了得網工業技術_SAR圖像處理的關鍵技術

編輯推薦

著重論述了SAR圖像噪聲抑制和增強、SAR圖像和光譜圖像的融合、SAR邊緣檢測、SAR圖像分割、SAR圖像典型目標包括橋梁、機場跑道、道路的檢測以及環境因子分析和SAR圖像目標識別。

內容簡介

本書是SAR圖像處理與解譯領域的一本新著，是作者所在團隊10餘年來在該領域工作的積累。本書在全面總結國內外研究進展的基礎上，著重論述了SAR圖像噪聲抑制和增強、SAR圖像和光譜圖像的融合、SAR邊緣檢測、SAR圖像分割、SAR圖像典型目標包括橋梁、機場跑道、道路的檢測以及環境因子分析和SAR圖像目標識別。本書側重於新算法的描述和實例的分析，反映了近年來在SAR圖像處理和解譯關鍵技術的*發展概況，為該領域的深入研究提供了借鋻。

作者簡介

西北工業大學教授，院長作者所在課題組在國家“九五”、“十五”、“十一五”國防預研項目，國家自然科學基金面上項目（60472072、60873086），高等學校博士學科點專項科研基金（20040699034、20070699013），陝西省自然科學基金（2001X25、2004F05、2006F05），航空科學基金（04I53070、05I53076），國防科技重點實驗室基金（51431020204HK0302）以及黃委會治黃專項課題（2004SZ01-04）的資助下，面向SRA圖像應用，結合課題組對智能信息處理理論方面的研究成果，對SAR圖像相干斑抑制和增強、邊緣提取、目標檢測、地物分類、自動目標識別和復雜圖像融合、分割等方面展開了大量的工作，進行了較為深入、繫統的研究，開闢了SAR圖像處理與解譯研究的新思路，並取得了一定的研究成果，培養博士後、博士、碩士50餘名，獲陝西省科學技術二等獎。撰寫本書旨在論述SAR圖像處理與解譯新近的研究進展，除了介紹一些經典的方法外，書中主要結合作者所在課題組多年來的研究成果，詳細論述了SAR圖像智能處理與解譯方法，希望能引起更多研究者的關注。

第1章緒論 1
1.1 研究背景及意義 1
1.2 SAR圖像處理國內外研究現狀 2
1.2.1 SAR圖像相干斑噪聲抑制 2
1.2.2 SAR圖像增強 3
1.2.3 SAR圖像融合 4
1.2.4 SAR圖像邊緣檢測 4
1.2.5 SAR圖像分割 5
1.2.6 SAR圖像目標檢測 6
1.2.7 SAR圖像目標識別 7
參考文獻 7
第2章 SAR圖像特性及其相干斑噪聲特性 11
2.1 SAR圖像成像原理和特點 11
2.1.1 SAR成像方式 11第1章緒論 1

1.1 研究背景及意義 1

1.2 SAR圖像處理國內外研究現狀 2

1.2.1 SAR圖像相干斑噪聲抑制 2

1.2.2 SAR圖像增強 3

1.2.3 SAR圖像融合 4

1.2.4 SAR圖像邊緣檢測 4

1.2.5 SAR圖像分割 5

1.2.6 SAR圖像目標檢測 6

1.2.7 SAR圖像目標識別 7

參考文獻 7

第2章 SAR圖像特性及其相干斑噪聲特性 11

2.1 SAR圖像成像原理和特點 11

2.1.1 SAR成像方式 11

2.1.2 SAR圖像成像特點 13

2.2 SAR圖像特性 14

2.2.1 SAR圖像空間分辨特性 14

2.2.2 SAR圖像輻射特性 15

2.2.3 SAR圖像極化特性 16

2.2.4 SAR圖像幾何特性 17

2.2.5 SAR圖像噪聲特性 19

2.2.6 SAR圖像目標特性 19

2.3 相干斑噪聲的產生機理和仿真模型 20

2.3.1 相干斑噪聲的產生機理 20

2.3.2 相干斑的數學仿真模型[4,5,6] 21

2.4 相干斑噪聲的統計特性和模型 23

2.4.1 單極化情況下相干斑噪聲的統計特性[8,9] 24

2.4.2 多極化情況下相干斑噪聲的統計特性[3,9] 25

2.4.3 Pearson繫統 27

2.4.4 SAR圖像後向散射強度模型[12] 30

2.4.5 繫統熱噪聲的影響 33

參考文獻 33

第3章 SAR圖像噪聲抑制和增強 35

3.1 去噪方法的性能評價標準 35

3.2 空間域噪聲抑制方法 36

3.2.1 均值濾波 36

3.2.2 中值濾波 37

3.2.3 Sigma濾波 37

3.2.4 Lee濾波及其增強型算法 37

3.2.5 Kuan濾波及其增強型算法 39

3.2.6 Frost濾波及其增強型算法 39

3.2.7 Gamma MAP濾波 40

3.2.8 自適應窗口的Kuan濾波 41

3.2.9 仿真實驗與分析 43

3.3 小波域噪聲抑制方法 47

3.3.1 小波變換和多分辨分析 47

3.3.2 小波硬、軟閾值濾波 52

3.3.3 基於小波繫數統計特性的閾值濾波 53

3.3.4 基於雙樹復數小波變換的SAR圖像濾波 55

3.3.5 實驗結果與分析 59

3.4 結合Curvelet和Wavelet變換的SAR圖像去噪 62

3.4.1 平穩小波變換 62

3.4.2 Curvelet變換 63

3.4.3 基於Curvelet變換和Wavelet變換的圖像抑噪 66

3.4.4 實驗結果與分析 67

3.5 基於平穩樹狀小波變換和貝葉斯估計的SAR圖像噪聲抑制 70

3.5.1 平穩樹狀小波變換 70

3.5.2 貝葉斯小波估計 72

3.5.3 比值邊緣檢測算子 73

3.5.4 仿真結果 74

3.6 基於稀疏表示和字典學習的SAR圖像去噪 75

3.6.1 基於MCA的稀疏表示和分解 75

3.6.2 基於K-SVD算法的字典學習 77

3.6.3 基於稀疏表示和字典學習的SAR圖像去噪 79

3.6.4 實驗結果與分析 80

3.7 多波段多極化SAR圖像信息壓縮與濾波算法 84

3.7.1 極化原理和經典多極化SAR濾波方法 84

3.7.2 主成分分析（PCA） 86

3.7.3 核主成分分析（KPCA） 87

3.7.4 基於KPCA的多頻率多極化SAR圖像濾波 89

3.7.5 實驗結果與分析 90

3.8 基於ME-curvelet變換和PSO的自適應SAR圖像增強 93

3.8.1 ME-Curvelet變換 93

3.8.2 改進的增益函數 94

3.8.3 基於改進的PSO算法的參數優化 96

3.8.4 基於ME-Curvelet和PSO算法的SAR圖像自適應增強 99

3.8.5 實驗結果與分析 100

參考文獻 107

第4章 SAR圖像與光譜圖像的融合 111

4.1 經典的融合效果評價準則 111

4.1.1 基於信息量的評價 112

4.1.2 基於統計特性的評價 113

4.1.3 基於相關性的評價 114

4.1.4 基於梯度值的評價 114

4.2 多傳感器圖像融合主要方法 114

4.2.1 基於不同彩色空間的融合方法 115

4.2.2 數學合成技術的融合方法 120

4.2.3 多分辨率融合方法 122

4.2.4 基於統計理論的圖像融合方法 129

4.3 基於保真小波圖像融合方法 131

4.3.1 融合準則選取 132

4.3.2 保真小波融合方法（HFWT） 135

4.3.3 實驗結果與分析 137

4.4 基於多小波變換的圖像融合方法 138

4.4.1 連續多小波變換 139

4.4.2 多小波的特性 139

4.4.3多分辨分析 140

4.4.4 多小波的分解與重構 141

4.4.5 基於離散多小波變換的圖像融合方法 142

4.4.6 實驗結果與分析 143

4.5 基於小波包變換的圖像融合 145

4.5.1 小波包變換 145

4.5.2 基於區域能量的融合規則 148

4.5.3 基於小波包方向自適應（WPT-SAO）的融合方法 150

4.5.4 實驗結果與分析 150

4.6 基於區域統計特征的特征級圖像融合 153

4.6.1 特征級圖像融合原理 153

4.6.2 SAR圖像分割 154

4.6.3 光學圖像的邊緣提取 156

4.6.4 基於區域長軸線的融合特征提取 157

4.6.5 實驗結果與分析 157

參考文獻 159

第5章 SAR圖像邊緣檢測 163

5.1 經典的多尺度邊緣檢測方法 163

5.1.1 Marr – Hildreth算子 163

5.1.2 Canny算子 164

5.1.3 Canny算子的幾種改進 165

5.2 基於小波的多尺度邊緣檢測 169

5.2.1 傳統的小波邊緣檢測方法 169

5.2.2 小波域尺度自適應的邊緣檢測 170

5.3 基於多尺度幾何分析的邊緣檢測 183

5.3.1 基於Wedgelet的邊緣檢測 183

5.3.2 基於Beamlet的邊緣檢測 187

5.3.3 實驗結果與分析 198

5.4 多尺度邊緣檢測技術在SAR圖像上的應用 200

5.4.1 SAR圖像的恆虛警邊緣檢測方法 201

5.4.2 多尺度方法在SAR圖像邊緣檢測中的應用 202

5.5 基於自適應免疫遺傳算法的SAR圖像邊緣檢測 204

5.5.1 自適應免疫遺傳算法（AIGA） 205

5.5.2 基於AIGA的SAR圖像邊緣檢測 209

參考文獻 218

第6章 SAR圖像分割 221

6.1 圖像分割概述 221

6.1.1 圖像分割的定義 221

6.1.2 圖像分割應用及評價[1] 221

6.2 基於馬爾可夫隨機場的SAR圖像分割 222

6.2.1 馬爾可夫隨機場（MRF） 222

6.2.2 MRF在圖像分割中的應用 227

6.2.3 基於簡化馬爾可夫隨機場（SMRF）模型的SAR圖像快速分割算法 232

6.2.4 基於多紋理特征SMRF的SAR圖像分割 240

6.2.5 基於耦合馬爾可夫隨機場（CMRF）模型的紋理圖像分割方法 256

6.3 基於模糊神經網絡的SAR圖像分割 266

6.3.1 模糊神經網絡的結構 266

6.3.2 模糊神經網絡的學習算法 267

6.3.3 模糊神經網絡初始參數的選擇 268

6.3.4 具體分割步驟 268

6.3.5 分割結果 269

6.4 基於Gaussian-Hermite矩的SAR圖像分割 269

6.4.1 引言 269

6.4.2 Gaussian-Hermite矩的定義 270

6.4.3 Gaussian-Hermite矩的性質 272

6.4.4 Gaussian-Hermite矩的能量特征 278

6.4.5 基於Gaussian-Hermite矩能量的SAR圖像分割 280

6.4.6 實驗結果與分析 281

6.5 基於Dirichlet過程混合模型的SAR圖像分割方法 286

6.5.1 基於貝葉斯統計推理的非參數估計 287

6.5.2 Dirichlet過程混合模型（DPMM） 289

6.5.3 基於DPMM的聚類方法 293

6.5.4 基於DPMM的SAR圖像分割 296

6.5.5 基於多尺度DPMM的SAR圖像分割 305

參考文獻 311

第7章 SAR圖像目標檢測和識別 315

7.1 基於快速Beamlet變換的SAR圖像橋梁檢測 315

7.1.1 快速Beamlet變換 315

7.1.2 基於快速Beamlet變換的SAR圖像橋梁檢測 317

7.1.3 實驗結果與分析 323

7.2 基於圖像高維奇異性分析的SAR圖像帶狀目標檢測 325

7.2.1 基於線奇異性分析的帶狀目標檢測 325

7.2.2 二維基Beamlet變換 328

7.2.3 基於二維基Beamlet變換的SAR圖像帶狀目標檢測 332

7.3 SAR圖像環境因子的檢測 340

7.3.1 水域檢測 340

7.3.2 耕地和果園檢測 341

7.3.3 林地檢測 342

7.3.4 居民地檢測 343

7.3.5 梯田檢測 345

7.3.6 淤地壩檢測 346

7.4 SAR圖像兩個典型小流域環境因子專題分析 347

7.4.1 Flevoland地區環境因子分析 347

7.4.2 合陽地區環境因子分析 349

7.5 基於KSVD和PCA的SAR圖像目標特征提取和識別 352

7.5.1 KSVD方法 352

7.5.3 基於KSVD和PCA的特征提取方法 355

7.5.4 基於KSVD和PCA的SAR圖像識別 356

7.6 基於LPSO訓練算法的模糊多類SVM的SAR圖像目標識別 357

7.6.1 引言 357

7.6.2 模糊多類SVM 358

7.6.3 線性LPSO算法（LPSO） 360

7.6.4 用於模糊多類SVM訓練的ILPSO算法 361

7.6.5 基於LPSO訓練算法的模糊多類SVM的SAR目標識別 362

參考文獻 363

前言

合成孔徑雷達（Synthetic Aperture Radar，簡稱SAR）是一種主動式微波遙感器，它利用脈衝壓縮技術提高距離分辨率，利用綜合孔徑原理提高方位分辨率，從而獲得大面積的高分辨率SAR圖像。和光學、紅外等傳感器相比，合成孔徑雷達成像不受光照、天氣條件等的影響，能夠對地物目標進行全天時、全天候、高分辨率、大面積的探測。
1957年8月，人類獲取了張全聚焦SAR圖像，標志著SAR發展的真正開始。從此SAR被人們逐步認識，並得到了不斷的發展。美國、歐洲、加拿大、俄羅斯和日本等國均發射了SAR衛星。國內在SAR的研究方面雖然起步較晚，但是進步飛速，也取得了令人矚目的成績。
經過幾十年的發展歷程，SAR的成像方法由非聚焦發展到聚焦，處理方式由光學發展到數字，工作模式由單極化發展到多極化，搭載方式由機載發展到星載，分辨率由幾十米提高到幾十釐米，工作模式由單一條帶模式發展到多種成像模式（聚束模式、掃描模式、干涉模式等）。隨著SAR圖像分辨率的提高和獲取手段的多樣化，SAR圖像被廣泛地應用於軍事和民用的各個領域。在軍事方面，SAR是直觀有效的情報獲取手段，常被用於戰略戰術目標的自動檢測和識別；在社會經濟方面，SAR在環境監測、資源探測、防災救災、氣像預報、地理測繪以及海洋科學等領域的應用越來越深入。SAR充分顯示了其在對地觀測方面的卓越性能，SAR圖像的研究和應用是遙感方面為重要的前沿領域之一。合成孔徑雷達（Synthetic Aperture Radar，簡稱SAR）是一種主動式微波遙感器，它利用脈衝壓縮技術提高距離分辨率，利用綜合孔徑原理提高方位分辨率，從而獲得大面積的高分辨率SAR圖像。和光學、紅外等傳感器相比，合成孔徑雷達成像不受光照、天氣條件等的影響，能夠對地物目標進行全天時、全天候、高分辨率、大面積的探測。

1957年8月，人類獲取了張全聚焦SAR圖像，標志著SAR發展的真正開始。從此SAR被人們逐步認識，並得到了不斷的發展。美國、歐洲、加拿大、俄羅斯和日本等國均發射了SAR衛星。國內在SAR的研究方面雖然起步較晚，但是進步飛速，也取得了令人矚目的成績。

經過幾十年的發展歷程，SAR的成像方法由非聚焦發展到聚焦，處理方式由光學發展到數字，工作模式由單極化發展到多極化，搭載方式由機載發展到星載，分辨率由幾十米提高到幾十釐米，工作模式由單一條帶模式發展到多種成像模式（聚束模式、掃描模式、干涉模式等）。隨著SAR圖像分辨率的提高和獲取手段的多樣化，SAR圖像被廣泛地應用於軍事和民用的各個領域。在軍事方面，SAR是直觀有效的情報獲取手段，常被用於戰略戰術目標的自動檢測和識別；在社會經濟方面，SAR在環境監測、資源探測、防災救災、氣像預報、地理測繪以及海洋科學等領域的應用越來越深入。SAR充分顯示了其在對地觀測方面的卓越性能，SAR圖像的研究和應用是遙感方面為重要的前沿領域之一。

但是SAR圖像處理和解譯卻比較困難，一方面是因為它有較強的目標方位敏感性，另一方面就是因為它的圖像質量問題。SAR圖像的質量受兩種因素的影響，一種來自SAR繫統自身，包括雷達繫統、校正繫統、成像算法等，存在斑點噪聲、陰影、疊掩、透視收縮等幾何形變；另一種與地物目標及其所在場景有關，包括目標的幾何形狀、運動速度、介電常數等。

對SAR圖像的處理和解譯屬於圖像處理與理解的範疇，涉及模式識別、圖像處理、人工智能及信號處理等眾多學科領域。近10年來，作者所在課題組在國家“九五”、“十五”、“十一五”國防預研項目，國家自然科學基金面上項目（60472072、60873086），高等學校博士學科點專項科研基金（20040699034、20070699013），陝西省自然科學基金（2001X25、2004F05、2006F05），航空科學基金（04I53070、05I53076），國防科技重點實驗室基金（51431020204HK0302）以及黃委會治黃專項課題（2004SZ01-04）的資助下，面向SRA圖像應用，結合課題組對智能信息處理理論方面的研究成果，對SAR圖像相干斑抑制和增強、邊緣提取、目標檢測、地物分類、自動目標識別和復雜圖像融合、分割等方面展開了大量的工作，進行了較為深入、繫統的研究，開闢了SAR圖像處理與解譯研究的新思路，並取得了一定的研究成果，培養博士後、博士、碩士50餘名，獲陝西省科學技術二等獎。撰寫本書旨在論述SAR圖像處理與解譯新近的研究進展，除了介紹一些經典的方法外，書中主要結合作者所在課題組多年來的研究成果，詳細論述了SAR圖像智能處理與解譯方法，希望能引起更多研究者的關注。

本書共分7章，第1章介紹了SAR圖像處理及解譯的研究背景、意義、研究內容及進展；第2章分析了SAR圖像特性及相干斑噪聲的特性；第3章論述了SAR圖像在空間域、小波域和一些新的噪聲抑制和增強方法；第4章給出融合評價準則和基本方法，詳細論述了幾種基於小波變換的融合新算法；第5章論述了SAR圖像目標特征，具體給出了橋梁、港口目標的檢測和曲線特征檢測方法；第6章詳細討論了基於各種不同方法的SAR圖像和紋理圖像的分割技術；第7章研究SAR圖像的目標檢測和自動識別的新方法。

本書是作者在該領域工作的總結，彙聚了西北工業大學陝西省語音與圖像信息處理重點實驗室集體的智慧。特別感謝趙榮椿教授多年來的培養和教導；感謝所有被引用文獻作者的工作；感謝語音與圖像信息處理重點實驗室全體成員付出的辛勤勞動。

由於作者水平有限，書中難免存在不妥之處，懇請讀者批評指正。

作者

2013年3月

於西北工業大學

商品搜索

商品分类

【醫學】

【各大出版社】