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。     

带有区域分裂自适应细化过程的SAR海冰图像分割

受海冰自身特性、成像系统特性和环境因素的影响,合成孔径雷达SAR海冰图像具有非平稳、尺度依赖的空间结构,现有的单马尔可夫随机场MRF模型分割方法只能较好地适应非平稳性,对海冰场景的多尺度结构考虑仍然是全局的。为此,本文提出了一种区域分裂过程与二叉树分层结构自适应更新相结合的单MRF图像分割方法。首先利用单MRF模型的全局迭代权值完成初始区域合并,同时以二叉树形式保护合并过程的记录。所设计的分层合并算法可保证二叉树结构的节点数与场景中的对象尺度具有正相关性。随后的细化分裂并不产生新的区域,只是返回到初始配置。依据场景中不同区域对象的尺度,自适应地调整空间语境模型中的尺度权值,实现区域更新。实验表明,该方法有效提高了带有多尺度结构SAR海冰场景的分割精度。     

点特征相似与卷积神经网络相结合的SAR图像分类算法研究

基于CNN的像素级SAR图像分类利用了输入图像块的邻域信息,但没有凸显出邻域像元对中心像元分类结果的影响力,导致在高噪声条件下中心像元易出现类别误判。针对该问题,该文提出了一种基于点特征相似性的卷积神经网络(Point feature Similarity-based Convolutional Neural Network,PSCNN),并将其用于SAR图像分类,以凸显邻域像元对中心像元分类结果的影响力,从而减小误分,提升分类精度。实验结果表明,相比传统基于CNN的SAR图像分类方法,该算法一方面能更充分利用图像块的邻域信息,有效抑制相干斑的影响,提升匀质区域的分类精度;另一方面借助块匹配方式,能够充分保留图像块的结构信息,有效提升边界定位精度。     

使用多指数模型的 SAR 海冰图像偏差场校正

提出了一种使用多指数模型的SAR 海冰图像入射角偏差场校正的新算法, 该算法先对SAR 图像进行方 位向取平均, 然后用多指数模型对一维校正场建模, 应用熵值最小化方法求取最优的一维校正场, 再用推出的二维 校正场对原始图像进行校正。实验结果表明, 该算法对于SAR 海冰图像的入射角偏差场校正是有效的。与Karvonen 的算法相比, 该算法有更好的校正效果, 且不需要提供像素的入射角信息。     

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。     

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。