基于遗传算法的SAR图像多尺度分割

基于最大期望（EM）算法与遗传算法（GA）,提出一种有效的多尺度SAR图像无监督分割方法。该方法首先利用混合多尺度自回归（MMAR）模型描述SAR图像中由于雷达斑点所引起的不同尺度和同一尺度内像素之间的统计相依性; 然后将GA与EM结合给出MMAR模型的参数估计算法。这种算法利用最小描述长度（MDL）准则,能够选择模型的分量数;最后利用Bayes分类器实现图像的分割。该方法集遗传算法和EM算法的优点,对初始值有较少的敏感性,避免局部最优解,提高了分割精度。实验结果表明GA EM方法优于EM算法。     

面向SAR目标识别的深度卷积神经网络结构设计

目的 针对用于SAR （synthetic aperture radar） 目标识别的深度卷积神经网络模型结构的优化设计难题,在分析卷积核宽度对分类性能影响基础上,设计了一种适用于SAR目标识别的深度卷积神经网络结构。方法 首先基于二维随机卷积特征和具有单个隐层的神经网络模型-超限学习机分析了卷积核宽度对SAR图像目标分类性能的影响;然后,基于上述分析结果,在实现空间特征提取的卷积层中采用多个具有不同宽度的卷积核提取目标的多尺度局部特征,设计了一种适用于SAR图像目标识别的深度模型结构;最后,在对MSTAR （moving and stationary target acquisition and recognition） 数据集中的训练样本进行样本扩充基础上,设定了深度模型训练的超参数,进行了深度模型参数训练与分类性能验证。结果 实验结果表明,对于具有较强相干斑噪声的SAR图像而言,采用宽度更大的卷积核能够提取目标的局部特征,提出的模型因能从输入图像提取目标的多尺度局部特征,对于10类目标的分类结果（包含非变形目标和变形目标两种情况）接近或优于已知文献的最优分类结果,目标总体分类精度分别达到了98.39%和97.69%,验证了提出模型结构的有效性。结论 对于SAR图像目标识别,由于与可见光图像具有不同的成像机理,应采用更大的卷积核来提取目标的空间特征用于分类,通过对深度模型进行优化设计能够提高SAR图像目标识别的精度。     

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。     

基于谱聚类与混合模型的SAR图像多尺度分割

针对谱聚类方法应用于合成孔径雷达（SAR）图像分割时Laplace矩阵的特征值和特征向量难以计算的问题,结合SAR图像在多个尺度的统计信息,给出了一个包含顶点凝聚、初始分割和分割细化3个步骤的SAR图像多尺度分割方法。首先,用一个顶点数不断减少的凝聚图序列来逼近从SAR图像得到的图;然后应用谱聚类方法对最粗尺度的凝聚图进行分割得到初始分割结果;最后根据SAR图像的统计性质,利用基于混合模型估计的分类后验概率将初始分割结果逐尺度进行细化得到SAR图像的最终分割。实验结果表明了方法的有效性。     

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.     

利用提升树模型综合Gabor和LPQ特征进行遥感地物识别

为充分融合高光谱遥感图像空间域和频率域的特征信息,提出了一种综合多尺度Gabor和LPQ特征的空谱融合遥感地物识别模型（Ms＿GLPQ）。首先,在空间域上利用Gabor滤波器组,提取出遥感图像各类地物多尺度、多方向的空间邻域特征信息,以描述图像的边缘和纹理等空间结构信息;其次,在频率域上将局部相位量化（Local Phase Quantization,LPQ）算子应用于高光谱遥感图像,提取出高光谱图像的多尺度频域纹理特征,获得图像的相位不变特征描述;然后针对其中特征冗余的问题采用主成分分析（PCA）算法进行降维,再将空间域、频率域的特征进行特征融合,获得了能充分描述图像信息的特征向量;最后采用基于提升树的机器学习分类器（XGBoost、CatBoost等）进行识别。在Indian Pines、Salinas和茶树等高光谱遥感数据集上进行学习与分类测试,准确率分别为85.88%、94.42%和92.61%。实验结果表明：与传统方法相比,Ms＿GLPQ模型能够提取小比例样本图像中的有效特征,取得了区分性更强的多特征区域描述子,且在采用提升树模型进行分类时效果更优,得到了比常用分类器更高的识...     

基于MAR模型的SAR图像的聚类分割

合成孔径雷达（SAR）图像中的斑点噪声是SAR图像处理困难的主要原因,如何抑制斑点噪声及图像处理一直是SAR图像研究的热点。根据SAR图像的成像机理,采用能够描述不同尺度（分辨率）下固有特性的多尺度自回归（MAR）模型,提出一种有效的多尺度抑制斑点噪声和分割方法。首先对SAR图像多分辨率序列建立MAR模型,然后依据模型对SAR图像抑制斑点噪声,重构,最后用Ward聚类分割方法对SAR图像进行分割、比较。     

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NSCT和支持向量机的SAR图像识别

针对传统的合成孔径雷达图像（SAR）识别算法识别精度低,用时长等问题,提出一种基于非下采样轮廓波变换（NSCT）和支持向量机（SVM）的SAR图像识别算法。首先通过非下采样轮廓波变换将目标图像分解成不同的尺度,然后得到目标图像的低频分量和高频分量;接着在高频分量中提取方向梯度直方图特征（HOG）,在低频分量中利用局部二值化算法（Local Binary Pattern,LBP）提取纹理特征;然后将提取的梯度方向直方图特征和局部二值化特征空间连结,并使用支持向量机（SVM）作为分类器;最后对算法进行了测试。实验结果表明,该方法不仅能够有效地提高了SAR图像目标分类的精度,在MSTAR数据库上的准确率达到90.7%,而且对相干斑的影响具有较高的鲁棒性。     

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。     

多区域SAR图像分割的改进水平集方法

由于合成孔径雷达（SAR）图像易受相干斑噪声的影响,光学图像的分割方法并不适用于SAR图像,更不能获得精确的分割结果对比,因此,首先基于GA^0统计模型定义能量映射函数以代替像素值进行后续处理,减小相干斑的影响;其次,使用水平集算法对处理后的图像进行分割处理,选用了一种形式更为简单的水平集函数,并可以较容易地推广到多区域SAR图像分割情况。实验结果表明,该方法可以减少相干斑噪声对SAR图像分割过程的不良影响,具有较好的准确性。     

SAR image multiclass segmentation using a multiscale and multidirection triplet Markov fields model in nonsubsampled contourlet transform domain

Triplet Markov fields (TMFs) model recently proposed is to deal with nonstationary image segmentation and has achieved promising results. In this paper, we propose a multiscale and multidirection TMF model for nonstationary synthetic aperture radar (SAR) image multiclass segmentation in nonsubsampled contourlet transform (NSCT) domain, named as NSCT-TMF model. NSCT-TMF model is capable of capturing the contextual information of image content in the spatial and scale spaces effectively by the construction of multiscale energy functions. And the derived multiscale and multidirection likelihoods of NSCT-TMF model can capture the dependencies of NSCT coefficients across scale and directions. In this way, the proposed model is able to achieve multiscale information fusion in terms of image configuration and features in underlying labeling process. Experimental results demonstrate that due to the effective propagation of the contextual information, NSCT-TMF model turns out to be more robust against speckle noise and improves the performance of nonstationary SAR image segmentation.     

基于广义多分辨似然比和混合多尺度自回归预报模型的图像无监督分割

提出广义多分辨似然比（generalized multiresolution likelihood ratio,简称GMLR）的概念,给出其Bayes准则下的假设检验和判别准则。GMLR不仅能融合信号的多个特征量,增大不同信号间区分度,而且在融合时无需假定各特征量之间的相互关系,这使得它能进行比较精确而方便的判别分析。在SAR（synthetic aperture radar）图像分割应用背景中,利用混合多尺度自回归预报（mixture multiscale autoregressive prediction简称MMARP）模型估计预报图像的GMLR的原假设和备择假设参数,然后将判别准则应用到预报图像,从而对原SAR图像进行分割。实验与几种流行的SAR图像分割方法进行了比较,结果表明了该理论方法的显著性：不论从分割的精度,对噪声的敏感度,还是从边缘的光滑度考虑,都优于上述通常的分割方法。     

盲信号分离和序贯滤波的SAR影像水体提取

采用一种新的基于盲信号分离（BSS）和序列非线性滤波方法实现多极化合成孔径雷达（SAR）影像相干斑噪声抑制和水体目标快速提取。SAR影像具有强烈乘性相干斑噪声,影像数据为非高斯分布,但其具体分布形式及参数难以获得。利用基于独立分量分析的盲信号分离方法,不需要知道SAR影像的具体分布,通过对数量化将相干斑噪声转化为与图像数据相互独立的加性噪声,从多极化SAR影像中自动分离出图像数据与相干斑噪声,并自动选择相干斑指数最小的分量为图像分量。针对SAR影像水体目标的亮度及形状分布特征,进一步采用序列非线性滤波处理,从分离出的图像分量中提取出水体目标。利用ENVISAT ASAR多极化影像进行了实验,结果表明该方法可以快速准确地提取多极化SAR影像中的水体目标。     

一种基于纹理特征融合的SAR图像分割方法

在由若干灰度共生矩阵纹理统计量进行特征融合后所生成的图像上,定义多分辨双Markov-GAR模型,采用多分辨MPM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。该方法既利用了像素的灰度信息,也利用了像素的空间位置信息,削弱了斑点噪声对分割的影响。实验表明对于一些高分辨SAR图像,该方法与单纯基于灰度图像上的多分辨双Markov-GAR模型纹理分割相比,分割精度得以提高。     

基于马尔可夫随机场的SAR图象目标分割

运动、静止目标获取与识别（MSTAR）计划表明，将合成孔径雷达（SAP）图象分割成目标、阴影和背景杂波区域对于从开放环境中进行目标识别是一种有效的手段。但是由于SAP图象所固有的斑点噪声的影响，传统的分割方法很难获得准确的分割。为此提出了一种基于MRF(Markov random field)模型的SAP图象分割算法。用MRF模型描述待分割图象的先验知识，利用最大似然（ML）估计从训练数据中获得图象各区域的先验概率分布，采用Bayes方法，在观测数据基础上，根据分割图象的后验分布所对应的MRF模型的条件概率，利用Metroplis采样器获得最大后验概率（MAP）准则下的图象分割。通过对MSTAR的样本目标图象应用该算法，结果表明它可以获得稳健和准确的分割效果。     

基于ICA和SNF的SAR机场目标提取

针对合成孔径雷达(SAR)影像相干斑噪声强烈且分布形式及参数获取困难的问题,提出一种基于独立分量分析(ICA)和序列非线性滤波(SNF)实现多极化SAR影像相干斑噪声抑制和机场目标快速提取方法。利用ICA从多极化SAR影像中自动分离出图像数据与相干斑噪声,自动选择相干斑指数最小的分量为图像分量。通过SNF从分离出的图像分量中提取出机场目标。采用ENVISAT ASAR多极化影像进行实验,结果表明该方法能快速准确地提取多极化SAR影像中的机场目标。