SAR图像多尺度积增强的目标检测算法

合成孔径雷达（SAR）成像系统的热噪声和海杂波严重影响SAR图像自动目标检测的性能,去噪和均匀背景杂波是提高SAR图像目标检测性能的重要课题。根据SAR图像噪声功率一般存在于信号小尺度,没有跨尺度特征,而目标信号的边缘具有跨尺度的特点,本文提出了一种多尺度积信号增强和去噪的SAR图像船舰目标检测算法。本算法对SAR图像进行小波变换,应用多尺度积在小波域增强SAR图像船舰信号和均匀背景杂波,再对SAR图像进行目标检测。ERS SAR图像用于验证本文算法。仿真实验结果表明,新算法同传统的双参数CFAR检测算法、基于K-分布背景杂波的检测算法以及基于小波软阈值增强的检测算法相比,在虚警数和品质因数性能指标上均优于后几种检测算法。     

一种基于特征分类辨识的SAR图像目标检测方法

该文给出了一种基于特征分类辨识的合成孔径雷达（Synthetic Aperture Radar,SAR）图像目标检测方法。用恒虚警（Constant False Alarm Rate,CFAR）和扩展分形（Extended Fractal,EF）方法对SAR图像进行目标检测后用面积和峰值能量比算子辨识目标和背景杂波,去除一部分虚警,用小波域主成分分析（Principal Component Analysis,PCA）对每个检测窗口内的图像提取特征向量,用支持向量机（Support Vector Machine,SVM）对提取得到的特征向量进行分类,辨识目标和背景杂波,完成目标检测。使用ADTS数据对该方法进行验证和分析,实验结果表明,经过特征分类辨识后,在检测率不变的情况下,虚警数目显著降低。因此,该方法是一种有效的SAR图像目标检测方法。     

一种优化的极化SAR图像海面目标检测方法

提出一种优化的极化SAR图像海面目标检测方法,结合改进的极化SAR四分量分解中的螺旋散射分量与Wishart分类器,充分利用极化散射特性、结构特征、统计特性来进行目标的自动检测。同时通过纹理特征相似性克服了Wishart分类器在无目标海域检测时容易将强度值较高的海杂波误认为目标的缺陷。采用美国无人机UAVSAR在Mexico海域和巴拿马Barro Colorado Island海域获取的两组L波段全极化数据进行实验验证。实验结果表明:文中的优化方法能够较准确检测海面目标,很好地降低虚警率;同时解决了Wishart分类器在无目标海域发生错检的问题。     

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。     

利用方向性粗糙度特征对SAR图像目标检测的研究

从反映纹理信息的粗糙度特征出发,深入研究利用方向性粗糙度特征对SAR图像进行目标检测的方法.方向性粗糙度特征是用指数小波在一个尺度上对检测图像滤波,对特定大小目标用能量关系函数求得各像素点在一个方向上的分形特征.针对MSTAR数据和ADTS数据的SAR图像,确定了用该方法检测目标时的最优参数.分别用方向性粗糙度特征和恒虚警率(CFAR)方法对上述两种不同波段的SAR图像进行目标检测,检测结果表明:方向性粗糙度特征能以更低虚警率检测出全部特定大小的目标,而且目标空间可分辨性好、位置指示准确.     

可适应阵列误差和非均匀杂波环境的多通道SAR图像域STAP方法

多通道SAR图像域STAP方法是一种利用了长相干积累时间的STAP方法,其杂波抑制和运动目标检测能力强.但是,目前的多通道SAR图像域STAP方法均是在理想条件下给出的,没有考虑阵列误差和非均匀杂波环境对其性能的影响.文中分析了阵列误差和非均匀杂波环境的影响,提出了一种可适应阵列误差和非均匀杂波环境的多通道SAR图像域STAP方法.基于实测杂波数据的实验验证了所提方法的正确性.     

基于分布模型差异的SAR变化检测

基于SAR图像的杂波统计特性,采用信息论中的交叉熵给出了一种提取多时相SAR图像差异的方法.采用瑞利分布函数作为SAR图像的分布模型,基于交叉熵导出了计算两幅SAR图像的差异因子;并采用恒虚警率(CFAR)的方法自动分割变化区域,取得了较好的结果.     

Yamaguchi分解Notch滤波的全极化SAR图像舰船目标检测

极化合成孔径雷达数据蕴含了丰富的地物极化散射信息,已广泛应用于海上舰船目标检测研究。针对极化相干矩阵无法直接用于分析特定散射体物理特性的缺陷,利用Yamaguchi极化分解改进了极化Notch滤波器。将基于模型的极化分解方法引入Notch滤波器,利用表面散射、二次散射、体散射和螺旋体散射等散射机制的能量构造散射矢量代替极化相干散射矢量,并加入功率能量因子,构造新的极化SAR图像Notch滤波器。Radarsat-2全极化SAR图像实验结果表明,改进算法有效增强了舰船目标与海杂波背景间的对比度,检测性能优越。     

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。     

一种多孔径SAR图像目标检测方法

提出了一种多孔径SAR图像目标检测方法,充分利用SAR图像幅度和相位信息来区分人造目标和杂波。由于人造目标的回波能量往往集中在部分方位角范围内,当该部分方位角范围所对应的多个子孔径图像中存在目标时,其局部相关性较强,因此,该方法利用多个子孔径图像之间的相干系数检测目标。实验结果表明,该方法有效地提高了目标检测概率,同时降低了虚警概率。     

基于地形特征的采煤沉陷盆地构建与水平移动信息智能提取方法

在西部黄土高原复杂地形地貌下构建采煤沉陷盆地和提取水平位移的难度较大,传统地表沉降监测手段只能获取线状数据,效率低,而重复轨道合成孔径雷达干涉测量技术在大梯度形变区域易出现失相干现象,难以达到矿区地表沉降监测精度要求。提出了一种基于无人机载激光雷达点云数据构建沉陷盆地和提取水平位移的方法。结合多地形因子构建深度神经网络（deep neural network,DNN）模型,提取沉陷盆地构建过程中受地形影响较小的特征稳定区,利用较优插值算法对稳定区进行拟合,得到完整沉陷盆地。为了提取采煤地表水平移动信息,将二进制形状上下文特征描述算子与多地形因子融合起来,以改进特征匹配算法。基于此设计地表水平移动提取方案,提取主断面水平移动信息,同时对水平移动提取误差与点云密度、地形因子进行定量分析。榆神矿区结果表明,利用结合地形因子的DNN模型能有效提取特征稳定区,在复杂地貌下减小了沉陷建模误差,为构建采煤沉陷盆地提供了一种新方法;利用融合地形特征的改进特征匹配算法提取的水平移动曲线符合采煤沉陷水平移动基本规律,与水平移动偏差相关性较强的地形因子可用于衡量改进特征匹配算法对水平移动提取误差的大小。     

基于Harris与RANSAC算法的无人机影像拼接方法研究

针对Harris算法在进行无人机影像拼接时的特征点误匹配问题,利用RANSAC算法对误匹配的特征点进行剔除,进而实现无人机影像的无缝拼接。首先,基于Harris算法提取兴趣点,利用最短欧式距离进行特征匹配;然后,利用RANSAC算法实现对特征点的精确匹配;最后,利用RANSAC算法得到的单应性矩阵完成无人机影像拼接。实验结果表明:本文方法能够较好地剔除无人机影像拼接时误匹配的特征点,实现对无人机影像的拼接,拼接效果良好。     

基于分形理论的航空图像分类方法

提出一种基于分形理论和BP神经网络的航空遥感图像有监督分类方法。该方法尝试将航空图像的光谱信息和纹理特征相结合。它首先将彩色航空图像由RGB格式转化为HSI格式，然后，根据亮度计算分数维、多重分形广义维数谱q-D(q)和“空隙”等基于分形的纹理特征，同时加入归一化的色度和饱和度作为光谱特征，采用BP神经网络作为分类器。通过对彩色航空图像的分类实验，结果证实该方法行之有效。     

基于分形理论的航空图像分类方法

提出一种基于分形理论和BP神经网络的航空遥感图像有监督分类方法。该方法尝试将航空图像的光谱信息和纹理特征相结合。它首先将彩色航空图像由RGB格式转化为HSI格式，然后，根据亮度计算分数维、多重分形广义维数谱q-D(q)和“空隙”等基于分形的纹理特征，同时加入归一化的色度和饱和度作为光谱特征，采用BP神经网络作为分类器。通过对彩色航空图像的分类实验，结果证实该方法行之有效。     

An Analysis of Texture Measures in PCA-Based Unsupervised Classification of SAR Images

In single-band single-polarized SAR images, intensity and texture are the information source available for unsupervised land cover classification. Every textural feature measure identifies texture patterns by different approaches. For efficient land cover classification, textural measures have to be chosen suitably. Therefore, in this letter, the role of various intensity and textural measures is analyzed for their discriminative ability for unsupervised SAR image classification into various land cover types like water, urban, and vegetation areas. To make the algorithm adaptable, these textural features are fused using principal component analysis (PCA), and principal components are used for classification purposes. To highlight the effectiveness of PCA, the difference between PCA- and non-PCA-based classifications is also analyzed. Analysis of the role of texture measures for unsupervised classification of real-world SAR data with application of PCA is presented in this letter. The analysis of how every individual feature measure contributes for classification process is presented, and then, textural measures for a feature set are chosen according to their role in improving classification accuracy. By analysis, it is observed that the feature set comprising mean, variance, wavelet components, semivariogram, lacunarity, and weighted rank fill ratio provides good classification accuracy of up to 90.4% than by using individual textural measures, and this increased accuracy justifies the complexity involved in the process.     

基于GA-SIFT算法的无人机航拍图像实时拼接

为实现无人机航拍图像的实时拼接,本文深入研究了无人机航拍图像拼接中的关键技术,提出了一种基于遗传算法优化的图像拼接算法。首先利用SIFT算法提取图像的特征点,在特征点粗匹配过程中,采用欧氏距离作为相似度测量,利用遗传算法的并行性优化特征点匹配性能;然后使用RANSAC算法去除误匹配点对并获得转换矩阵,从而完成图像拼接。试验结果表明,采用遗传算法进行特征匹配,可大大降低匹配时间,匹配时间与特征点数量成正比;同时提高了匹配精度,进而提高了图像拼接的实时性和稳健性。     

基于SOFM网络的声图非监督分类

利用局部窗口内的灰度纹理共生矩阵的统计量、灰度均值和两个分维数作为特征矢量，利用SOFM网络进行非监督分类侧扫声纳海底图像，通过实测数据验算，取得了理想的效果。     

结合IR-MAD与均值漂移算法的密集城区遥感影像变化检测

不同时相遥感影像变化检测已成为土地利用变更调查、城市扩张分析、自然灾害分析及其他环境问题必不可少的技术手段之一。本文提出了一种结合IR-MAD与均值漂移算法的密集城区遥感影像变化检测方法。该方法通过伪不变特征法完成两期影像的相对辐射校正,有效改善影像间的配准误差,并利用IR-MAD算法对校正后的影像进行迭代运算,采用均值漂移算法对迭代后的影像进行分割,同时运用形态学方法处理分割后的影像,最终提取变化图斑。试验结果表明,该方法可以有效检测出变化区域,可应用于城市地表覆盖的变化检测。     

改进FAST和对立颜色特征的向量场一致性匹配

针对目前传统图像匹配算法在复杂环境下存在误匹配点对过多、稳健性较差等问题,本文提出一种基于改进FAST的特征点提取,结合对立颜色特征的图像匹配算法。首先,利用改进FAST算法提取的角点作为特征点,结合改进的Opponent SIFT算法对特征点进行描述;然后,使用基于字符定位算法对提取的特征点对进行粗匹配,降低整体匹配过程中特征点对误匹配的风险。最后,为了规避因RANSAC算法易陷入局部最优解而导致正确点对被误剔除的问题,运用向量场一致性替代RANSAC进行提纯,降低误匹配率。通过对比试验表明,改进算法匹配准确率均大于91%,且对差异变化具有较好的稳健性、适应性。     

遥感影像反立体纠正方法研究

以四川省广元市某区遥感影像为例，尝试了一种基于DEM和IHS变换的遥感影像反立体纠正方法。该方法首先对IHS变换得到的亮度分量I进行滤波处理，将反映地物反射率差异的亮度信息与地形因子信息分离，然后用DEM制作的地形阴影图替换原图像中的地形因子信息，最后进行IHS反变换。试验结果表明，该方法能有效纠正遥感图像上的反立体现象，并基本保持与原图像色彩一致。