恒虚警）检测器。该检测器利用局部的杂波功率水平估计以及目标和杂波的方差特征筛选出参考窗中的均匀杂波像素,同时剔除掉干扰目标像素;在筛选过程中,每一步使用的判决门限根据上一步的判决结果自动更新;最后对筛选出的样本点作单元平均处理形成检验统计量;完全不需要干扰目标的任何先验信息。利用实测数据仿真研究了该检测器的检测性能与运行效率,实验结果表明,相对单元平均CFAR检测器及有序统计量CFAR检测器,该检测器提高了检测性能,保留了目标精细的结构特征,而运行效率与有序统计量CFAR检测器相当,很具实用性。