SAR图像的自动分割方法研究

由于存在相干斑噪声的影响,给SAR图像分割造成很大的困难,该文提出了一种SAR图像的自动分割方法。首先在特征提取阶段,通过计算小波能量提取纹理信息,用邻域统计量提取灰度信息,用保边缘平均灰度提取边缘信息,以确保边缘准确。然后提出一种改进的完全无监督的聚类算法进行图像分割,该算法可以自动确定分割的类型数目。由于该方法充分考虑了SAR图像的纹理、灰度和边缘信息,因而极大地提高了其最终分割性能。实验结果证明了该方法的有效性。     

基于分水岭-谱聚类的SAR图像分割

由于谱聚类是基于图论的、以相似性为基础的聚类方法,需要计算图像中每对像素点之间的相似性.当图像很大时,计算相似性矩阵和求解相应的特征值、特征向量是很困难和耗时的.为此,针对合成孔径雷达(SAR)图像的特点,提出了一个两阶段的图像分割方法,首先采用分水岭算法对图像进行过分割,然后再用改进的谱聚类算法进行聚类.新方法不仅可以减少噪声对分割结果的影响,很好地保持图像边缘,而且对时间要求较高的应用也具有一定的参考价值.为了验证新方法的有效性,将其用于SAR图像分割,取得了较优的分割结果.     

基于图像分割的SAR图像变化检测算法及实现

本文提出一种基于图像分割的变化检测方法,该方法首先根据SAR图像统计特性进行图像分割,然后对两幅SAR图像的分割图进行融合,用相同的区域分割来描述两幅图像,再利用区域灰度和纹理等信息构造图像变化函数,用变化函数对图像进行变化检测判别,最后利用合成孔径雷达(SAR)图像进行的试验,并和变化矢量分析方法(CVA)进行比较,得到了很好的效果。     

SAR图像目标识别新方法

提出一种SAR图像目标识别新方法。首次引入BM3D方法,用于滤除原始图像中的相干斑噪声,BM3D结合了空间域和变换域去噪的优势,滤波性能优异。在特征提取步骤,将低阶Hu矩与高阶Zernike矩组合,Hu矩描述目标的粗略信息,高阶Zernike矩描述目标的细节信息,因此组合矩能够更加全面而细致地表达目标特性。使用组合矩特征训练SVM分类器,对含噪的SAR图像进行识别实验。实验结果表明:本文方法的识别率高达98.90%,优于已有的SAR目标识别方法。     

基于聚类识别的极化SAR图像分类

该文提出一种基于判别式聚类框架的非监督极化SAR图像分类算法,利用判别式监督分类技术实现非监督聚类。为实现该算法,定义了一个结合softmax回归模型和马尔科夫随机场光滑性约束的能量函数。该模型中,像素类标和分类器均为需要优化的未知变量。该算法从基于${H / {\bar \alpha }}$目标极化分解和K-Wishart极化统计分布而产生的初始化类标开始,交替迭代优化分类器和类标的能量函数,从而实现对分类器和类标的求解。真实极化SAR数据上的实验结果证明了该算法的有效性和先进性。     

基于梯度的极化SAR图像超像素分割

超像素分割在图像分割领域以其优异的性能表现被广泛应用,准确性和高效性是评价分割性能的重要指标.简单线性迭代聚类（simple linear iterative clustering,SLIC）方法在光学图像上表现出了优异的性能,在极化合成孔径雷达（synthetic aperture radar,SAR）图像中也被广泛应用,然而SLIC方法中的初始化步骤不能准确地定位类中心,需要多次的迭代纠正误差.改进的分水岭方法（spatial constrained watershed,SCoW）是一种基于梯度阈值区分的简单且高效的分割方法,但是不能直接用于极化SAR图像.本文受SCoW的启发,提出一种对SLIC进行预处理的分割方法,通过横虚警（constant false alarm rate,CFAR）边缘检测器计算得到极化SAR图像的梯度信息,并将梯度信息用于初始化分割.基于两幅实测极化SAR图像,将本文提出方法与其他三种方法对比.实验表明本文方法可以减少整个算法的迭代次数,得到更加符合图像信息、贴合图像边界的分割结果.     

基于模糊聚类的SAR图像变化检测

利用两种模糊聚类算法即模糊C均值聚类(FCM)和Gustafson Kessel聚类(GKC),对SAR图像进行变化检测。差异图是根据不同时相图像的灰度值得到的,为了验证算法的有效性,实验选用两个不同地区的多时相图像,实验结果比较现存的马尔科夫随机场(MRF)和神经网络算法,不但耗用时间短,而且无需变化类和未变化类像素的任何先验分布信息。     

基于分段的非监督SAR图像变化检测

本文提出一种基于分段的变化检测方法,该方法首先实现全局最优的图像分段,再根据位置信息产生最佳的变化检测分段图像,最后根据图像灰度和纹理信息对图像进行变化检测,利用合成孔径雷达(SAR)图像进行的实验表明了该方法的有效性.     

SAR图像舰船目标识别综述

SAR图像舰船目标识别是SAR图像海洋监视应用中的一项关键技术。在广泛文献调研的基础上,首先建立了SAR图像舰船目标识别的主要流程;接着对用于SAR图像舰船目标识别的众多特征进行归纳整理,分析了其物理意义及优缺点;然后对用于SAR图像舰船目标的分类算法进行了较为全面的综述;最后分析了目前研究中所面临的主要问题,展望了进一步研究的主要方向。     

合成孔径雷达目标自动识别研究

讨论了基于物理光学和几何绕射理论的散射中心理论模型,对散射中心模型的各个参数在图像域进行了估计,详细分析了基于散射中心理论的SAR图像目标特征提取算法,采用了先估计目标方位后识别目标类型的目标识别方法以提高目标识别的效率,并利用Delaunay三角化技术提高了目标方位的估计精度.实测MSTAR SAR图像中目标的识别结果表明了该方法的准确性和有效性.     

基于KFD准则的SAR目标特征提取与识别

给出了一种基于KFD和SVM的合成孔径雷达目标特征提取及识别方法。该方法首先在非线性空间内利用Fisher准则提取样本特征 ,然后由SVM分类器完成目标识别。实验结果表明该方法不但有效地提高了目标的正确识别率及运算效率 ,还大大降低了对目标方位的敏感度 ,在目标方位信息未知的情况下 ,识别率仍可达到 95 %以上     

基于DCResNet的SAR图像车辆目标识别

合成孔径雷达（SAR）图像自动目标识别中,特征提取和目标分类是两个重要环节。残差网络（ResNet）作为一种较新的卷积神经网络,凭借其对目标特征的自适应学习能力,在SAR图像分类领域表现突出。本文在ResNet基础上,设计出了密集连接型残差网络（DCResNet）,用于SAR图像目标识别。DCResNet在残差模块中增加了跳跃性连接的密度,不仅继承了ResNet的易学习的优点,还加强了特征的传播和利用率。除此之外,DCResNet采用平均池化的方式进行下采样,抑制了SAR图像中噪声对识别精度造成的影响。关于SAR图像目标识别的实验结果证明,本文提出的DCResNet与ResNet、AlexNet相比,不仅具有更快的收敛速度和推理速度,而且目标分类的准确率更高。     

基于有序数据可变索引的SAR图像目标检测方法

该文提出了一种基于有序数据可变索引(Ordered Data Variability Index, ODVI)的SAR图像目标恒虚警检测算法,该算法首先对待测像素的参考窗进行基于ODVI的自适应筛选处理(Automatic Censoring, AC),以去除窗内的强杂波和干扰像素,并以窗内保留的均匀像素对背景的统计特性进行建模,估计其概率密度函数的参量,同时构建双参数恒虚警检测(CFAR)的检验统计量,计算检测的自适应阈值,实现检测的判决。论文给出了该算法的检测性能曲线,并利用实测的X波段SAR图像进行实验验证,与其它检测方法进行比较,结果显示该文算法具有较好的检测性能和较低的虚警概率。     

基于正则化增强的SAR图像分割方法

SAR图像存在强烈的相干斑噪声,因此对SRN图像的分割非常困难。本文利用图像幅度的二维微分作为正则化约束对SAR图像进行增强,在抑制噪声的同时,保持了区域的边缘。对正则化增强的SAR图像进行简单的灰度门限分割,就可以取得很好的效果。试验结果表明了该方法的有效性。     

基于线性回归的SAR目标方位角估计方法

方位角估计是合成孔径雷达(SAR)图像自动目标识别研究中的一个重要问题。一般而言,基于SAR图像的目标方位角估计方法应满足精度高、速度足够快、对目标部署条件的变化具有一定的稳健性。文中在分析现有的SAR图像目标方位角估计方法优缺点的基础上,给出了一种有效的基于线性回归的SAR图像目标方位角估计方法,并通过对大量实测MSTARSAR图像目标方位角的估计试验,详细分析了该方法对SAR图像目标方位角的估计性能。     

基于稀疏先验的SAR图像目标方位角稳健估计方法

稳健的高精度目标方位角估计能有效提高SAR ATR的计算效率和识别性能.SAR图像中目标的近雷达主导边界包含较为精确的目标方位角信息,可用于目标方位角估计.由于目标电磁散射特性以及SAR图像斑点噪声的影响,提取的目标近雷达主导边界很不规则,存在"野值"点.本文根据"野值"点稀疏分布的特性,利用最大后验原理提出了一种稳健的方位角估计方法.该方法能够有效检测和剔除主导边界中的"野值",从而提高目标方位角估计的精度和稳健性.针对仅利用距离主导边界估计带来的目标垂直与水平方位的模糊性,基于分割图像中目标区域长宽比特征提出了一种解模糊的新方法.MSTAR实测数据的实验结果表明提出的算法具有较高的精度与稳健性.     

一种全自动的MSTAR SAR目标图像分割方法

狄利克雷过程混合模型(Dirichlet Process Mixture,DPM)作为一种非参数概率统计模型,可以有效应用于SAR图像的非监督分类。文中提出一种全自动的MSTAR坦克SAR图像分割方法。该方法首先基于DPM确定出图像中的类别数目,接着使用马尔科夫随机场(Markov Random Field,MRF)对所得图像类别概率的空间邻域关系进行描述,然后结合标号代价能量优化算法获取最终的分割结果。该方法在不需要人为指定待分割图像类别个数的同时,能较好地保证分割结果的合理性与连贯性。在MSTAR SAR数据上的实验表明了其有效性。     

基于压缩感知的SAR图像目标识别

提出一种基于压缩感知的合成孔径雷达图像目标识别方法,将目标识别问题转化为稀疏表示的近似求解问题。该方法利用测试样本在全体训练样本基下的稀疏性,实现样本间的近似稀疏表示。通过考察稀疏系数主要集中于样本真实类别之上的分布特性,研究了稀疏系数本身对目标类别具有的可区分能力,最后基于稀疏系数的分布特性设计分类算法完成目标识别。基于MSTAR数据中三类目标的实验证明,与目前已有的几种典型方法相比,该方法可以取得更高的识别率,是一种有效的合成孔径雷达图像目标识别方法。