基于Contourlet域HMT和D-S证据融合的SAR图像分割

针对Contourlet的多尺度、局部化、方向性和各向异性等优点,结合隐马尔科夫树(hidden Markov tree,HMT)模型和D-S(Dempster-Shafer)证据理论,提出一种新的SAR图像分割算法。该算法首先将隐马尔科夫树模型推广到Contourlet域,在多尺度HMT上采用D-S证据融合理论有效地融合Contourlet系数的持续性和聚集性,最后导出融合后的最大后验多尺度分割公式。本文算法对实测SAR图像进行分割试验,试验结果表明:与小波域上的HMT-MRF(Markovrandom field,MRF)融合分割及Contourlet域上HMT和MRF分割算法相比,本文算法在抑制斑点噪声的同时,可有效地提高SAR图像的分割精度。     

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.     

一种基于证据理论的多极化SAR图像分割方法

本文提出了一种基于证据理论的融合像素信息和上下文信息的多极化合成孔径雷达(SAR)图像分割方法.D-S证据理论是一种不确定性推理方法.基于D-S的SAR影像分割方法将像素信息和上下文信息看作两类证据,先对高度平滑后的影像作初始的过分割,然后基于D-S理论对初始分割图斑的边界进行迭代修正,最后再融合两类证据对初始分割的图...     

遥感图像分割的迭代上下文融合小波域HMT模型

由于已有小波域HMT(hidden Markov tree)图像分割算法在上下文融合阶段直接对数据块大小不等的相邻两尺度进行信息融合,导致细节信息分割不充分。为此,提出一种基于迭代上下文融合的小波域HMT模型图像分割算法。该算法在上下文融合阶段采用迭代融合方法,将每一尺度的融合结果作为该尺度的上下文信息再次融合,并设置变化阈值作为迭代终止条件。利用Brodatz纹理组合图像和Formosat-2遥感图像进行分割试验。定性和定量分析表明本文算法能改善图像分割的细节效果,进一步提高图像分割精度。     

基于Contourlet变换的遥感图像融合方法研究

为了充分利用多源遥感图像的影像信息,针对不同分辨率的遥感图像进行融合算法研究。通过对基于小波变换(warelet transform,WT)与IHS变换的改进算法研究,提出了基于轮廓波变换(Contourlet transform,CT)与IHS变换的改进算法:结合传统IHS彩色空间变换,将经IHS变换获得的多光谱图像亮度分量与原全色图像分别进行CT;然后对得到的低频分量采用自适应融合规则、高频分量采用基于区域相似度的阈值控制规则分别进行融合;最后对融合后的高频和低频分量进行Contourlet逆变换,得到最终的融合图像。对比实验结果表明:本文提出的方法能够在有效保留光谱信息的同时,纳入全色图像丰富的空间细节信息。融合之后的结果图像与原多光谱图像具有更高的相关系数和更小的光谱畸变度,并且信息熵和标准差较传统WT及CT更优,具有一定的实用性。     

基于NSCT与IHS变换的SAR与多光谱图像融合

针对SAR图像和多光谱图像提出了一种基于NSCT与IHS变换的图像融合方法。首先对多光谱图像进行IHS变换;然后对SAR图像和多光谱图像的I分量分别进行NSCT分解,在不同频域子带系数选择时,针对高频系数和低频系数分别采用不同准则进行融合得到新的I分量;最后经IHS逆变换得到融合图像。为验证算法性能,分别选用2组不同空间分辨率比的SAR与多光谱图像开展融合实验,采用信息熵、平均梯度、相关系数等客观指标与主观评价相结合的方式,对融合结果进行分析。结果表明,该方法优于传统融合方法。     

基于小波域隐马尔可夫树模型的SAR图像去噪

从小波变换和隐马尔可夫模型的理论出发,实现基于小波域隐马尔可夫树模型的图像去噪算法设计,并对具有乘性噪声的SAR图像进行去噪处理。结果表明,与传统的各种去噪方法相比,该算法对SAR图像的去噪效果非常显著,在去噪的同时能够很好地保持原图像的纹理细节特征,具有一定的应用价值。     

基于贝叶斯框架和Gamma分布的SAR图像分割

图像分割作为图像处理的关键步骤之一,一种高精度的SAR图像分割方法在图像分析与解译中显得尤为重要。根据SAR图像的统计特性,本文主要研究基于贝叶斯框架和Gamma分布的SAR图像分割方法,分别以单一Gamma分布概率模型和Gamma混合模型定义像素属于聚类的或然率;此外,基于马尔科夫随机场理论定义像素与其邻域像素标号间相互作用关系,并以此作为先验概率;然后,根据贝叶斯定理得到像素属于聚类的后验概率。最后,分别基于上述两种方法对模拟SAR图像及真实SAR图像进行分割实验。结果表明,Gamma混合模型较单一Gamma分布能够更加准确地描述SAR图像分布特征,得到高精度的分割结果。     

基于交互式分割技术和决策级融合的SAR图像变化检测

为免去去除斑点噪声的预处理操作及克服选择分布模型的限制,本文结合差异图的特点和一种不涉及分布模型的交互式分割方法,产生不同“种子点”下的变化检测结果后,再利用投票策略对其进行决策级的融合给出最终的变化检测结果。分割中,将每个像素的特征设为差异图及由静态小波变换分解差异图再丢弃高频系数后重构得到的各层表示中,其对应位置上的灰度值构成的矢量。此特征及决策级融合的策略使本文的变化检测技术对SAR图像中的斑点噪声具有一定的鲁棒性。在无需对SAR图像做预处理的情况下,对真实SAR图像数据集的变化检测结果,其效果优于其他相关技术的。     

一种多极化SAR图像融合方法研究

本文针对多极化SAR图像的融合问题,提出了一种基于非下采样Contourlet变换(NSCT)与脉冲耦合神经网络(PCNN)的图像融合方法。此方法用NSCT对已配准的多极化SAR图像进行分解,得到低频子带系数和各带通子带系数;采用简化的PCNN模型分别对低频子带和高频子带系数进行智能决策,并进行NSCT逆变换得到融合图像。经实验表明该方法能够最大程度地保留原始极化SAR图像的信息,融合效果好于基于单个像素和局部特征的融合方法。     

基于非下采样Contourlet变换的极化SAR图像融合与去噪

针对非下采样Contourlet变换(NSCT)在处理噪声影像中具有的优势,以及同极化SAR图像(HH、VV)之间的相关性与互补性,本文实验了一种基于非下采样Contourlet变换的极化图像融合方法。该方法首先对每个极化图像进行多尺度、多方向分解,然后对不同分解子带系数分别采用有利于斑点噪声去除和信息增强的融合规则进行融合,最终通过NSCT反变换得到融合图像。通过信息熵、相关系数以及等效视数等指标的评价,验证了该方法可以有效地实现信息增强,同时该方法也在一定程度上降低了斑点噪声的负面影响。     

利用纹理特征的SAR与光学图像融合方法研究

针对SAR与光学图像的融合问题,提出一种基于SAR图像中纹理特征的Contourlet变换融合方法。利用灰度共生矩阵法提取SAR图像的纹理特征,分析各个纹理特征间的相关性,得到重要纹理特征图。用HSV变换提取光学图像的强度分量。将重要纹理特征和强度分量利用改进的Contourlet多尺度变换融合,得到新的强度分量。通过HSV逆变换得到SAR与光学的融合图像。利用Landsat8和Cosmo-SkyMed图像进行融合实验,并与小波、HSV、Brovey、Contourlet变换融合方法对比分析,实验表明该方法能够较好的保持光学图像的光谱特征和SAR图像的纹理、强散射特征,增加图像细节信息,提高图像可解译性。     

自适应蚁群和模糊聚类的SAR图像分割

针对传统蚁群算法及模糊C-均值聚类算法在合成孔径雷达遥感图像分割中精度低下和收敛速度较慢的问题,该文提出了一种改进的自适应阈值的蚁群及模糊C-均值聚类算法,实现对复杂合成孔径雷达图像进行分割。针对不同的合成孔径雷达图像,首先利用最大类间方差法获取最优阈值,通过最优阈值干预避免蚁群算法陷入局部最优解;再将自适应阈值蚁群算法得到的聚类中心和聚类类别数输入模糊C-均值聚类算法中,最终实现图像分割。实验结果证明,该算法在时间和误分率上较传统方法有显著的改进。     

基于最大后验和非局域约束的非下采样轮廓波变换域SAR图像去噪方法

本文提出了一种基于最大后验和非局域约束的非下采样轮廓波变换域SAR图像去噪方法。根据SAR图像数据的特征,引入了非对数加性模型,并在该模型下对SAR图像NSCT域中的噪声分布统计建模,应用最大后验（MAP）准则和Non-Local（NL）约束相结合的方法解求SAR图像真实信号的NSCT系数。实验结果表明,本方法具有良好的去噪能力并在性能上优于当前主流方法。     

一种SAR原始数据的变换域编码算法

根据SAR原始数据经沃尔什变换(WHT)后的系数特性,提出了一种在沃尔什域按各子带能量分布作变比特块自适应量化的算法-沃尔什域块自适应量化(WHT-BAQ),并将本方法与时域BAQ算法和FFT-BAQ算法作了比较.实验证明,在相同比特率下,WHT-BAQ算法的数据域和图像域信噪比均比时域BAQ算法高,与FFT-BAQ算法性能相当.WHT-BAQ算法的运算量略大于时域BAQ算法,但大大小于FFT-BAQ算法的运算量.加之沃尔什变换具有不作乘法、有快速算法的特性,所以将它用于SAR原始数据压缩有一定的优越性.