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SAR图像的海洋溢油分割方法研究

目前,海洋溢油污染在发生频率、分布范围以及所带来的危害程度上均居海洋污染首位。它对沿海城市生态、环境、经济的可持续发展造成严重破坏,因此越来越受到全社会的广泛关注。从众多海洋溢油分割方法中选取边缘检测算子和种子填充算法对SAR图像进行分割。首先运用欧空局的BEST软件进行数据转换以及图像预处理,然后使用ENVI软件对图像进行滤波处理。再用ERDAS软件进行灰度均衡和分割算法的实施,并针对算法的一些缺陷,进一步加入纹理分析使图像中的油膜与类油膜以及海水与海浪等更好的区分开。最后对不同的图像效果进行总结和比较。     

基于边缘分析的海面溢油检测

提出一种基于边缘检测的快速溢油信息提取方法, 首先对溢油图像进行ROA(radio of average)边缘检测, 根据检测结果进行AOI(area of interest)提取, 然后使用改进的Weibull-CFAR检测算法对AOI进行溢油检测, 并与全局CFAR检测结果进行对比。实验结果证明, 所提出的方法对于非均匀灰度SAR图像溢油检测准确性较好、效率较高, 特别适用于大图像的快速溢油检测。     

相位一致性的SAR图像溢油分割算法研究

针对传统的SAR图像溢油分割方法对斑点噪声敏感,而且对疑似溢油区域区分能力较弱的问题,该文提出一种基于相位一致性的SAR图像溢油分割算法,在对海面溢油图像进行灰度预处理的基础上,计算图像相位一致性特征,再根据最大类间方差法对计算得到的相位一致性特征值进行阈值分割。实验表明:与目前常用的溢油分割方法相比,该方法既可以有效抑制海面斑点噪声,又对疑似溢油区域具有一定抗干扰能力,而且兼顾了分割的效率。     

遥感监测墨西哥湾溢油目标识别算法

为了及时监测溢油事故相关信息,防止污染扩张,该文利用2010年4月29日、5月17日及5月24日3个时相的中分辨率MODIS数据,以2010年发生的墨西哥湾溢油事故为例进行目标提取与识别。提取算法考虑到油膜和背景海水易混分的现象,采用了辅加纹理特征量的光谱角匹配算法进行油膜提取;同时,对比了常用的最小距离和支持向量机分类方法;并基于混淆矩阵对结果进行精度验证。结果显示,改进的光谱角匹配算法可以更准确地提取海面目标,精度高达90%以上,能够较好地监测出大面积溢油,可以用于海面溢油灾害的动态监测。     

基于D-S证据理论的多特征融合SAR图像目标识别方法

针对应用单特征SAR图像进行目标识别准确率低的问题,提出了一种将支持向量机(support vector machine,SVM)和D-S证据理论(Dempster-Shafer,D-S)相结合的多特征融合SAR图像目标识别方法.该方法在对SAR图像预处理的基础上,提取目标的纹理、Hu不变矩和峰值特征,并分别以这3类单特征的SVM分类结果作为独立证据,构造基本概率指派,通过D-S证据的组合规则进行融合,并根据分类判决门限给出最终的目标识别结果.将该方法用于SAR图像上的3类目标识别,识别率达95.5％,表明该方法是一种有效的SAR图像目标识别方法.     

混合智能优化算法的SAR图像特征选择

为提高SAR图像自动目标识别的准确率及实时性,提出了一种基于混合智能优化的SAR图像特征选择算法。首先,采用分形特征对SAR图像进行增强,基于分割后的图像提出了一种基于图像矩的方位角估计方法。然后基于未校正和校正后的图像分别提取Zernike矩、Gabor小波系数和灰度共生矩阵构成候选特征集合,使用遗传算法结合二值粒子群的混合优化算法实现SAR图像特征选择。最后,采用MSTAR数据库验证本文算法的有效性。实验结果表明,优化后的特征集合具有一定泛化能力,一方面提高了SAR目标识别的准确率,另一方面减小了SAR图像目标识别的时间。     

基于机载多光谱遥感数据的溢油信息提取方法

为研究应用紫外-可见光-近红外-热红外遥感数据识别海上溢油的方法,利用机载多光谱溢油监测设备获取了舟山海域多光谱遥感数据,并利用野外地物光谱仪获取了水体和油膜的反射光谱。通过提取并分析机载多光谱遥感图像上多目标的影像特征和光谱响应特征,利用决策树分类法对海上油膜相对厚度的分布进行分类和制图。研究表明,基于机载多光谱遥感数据的溢油信息提取方法总体分类精度达93.7%,能够准确区分薄油膜和厚油膜,可有效提取海洋溢油污染信息,完全能够满足海洋溢油污染遥感监测需求。     

一种改进的全极化SAR图像MCSM-Wishart非监督分类方法

针对H/Alpha/A-Wishart非监督分类算法存在的未充分提取SAR图像极化信息和分类精度低等问题,引入多分量散射模型(multiple-component scattering model,MCSM)分解,提出了一个适用于全极化SAR图像非监督分类的MCSM-Wishart算法。首先对全极化SAR图像进行MCSM分解,提取体散射、二次散射、螺旋体散射、表面散射和线散射极化信息,采用迭代自组织数据分析技术(iterative self-organizing data analysis technique,ISODATA)的非监督分类算法进行聚类;然后通过基于描述多视协方差矩阵的复Wishart分布的迭代分类得到分类结果。以南京溧水和盐城滨海湿地的ALOS PALSAR图像为研究数据,比较了H/Alpha-Wishart算法、H/Alpha/A-Wishart算法、MCSM-Wishart算法和监督-Wishart算法4种分类方法。研究结果表明,MCSM-Wishart分类算法在效率、总体准确率和Kappa系数等指标上均较原始分类器有一定的提高;将ISODATA聚类算法应用于复Wishart分布的迭代分类器中,可有效提高分类的精度。     

资源三号测绘卫星自动云检测

光学卫星遥感影像自动云检测是卫星产品生产系统的一个重要环节。利用资源三号卫星编目生成的浏览图,采用树状判别结构进行云检测,对浏览图进行分块,提取子块图像的特征进行云地分类。由于云类和地物类过于繁杂,且浏览图的分辨率较低,传统通过图像特征对云地进行分类的算法有很大的局限性,针对这一问题,本文提出了在分类之前对原始的子块图像进行增强处理,扩大云和地物的纹理差异,然后以二阶矩、一阶差分等作为云地分类的图像特征,并在多尺度空间内进行特征延拓,经过综合分析估计云在影像中的比例。该云检测算法应用于资源三号卫星应用系统工程,实际测试结果表明,该算法能够较好地提升云量检测的准确率。     

基于压缩感知的SAR图像CFAR目标检测算法

提出了一种基于压缩感知(compressed sensing,CS)和恒虚警率(constant false alarm rate,CFAR)目标检测算法,用于合成孔径雷达(synthetic aperture radar,SAR)图像的目标检测。针对传统的均值类和有序统计量类CFAR目标检测算法,首先对每个局部滑窗的背景杂波像素利用压缩感知进行重建,以此来降低SAR图像相干斑现象的影响,然后利用重建后的数据进行杂波分布参数的估计,并利用CFAR检测器进行目标检测。在真实的SAR图像中证明了上述目标检测算法的有效性。     

一种从SAR图像中提取城市道路网络的方法

提出一种从高分辨率SAR图像中提取城市道路网络的算法.在高分辨率SAR图像中,道路在空间结构上表现为一细长的且宽度基本恒定不变的均匀区域.利用模糊C均值聚类方法对高分辨率SAR图像进行聚类分析,将道路类像素从原始图像中分离出来.为突出道路形状特征,减少冗余信息,对聚类结果进行细化,同时利用跟踪算子消除短线段;以提取道路中心线二值图的像素值作为图像能量,应用Snakes模型检测道路网络.通过实际SAR图像验证,该算法可以准确提取复杂的城市道路网络.     

基于多层反卷积网络的SAR图像分类

针对传统特征提取方法不能提取目标高层结构特征的问题,提出了一种基于软概率的池化方法,结合多层反卷积网络,学习目标的高层结构特征,并将其用于合成孔径雷达(SAR)图像分类。首先对SAR图像进行子块划分,然后对每个子块进行基于多层反卷积网络的特征编码,学习出不同层次上的图像特征,最后将该特征用于支持向量机(SVM)分类器,实现SAR图像的分类。在国内首批SAR数据上的实验表明,该算法获得了较高的分类准确率。     

基于BP神经网络的机载高分辨率SAR图像分类方法研究

研究可用于机载高分辨率SAR图像分类的灰度共生矩阵惯性矩、能量等纹理特征量以及灰度特征量.提出特征提取和统计分析选取特征向量的方法,基于BP神经网络对图像进行临督分类,最后对分类结果采用数学形态学算法进行开运算去除细小区域.由于该方法充分考虑到SAR图像灰度特征和纹理特征信息,与传统的仅仅考虑纹理特征方法相比,具有较好的分类性能,实验结果表明该方法能够获得较好的分类效果.     

利用特征选择自适应决策树的层次SAR图像分类

提出了一种新的基于特征选择自适应决策树的层次分类算法,用于合成孔径雷达（synthetic apertureradar,SAR）图像的分类。采用Joint Boosting算法选择出最适用于各类的特征组合,并自适应地搜索构造出一个由两类分类器构成的层次分类器,利用特征选择结果和自适应决策树进行了SAR图像的学习和推理,实现了自动分类,在国内首批极化干涉SAR数据上的实验证明了本算法的有效性。     

一种高分辨率SAR图像快速目标检测算法

目标检测是自动目标识别(ATR)的第一个阶段。研究合成孔径雷达(SAR)图像目标检测问题,提出了一种基于Rayleigh分布的CFAR快速检测算法,将CFAR检测分成水平和垂直CFAR检测两步进行。利用相邻点参考窗口的重合及图像的分布特性,提高了参数估计的效率。算法同时利用目标方差特性以减少虚警率。对MSTAR数据进行实验,结果表明该算法具有较好的性能。     

基于混合模糊的SAR图像水陆分割算法

针对丹江口水库复杂环境背景下的水陆分割,提出一种基于混合模糊的SAR图像水陆分割算法。首先,该算法以统计SAR图像的灰度特征作为分割参数,采用自适应多阈值最大类间方差法(maximum between-class variance,OTSU)对库区水陆进行粗分割;然后,以各均匀区域的灰度均值作为初始化聚类中心的模糊C均值算法进行聚类迭代得到分类结果;最后,采用连通区域法,将邻域内较小的像素对象删除,从而实现水陆的精分割。通过对哨兵1A的GRDH数据实验表明,该方法对于地物种类和支流较多的内陆水域SAR图像有较好的分割效果。     

基于流形学习的高分SAR图像建筑区提取方法

高空间分辨率(简称"高分")SAR图像具有高维非线性特点,以高维空间蕴含的低维流形描述SAR图像,会更有利于目标识别。将流形学习应用到高维SAR目标识别的特征表达中,提出一种新的高分SAR图像建筑区提取方法。首先,对高分SAR图像进行预处理;然后,采用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取8种纹理特征,与灰度图像共同构建SAR图像的高维特征集;利用自适应邻域选择的邻域保持嵌入(adaptive neighborhood selection neighborhoods preserving embedding,ANSNPE)算法对高维特征集进行特征提取,提取出新的特征;最后,通过阈值分割及后处理提取建筑区,并进行精度评价。选择Terra SAR-X数据进行实验研究,结果表明,ANSNPE算法能够从高分SAR图像中有效提取建筑区,并具有较强的泛化能力;通过训练数据获得的投影矩阵可直接应用到新样本中,建筑区提取精度达85%以上。     

基于主动深度学习的极化SAR图像分类

针对极化SAR图像在监督分类时存在人工标注样本费时费力以及浅层结构学习算法的表达能力有限等问题,提出一种基于主动深度学习的极化SAR图像分类方法。首先,对测量数据进行多种极化特征提取,以便完整地描述图像信息;在此基础上,通过自动编码器对大量无标记样本进行非监督学习,提取更具可分性和不变性的深层特征;然后,利用少量标记样本训练分类器,并与自动编码器连接,以监督学习的方式微调整个网络;最后,通过主动学习,选择对当前分类器最有价值的样本(分类模糊度最大的样本)进行人工标记,并加入到训练样本中,重新训练分类器和微调网络。对RADARSAT-2和EMISAR极化SAR影像进行不同分类的实验结果表明,该方法能在更少人工标记的样本下获得较高的分类精度。     

基于图像特征的星载SAR图像模拟研究

SAR图像模拟技术被广泛应用于SAR系统的设计和验证、SAR图像的正射纠正、雷达图像解译和目标识别等。随着星载SAR的发展,必然面临着对星载SAR图像模拟的大量需求。本文首先从SAR图像的几何特征和辐射特征出发,探讨了SAR图像模拟技术的原理,分析了RD（Rang Doppler）模型,后向散射模型和斑噪模型。在传统RD模型的基础上,根据不同地形特征（起伏地形和平坦地形）考虑不同的后向散射模型。特别强调了在平坦地形情况下,需要地物分类数据的参与,并利用Ulaby和Dobson的后向散射模型。另外,在SAR图像统计特征的基础上,进行SAR图像的乘性噪声模拟,可以满足更逼真的SAR场景需求。然后,给出了图像模拟的算法流程,并对关键步骤的算法做了分析。最后,在实现基于图像特征的星载SAR图像场景模拟算法的基础上,选择新疆窝依牙地区和天津地区分别进行起伏地形和平坦地形的模拟试验,实验结果证明了本文模拟算法的有效性。