星载SAR图像中居民地专题信息增强的方法探讨

探讨了通过SAR图像中的纹理信息以增强居民地专题信息的方法。首先,采用共生矩阵的方法,对图像纹理特征进行描述,产生纹理特征波段。然后,对这些特征波段进行相关分析,并采用假彩色合成增强的方法,增强居民地的专题信息。最后得到最佳增强的纹理波段组合方案。结果表明该方法能有效地增强居民地的专题信息,从而为居民地自动提取提供可靠数据。     

基于纹理和BP神经网络的SAR图像分类

研究基于纹理和BP神经网络的SAR图像分类。首先用增强FROST滤波算法对SAR图像进行去噪处理。然后基于灰度共生矩阵理论提取去噪后的SAR图像多种纹理特征,并通过大量实验筛选出有效的纹理特征。最后,结合纹理特征,分别采用经典的最大似然分类法和BP神经网络分类法对SAR图像进行分类。实验结果表明：纹理信息辅助SAR图像的灰度进行分类,大大地提高了SAR图像的分类精度;基于BP神经网络的SAR图像分类精度高于最大似然分类法的分类精度。     

基于小波变换的SAR图像分割

SAR(合成孔径雷达)图像包含有相干斑噪声，传统方法不能很好地对SAR图像进行分割，该文结合SAR图像和小波变换多分辨分析的特点，提出了一种新的SAR图像分割方法。首先利用小波变换提取SAR图像的纹理特征信息，然后根据SAR图像噪声在小波域中的分布特点对SAR图像进行滤波，最后以SAR图像小波能量纹理特征和滤波后的灰度组成特征向量对SAR图像进行分割。实验结果表明，该方法是一种有效的SAR图像分割方法。     

SAR图像盐渍地分类研究

以渭干河——库车河三角洲绿洲为例,利用SAR数据,采用不同的分类方法来提取该研究区盐渍化土地覆盖信息。首先用Enhanced frost滤波算法对SAR图像进行去噪处理。然后基于灰度共生矩阵理论提取去噪后的SAR图像4种纹理特征,并在不同窗口大小下筛选出有效的纹理特征。最后结合纹理特征分别采用最大似然分类法和SVM分类法对SAR图像进行分类。研究结果表明:基于纹理特征的SVM分类方法,能够有效解决单源数据信息图像分类效果破碎问题;13×13窗口的总精度达到98.2456%,Kappa系数达到0.9763,更有利于遥感图像分类和盐渍化信息监测,是地物遥感信息提取的有效途径。     

基于纹理和边缘的SAR图像多维SVM回归

合成孔径雷达（SAR）图像ROI（Region of Interest）区域存在两种情况：只包含单一地物或由混合地物组成。对此,提出一种基于特征映射的SAR图像多维输出回归方法,该方法不仅能够对只包含单一地物的SAR图像进行类别判断,也能对混合地物区域的内容做出估计。首先对SAR图像提取基于灰度共生矩阵的纹理特征,然后构造了一组能够反映SAR图像边缘长度、方向和稀疏程度的边缘特征向量,最后利用纹理特征和边缘特征对SAR图像进行基于近似迭代变权最小二乘法（IRWLS）的多维支持向量机（Support Vector Machine,SVM）回归。实验结果表明,该方法能够对包含不同地物内容的ROI区域进行有效解译,正确率高。     

基于纹理特征的高分辨率SAR 影像居民区提取

利用灰度共生矩阵计算高分辨率SAR 图像的纹理特征, 通过统计分析选取合适的特征矢量,并基于非监督聚类分析提取居民区。对提取的居民区以一定的面积阈值剔除噪声(细小区域) , 并利用形态学算子对提取边界进行适当的归整, 得到最终结果。在对应的光学图像上人工提取居民区范围, 以此作为实验结果的评价标准。实验结果表明本方法可以得到较好的效果。
     

单波段单极化SAR图像水体和居民地信息提取方法研究

SAR图像上水体和居民地信息的提取在实际应用中具有重要的意义。为了更好地提取SAR图像上水体和居民地,以单波段单极化Radarsat-1 SAR图像为研究对象,首先利用半变异函数分析样本图像的结构特性来确定纹理信息提取的最佳参数;然后,在此基础上基于灰度共生矩阵计算SAR图像均值、角二阶矩和熵3种纹理测度,建立了适于图像分类的多维特征空间,从而有效地增强了水体和居民地信息;最后通过样本采集,使用支持向量机分类器进行水体和居民地信息提取,并采用近期归一化植被指数(NDVI)数据和分类结果进行目标层融合来消除山体因素的影响,信息提取的结果显示,分类总体精度为82.57%,Kappa系数为0.58,较准确地提取了水体和居民地信息。     

基于EBP-OP算法与纹理特征的图像检索

基于纹理特征的图像检索在多媒体数据库管理和多媒体通信传输中得到越来越多的重视。文章提出了一种基于图像纹理特征与多层前馈神经网络EBP-OP算法的图像检索方法。首先运用灰度共生矩阵提取图像的纹理特征,然后用EBP-OP算法对提取的纹理特征进行分类,并在此基础上实现一组纹理图像的检索,实验证明这种方法是有效的。     

综合灰度与纹理特征的高分辨率星载SAR图像建筑区提取方法研究

高分辨率SAR图像的纹理特性对于图像的解译及地物分类等具有重要的意义。根据高分辨率星载SAR图像上建筑区的纹理有别于其他地物的特点,提出了一种综合利用灰度和纹理特征的高分辨率星载SAR图像建筑区提取方法。首先对SAR图像进行斑点噪声的抑制,然后利用灰度共生矩阵计算出星载SAR图像上建筑区与非建筑区的8种纹理特征统计量,根据巴氏距离进行特征选择,并通过主成分分析去除纹理特征之间的相关性,得到了最佳纹理特征分量,将所选的特征影像与原始图像进行波段组合,利用K均值聚类算法对组合后的图像进行非监督分类;最后通过对分类图像进行后处理并提取外部轮廓,提取了建筑区。以COSMO-SkyMed SAR影像为数据源进行了实验。结果表明该方法能够有效提取高分辨率星载SAR图像中的建筑区,提取效果明显优于未利用纹理特征的方法。     

基于Brushlet和RBF网络的SAR图像分类

针对SAR图像纹理特征丰富的特点,本文提出一种新的SAR图像分类方法:通过提取Brushier变换的能量及相位信息作为SAR图像的纹理特征,然后输入径向基函数RBF网络对图像进行分类.Brushlet变换为复值函数,具有方向信息,因此对分析富含方向信息的纹理图像十分有效,而同时提取其能量及相位特征则更优.RBF网络学习速度快,不易陷入局部极小,是一种有效的分类器.实验表明,基于Brushlet复特征和RBF网络的方法能够获得较高的分类率,性能优于传统方法.