SAR image despeckling with a multilayer perceptron neural network

Speckle noise in synthetic-aperture radar (SAR) images severely hinders remote sensing applications; therefore, the appropriate removal of speckle noise is crucial. This paper elaborates on the multilayer perceptron (MLP) neural-network model for SAR image despeckling by using a time series of SAR images. Unlike other filtering methods that use only a single radar intensity image to derive their parameters and filter that single image, this method can be trained using archived images over an area of interest to self-learn the intensity characteristics of image patches and then adaptively determine the weights and thresholds by using a neural network for image despeckling. Several hidden layers are designed for feedforward network training, and back-propagation stochastic gradient descent is adopted to reduce the error between the target output and neural-network output. The parameters in the network are automatically updated in the training process. The greatest advantage of MLP is that once the despeckling parameters are determined, they can be used to process not only new images in the same area but also images in completely different locations. Tests with images from TerraSAR-X in selected areas indicated that MLP shows satisfactory performance with respect to noise reduction and edge preservation. The overall image quality obtained using MLP was markedly higher than that obtained using numerous other filters. In comparison with other recently developed filters, this method yields a slightly higher image quality, and it demonstrates the powerful capabilities of computer learning using SAR images, which indicate the promising prospect of applying MLP to SAR image despeckling.     

一种基于退化模型的高分辨率SAR去噪算法

为了保持高分辨率合成孔径雷达（SAR）图像中的纹理结构，提出了一种基于高斯．马尔可夫模型（Gauss-Markov Model）的方法来抑制SAR图像的斑点噪声。通过引入贝叶斯分析框架，建立Markov随机场的退化图像恢复模型，从而将图像的恢复问题转化为求解最大后验概率（MAP）问题，并直接从噪声图像中估计随机场模型参数进行有效的噪声抑制。实验结果表明，对所研究的高分辨SAR图像，基于退化模型的去噪算法（RMBD）不论是在噪声的去除上还是在结构信息等细节的保持上均不同程度地优于其他常用斑点去噪方法。     

Despeckling of TerraSAR-X Data Using Second-Generation Wavelets

This letter presents the despeckling of synthetic aperture radar (SAR) images within the bandelet and contourlet domains. A model-based approach is presented for the despeckling of SAR images. The speckle-reduced estimate is found using the first-order Bayesian inference, and the best model's parameters are estimated using the second-order Bayesian inference. Synthetic and real images are used for evaluating the qualities of the despeckling methods. The experimental results showed that the combination of Bayesian inference and bandelet transform outperforms the contourlet-based despeckling algorithm using synthetic data and objective measurements.      

3维块匹配小波变换的极化SAR非局部均值滤波

极化合成孔径雷达(SAR)图像受相干斑噪声的影响,难以很好地保持结构特性,针对这个问题提出了一种采用3维块匹配小波变换的非局部均值滤波算法NL-3DWT(Nonlocal Filter based on 3-D Patch Matching Wavelet Transform)。该算法使用块匹配的3维非抽样小波变换对极化总功率图进行预滤波,在此基础上使用边界对齐窗提取结构相似像素,同时使用Sigma范围选择极化SAR数据的散射相似像素,共同构成相似像素集合;构建结构保持权重函数增大图像结构信息在块相似性度量时的权重,最终实现极化SAR图像结构保持的相干斑抑制。该算法增强了图像结构特征的表达,提高了结构相似像素选择的准确性,机载极化SAR数据实验结果表明,NL-3DWT算法能够在抑制相干斑噪声的同时,更有效地保持极化SAR图像的结构特性和极化散射特性。     

基于Sentinel-1A数据的多种机器学习算法识别冰山的比较

冰山识别对于海洋环境监测和船只安全运行等具有重要的意义,是北极航道开通和北极开发过程中的重要内容。采用合成孔径雷达(SAR)影像进行冰山识别具有独特的优势,多种机器学习算法均可用于SAR影像的冰山识别中。为了最大限度地发挥机器学习算法的性能,有必要对不同机器学习算法及其搭配使用的特征与特征标准化方法进行评估,从而进行最优冰山识别方法的选择。因此,本文基于Sentinel-1A SAR影像,采用多种机器学习方法、多种特征组合及多种特征标准化方法进行冰山识别,并比较各流程方法的识别性能差异。采用的机器学习算法包括贝叶斯分类器(Bayes)、反向神经网络(BPNN)、线性判别分析(LDA)、随机森林(RF)以及支持向量机(SVM);特征标准化方法包括Min-max标准化、Z-score标准化及log函数标准化;数据集是含有12个SAR影像特征的969个冰山与非冰山样本,样本主要位于格陵兰岛东海岸。分类效果采用接收者操作特性(ROC)曲线下的面积(AUC)进行衡量。结果显示,最佳搭配下的RF的AUC值最高,达到了0.945,比最差的Bayes高出0.09。从识别率上来看,RF在冰山查全率为80%的情况下非冰山查全率达到92.6%,效果最好,比第2位的BPNN高出1.4%,比最差的Bayes高出2.6%;BPNN在冰山查全率为90%的情况下非冰山查全率达到87.4%,比第2位的RF高出0.8%,比最差的Bayes高出2.7%。上述结果表明,对冰山识别而言,选择最优的机器学习算法和最佳的特征与特征标准化方法都是十分重要的。     

深度学习在光学和SAR影像融合研究进展

遥感影像融合作为影像处理领域中最具有挑战的工作,一直是学术界研究的热点。合成孔径雷达SAR（Synthetic Aperture Radar）具备全天时、全天候、穿透云雾等多种特点,却因存在相干斑噪声等问题,使得影像难以解译。相比之下,光学影像可以反映地物的光谱和空间信息,易于解译,但容易受到云雾干扰,造成信息丢失,将光学与SAR影像数据融合可以实现不同类型传感器成像之间的信息互补,能够更好地为后续的影像分析与解译提供方便。本文首先对光学和SAR影像融合进行了系统性回顾,包括传统融合方法和基于深度学习方法在影像融合方面的最新工作,重点阐述了卷积神经网络CNN（Convolutional Neural Network）、生成式对抗网络GAN（Generative Adversarial Networks）等框架在光学和SAR影像融合中的进展;然后总结了光学和SAR影像融合在深度学习领域开发的数据集,并做了简单介绍和说明;最后,从数据集、时间序列影像融合、融合评价体系和算法轻量化等4个方面对光学和SAR影像融合的未来发展趋势进行了展望。     

全方向自适应动态窗口SAR斑点噪声抑制算法

有效地抑制或消除斑点噪声是SAR图像地学应用的前提，通过基于单视数SAR图像的Speckle统计特性和已发展的空间滤波算法分析。发展了一种改进的全方向动态窗口自适应SAR噪声滤波算法，该算法对处理的每一个像元可按图像边界细节划分为需要的全方向子窗口，利用相对标准差判断滤波窗口及子窗口内斑点噪声及边缘信息的存在情况，可实现滤波窗口大小动态调整和窗口内参加滤波像素的自适应选择，对ERS SAR SLC图像试验结果表明，该算法对单视数SAR图像具有较强的Speckle抑制能力。且可较好地保持图像的纹理边界细节信息，有一定的实用价值。     

一种新的SAR影像融合滤波方法

为解决有效地去除斑点噪声和保留图像边缘两者矛盾的问题,首先通过中值滤波得到较好的平滑SAR图像,然后利用AMSS方程得到较好的保留图像边缘信息的SAR图像,最后将所得的两幅图像进行融合,并对融合后的图像进行定量和定性分析。仿真实验表明,无论是定性分析,还是定量分析都证明融合后的图像在很好地去除噪声的同时,有效地保留了图像的地物分界处及边缘细节信息。     

基于Membrane MRF模型的SAR图像贝叶斯去斑

SAR图像可以看作是真实反映地物后向散射特性的无噪图像与相干斑噪声的乘积,通过贝叶斯估计从图像观测值估计出图像真值即可去除相干斑.而贝叶斯去斑的关键在于建立能与SAR图像特性相匹配的先验信息模型.用MembraneMRF模型对先验信息建模,克服了以往所用GMRF模型对参数估计十分敏感的问题,并通过对该模型邻域结构的自适应调整来分类处理处于匀质区域和含结构特征区域的像元,在有效抑制相干斑的同时较好地保持图像的结构特征.仿真和实际SAR图像数据的实验结果,验证了所提方法的有效性.     

自交叉双边滤波的极化SAR数据相干斑抑制

相干斑抑制是极化SAR数据预处理的关键步骤。双边滤波是一种空域和值域滤波相结合的优秀边缘保持滤波算法。针对双边滤波在抑制极化SAR数据相干斑的不足,该文将改进的交叉双边滤波引入到极化SAR数据降噪领域,加入散射机制测度来扩展原权重核,根据SPAN图像的局域变差系数自动调整空间方差系数,利用参考图像来度量灰度值和散射机制相似性。实验结果表明:本文方法较经典滤波算法有更强的噪声平滑能力和更好的细节信息保持能力,在保持原数据极化散射信息方面也表现出良好的性能,这为基于极化SAR数据的后续应用提供了支持。     

一种改进的SAR图像斑点噪声滤波方法

在过去的 2 0多年中 ,提出了许多去除SAR图像斑点噪声的方法。这些方法的主要目的是去除斑点噪声而不破坏图像的空间分辨率和边缘信息。理论和实践表明去除图像的斑点噪声和保持图像边缘信息是无法同时完成的。现有大部分滤波器是在去除噪声和保持边缘之间进行折衷。在Han等人方法的基础上提出了一种在去除噪声和保持边缘方面最优的滤波器。它在去除噪声同时能够有效保持边缘信息     

全极化雷达遥感影像的迭代优化非局部均值去噪法

相干斑的存在严重降低了全极化合成孔径雷达（polarimetric synthetic aperture radar，PolSAR）的影像质量，对相干斑进行抑制是使用PolSAR数据必不可少的预处理程序。本文提出了一种迭代优化的PolSAR非局部均值去噪方法。该方法在每次迭代去噪过程中，通过同时考虑原始影像全极化噪声统计特性和前一次迭代所得影像的全极化信息来完善像素间极化相似性的度量，从而实现对影像更精准的估计。试验部分利用模拟的PolSAR数据和真实的PolSAR影像进行了算法效果的验证。结果表明：去噪算法在显著抑制影像噪声水平的同时，也能较好地保持影像的边缘和极化特性等细节信息。     

Huber–Markov Model for Complex SAR Image Restoration

This letter presents the despeckling of single-look complex (SLC) synthetic aperture radar (SAR) images using nonquadratic regularization. The objective function consists of an image model, a gradient, and a prior model. The Huber–Markov random field (HMRF) models the prior. A numerical solution is achieved through extensions of half-quadratic regularization methods using complex-valued SAR data. The proposed method using the HMRF prior together with nonquadratic regularization shows the superior results on SLC synthetic and actual SAR images.      

采用散射特征相似性的极化SAR图像相干斑抑制

极化合成孔径雷达(SAR)图像的相干斑严重影响图像信息的有效提取,为此提出一种基于极化散射特性的相干斑抑制方法。该方法结合SAR图像的冗余信息及其散射特性的相似性,利用Wishart分布对SAR数据的相似性进行度量,然后依据相似性计算权重对协方差矩阵进行加权平均,实现对极化SAR图像的相干斑抑制。本文方法对协方差矩阵的各元素单独处理,因此在极化信息的保留方面尤具优势。通过真实SAR数据的实验表明,该方法与现有极化白化滤波(PWF)和极化Lee滤波相比,具有更好的相干斑抑制能力和细节的保持能力。     

均匀分布与结构描述ASIFT相结合的SAR与可见光图像配准算法

针对SAR与可见光图像配准中存在的非线性灰度差异与斑点噪声,同时考虑不同的成像视角问题,提出了基于均匀分布与结构描述ASIFT的SAR与可见光图像配准算法。该算法首先采用引导滤波建立引导尺度空间以达到噪声抑制与边缘保持,在特征点提取阶段,由于非线性灰度差异引入相位一致性强度信息,并与尺度空间网格划分相结合,指导筛选图像中均匀特征点的获取;然后在特征描述阶段,引入扩展相位一致性方法计算SAR与可见光图像的一致性梯度幅值和方向,提高了主方向和描述符的准确性;最后利用Optimal-RANSAC进行特征描述符匹配实现有效配准。通过对4组实测图像进行试验及结果分析,证明该算法相比SAR-SIFT与传统ASIFT算法具有更准确的配准精度。     

任意方向对称差值核的SAR图像边缘提取算法

由于现有边缘检测方法多存在对图像噪声的敏感性以及检测边缘的有限方向性等问题,因此在斑点噪声的影响下难以有效检测SAR图像中具有任意方向性且强度相近的区域间边缘。本文提出了一种任意方向对称窗口的SAR图像边缘提取算法。首先,以任意像素在图像中的格点位置为对称中心构建任意方向上的对称窗口;定义各窗口内像素到中心像素距离的核函数;以像素核函数为权重分别计算两对称窗口内像素光谱测度的加权平均值,并定义两者之差的绝对值为该方向上该像素隶属边缘的强度;选取所有方向中最大边缘强度作为边缘像素的判别标准。为去除错误提取的边缘像素,设计基于滤波操作的后处理过程。对模拟图像提取结果的定性及定量分析表明提出算法可在一定程度上克服噪声影响,较为准确地提取任意方向的边缘。     

ALOS PALSAR and Hyperion Data Fusion for Land Use Land Cover Feature Extraction

Detailed and enhanced land use land cover (LULC) feature extraction is possible by merging the information extracted from two different sensors of different capability. In this study different pixel level image fusion algorithms (PCA, Brovey, Multiplicative, Wavelet and combination of PCA & IHS) are used for integrating the derived information like texture, roughness, polarization from microwave data and high spectral information from hyperspectral data. Span image which is total intensity image generated from Advanced Land observing Satellite-Phase array L-band SAR (ALOS-PALSAR) quad polarization data and EO-1 Hyperion data (242 spectral bands) were used for fusion. Overall PCA fused images had shown better result than other fusion techniques used in this study. However, Brovey fusion method was found good for differentiating urban features. Classification using support vector machines was conducted for classifying Hyperion, ALOS PALSAR and fused images. It was observed that overall classification accuracy and kappa coefficient with PCA fused images was relatively better than other fusion techniques as it was able to discriminate various LULC features more clearly.     

SAR图像斑点噪声抑制的本质

合成孔径雷达（SAR）图像的斑点噪声阻碍SAR的应用。在过去20多年中，提出了许多SAR图像去除斑点噪声方法，虽然每种去除斑点噪声方法都能有效去除斑点噪声，但都不同程度地损失了图像的边缘信息，本文首先以数学物理的观点描述了SAR图像斑点噪声抑制问题。其次分析了斑点噪声的统计特性和几种典型的去除斑点噪声方法并进行了简单的比较，在最后研究了SAR图像斑点噪声抑制的本质，这对开发既能有效去除斑点噪声，又能有效保持边缘信息的去除噪声方法十分重要。     

TM与SAR图像融合多方法研究及其效果定量评价

本文针对TM多光谱与SAR高分辨率的特征,研究了彩色技术、数学运算和图像变换三类共11种融合算法,并基于ERDAS-SpatialModeler、ENVI-IDL和MATHLAB等技术分别实现这些算法。从信息量、清晰度和逼真度共四项指标出发,定量评价了各个方法融合方法的侧重点。利用极差变换法处理指标,建立综合评价模型,得出单方法RGB(0.75)法相对最优、Brovey(0.10)法最劣以及三类方法彩色技术(2.59)最优;图像变换(2.25)次之;算术运算(0.82)最不可取的结论。     

特征级高分辨率遥感图像快速自动配准

随着遥感图像分辨率的日益提高,遥感图像的尺寸和数据量也不断地增大,同时随着遥感应用的发展,对图像配准的性能也提出越来越高的要求,基于此,提出一种特征级高分辨率遥感图像快速自动配准方法。首先,对图像进行Haar小波变换,基于小波变换后的近似图像进行配准以提高配准速度;其次,根据不同的遥感图像来源使用不同的特征提取方法(光学图像使用Canny边缘提取算子,SAR图像使用Ratio Of Averages算子),并将线特征转化为点特征;然后,依据特征点间最小角与次小角的角度之比小于某一阈值来确定初始匹配点对;最后,利用改进的随机抽样一致性算法滤除错误匹配点对,并结合分块思想均匀选取匹配点对计算仿射变换参数,进一步提高配准精度。为了验证本文方法的有效性,选择高分辨率World View-2图像、Pleiades图像和Terra SAR图像进行了实验,并与典型的SIFT算法、SURF算法进行比较分析,采用匹配率、匹配效率、均方根误差和时间消耗4个定量评价指标来客观评价算法的配准性能。实验结果表明,本文方法具有较好的有效性,且在不同的情况下具有较高的配准精度。本文提出的特征级高分辨率遥感图像快速自动配准方法,多组高分辨率遥感图像数据的配准实验结果表明该方法能快速实现并具有较高的配准精度和较好的鲁棒性。