一种超分辨SAR图像水域分割算法及其应用

合成孔径雷达(SAR)图像水域分割在湖泊、河流等陆地水文监测领域有重要的研究意义.由于SAR图像分辨率不足所导致的陆地与水域边界模糊,会影响水域分割精度.该文以中国青藏高原地区的多庆错湖为研究对象,使用Sentinel-1A SAR图像数据,综合运用深度残差模型、通道注意力与亚像素卷积,提出一种基于亚像素卷积的增强型通道注意力深度残差超分辨网络,对滤波后的SAR图像进行重建、水域轮廓提取与精度分析.通过比较不同超分辨算法下的重建结果及水域轮廓提取精度,该文算法在重建效果与提取精度上都较传统方法有明显提升,并具有很好的鲁棒性.     

一种超分辨SAR图像水域分割算法及其应用

合成孔径雷达(SAR)图像水域分割在湖泊、河流等陆地水文监测领域有重要的研究意义.由于SAR图像分辨率不足所导致的陆地与水域边界模糊,会影响水域分割精度.该文以中国青藏高原地区的多庆错湖为研究对象,使用Sentinel-1A SAR图像数据,综合运用深度残差模型、通道注意力与亚像素卷积,提出一种基于亚像素卷积的增强型通...     

一种基于密集深度分离卷积的SAR图像水域分割算法

SAR图像的水域分割在舰船目标检测、灾害监测等军事和民用领域具有重要意义。针对传统水域分割算法鲁棒性差、难以准确进行分割等问题,该文首先建立了基于高分三号的SAR图像水域分割数据集,并基于深度学习技术提出了基于密集深度分离卷积的分割网络架构,该网络以SAR图像作为输入,通过密集分离卷积和扩张卷积提取图像高维特征,并构造基于双线性插值的上采样解码模块用于输出分割结果。在水域分割数据集上的实验结果表明,与传统方法相比,该方法不仅在分割准确度上有大幅提高,在算法的鲁棒性和分割速度上也具有部分优势,具备较好的工程实用价值。      

基于特征复用的膨胀-残差网络的SAR图像超分辨重建

对于合成孔径雷达(SAR)图像,传统的超分辨重建方法对视觉特征的人为构造十分依赖,基于普通卷积神经网络(CNN)的超分辨重建方法对微小目标的重建能力较弱,对边缘轮廓的保真度较差。针对以上问题,该文提出一种基于特征复用的膨胀-残差卷积超分辨网络模型,同时引入感知损失,实现了精确的SAR图像4倍语义级超分辨。该方法为增加网络感受野,采用膨胀-残差卷积(DR-CNN)结构用于限制模型中特征图分辨率的严重损失,提高网络对微小细节的敏感度;为实现不同层级的特征最大化利用,将不同层级的特征图进行级联,形成一种特征复用结构(FRDR-CNN),以此大幅度提升特征提取模块的效率,进一步提升超分辨精度;针对SAR图像特殊的相干斑噪声干扰,引入感知损失,使得该方法在恢复图像边缘和精细的纹理信息方面具有优越表现。文中实验表明,与传统算法以及目前较为流行的几种全卷积神经网络超分辨重建算法相比,该文采用的FRDR-CNN模型在视觉上对小物体的超分辨重建能力更强,对边界等轮廓信息的重建更准确,客观指标中的峰值信噪比(PSNR)和结构相似性指数(SSIM)分别为33.5023 dB和0.5127,边缘保持系数(EPD-ROA)在水平和垂直方向上分别为0.4243和0.4373。      

基于深度学习的图像超分辨率重建方法浅析

图像超分辨率是图像处理中一个经典问题,从低分辨率图像中恢复高分辨率图像的不确定性给问题的求解带来了极大的挑战。作为一个热门的应用领域,从问题提出至今,研究者们提出了许多的解决方法。随着科技进步和深度学习的发展,基于卷积神经网络等的深度学习方法应用于图像超分辨率重建,使得重建图像的质量得到了极大的提高。文章对基于深度学习的图像超分辨率重建的一些较为经典的方法进行了总结与探讨,分析了其中的优势与不足,并指出了目前方法中存在的问题和今后研究可以努力的方向。     

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。      

基于深度学习的核磁图像超分辨重建

针对乳腺癌肿瘤区域在整幅图像中占比较小影响早期乳腺癌排查准确率的问题,提出了一种基于卷积残差块的宽残差深度神经网络来恢复乳腺癌核磁图像高分辨特征的方法。所提方法采用全局残差与局部残差相组合的方式,使大量的低频信息可以直接被网络顶层接收,在每个残差块前加入卷积层进行特征预提取,并使用亚像素卷积层进行上采样操作完成低分辨率图像的重建。对包含260个病例的数据集进行了实验,并将所提方法和现有其他方法进行了对比。实验结果表明,所提方法在乳腺癌核磁图像超分辨的应用中优于双立方插值及其他深度学习方法。     

典型Otsu算法阈值比较及其SAR图像水域分割性能分析

遥感图像中水域呈现低灰度、灰度起伏小特性。该文从实时性出发,采用1维Otsu算法分割SAR图像。证明了两种典型Otsu分割算法的阈值关系,提出了分割性能评估方法,并通过实测SAR图像对比分析了多阈值分割与单阈值递归分割的水域分割性能。结果表明,与单阈值递归分割相比,多阈值分割能够更好地提取水域轮廓,且漏警率低,可应用于桥梁自动目标识别和景象匹配等方面。     

基于卷积神经网络的单幅图像超分辨率重建算法综述

近年来,单幅图像超分辨率重建技术成为机器视觉领域的研究热点。随着深度学习的发展,卷积神经网络在单幅图像超分辨率重建方面取得了前所未有的成功。文章对典型的图像超分辨率重建的卷积神经网络模型进行综合论述,比较分析了不同模型之间的异同点和优缺点,并对基于卷积神经网络的单幅图像超分辨率重建方法的未来研究方向进行展望。     

基于深度卷积神经网络的红外图像超分辨率重建技术

由于器件及工艺等技术限制,红外图像分辨率相对可见光图像较低,存在细节纹理特征模糊等不足。对此,本文提出一种基于深度卷积神经网络（convolutional neural network,CNN）的红外图像超分辨率重建方法。该方法改进残差模块,降低激活函数对信息流影响的同时加深网络,充分利用低分辨率红外图像的原始信息。结合高效通道注意力机制和通道-空间注意力模块,使重建过程中有选择性地捕获更多特征信息,有利于对红外图像高频细节更准确地进行重建。实验结果表明,本文方法重建红外图像峰值信噪比（peak signal to noise ratio,PSNR）优于传统的Bicubic插值法以及基于CNN的SRResNet、EDSR、RCAN模型。当尺度因子为×2和×4时,重建图像的平均PSNR值比传统Bicubic插值法分别提高了4.57 dB和3.37 dB。     

基于小波域NMF特征提取的SAR图像目标识别方法

该文提出了一种基于小波域非负矩阵分解特征提取的合成孔径雷达图像目标识别方法。该方法对图像二维离散小波分解后提取低频子带图像,用非负矩阵分解对低频子带图像提取特征向量作为目标的特征,利用支持向量机进行分类完成目标识别。将该方法用于对MSTAR数据中三类目标识别,识别率最高可达97.51%,明显提高了目标的正确识别率。实验结果表明,该方法是一种有效的合成孔径雷达图像特征提取与目标识别方法。     

合成孔径雷达模糊度分析

该文分析了合成孔径雷达(SAR)的模糊度问题及其对图像质量的影响,详细描述了模糊度的表达式,分析了不同系统参数对模糊度的影响,对所谓的重影现象作了定量分析。     

合成孔径雷达中的二维自动增益控制

该文给出一种合成孔径雷达接收机自动增益控制(AGC)的方法,该方法对合成孔径雷达信号 进行二维平均,既保持了信号的原有特性,又提高了接收机的动态范围。与传统的自动增益控制方法相比,它能更好地消除短时间内的干扰以及保留合成孔径雷达图像中的对比度。该文在对二维AGC工作方式及时间参数选择进行阐述之后,给出了二维AGC的计算机仿真结果以及雷达实际使用AGC后获得的图像。     

基于二次距离压缩的双基地合成孔径雷达斜视成像算法

根据Tandem模式双基地SAR几何关系及其信号模型,该文给出了一种适用于该模式下的基于二次距离压缩的斜视成像算法,成功地解决了由于接收、发射平台分置而产生的不同于单基地SAR的二次距离压缩、距离徙动校正和方位聚焦问题。仿真表明在任意双基地角情况下,该算法均能得到很好的成像结果。     

圆迹SAR极坐标格式算法研究

 该文提出一种新的用于圆迹合成孔径雷达(Circular Synthetic Aperture Radar, CSAR)成像的极坐标格式算法。在CSAR模式下,点目标的波数域3维频谱为3维曲面。根据这一特点,算法采用逐高度平面成像的方法最终获得3维图像,即通过参考函数相乘,将频谱投影到2维平面,既避免了高度向的插值,又保证了算法的精确性。并且该算法通过两步相位补偿操作校正了越距离单元徙动的高次项,扩大了有效成像范围,避免了场景边缘目标的散焦。最后,点目标仿真验证了该算法的有效性。     

卷积神经网络在雷达自动目标识别中的研究进展

自动目标识别(ATR)是雷达信息处理领域的重要研究方向。由于卷积神经网络(CNN)无需进行特征工程,图像分类性能优越,因此在雷达自动目标识别领域研究中受到越来越多的关注。该文综合论述了CNN在雷达图像处理中的应用进展。首先介绍了雷达自动目标识别相关知识,包括雷达图像的特性,并指出了传统的雷达自动目标识别方法局限性。给出了CNN卷积神经网络原理、组成和在计算机视觉领域的发展历程。然后着重介绍了CNN在雷达自动目标识别中的研究现状,其中详细介绍了合成孔径雷达(SAR)图像目标的检测与识别方法。接下来对雷达自动目标识别面临的挑战进行了深入分析。最后对CNN新理论、新模型,以及雷达新成像技术和未来复杂环境下的应用进行了展望。

     

基于局部最优匹配的斜视SAR子孔径成像算法

斜视合成孔径雷达(Synthetic Aperture Radar, SAR)能够对雷达平台的侧前或侧后方区域进行观测,极大地增加了雷达的探测范围和灵活性。针对斜视SAR子孔径成像,该文提出一种基于局部最优匹配准则的成像算法。该算法在针对某方位频率构造对应的距离徙动校正、2次距离压缩以及方位补偿函数时,以位于该方位频率处的点目标得到最佳匹配为准则,不同于传统方法的以方位中心点获得最佳匹配为准则,从而能够避免距离方位中心较远的目标的失配,有效地改善了方位边缘区域的聚焦效果。文中通过点目标仿真验证了该算法的有效性。     

合成孔径雷达抗干扰技术综述

合成孔径雷达(SAR)得益于其全天时全天候、高分辨率的工作模式,在最近几十年吸引了全球雷达学者的目光。作为一种有源雷达系统,合成孔径雷达高分辨成像过程中会受多样式复杂多变的强电磁干扰影响,从而严重影响合成孔径雷达最终的高分辨成像结果,因此,如何有效对抗复杂电磁干扰是合成孔径雷达探测感知的难点和重点之一。该文针对不同的干扰样式、干扰来源、干扰散射机理、雷达天线配置、目标特性等合成孔径雷达抗干扰及高分辨成像的关键要素和主要思路进行了总结梳理,并依照干扰对抗算法的本质,对近些年代表性的合成孔径雷达对抗压制干扰和欺骗干扰算法的文献进行介绍和归纳,旨在为以后的研究提供一定的参考。      

基于监督对比学习正则化的高分辨率SAR图像建筑物提取方法

近年来,高分辨合成孔径雷达(SAR)图像的智能解译技术在城市规划、变化监测等方面得到了广泛应用.不同于光学图像,SAR图像的获取方式、图像中目标的几何结构等因素制约了现有深度学习方法对SAR图像地物目标的解译效果.该文针对高分辨SAR图像城市区域建筑物提取,提出了基于监督对比学习的正则化方法,其主要思想是增强同一类别像...