噪声抑制的多极化SAR海冰图像分割

合成孔径雷达(SAR)海冰图像分割对全球气候研究和保证船舶航行安全具有重要意义。现有的基于区域的马尔可夫随机场(MRF)多极化SAR分割方法,由于受相干斑噪声影响,其区域划分不尽合理,不能有效完成分割。因此,提出一种噪声抑制的多极化SAR海冰图像分割算法,首先在极化总功率图上引入降低噪声的滤波算法,合理划分初始区域,其次考虑区域之间的差异度,从而实现多极化SAR海冰图像的准确分割。以RADARSAT-2和SIR-C获得的全极化海冰图像为实验数据进行验证,结果表明:和其他较先进算法相比,本文算法优势明显,既能高效保持图像连通性,又能增强图像的细节信息,具有更高的分割精度。     

利用全极化SAR数据的极化特征获取海冰密集度的算法

本文提出了一种利用全极化SAR数据的极化特征获取海冰密集度算法。首先,对全极化SAR数据进行多视化及滤波等预处理,以获取相干矩阵与协方差矩阵;其次,通过相干矩阵与协方差矩阵获取若干极化特征,对这些极化特征进行相关性与冗余性分析,构建最优特征空间;然后,将最优特征空间作为输入量放入神经网络分类器中,得到海冰分类结果;最后,根据海冰分类结果提取海冰密集度。选用拉布拉多南部海域2景全极化Radarsat-2影像获取海冰密集度,与业务化海冰密集度产品ASI-3125进行对比研究。本文算法结果与ASI-3125海冰密集度分布趋势基本一致,总体上略大于ASI-3125海冰密集度,标准差值分布为3.46%和6.82%,说明利用高分辨率全极化SAR数据在监测边缘区域小尺寸破碎海冰方面具有优势。     

结合BRF神经网络的全极化SAR影像分类方法研究

为了解决模糊支持向量机(FSVM)算法应用于全极化SAR影像分类而产生的聚类中心陷入局部过适应问题,本文提出了一种基于模糊分割理论结合RBF神经网络的全极化SAR影像分类方法。主要利用模糊聚类分割、极化分解、纹理特征提取等,构建待分类地物特征集,并通过SGE进行监督降维,采用降维后的待分类地物极化表征完成RBF分类器训练,实现全极化SAR影像监督分类。最终通过C波段Randsat-2全极化SAR数据进行实测检验,结果表明,该方法使得分类结果区域一致性增强,充分地保存了待分类地物细节信息。     

基于TerraSAR-X全极化数据的北极地区海冰信息提取

北极地区海冰既受全球气候变化的影响,同时也影响着全球气候的变化,因此,北极地区已成为研究全球气候变化的热点区域之一。然而,由于北极地区环境恶劣,传统的实地勘测方法成本高,且难度较大。遥感技术,特别是合成孔径雷达(SAR)和全极化SAR技术的迅速发展,为北极地区海冰信息的提取提供了更加有效的数据获取方法。以TerraSAR-X全极化数据为基础,采用SEATH(separability and thresholds)面向对象影像分析方法,评估各种极化特征用于提取北极地区海冰信息的能力,并通过分类实验对其结果进行验证。研究表明:|VV|,T11和SPAN等极化特征对海冰具有较好的区分度,这将为大范围的北极地区海冰信息提取以及海冰监测卫星的参数设计提供理论基础。     

ScanSAR模式海冰图像的分割

合成孔径雷达SAR(Synthetic Aperture Radar)图像的非平稳性是SAR海冰图像自动解释的主要障碍,入射角效应是导致海冰图像特征不稳定的主要因素之一。基于Radarsat-1 ScanSAR模式数据,本文提出了一种集成入射角效应校正步骤的分割算法。该方法综合考虑了入射角效应、斑点噪声等不确定因素,经由像素到区域再到大尺度区域这一途径,把区域聚类、类尺度上的入射角效应校正以及区域合并等操作组合起来,以有效提高分割算法对非平稳性的适应能力。针对巴芬湾和和波斯尼亚湾ScanSAR模式图像的实验表明,本文提出的方法可有效提高分割准确性。     

朗伯定律的宽观测带SAR海冰图像分割

入射角效应是宽观测带SAR海冰图像分割的主要障碍之一。基于宽观测带SAR海冰图像数据,提出了一种集成余弦朗伯定律的分割算法。为了提高分割算法对SAR海冰图像的适应性,充分考虑了斑点噪声和入射角效应因素,并在区域K-means聚类、朗伯定律校正之后,进行区域合并。分别针对合成SAR海冰图像和星载SAR海冰图像的实验结果表明,该算法可有效提高分割的准确性。     

利用目标分解特征的全极化SAR海冰分类

特征提取及其选择是SAR海冰分类的重要步骤之一。在众多特征中选取有效特征,进而构建表达地物类型的特征空间是提高分类精度的关键。为此,本文提出一种基于目标分解特征的全极化SAR海冰分类算法。首先,对全极化SAR数据进行多视化处理及滤波操作,生成相干矩阵;其次,对相干矩阵进行目标分解,并针对分解结果提取散射特征参数,进而构建特征空间;再次,通过对所提取的特征进行统计相关性分析,并对高相关特征采用PCA降维,以优化特征组合;最后,设计BP神经网络分类器,并将所得的优化特征矢量作为输入,海冰类别为输出,实现海冰分类。本文以格陵兰中部海域作为研究试验区域,采用L波段ALOS PALSAR全极化数据。通过对本文算法与对比算法的分类结果进行定性定量分析,可以得出本文所选取的特征对海冰识别较好。此外,通过对利用各个不同特征海冰分类结果的性能分析,可以得出基于散射模型的目标分解比基于特征值的H/α/A分解更有助于海冰分类。     

SRRG-MRF的SAR海冰图像分割算法

针对SAR海冰图像受相干斑噪声影响严重, 提出采用相干斑抑制区域生长模型的区域MRF(SRRG-MRF)分割算法。SRRG区域模型包括构建图像的相干斑抑制区域化表达和基于区域的灰度相似性进行区域生长两个部分,其中相干斑抑制的区域化表达由相干斑抑制的双边滤波(SRBF)算法和分水岭变换构成, 该模型在相干斑噪声严重的情况下, 能够有效抑制过分割和对目标边缘准确定位, 并防止MRF分割优化陷入局部最小值, 减少误分割。将SRRG区域模型与MRF相结合, 能够大幅度减少优化搜索空间, 获得准确的分割结果。采用不同视数的SAR海冰合成图像和由RADARSAT-2及SIR-C获取的SAR海冰真实图像进行测试, 结果表明: 与已有区域MRF分割算法相比,本文算法能够有效提高分割准确性。     

一种综合多特征的全极化SAR建筑物分割模型

针对全极化SAR影像的特点以及传统分割方法存在的问题,提出了一种综合多特征(多种极化特征和形状特征)的全极化SAR建筑物分割模型。该模型采用分形网络演化算法及多元线性回归模型,构建综合多特征的建筑物分割模型。实验结果表明,该模型能够显著提高分割的精度,并且分割对象个数比较合理。     

深度学习的极化合成孔径雷达影像语义分割

针对现有极化合成孔径雷达影像语义分割方法存在的缺点,且该方向深度学习研究较少的问题,该文以国产机载全极化MiniSAR系统为依托,首先,对极化合成孔径雷达原理和基于深度学习的极化合成孔径雷达影像语义分割方法进行了分析;其次,使用实验数据对该方法的分割精度进行了验证分析,单类分割最大像素精度达94.61%,全类均交并比达到86.83%,结果证明了该分割方法的可行性和准确性;最后,为进一步提高极化SAR影像语义分割精度,在样本制作、提升效率、矢量化等方面提出了建议。     

Multi-temporal RADARSAT-2 polarimetric SAR for maize mapping supported by segmentations from high-resolution optical image

Due to its ability to penetrate the cloud, Synthetic Aperture Radar (SAR) has been a great resource for crop mapping. Previous research has verified the applicability of SAR imagery in object-oriented crop classification, however, speckle noise limits the generation of optimal segmentation. This paper proposed an innovative SAR-based maize mapping method supported by optical image, Gaofen-1 PMS, based segmentation, named as parcel-based SAR classification assisted by optical imagery-based segmentation (os-PSC). Polarimetric decomposition was applied to extract polarimetric parameters from multi-temporal RADARSAT-2 data. One Gaofen-1 image was then used for parcel extraction, which was the basic unit for SAR image analysis. The final step was a multi-step classification for final maize mapping including: the potential maize mask extraction, pure/mixed maize parcel division and an integrated maize map production. Results showed that the overall accuracy of the os-PSC method was 89.1%, higher than those of pixel-level classification and SAR-based segmentation methods. The comparison between optical- and SAR-based segmentation demonstrated that optical-based segmentation would be better at representing maize field boundaries than the SAR-based segmentation. Moreover, the parcel- and pixel-level integrated classification will be suitable for many agricultural systems with small landownership where inter-cropping is common. Through integrating advantages of the SAR and optical data, os-PSC shows promising potentials for crop mapping.     

SAR图像不同油膜特征的最佳分割方法选择

SAR图像溢油分割是SAR溢油监测中一个重要环节。文中选取4种不同形状、尺寸和对比度的SAR油膜数据,分别采用双峰阈值分割法、最大熵分割法、区域生长法、分水岭算法、图割法、水平集方法等6种方法进行溢油信息提取,探讨适合于不同油膜特征的最佳提取方法。结合现有尺度分割标准,提出一种SAR图像溢油信息评价指数——有效分割指数(Effective Segmentation Index,ESI),对不同分割方法得到的溢油提取结果进行定量评价,得出了不同特征油膜所适合的最佳分割方法。     

基于引力场增强的SAR图像舰船检测方法研究

船只检测是实现船只航行安全的重要措施之一,利用SAR图像可实现船只检测。然而,传统的一些方法一般容易受到SAR图像斑噪的影响,在检测结果中产生大量的虚警。为解决这一问题,本文提出了一种基于引力场增强的舰船检测方法。该方法利用像素与其邻域内像素的相互作用可对目标像素增强的效应,有效地抑制了斑噪像素和背景像素的强度,凸显了目标。由于增强后的像素已经不满足对海面区域的均质性假设,因此直接使用恒虚警检测算法对图像进行全局检测并不能够得到很好的效果,据此本文引入了一个基于均质区域自适应分割的改进的K-CFAR检测算法,将图像分割为不同大小的一系列均质区域,并分别对各个均质区域使用一个改进的K-CFAR检测器对船只目标进行检测。最后,使用Radarsat-1数据和Envisat ASAR数据对本文算法进行了验证。实验表明,本文提出的方法能够有效地凸显弱目标,增加检测准确性,降低检测的虚警概率。     

局部统计活动轮廓模型的SAR图像海岸线检测

首次将局部统计活动轮廓模型引入SAR图像海岸线检测问题中,提出了一种基于局部统计活动轮廓模型的SAR 图像海岸线检测方法。首先利用C-V模型进行粗分割,消除局部统计活动轮廓模型对初始轮廓线设置要求严格的限制,然后提出了一种基于G⁰分布的局部统计活动轮廓模型,进行精细分割。该模型采用G⁰分布对轮廓线上每一点的邻域进行统计建模,增强了模型数据拟合能力,提高了海岸线检测精度,加入水平集函数惩罚项,消除了重新初始化过程。实测SAR图像实验表明,本文方法可用于精确海岸线检测。     

区域Gamma混合模型的SAR图像分割

针对传统Gamma混合模型用于SAR图像分割时忽略像素间空间相关性,导致分割结果不连续并产生大量误分割的现象,提出了区域Gamma混合模型的SAR图像分割算法。首先对图像进行分水岭分割,得到过分割区域块,然后将其作为输入样本进行基于Gamma混合模型的聚类,在模型的参数估计过程中进一步考虑区域间的空间相关性,设计邻域因子融入到迭代过程,得到邻域加权类分布概率。该算法充分利用像素间的空间相关性,能够降低噪声对分割结果的影响。通过合成图像和真实SAR图像的实验表明,本文算法能够实现SAR图像的准确分割。     

一种有效的MSTAR SAR图像分割方法

提出了一种有效的MSTAR SAR图像分割方法。该方法首先对待处理图像进行过分割操作,得到过分割图像区域,然后对过分割后的图像进行图像区域级和像素级的特征提取,得到用于表示图像的特征向量,接着对MSTAR SAR图像使用空间隐含狄利克雷分配模型(sLDA)和马尔科夫随机场(MRF)建立本文所提出的模型,得到能量泛函,最后运用Graph-Cut算法和Branch-and-Bound算法对能量泛函进行优化,得到最终的分割结果。通过使用MSTAR SAR图像进行分割实验比较,仿真结果表明了方法的有效性。     

An unsupervised segmentation method based on MPM for SAR images

An unsupervised segmentation method for synthetic aperture radar (SAR) images is proposed. It alternately approximates the maximization of the posterior marginals estimate of the pixel class labels and estimates all model parameters except the number of classes during segmentation. In this method, a multilevel logistic (MLL) model for the pixel class labels and Gamma distribution for the marginal distribution of each class in the observed SAR image are employed. In our implementation, the expectation-maximization algorithm is used to estimate parameters of the Gamma distributions, and the iterative conditional estimation algorithm is used to estimate the MLL model parameters. The segmentation results for synthetic and real SAR images show that the proposed method has a good performance.     

SARBuD 1.0： 面向深度学习的GF-3 精细模式SAR建筑数据集

合成孔径雷达SAR（Synthetic Aperture Radar）是开展城市建筑区信息获取与动态监测的重要数据源。本文建立了一个面向深度学习建筑区提取的中高分辨率SAR建筑区数据集SARBuD1.0 （SAR BUilding Dataset）。该数据集包含了覆盖中国不同区域的27景高分三号（GF-3）精细模式SAR图像,并从中获取了建筑区共计60000个SAR样本数据,结合光学图像与专家解译,制作了与样本数据对应的标签图像。SARBuD1.0数据集包含了不同地形场景类型、不同分布类型、不同区域的建筑区。该数据集可支持研究者对建筑区进行图像特征分析、辅助图像理解,并可对当前热点深度学习方法提供训练、测试数据支持。本文以山区建筑为例,使用传统纹理特征与深度学习特征对建筑区进行了特征分析与比较,相比于传统的人工设计的纹理特征,卷积神经网络具有更深、更多的特征,利用网络模型浅层的不同卷积核采样可得到各种纹理特征,在网络的深层卷积结构中可获取代表着类别的深层语义特征,使得分类器能更好地检测并提取图像中指定的目标。基于本数据集利用深度学习方法对不同地形区域的建筑区进行提取实验。实验结果表明基于本数据集训练的深度学习模型,对建筑区提取可以取得良好的结果,说明该数据集可以很好支持面向大数据的深度学习方法。其他学者可以基于SARBuD1.0数据集开展建筑区图像特征分析与语义分割提取等方面的研究。