一种新的SAR图像局部拟合活动轮廓模型

本文基于I-divergence-TV(IDT)去噪模型和变分水平集方法提出一个新的局部拟合活动轮廓模型。该模型能有效解决SAR图像的分割问题,并且不需要周期性地更新水平集函数。通过对合成图像和实测Envisat SAR图像的分割实验,提出的模型与局部拟合RSF模型相比具有更准确的边缘定位能力和噪声抑制能力。     

基于统计模型的变分水平集SAR图像分割方法

针对SAR图像感兴趣区域分割问题,提出了一种基于统计模型的变分水平集分割方法。该方法在分析SAR图像特征的基础上,利用相干斑噪声的统计模型直接定义了关于水平集函数的能量泛函,不同于一般水平集方法中关于参数化曲线的能量泛函。通过极小化能量泛函,建立了水平集函数演化的偏微分方程。对水平集演化方程的数值求解,实现了对SAR图像感兴趣区域的分割。分别采用模拟和真实SAR图像对提出的方法进行了验证,试验结果表明该方法充分利用了SAR图像的特征信息,不需要相干斑噪声预处理,能够准确实现对SAR图像感兴趣区域的分割。     

基于分层多区域CV模型的SAR图像分割

在SAR图像分割中,尤其是车辆目标的SAR图像分割中,一般需要得到目标和阴影两个区域的分割结果。文中为了解决车辆目标的SAR图像多区域分割,提出了一种分层多区域CV模型,该模型结合了一种新的惩罚项,并且同时使用水平集函数的阶跃初始化,使模型具有了良好的水平集演化的属性。同时,模型对噪声的敏感性下降,使模型适用于未预处理的SAR图像。最后,对比Chan-Vese多区域分割模型,将分层多区域CV模型应用于未预处理的SAR图像,实验结果验证了模型的有效性。     

基于LBM对流扩散方程的水平集图像分割方法

为使图像处理更快速稳定,文中通过研究偏微分方程的元胞自动机模型,提出了一种基于格子波尔兹曼模型（LBM）对流扩散方程的图像分割算法：用对流扩散方程替换水平集方程,利用LBM求解对流扩散方程,实现基于LBM的水平集图像分割。实验分析表明,该方法能精确求解对流扩散方程,算法模型能够取得闭合的分割曲线,同样能够很好的处理图像拓扑结构的变化。并且通过与水平集方法和窄带水平集方法进行计算速度实验对比,可证明该算法大大减少了分割的计算量。     

基于Otsu和改进CV模型的SAR图像水域分割算法

图像分割是SAR图像处理中基本而关键的技术之一,也是影响SAR图像自动解译性能的一个重要步骤。由于受相干斑噪声影响严重,SAR图像分割一直是一个公认的难题。针对Otsu算法对SAR图像分割精度不高以及CV模型对初始条件敏感和演化效率低等问题,本文提出了一种融合分割算法。采用快速一维Otsu算法对图像进行粗分割,分别将得到的水体区域和水体轮廓作为CV模型的分割区域和初始条件,降低了CV模型的场景复杂度,提高了分割速度,减弱了CV模型对初始条件的敏感性。利用图像边缘强度信息代替CV模型中的Dirac项,改进了CV模型的偏微分方程,使分割算法更好地适应SAR图像的同时提高了CV模型的收敛速度。实验结果表明,融合分割算法具有分割边界定位准确、运行高效、无需设置初始条件等优点。      

利用规则化热扩散方程的SAR图像桥梁检测

提出了一种利用规则化各向异性热扩散方程SAR图像分割的桥梁检测算法.该算法在Pemna和Malik提出的各向异性热扩散方程的基础上构造了一个新的扩散函数,利用数值逼近理论,得到一个新的规则化扩散模型,用此模型对图像初始分割的最大后验概率矩阵进行多尺度各向异性平滑,得到图像中河流的精确分割结果,最后在分割后的图像中按累加方向能量最小准则进行桥梁目标检测.真实数据实验结果表明,该方法能有效地抑制强斑点噪声,快速、精确地检测出SAR图像桥梁目标,同时保持桥梁的结构信息.     

基于水平集的热红外运动人体目标分割算法

水平集活动轮廓模型是一种优秀的图像分割方法.针对红外人体检测系统中的图像分割难题,提出了一种基于水平集活动轮廓模型的新算法.该算法包含水平集运动检测模块、水平集亮度检测模块和融合模块.水平集运动检测模块融合了水平集和背景相减技术,通过演化水平集函数同时实现前景分割和背景估计,它用于检测序列中的运动区域,并将其演化结果输入到下一检测模块.水平集亮度检测模块融合了水平集和阈值分割技术.在给出双阈值时,可分割出亮度在双阈值所限定范围内图像区域,它用于检测序列图像序列中可能包含人体目标的全部区域.利用形态学开重建技术,融合模块在融合前两个模块检测结果后输出算法最终分割结果.此外,采用快速数值算法演化水平集检测模块以及优化设置整个算法流程,改善算法运行效率.实验结果表明,相对其他典型算法,该算法具有较高分割精度和运行效率,且对时序亮度变化和镜头运动鲁棒性更好.     

适用于高分辨SAR图像的全局稳态最小水平集分割方法

该文针对高分辨率SAR图像的分割问题提出了一种新的快速的水平集方法。该方法基于G0分布能够同时描述高分辨率和中低分辨率条件下的SAR图像统计特性,通过水平集方法求解能量泛函最小化实现SAR图像的分割。由于能量泛函被设计为具有全局稳态最小值,使得该方法具有较好的全局分割能力和比较快的分割速度,从而增强了该方法的实用性。利用模拟和真实SAR图像上的分割实验验证了该方法的有效性。     

改进边界指示函数的水平集活动轮廓模型

由于受成像原理的限制,导致超声图像对比度低、边界模糊,因此基于边界的水平集分割效果很不理想。为了提高超声图像的分割精度和分割效率,提出了一种梯度信息与区域信息相结合的水平集分割算法。首先对基于边界的距离正则化水平集演化(DRLSE)模型进行改进,将区域信息引入到边界指示函数中,并用改进后的边界指示函数代替DRLSE模型中的边界指示函数,最后,得到一个梯度与区域信息相结合的水平集演化模型。结果表明,本文中的模型能准确分割甲状腺肿瘤超声图像,且在分割效率和分割精确度方面均比DRLSE模型有所提高。     

SAR图像分割的G_A~0统计模型-水平集方法

由于合成孔径雷达(Synthetic Aperture Radar,SAR)图像易受相干斑噪声的影响,光学图像的分割方法并不适用于SAR图像,更不能获得精确的分割结果,首先基于G0A统计模型定义能量映射函数以代替像素值进行后续的处理,该方法可以减小相干斑的影响;其次,使用水平集算法对处理后的图像进行分割处理,选用了一种形式更为简单的水平集函数,并可以较容易地推广到多区域SAR图像分割情况.实验结果表明该方法可以减少相干斑噪声对SAR图像分割过程的不良影响,具有较好的准确性.     

Restoration of speckle noise corrupted SAR images using regularization by denoising

Speckle noise removal is a well-established problem in synthetic aperture radar (SAR) image processing. Among different methods focused on the reconstruction of SAR images, variational models have achieved state-of-the-art performance. In this paper, a Rayleigh based speckle reduction algorithm is developed using the variational framework. The forward model is combined with recently proposed regularization by denoising (RED) prior. However, RED has been proposed in literature for the additive noise model. Multiplicative noise in SAR images prevents the direct application of RED to variational models. Hence, logarithm transformation is applied to change the multiplicative noise model to additive model, and the forward model from Rayleigh to Fisher–Tippett distribution. The resulting optimization problem is solved using the alternating direction method of multipliers. Further, the proof of the convergence analysis is carried out for the above framework. Simulations convey that the proposed method has better despeckling performance compared to that of state-of-the-art methods.     

基于广义Gamma分布的高分辨率SAR图像海岸线检测

本文针对高分辨率SAR图像,采用广义Gamma分布（GΓD）对杂波进行建模,在此基础上提出一种基于水平集分割的海岸线检测方法.GΓD是一种高度灵活的经验分布模型,能够对SAR图像不同类型的地物进行有效建模,其参数可由对数累量法估计得到.基于该分布建立能量泛函,并通过水平集方法最小化能量泛函进行海陆分割,得到海岸线检测结果.利用两幅TerraSAR-X实测SAR图像实验证明,该方法可以实现更精确的海岸线检测.     

基于改进自调整图谱方法的SAR图像分割

谱聚类是在给定数据集上用基于图论的方法进行分类,并已广泛地应用于SAR图像分割.自调整谱聚类（self-tuning spectral clustering,简称STSC）方法是一种可以自动确定尺度因子和分类数的方法.本文给出了一种改进的STSC方法,使用熵函数作为自动求分类数的代价函数,使得分类数的计算更加准确和有效,提高了方法的分类精度.实验表明,改进的STSC方法对自然图像、SAR图像的分割精度高于原STSC方法.     

基于一维匹配滤波的SAR目标识别

为克服合成孔径雷达(SAR)目标位置和姿态不确定性对识别性能的影响,提出了一种基于一维匹配滤波的SAR目标识别方法。基于姿态估计对目标图像进行预处理,基于一维匹配滤波定义两样本图像间的相似度或距离,并采用最近邻分类器。在MSTAR公开数据集上进行了实验,已知和未知目标姿态情况下的识别率分别达到98.8%和98.2%。实验结果表明,所提出的方法性能优于支持向量机(SVM)方法。     

SIFT算法在雷达图像匹配中的应用

为了提高合成孔径雷达（SAR）图像匹配的稳定性和可靠性,提出了一种基于SIFT特征的雷达图像匹配方法。对不同条件下的同源和非同源的SAR图像进行了大量的实验,给出了初步的匹配结果。实践证明,对于本文研究的数据源,该算法稳定可靠,有很好的有效性和鲁棒性。     

基于模糊贴近度和非紧凑邻域的变化检测

提出一种新的模糊贴近度差异图,并基于主动轮廓模型完成了两时相SAR图像水灾变化检测。所提方法克服了上下文不敏感方法假设的类统计分布模型与实际的两者之间的拟合度对变化检测性能的影响,突破了上下文敏感方法只参考固定形状和大小的紧凑邻域内信息的限制,利用无固定形状和大小的非紧凑邻域内信息,提高了变化检测性能并改善了视觉效果。两组实测SAR图像数据集的变化检测实验结果均表明,所提方法的变化检测性能优于其他相关方法的。     

基于改进RetinaNet的SAR图像目标检测方法

近年来,深度学习方法在合成孔径雷达(SAR)图像目标检测中得到了广泛的应用.船舶出现在近海、港口、岛礁、远洋等各种场景中,同时海洋环境复杂多变,使得船舶目标检测很难排除混乱背景的干扰.对于大纵横比、任意方向、密集分布的目标,精确定位变得更加复杂.本文基于深度学习的方法提出用于SAR图像目标检测的改进RetinaNet模...