基于目标分解和SVM的极化SAR图像分类方法

极化SAR图像分类是新体制雷达应用研究中的一类基础前沿问题。文章提出了一种基于目标分解及支持矢量机(Support Vector Machine,SVM)的极化SAR图像分类方法。首先根据Cloude分解和Freeman分解两种方法提取极化SAR图像的多类散射特征,从而构造出图像各像素的特征向量。接着利用样本区域像素的特征向量对SVM进行训练,获得经训练的SVM。最后,以各待分类像素的特征向量为输入,利用经训练的SVM即可完成极化SAR图像的分类。对两幅AIRSAR实测极化SAR图像数据分类的结果表明,文章方法能够有效地利用多类散射特征的互补信息,具有较高的分类精度。     

特征选择的全极化SAR影像面向对象土地覆盖分类

全极化SAR数据信息丰富,仅利用单一的极化特征和基于像元的分类很难得到较好的分类效果。因此,提出了全极化数据特征优选结合面向对象方法进行土地覆盖分类。以云南西双版纳州勐腊县和普洱市思茅区的Terra SAR-X的X波段全极化雷达数据为信息源,首先对全极化SAR数据进行预处理,提取研究区Pauli RGB图像后,利用影像分割技术对Pauli RGB图像进行分割,作为分类的基本单元;然后对SAR影像提取极化分解特征和Span影像的纹理特征,选取最优特征集合;最后利用面向对象模糊分类方法进行土地覆盖分类,并采用实地调查数据对分类结果进行了精度评价。试验结果表明,面向对象方法可以很好地去除噪声的影响,最优组合的特征波段使得分类结果更加精确。西双版纳州勐腊县总体分类精度达到88.5%,普洱市思茅区总体分类精度达到86.8%,较之H/A/α-Wishart分类方法精度提高了40%以上。     

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〗     

基于Contourlet与HIS变换的SAR与多光谱影像融合方法

为了提高SAR影像的解译水平,本文利用Contourlet变换在影像表述上能够弥补小波变换不能有效捕捉二维空间实体的特点,提出了一种基于Contourlet与HIS变换的SAR与多光谱影像融合方法。实验选取了一组TM 多光谱影像与ERS-2 SAR影像进行融合研究,并将融合结果与基于HIS变换、DWT结合HIS变换融合方法的融合结果进行视觉比较与统计分析。结果表明,无论是目视比较还是统计分析,本文方法都很好的将SAR影像的空间细节与多光谱影像的色彩信息集成到了一起,显著地提高了SAR影像的解译水平,相对于基于HIS、DWT+HIS变换的融合方法获得了更好质量的融合影像。     

基于边缘信息的SAR与可见光景像匹配算法

SAR(合成孔径雷达 )与可见光图像由于成像机理的不同 ,直接进行基于图像灰度信息的匹配定位很难达到实际应用的要求。边缘是图像最基本的特征之一 ,文中提出一种基于边缘信息的 SAR与可见光景象匹配算法。该算法针对 SAR与可见光图像的特点 ,利用小波变换结合模糊中值加权滤波 ,取得有效的边缘信息 ,利用图像的边缘特征结合相关峰值特性分析的后处理方法进行匹配 ,并采用多分辨率分级搜索技术减少计算量。实验证明本算法匹配精度高 ,稳定性好     

用于提高SAR对比度度和分辨率的极化技术

在近十年中，合成孔径雷达系统（SAR）已成为遥感技术中的一个重要工具。它的重要性在于解决其它系统设计用于同样目的一些问题的不同方面，比如光学系统。SAR系统的主要特征之一是：它是“全天侯”系统，即，该系统几乎不受气侯条件（云、雨等）的影响。SAR系统能在白天和黑夜中进行成像。这些性能使SAR系统能在全天侯获取信息和图像，而且几乎所有资料或图像都可采用。然而，采用光学系统时，仅有10%的图像不受气候条件的影响。SAR系统在获取回波信号的幅度和相位信息时，是一个相参系统。然而，SAR系统的这种相参性也同时引起了SAR系统的一个主要问题：相干斑点噪声。这种噪声在信号的幅度和相位上都会出现，但具有不同的特征。有很多技术都试图消除数据中的斑点噪声，但这些技术主要应用在幅度信息中。也有一些技术试图从相位中消除斑点噪声。从幅度或相位中消除斑点噪声的技术略有不同：对于幅度而言，数据中斑点噪声的主要特征遵循乘性模型^[1]，那么这类技术必须与之适应。从幅度中消除相干斑点的技术可分为多视和空间滤波技术^[1]。在这一种情况下，把获得的相同空间的不相关数据进行平均处理。在第二种情况下，在同样的图像上求平均数。这些技术虽然能消除相干斑点，但它们也存在损失分辨率的问题。应用在相位上的去相干斑点技术与应用在幅度上的去相干斑点技术相比，结果要差一些。某些技术在极化通道之间进行综合，得出一幅图像，但这样做必须会推动极化信息^[2]。在其它情况中可用极化分集的思想来恢复强度信息^[3]。还有些技术则于对极化通道的实部和虚部进行处理来进行相干斑点抑制^[4]。本文介绍了一种从相位和幅度中消除相干斑点的新方法。这种方法的优点在于用几乎同样的方式来处理相位和幅度中的斑点噪声。     

无人机航空像片与机载SAR图像融合算法研究

由于成像方式及波谱接收段的不同,航空像片与SAR图像所反映的信息有很大差异,图像之间互补性明显.通过将它们进行融合,可以充分利用其互补信息,增强对图像的解译能力,从而获取到信息更全面和准确的侦察图像.在分析航空像片与SAR图像的成像特性差异基础之上,采用几种常用的图像融合算法对其进行融合,并对融合效果进行了定量评价.     

基于改进YOLOv3的SAR舰船图像目标识别技术

合成孔径雷达(SAR)图像自动目标识别(ATR)技术是人工图像解译的关键技术之一。针对传统的SAR舰船目标检测算法大多受限于场景且泛化能力较差的问题,设计了一种基于改进YOLOv3网络的检测模型。将YOLOv3与DenseNet网络融合,使用稠密网络模块代替用于提取中小尺度特征的残差网络模块,通过训练得到模型的最优权重,实现端到端的目标检测。使用综合交并比(GIoU)损失代替交并比(IoU)边界框回归损失,提供更加准确的边界框位置信息,提高检测精度,采用中国科学院空天信息研究院制作的SAR图像船舶检测数据集进行测试。测试结果表明:与原YOLOv3算法相比,改进后的YOLOv3检测准确率提高了1.4%。     

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。     

基于改进SIFT的SAR图像与可见光图像配准

针对SAR图像与可见光图像的自动配准问题,提出了一种基于尺度不变特征(SIFT)的SAR与可见光图像配准算法。算法首先对SIFT主方向的检测进行了优化,利用特征点邻域内边缘局部极大值点的梯度方向作为特征点的方向,并以去均值归一化互相关系数为相似性度量进行特征点对匹配,然后通过随机抽样一致性算法(RANSAC)剔除误匹配点对,最后利用剩余的特征点对实现SAR与可见光图像的自动配准。实验结果表明,本算法对不同分辨率图像和不同旋转角度图像具有较好的适用性,在正确匹配点的比率和定位精度方面都优于原始SIFT算法和Harris算法。     

星载合成孔径雷达遥感技术进展及发展趋势

从品质因子、极化方式、定量化程度、信息获取维度等方面,对现有星载SAR技术发展阶段进行划分,给出了不同发展阶段星载SAR的特征和典型工作模式,并对新一代星载SAR技术发展趋势进行了分析。最后,简要介绍高分三号(GF-3)卫星的基本特性,并分析高分三号卫星所处的发展阶段和历史地位。     

基于模拟退火算法的SAR图像复原

根据吉布斯马尔可夫随机场模型和SAR图像斑点噪声的伽玛分布统计特性，应用模拟退火算法．实现雷达截面的全局优化伪似然估计。本文将新解4选1的方法从极化SAR图像推广到一般SAR图像；提出一个实用有效的图像特征检测法；说明了一阶模型和零阶模型之间的联系．并给出满意的处理结果。     

扩展场景的SAR回波信号快速仿真算法

将SAR原始回波信号仿真的时域和频域生成算法进行对比,讨论这两种原始信号仿真生成算法所获得原 始数据的不同应用领域和研究方向。提出一种基于光学照片图像情况下,小平面单元后向散射系数的计算方法。将光 学照片应用于SAR回波信号的仿真,验证了频域生成算法的可行性。并利用RD算法对仿真数据进行成像,得到了这些 数据的SAR图像,验证了这种仿真方法在验证成像算法方面的有效性,该法能为SAR图像的后处理提供丰富的图像数 据。     

Ku波段机载极化SAR数据定标

针对极化合成孔径雷达(SAR)数据采集过程中出现的通道串扰、通道不平衡问题,利用Ku波段机载全极化SAR数据进行定标试验研究。进行了极化通道间干涉相位去除,以及包含相位校正、串扰校正和通道不平衡校正的极化SAR定标处理。对三面角反射器后向散射的分析表明:经定标处理后,极化通道不平衡降至1 dB以内,通道串扰降至-17 dB以下,极化特征图与理想三面角更为接近。Freeman-Durden分解结果表明:经定标处理后,极化SAR数据能较为准确地反映地物主要散射机制信息。     

合成孔径雷达图像目标识别问题研究

首先对合成孔径雷达 (SAR)图像目标识别的研究背景和国内外发展现状作了简单介绍 ,然后分析了SAR图像目标识别问题的复杂性 ,讨论了SAR目标识别系统的一般方案与方法 ,提出了基于多源信息融合和人机协作的识别框架 ,进而展望了SAR图像目标识别技术今后的发展方向。     

合成孔径雷达图像解译技术探讨

首先对合成孔径雷达图像解译的研究背景及发展历程作了简单介绍，然后分别从斑点噪声抑制、边缘检测、区域分割、目标检测与识别等方面进行了分类探讨。指出新的解译技术应综合利用新特征、新信息和新的研究理论，开展多信息合作与融合机制的研究以及人工智能的应用。     

有限混合Wishart模型分类多视极化SAR图像

针对多视极化SAR图像的Wishart分类器存在着先验假设分布问题,提出混合Wishart模型并进行极化SAR图像的分类.结合bootstrap方法给出了混元个数准则,采用EM算法导出了混合模型的参数估计.根据旧金山湾区域的多视极化SAR图像实例进行了分析,并由此进行分类.实验结果显示在大的匀质区域方面上采用混合Wishart模型的分类结果明显优于直接采用 Wishart方法的分类结果.     

合成孔径雷达图像目标识别问题研究

首先对合成孔径雷达(SAR)图像目标识别的研究背景和国内外发展现状作了简单介绍，然后分析了SAR图像目标识别问题的复杂性，讨论了SAR目标识别系统的一般方案与方法，提出了基于多源信息融合和人机协作的识别框架，进而展望了SAR图像目标识别技术今后的发展方向。     

基于SAR景象不变特征点的匹配定位技术研究

针对精确制导领域中的SAR景象匹配定位技术中由于实时图与基准图可能存在形变、分辨率不一致,图像旋转及雷达视角变化及噪声的影响下差异较大情况时直接利用基于灰度的规则正交二维信息匹配算法适应性差的问题,将不变特征点匹配方法(Scale Invariant Feature Transform,SIFT)应用到SAR景象匹配中,通过仿真实验取得了满意的效果,试验结果表明SIFT特征是图像的局部特征,其对旋转、尺度缩放、亮度变化保持不变性,对视角变化、噪声也保持一定程度的稳定性,对提高匹配概率和对不同图像的适应性,降低应用风险具有借鉴意义。