基于CS的SAR图像自动目标分割算法

图像目标分割是SAR图像目标超分辨处理和自动目标识别的重要步骤。针对图像固有的稀疏结构,提出了一种SAR图像自动目标分割算法。通过构造变换字典将SAR图像数据投影到高维空间,实现了图像局部特征的稀疏表示,然后利用随机矩阵获得稀疏域局部特征的压缩采样,并对多组采样数据运用Mean-shift 算法并行处理,最后通过符号检验法,实现了对目标像素与背景像素的分类。试验表明,该算法对硬目标具有较好的目标分割性能。     

高分辨率SAR图像分割及目标特征提取

提出了一种非监督SAR图像快速分割算法,对分割得到的目标区域进行特征提取.分割方法利用固体热扩散模型与图像尺度空间的等价性,在SAR图像初始分割的基础上,引入最大后验概率矩阵的各向异性多尺度平滑,在保持图像结构信息的同时滤除斑点噪声对于分割的影响.然后提取目标区域6个特征以详细描述目标,实验结果表明：该方法计算速度快,能够从获得的目标区域得到大量有用的信息.     

基于纹理特征多分辨双Markov-GAR模型的SAR图像分割

为了提高SAR图像分割精度,提出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,同时考虑SAR图像像素间空间分布特征和局部灰度均值和方差等统计量给出多分辨双Markov框架下的GAR模型,采用多分辨MPM的参数估计方法及对应的无监督分割算法,对SAR图像进行纹理分割。实验结果表明该方法用于一些高分辨SAR图像,与基于灰度图像上的多分辨双Markov-GAR模型纹理分割相比,在分割精度上能降低分割时的错分率。     

一种基于多模分布的SAR图像分割算法

SAR图像目标、背景、阴影的不同散射机理使得这三部分具有不同的统计特性.分析SAR图像三部分统计性质分别建立统计模型,并给出了一种基于这三种模型组合的多模分布的SAR图像分割算法,对于目标分割和阴影分割分别采用不同的预处理方法,分别提出了快速Otsu分割算法分割目标和基于背景均值保留的冲击滤波算法分割阴影.分割结果表明,这种基于多模分布的SAR图像分割算法与传统的基于单模分割算法相比,能最佳地利用各部分统计特性的差异,得到准确的分割结果.     

基于SVM的SAR图像中水上桥梁目标的检测

针对SAR图像中桥梁目标的特性,提出了一种基于统计特性和先验知识相结合的桥梁目标检测方法。通过对SAR图像中桥梁和背景的分析,首先对河流区域进行特征提取,再利用支持向量机方法对数据进行训练建模,通过训练后的模型对SAR图像中的河流进行分割,最后在分类后的二值图中按方向累加能量最小准则进行桥梁目标检测。基于真实SAR图像的实验结果显示,此方法不需要对SAR图像进行复杂的预处理,有强的抗斑点噪声性,能快速检测SAR图像中的桥梁目标。     

结合形态学理论与Hough变换的SAR图像线目标检测方法

针对典型线状军事目标,提出一种SAR图像的目标检测方法。该方法首先将分块阈值分割的思想应用于未经斑点噪声抑制的原始SAR图像,得到ROI(Region of Interest)图像;然后,利用区域的几何特征有效地剔除大量虚警,并采用形态学梯度算子提取目标的边缘信息,与传统的Canny边缘检测相比,边缘轮廓更加连贯;最后,利用Hough变换对梯度图像进行直线检测,得到机场跑道的边缘。该方法对原始SAR图像采用传统的图像处理技术进行目标检测,因此,比基于SAR图像统计特性的目标检测方法简单易行。对真实SAR图像的实验结果验证了该方法的有效性。     

基于局部特征核主成分分析的SAR图像识别方法

利用传统的核主成分分析方法识别SAR图像时,存在目标姿态角依赖性强、图像象素之间关联性差等问题。针对这些问题,提出一种基于局部特征核主成分分析的SAR图像识别方法。该方法首先对图像进行相关预处理,然后结合SAR图像的特点提出一种基于局部特征核主成分分析的特征提取方法,最后设计了一种双分类器对提取的特征进行分类。MSTAR仿真实验表明：该方法不仅可以增强图像象素之间的相关性,而且对目标姿态角不存在依赖性,仿真结果验证了方法的有效性和可行性。
     

基于分水岭变换的单幅高分辨率SAR图像建筑物检测方法

提出了一种从单幅高分辨率SAR图像中检测建筑物的算法框架。该框架主要以应用 标记的分水岭变换为基础,针对SAR图像中建筑物所具有的强回波特性与典型的形状特征, 主要采用CFAR检测和文中提出的方向相关分析方法得到标记图像,利用最小强制技术和标记 图像修改原始图像的梯度图,对修改后的梯度图作分水岭变换得到建筑物目标的边界轮廓。 该方法能够引入建筑物目标的特性同时克服分水岭变换固有的过分割缺陷。文中对不同场景 的高分辨率SAR图像进行了实验,实验结果表明,即使在建筑物分布密集的情况下,本文算 法也能正确完整地检测出绝大多数目标,检测率高而虚警率低。     

SAR图像目标峰值特征提取与方位角估计方法研究

目标峰值特征是SAR图像目标识别的重要特征之一。峰值特征提取是SAR图像目标识别的一个重要步骤，为了由SAR图像快速、精确地提取目标峰值特征．本文首先研究了SAR图像目标峰值特征提取方法，提出了一种“子像素”级精度的SAR图像目标峰值特征提取方法．并通过仿真实验分析了峰值位置、峰值幅度的估计精度。由于目标SAR图像或SAR图像特征矢量对目标方位角变化的敏感性，因此，为了提高SAR图像目标识别系统的分类效率，本文还研究了SAR图像目标方位角估计方法，提出了一种利用峰值特征基于线性回归的sAR目标方位角估计方法，和现有方法相比，该方法除了计算速度快，估计精度较高之外，还能在估计方位角的同时，给出该估计的置信区间，从而更好的满足SAR ATR的实际需要。文中通过对大量实测MSTAR SAR图像目标方位角的估计实验，验证了本文目标峰值特征提取及方位角估计方法的有效性。     

基于集成活动轮廓模型的SAR图像分割方法

图像分割是合成孔径雷达(Synthetic Aperture Radar, SAR)图像自动解译技术中的一个重要问题。基于活动轮廓的思想,给出了一种适应于SAR图像分割的集成活动轮廓模型。该模型综合利用SAR图像的边缘和区域特性,通过检测算子提取SAR图像的边缘信息,利用似然函数的最大化提取图像中不同统计信息的区域;通过边缘和区域的共同曲线运动实现对SAR图像的分割。利用加性算子分裂算法,给出了该模型的快速实现方法。通过MSTAR和实测星载SAR数据进行试验验证,并与其他算法比较,结果表明：所提方法适应性强,可适应复杂背景的SAR图像分割,并且分割定位准确、收敛速度较快;所提实现算法稳健,能适应不同参数设置,且对初始条件不敏感。〖JP〗     

星载合成孔径雷达图像的飞机目标检测

针对大场景下星载合成孔径雷达(SAR)图像中飞机目标检测问题,提出一种端到端的飞机目标检测算法。先在大场景SAR图像中对机场目标进行粗检测,定位机场区域,再通过精确分割算法获得机场的精细区域。对机场区域中的飞机目标进行检测,采用一种基于Canny算子的边缘检测与卷积神经网络结合的飞机目标检测算法。通过飞机边缘检测、边界框预处理等操作确定潜在飞机目标在机场中的位置范围,采用基于GoogLeNet的卷积神经网络对可疑目标进行鉴别。利用星载合成孔径雷达数据对算法进行验证,证明该方法的有效性与实用性。     

基于改进扩展分形特征的SAR图像目标检测方法

提出了一种新的纹理特征-改进扩展分形特征用于SAR图像目标检测.改进扩展分形特征通过度量SAR图像中物体表面四个方向的结构函数在双尺度上的增量水平,确定目标与杂波在特征空间的不同响应特性,实现目标的检测.采用模拟目标脉冲模型分析了改进扩展分形特征在不同信噪比条件下对不同尺寸目标的响应特性,分析结果表明改进扩展分形特征具有目标尺寸敏感性.利用SAR实测数据验证了改进扩展分形特征在强杂波和多目标环境下的优良检测性能与空间分辨率特性.     

基于幅度与梯度综合信息的SAR图像非线性扩散去噪方法

探讨SAR图像相干斑抑制的非线性扩散方程方法.以抑制SAR图像噪声,提高图像质量.通过分析SAR图像的幅度分布特性,建立基于SAR图像幅度信息的非线性扩散方程,使方程在幅值较小的背景区域具有较大的光滑作用以抑制噪声,而在幅值较大的目标区域光滑作用较小以保护目标特征.同时为避免噪声对图像中幅度分布的影响,在每一步迭代之前,采用基于梯度信息的非线性扩散方程对图像进行预处理,得到了一种基于图像幅度和梯度综合信息的非线性扩散去噪方法.计算结果表明,本文方法在整体上均具有较好的去噪效果,去噪后的图像较传统方法具有更高的等效视数和边缘保持指数,既能充分抑制背景区域的噪声,又能保护目标点,还很少出现虚假目标.     

基于过渡区的序列图像运动目标分割方法

序列图像运动目标检测技术是目标搜索与跟踪系统的一项核心技术.提出了一种基于过渡区的序列图像运动目标分割方法,该方法通过提取序列图像过渡区来进行目标分割,并与传统的阈值分割算法进行效果比较.实验结果表明,该方法能取得更好的序列图像运动目标分割效果.