多基线层析SAR技术的研究现状分析

层析SAR技术是在干涉SAR （InSAR）基础上发展起来的一种信息反演技术。层析SAR技术弥补了传统InSAR技术在高程向上分辨能力缺失的不足,真正实现了距离向-方位向-高程向的三维成像。本文介绍了层析SAR成像的原理,讨论了成像过程中复图像配准、去斜、相位误差补偿及高程向成像等问题,总结了层析SAR成像的三类算法,分析了层析SAR技术在各领域的应用情况,最后指出了层析SAR成像技术目前存在的问题,并对未来层析SAR技术的发展趋势做出了展望。     

基于COSMO-Skymed数据的城市建筑物层析 SAR成像算法对比

通过合成孔径雷达(SAR)图像中重建建筑物和其他城市目标的方法,因其不受太阳光照射的影响和全天候能力,在许多遥感应用中具有很大的实际意义。并且通过星载传感器获取的高分辨率(VHR)的SAR图像获取的也能够监测大面积从而显著降低检测成本。目前比较常用于层析SAR三维重建的SAR影像来源主要有德国的Terra-SAR卫星以及意大利的COSMO卫星。本文通过现有的41景北京地区的通过COSMO卫星获取的SAR影像数据对几种层析SAR算法进行对比分析,通过对几种成像算法得出的实验结果进行对比分析后,分析了压缩感知算法与其他几种算法相比的优势以及后续需要继续改进的方面。     

高分辨率SAR影像道路交叉口自动提取方法

针对高分辨率SAR影像道路交叉口提取易受周围地物干扰的问题,设计了一种利用三角形检测模型提取道路交叉口的方法。该方法首先采取滤波与锐化消除道路交叉口区域噪声点并凸显道路边缘;接着根据灰度特征,通过形态学运算确定道路交叉口候选区域;最后在候选道路交叉口区域运用三角形检测模型,确认道路交叉口。使用3 m Tan DEM-X数据进行实验,结果证明算法对各种常见二维道路交叉口模型均有较好识别效果。     

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（compressedsensing,cs）和恒虚警率（constantfalsealarmrate,cfar）目标检测算法,用于合成孔径雷达（syntheticapertureradar,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     

层析SAR反演森林垂直结构参数现状及发展趋势

森林垂直结构参数反演是进行森林资源管理、森林蓄积量估算及全球碳循环研究的基础。层析合成孔径雷达TomoSAR(Tomography Synthetic Aperture Radar)是随着InSAR/Pol-InSAR技术的日益发展而产生的,更适用于森林垂直结构参数反演。本文首先介绍了TomoSAR的概念与实现方式:PCT(Polarization Coherence Tomography)、多基线干涉层析SAR MB-InTomoSAR(Multi-baseline Interferometric Tomographic SAR)、多基线极化层析SAR MBPolTomoSAR(Multi-baseline Polarization Tomographic SAR);概括了目前应用TomoSAR技术反演森林垂直结构参数的技术方法与信号模型等;论述了应用TomoSAR技术提取森林垂直结构参数的现状,最后分析了应用TomoSAR技术提取森林垂直结构参数可能的发展方向。     

用于SAR图像水域特征提取的斑点噪声压缩方法

本文介绍了合成孔径雷达（SAR）图像的特点,以SAR图像上水域的特征为基础,结合Lee—Sigma自适应滤波器的特点,提出了适合SAR图像水域特征提取的斑点噪声压缩方法,在试验中取得了良好的效果。     

基于压缩感知的地磁数据分频压缩与重构方法

构建高精度导航所用的地磁数据库时,需要对大量数据进行压缩。为保留必要的高频细节特征信息,提出一种基于压缩感知理论的数据分频压缩及联合重构方法。在余弦变换频域中对数据进行分频压缩编码,在数据重构算法中引入压缩感知理论。利用局部余弦变换系数作为线性测量观测值,通过解决小波变换域l1范数和时域稀疏梯度全变差正则化的模型,精确重构原始数据高频信息。利用实测地磁数据进行仿真试验的结果表明,仅使用25%的分频压缩采样测量系数,可精确重构原始数据;在相同压缩比下,分频压缩感知重构算法与传统滤波逆变换方法相比具有更高的精度,且峰值信噪比最大可提高5dB左右。     

高分辨率遥感影像主干道路提取的感知编组方法

针对高分辨率遥感影像的道路提取受"同物异谱、同谱异物"干扰的问题,该文提出一种基于感知编组的高分辨率遥感影像主干道路自动提取方法:首先,使用Line Segment Detector算法提取影像中直线段信息。然后,利用高分辨率遥感影像上的道路几何特征对直线段进行感知编组;最后,经过长度约束得到道路信息。使用两景影像进行了主干道路提取实验。实验结果表明,两个实验中主干道路提取的完整率、正确率和检测质量都在96%以上。     

压缩感知的信息论解译

压缩感知(compressed sensing or compressive sampling, CS)是数据采集与信号重构的新体制,其与信息论的关系是,应该且可以从信息论的角度对CS进行分析,而CS丰富和发展着信息论的内涵和外延。换言之,信息论的一些基本概念和原理(如信源、信道、信源编码、信道编码、率失真、Fano不等式、数据处理定理等)为CS研究提供了理论基础,尤其是在性能限(如采样数)的界定等方面;另一方面,CS提供了采集、存贮、 传输、恢复稀疏信号的高效方法,以其独特的理念和算法模式,提供了直接对信息的采样和处理机制,延拓了经典信息论的范畴。本文将梳理和阐释CS和信息论之间的关系,力图从信息论角度揭示CS中的一些基本问题,尤其是CS采样问题,并寻求用信息论指导CS的学习与研究。     

高分辨率SAR与光学遥感影像中道路提取方法的研究

高分辨率影像能够提供丰富的地表细节信息,从高分辨率遥感影像中进行高精度的道路提取是目前遥感信息处理的研究热点。分别以高分辨光学IKONOS影像和COSMO-Skymed SAR影像为数据源,对北京市某区域进行了道路信息自动提取方法的研究。高分辨率光学影像中采用最大似然分类进行道路信息提取,在SAR影像中则采用Otsu阈...     

高分辨率遥感影像分割方法研究

在遥感应用分析中,遥感影像分割是低层影像处理和中高层影像分析和理解的桥梁,是实现遥感影像信息自动提取的关键步骤,具有重要的意义。随着大量高分辨率遥感影像的出现,传统基于像素的影像处理方法已不能适应高分辨率遥感影像。近年来,国内外研究者们提出了面向对象影像的分析方法,而面向对象影像分析方法的关键就是影像分割,影像分割精度直接影响着高分辨率遥感信息提取和目标识别的精度。首先给出一般图像分割方法的综述;然后分析和总结了当前主要的高分辨率遥感影像分割方法,着重阐述了均值漂移、分形网络进化、马尔科夫随机场等分割方法的特点和研究现状;最后,对高分辨率遥感应用分析中影像分割方法的发展趋势进行了讨论与展望。     

高分辨率遥感影像的精纠正

论述了对高分辨率遥感影像进行精纠正获得正射影像的关键技术。若干实际不同分辨率的高分辨率遥感影像被用于相应的实验,实例证明了本文算法的正确性。     

高分辨率遥感影像滤波算法综述

高分辨率卫星影像空间分辨率高,地物结构纹理信息突出,常用于土地利用监测、自然灾害预报等领域,但其所含的背景噪声影响了影像识别和分析的有效性和可靠性,因此,选取合适的滤波方法消除各种噪声成为遥感影像处理的首要任务。在遥感技术发展的几十年中,研究者们针对各种噪声类型已发展了多种滤波方法。本文分析了高分辨率遥感影像噪声的特点,介绍了一些传统的滤波算法和近年来广泛应用的新型滤波方法,并深入探讨各种滤波器的性能及其优缺点,为今后选择合适的算法消除高分辨率遥感影像噪声提供参考,最后对遥感影像滤波方法的发展前景进行了展望。     

高分辨率遥感影像的深度学习变化检测方法

为提升高分辨率遥感影像的变化检测精度,提出一种利用深度学习的变化检测方法。在预处理的基础上,利用顾及邻域信息的改进变化矢量分析算法和灰度共生矩阵算法获取影像间光谱和纹理变化,并通过设置自适应采样区间提取最可能的变化和未变化区域样本。构建并训练包含标签层的高斯伯努利深度限制玻尔兹曼机模型,以提取变化和未变化区域深层特征,从而有效辨别变化区域。通过WorldView-3与Pléiades-1影像的试验表明本文方法在变化检测精度方面优于对比方法。     

多特征多尺度相结合的高分辨率遥感影像建筑物提取

在高分辨率遥感影像中,建筑物通常表现为多尺度形态,且存在同谱异物和同物异谱现象。因此,本文提出了一种综合利用光谱特征、形状特征和纹理特征,并结合多尺度分割的建筑物分级提取方法。该方法首先对遥感影像进行形态学建筑物指数（MBI）计算,而后对其特征影像进行阈值分割,并借助形状特征参数实现建筑物初提取;然后引入面向对象思想完成遥感影像多尺度分割,并利用纹理特征实现单一尺度的建筑物对象识别;最后借助多尺度融合思想完成建筑物后提取。利用本文方法对冲绳某地区影像进行了建筑物提取试验。试验结果表明,该方法的识别查准率和查全率在对象级和像素级两方面均取得较高精度。     

基于PCAnet的高分辨率遥感影像场景分类

高分辨率遥感影像中的场景信息,对影像解译和现实世界的理解具有重要意义。传统的场景分类方法多利用中、低层人工特征,但是高分辨率遥感影像的信息丰富,场景构成复杂,需要高层次的特征来表达。本文提出一种基于PCAnet的高分影像场景分类算法,无监督地逐级提取深层特征。首先,利用显著性探测算法获取显著图,根据显著区域,采样具有代表性的影像块作为初始样本集;然后,将样本集输入到PCAnet中进行特征提取;最后,利用支持向量机(SVM)进行分类。高分影像场景数据UC Merced 21类实验表明,与已有方法相比,本文方法能够有效地提高分类精度。     

一种融合超像素与最小生成树的高分辨率遥感影像分割方法

影像分割是面向对象高分辨率遥感影像分析的基础与关键。针对传统影像分割方法易受噪声影响,且难以确定合适的影像分割尺度的问题,本文提出了一种融合超像素与最小生成树的高分辨率遥感影像分割方法。首先用简单线性迭代聚类算法对影像进行过分割生成超像素;然后初始设定影像分割数,采用区域动态约束聚类算法对超像素进行合并,获得分割数-方差和、分割数-局部方差、分割数-局部方差变化率指标图,依据3个指标图确定合适的影像分割数;最后根据确定的合适影像分割数,采用区域动态约束聚类算法对超像素重新合并得到分割结果。定性对比试验和定量评价结果表明,本文方法可以有效地克服影像噪声对分割结果的影响,获得良好的影像分割结果。