一种基于组件树的SAR图像分割算法

合成孔径雷达(SAR)图像中存在严重的相干斑干扰,使得SAR的图像解译过程较为困难。为此,提出一种基于组件树的SAR图像分割算法。对SAR图像建立组件树,给出基于全局特征的自适应非局部判定准则,使用该准则对组件树中的相似组件进行合并,保留组件树中最重要的组件,以完成图像滤波,获取分割后的目标。实验结果表明,该算法能获得准确的分割结果,保持目标的细节信息。     

极化SAR图像滤波方法对比分析

随着遥感技术的快速发展,极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,PolSAR）已成为遥感领域重要的全天时、全天候对地观测方式。但是,基于相干成像原理的PolSAR图像会受到相干斑的影响,导致精确度下降。为了提升图像质量,减少相干斑滤波影响,文章对比分析了常用的典型极化SAR图像去噪方法,介绍了各类方法的特点,以期为雷达遥感图像的应用提供参考。     

一种新的SAR目标及其阴影图像分割方法

针对相干斑对SAR图像分割质量的影响,给出一种新的SAR目标及其阴影图像分割方法。首先应用空域Wiener滤波器抑制棚干斑,然后根据滤波后图像统计特性确定分割阈值,对阈值分割结果进行形念学处理得到分割图像。利用MSTAR数据所作实验结果表明,采用有效的相干斑抑制方法可以更好地保持滤波图像中的目标,分割结果更为精细,并且算法速度快,有助提高ATR系统。     

基于边缘保持的SAR图像预处理方法

SAR图像空间自适应Gamma MAP滤波去噪后,常残留一些类似脉冲噪声的像素点;为了滤除这些噪声,提高图像质量,采用基于阈值的极值中值滤波;在对SAR图像进行预处理时,将基于阈值的极值中值滤波算法级联到Gamma MAP算法滤波后的SAR图像;测试图像和数据显示,该方法提高了SAR图像质量,保留了SAR图像边缘细节,能很好地检测奇异性目标,易于硬件并行架构实现。     

SAR图像的最优分割方法

根据SAR图像的概率密度函数获得图像的拟然函数,然后将似然函数和边界约束方程结合起来,提出适合于SAR图像分割的代价函数,其中边界约束方程引入邻域结构信息来保证区域边界的规则性,通过使代价函数最小来获得图像的最优分割。算法首先将原图分割成一定大小的块状区域作为初始分割,每一区域代表一个类别;然后随机调整相邻两个区域之间的像素,通过比较代价函数的变化,利用模拟退火算法确定接受该调整的概率。模拟退火是一种求解全局最优的算法,当温度趋向于0时,它可以获得使代价函数最小的SAR图像的分割。最后,利用基于相似性的融合方法对分割进行后期处理,将相似的较小的区域融合成较大的区域,使得分割更合理。我们将该算法应用到一些SAR测试图像上,获得了比较满意的结果。     

SAR图像去斑方法

合成孔径雷达图像固有的相干斑噪声严重降低了图像的可解译程度，影响了后续目标检测、分类和识别等应用。因此，SAR图像的相干斑抑制问题一直是SAR图像应用的重要课题之一。一个理想的去斑算法应该在平滑的同时保持图像的边缘等细节不受损失，目前存在各种各样的算法，但没有一种方法能够完美的满足这一要求。本文对SAR图像的相干斑抑制问题进行了全面系统的研究，分析了相干斑的形成原因，总结了目前存在的相干斑抑制算法的主要思路，介绍了具有代表性的算法，并对各种算法的性能进行了定性分析和比较，给出了去斑算法定量评估方法，展望了SAR图像相干斑抑制的发展方向。     

于灰色模糊熵的SAR图像快速分割方法*

针对SAR图像特殊的噪声特性,提出一种基于灰色模糊熵的快速图像分割方法。该方法不仅考虑了图像像素的灰度信息,还考虑了像素与其邻域像素的空间相关信息。为弥补传统模糊方法对噪声敏感的缺陷,引入灰色关联分析理论,设计图像当前像素灰度值与其八邻域像素灰度值组成的比较序列,通过计算其与目标点参考序列的灰色关联度修正传统隶属函数,以更精确地描述该灰度值属于目标或背景的模糊隶属度,并进一步给出了灰色模糊熵模型作为选取最佳阈值的准则。此外,为尽快确定最佳隶属度阈值,采用了具有群体智能的粒子群优化算法。实验表明该方法可以在     

基于数学形态学的SAR图像分割方法

图像分割是遥感图像处理中很重要的一步。因SAP图像通常带有较强的嗓声，用传统的边缘检测方法效果不理想。作者利用数学形态学开闭运算和混合滤波，可据目标的形状选用算法中的探针，取得了较好的滤波去噪和目标分割的效果。     

一种改进的SAR图像LEE滤波算法

针对SAR图像相干斑滤波中存在的降低相干斑与有效保持细节信息这一矛盾,研究了常用空域滤波算法,在此基础上,将中值滤波与增强LEE滤波相结合,改进了LEE滤波算法,该方法能够在滤除相干斑的同时很好地保持图像的边缘及细节纹理信息。     

基于纹理分类的极化SAR图像滤波方法

关于雷达图像优化,提高分辨率的问题,场景较为复杂的图像,固有噪声图像效果不够理想,对具有不同统计特性的像素点缺乏精确的区分。由于传统参数估计方法降噪效果不足,为解决上述问题,提出了一种基于纹理特征分类的参数估计方法。首先计算极化总功率图像的灰度共生矩阵,并提取纹理特征矢量,用K均值聚类的方法进行分类。然后根据分类结果,在滑动邻域窗内选取与中心像素同类别的像素用于参数估计。实验结果表明,改进的纹理分类的滤波方法具有更好的降噪效果,对于复杂场景的极化SAR图像表现了较大的优越性。     

基于边缘保持的区域能量最小化SAR海冰图像分割

提出了一种基于边缘保持的区域能量最小化的SAR海冰图像分割算法。首先对图像进行SRAD滤波,然后进行分水岭初始分割和区域能量最小化分割,从而得到最终分割结果。将该算法用于SAR海冰图像的分割中,实验结果表明,该分割方法有效、准确性好。     

基于GLCM特征的改进FCM的SAR图像分割方法

为了克服了较大窗口提取图像边缘处特征值的不足,提出一种基于GLCM特征矩阵的动态滑动窗口算法.针对模糊C均值算法中,聚类中心不容易确定,聚类容易陷入局部最优解的问题,将粒子群优化算法(PSO)引入到聚类算法中,实现全局搜索.应用改进的模糊C均值算法完成了基于SAR纹理特征的图像分割,克服了传统聚类算法仅依赖灰度值进行分割的局限性,也一定程度上克服了斑噪声对SAR图像分割的影响.实验结果表明,该方法应用于SAR图像分割时,取得了很好的分割效果.     

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。     

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     

基于鸡群优化算法的SAR图像快速分割

为提高SAR图像分割的速度和质量,利用鸡群优化算法,提出了一种SAR图像快速分割方法。该方法使用二维灰色Otsu模型作为鸡群优化算法的适应度函数,利用鸡群中公鸡、母鸡和小鸡的角色分工、协同工作快速逼近最佳阈值。实验结果表明,该方法在收敛速度和分割效果两方面均优于基于遗传算法、人工鱼群算法等群体智能优化算法的分割方法。     

基于MRF模型的NSCT域SAR图像分割

针对复杂背景下的合成孔径雷达（SAR）图像的分割问题,提出一种基于非降采样Contourlet变换（NSCT）域马尔可夫（MRF）模型的算法。该算法综合利用了MRF模型在影像分割中的优势和图像的多分辨率描述的信息,采用高斯混合模型建模各个尺度的特征场,Potts模型建模各个尺度的标记场,大尺度的分割结果直接投影到小尺度上,作为分割的初始结果。实验部分与经典的阈值分割算法和马尔可夫分割算法进行比较、分析,结果表明该算法可准确地分割目标,同时保留目标的细节信息。     

SAR image segmentation based on quantum-inspired multiobjective evolutionary clustering algorithm

The segmentation task in the feature space of an image can be formulated as an optimization problem. Recent researches have demonstrated that the clustering techniques, using only one objective may not obtain suitable solution because the single objective function just can provide satisfactory result to one kind of corresponding data set. In this letter, a novel multiobjective clustering approach, named a quantum-inspired multiobjective evolutionary clustering algorithm (QMEC), is proposed to deal with the problem of image segmentation, where two objectives are simultaneously optimized. Based on the concepts and principles of quantum computing, the multi-state quantum bits are used to represent individuals and quantum rotation gate strategy is used to update the probabilistic individuals. The proposed algorithm can take advantage of the multiobjective optimization mechanism and the superposition of quantum states, and therefore it has a good population diversity and search capabilities. Due to a set of nondominated solutions in multiobjective clustering problems, a simple heuristic method is adopted to select a preferred solution from the final Pareto front and the results show that a good image segmentation result is selected. Experiments on one simulated synthetic aperture radar (SAR) image and two real SAR images have shown the superiority of the QMEC over three other known algorithms.