涂松[1]2016年在《高分辨率SAR图像目标快速提取算法研究》文中研究说明本文主要研究了高分辨率合成孔径雷达(synthetic aperture radar,SAR)图像目标快速提取技术。传统的基于边缘和区域的SAR图像目标提取方法通常被认为是自底向上的计算过程,即只能依赖于图像本身获取的低层信息,且低层的计算误差传播到高层后没有任何修正机会,容易受图像噪声等复杂因素的影响。为了解决这一问题,本文提出了采用主动轮廓模型的高层理解、视觉显着性模型的显着区域快速提取以及深度神经网络的无监督学习能力相结合的SAR图像目标提取思路。按照这一思路,在主动轮廓模型对SAR图像乘性噪声的鲁棒性、主动轮廓模型在SAR图像处理中收敛到全局极小值(即能量泛函的凸优化)、主动轮廓模型对大尺寸SAR图像目标提取的快速性、视觉显着性模型对大尺寸SAR图像目标提取的自适应性、大尺寸SAR图像目标切片提取鉴别分类中的无监督特征学习等方面展开了系统的研究。所作工作主要包含以下五个方面:(1)主动轮廓模型对SAR图像乘性噪声的鲁棒性。从理论和实验的角度分析了经典主动轮廓模型在具有乘性相干斑噪声的SAR图像目标提取中失效的原因,为此本文提出了用轮廓内部和外部区域的概率密度函数来定义区域之间相似性的比率距离,设计了适合在乘性噪声模型下度量区域之间相似性的能量泛函,即MCV(modified Chan and Vese)模型。并且参考LGIF(local and global intensity fitting)模型的构造模式将所提的MCV模型与RSF模型进行线性加权组合,提出了改进的LGIF模型,即MLGIF(modified LGIF)模型。该模型使得RSF模型提供的局部强度拟合力和MCV模型提供的全局强度拟合力相互补充,在SAR图像目标提取中能够更好地引导轮廓的演化。(2)主动轮廓模型在SAR图像处理中收敛到全局极小值。给出了经典主动轮廓模型(包括MLGIF模型)能量泛函的一般形式,对这些模型最小化求解的一般方法作了理论分析,指出了其容易陷入局部极小值的根本原因,即非凸的能量泛函。为了寻求凸优化的方法,本文对非凸泛函的凸优化方法进行了总结和理论分析,给出了凸优化方法能保证主动轮廓模型具有全局最小解的证明,提出了对MLGIF模型进行凸优化的新能量泛函,即GMLGIF(global minimization of the MLGIF)模型。最后给出了GMLGIF模型能量泛函为凸泛函的证明,并给出了采用对偶公式法来进行GMLGIF模型最小化求解的迭代算法(即算法3.1)。(3)主动轮廓模型对大尺寸SAR图像目标提取的快速性。针对前文所提的GMLGIF模型在大尺寸高分辨率SAR图像目标提取上计算效率较低的问题,提出了GMLGIF模型与SR(spectral residual)视觉显着性模型相结合的显着性目标切片提取算法(即算法4.3),并与其他鉴别、分类方法一起构建了新的SAR ATR(automatic target recognition)框架(如图4.11),该框架具有借助SR视觉显着性模型快速发现显着性目标区域的优点,使得所提框架在目标检测阶段更高效;而多尺度间隙度特征则增加了不同种类目标切片的差异,相比传统的单尺度间隙度特征更有利于目标鉴别;另外,借助对乘性噪声更鲁棒的GMLGIF模型所得到的更加准确的目标轮廓,采用具有仿射不变性的AIFD(affine-invariant fourier descriptor)形状描述子来描述目标的轮廓特征,并结合相应的上下文特征来共同进行目标分类,在基于形状特征的目标分类领域也是一个创造性的尝试。(4)视觉显着性模型对大尺寸SAR图像目标提取的自适应性。针对前文所提的SAR ATR框架(如图4.11)所采用的SR模型只能检测较小显着性区域、且显着性区域的选取非常依赖人工的阈值设置,以及GMLGIF模型耗时仍然较多的问题,提出了多尺度自适应视觉显着性模型(即(5-12)式–(5-19)式)以及采用ROEWA算子和更加高效的split Bregman迭代方法的SBGILGIF(global minimization of the improved LGIF model adopting split Bregman)主动轮廓模型(即算法5.1)相结合的大尺寸SAR图像目标快速提取算法(算法5.2),使得所提算法在大尺寸SAR图像目标处理中更加高效和更具适应性。(5)大尺寸SAR图像目标切片鉴别分类中的无监督特征学习。针对前文所提的SAR ATR框架(如图4.11)和目标快速提取算法(算法5.2)在切片鉴别、分类以及期望的显着区域提取上都依赖人工进行特征设计和选取的问题,将更加智能、学习能力更强的无监督深度神经网络与前文所提的多尺度显着性模型(算法5.2)相结合,提出了一种无需人工设计目标特征的大尺寸SAR图像目标切片快速自动提取方法(如图6.6),实验也验证了该方法在目标提取过程中具有无监督、高效和准确的特点。
赵昊[2]2012年在《高分辨率SAR图像目标阴影修复及目标识别研究》文中研究指明随着合成孔径雷达（SyntheticAperture Radar，SAR）数据获取技术不断进步，SAR图像分辨率得到不断提高。这为SAR图像目标解译提供了新的可能性，相关研究也受到研究者广泛关注。相比SAR数据获取能力的快速发展，SAR图像解译技术仍有很大的改进空间。高分辨SAR图像目标识别是图像解译的核心内容，该项技术在军事、民用领域的应用十分广泛。本文结合航空基金、航空产学研项目课题，在追踪SAR图像目标识别相关技术研究成果的基础上，对目标识别中图像预处理、特征提取、目标特征分类叁个关键问题进行研究，主要完成工作如下：（1）高分辨率SAR图像的目标阴影修复。分析了高分辨SAR图像目标阴影修复的意义。研究了经典的图像修复方法及其应用于SAR图像阴影修复的局限性。针对经典图像修复方法在SAR图像阴影修复出现的阴影误判和不均匀问题，本文通过分析SAR平台参数与目标及其阴影的相对位置关系和引入自适应样本块思路，提出了相似度自适应样本块匹配的阴影修复方法，实现了高分辨率SAR图像目标阴影修复，为基于雷达平台系统参数的SAR图像目标检测与识别提供一种新的方案。（2）高分辨率SAR图像目标特征提取。研究了SAR目标特征提取的两类算法：基于L2范数准则的特征提取算法和基于L1范数准则的特征提取算法。基于L2范数准则的特征提取算法对异常值敏感，而现有的基于L1范数准则的特征提取算法存在维数灾难、特征维数过大的问题。针对上述方法的不足，提出一种基于L1范数的双边二维主成分分析法。实验结果表明，本文提出的算法对SAR图像中的异常值有较强的鲁棒性，以小维数的特征实现高精度的目标识别。（3）高分辨率SAR图像目标分类。基于稀疏表示的SAR图像目标识别中，求解样本在字典下的稀疏表示系数是实现目标分类的关键环节。本文研究了各类稀疏重构算法的特点，针对现有重构算法依赖稀疏度参数、需要人工设定阈值等问题，本文提出一种阈值自适应的回溯匹配追踪算法。仿真结果表明，本文提出的算法具有较高的信号重构性能。实验结果也表明，基于该种重构算法的目标识别方法可以实现高精度的目标识别。
蒋李兵[3]2014年在《基于光学图像辅助的高分辨率SAR图像建筑物高度提取方法研究》文中指出利用遥感手段提取建筑物这类常见人造地物目标的高度信息是城区遥感领域的重要研究内容,在城市灾害风险预警、打击效果评估等方面具有重要的应用价值。作为两类典型的异质图像,SAR与光学遥感图像在地物目标信息表征上具有较强的互补性,综合利用这两类图像有助于提高目标信息提取的准确性和可靠性。本文针对建筑物高度信息提取问题,根据光学图像精细刻画建筑物平面结构的优势和SAR图像蕴含建筑物高度信息且具有较好现势性的特点,研究基于光学图像辅助的SAR图像建筑物高度信息提取方法。从图像中正确提取建筑物目标是进行后续高度提取的先决条件。考虑到建筑物在高分辨率光学遥感图像中的特点,论文采用面向对象的思想,引入目标属性知识和上下文约束条件,提出了一种基于属性滤波和阴影上下文的建筑物目标提取方法。该方法首先利用属性形态变换对光学图像实施多尺度属性分解,根据建筑物自身的几何属性知识提取疑似建筑物目标;然后通过阴影与建筑物在图像中的上下文依存关系进一步对疑似目标进行筛选,能有效剔除结果中的虚假目标。相干斑的存在降低了SAR图像的可理解性。作为SAR图像建筑物高度提取的重要预处理步骤,论文提出了一种基于置信区间与形态重构的自适应滑窗降斑方法,能在有效抑制同质区域相干斑噪声的同时较好地保持边缘结构信息。正确理解SAR建筑物成像机理是实现建筑物高度提取的关键。论文在分析平顶和人字顶两种建筑物的主要散射类型与SAR成像几何关系的基础上,构建了适用于计算这两类建筑物SAR图像结构的正交投影计算模型。在此基础上,论文分别针对建筑物孤立和部分受遮挡这两种典型的情况研究了相应的高度提取方法。针对建筑物孤立情况,论文提出了一种基于结构特征预估的SAR图像孤立建筑物高度提取方法,其核心思想是通过在特征层上利用由正交投影计算模型预估得到的建筑物结构特征与实际SAR建筑物图像实施匹配,将高度提取问题转化为匹配函数极大值求解问题。与已有的方法相比,该方法不需要仿真SAR图像,也无需对SAR图像进行特征提取。针对建筑物部分受遮挡情况,论文提出了一种基于模型迭代匹配的部分受遮挡建筑物SAR图像高度提取方法。在分析遮挡成因及遮挡建筑物结构分布特点的基础上,通过空间几何关系鉴别互遮挡建筑物目标中沿雷达视线方向的实际可见面元,并将其按正交投影计算模型投影至斜距平面,实现了互遮挡情况下建筑物整体结构特征的准确预估。同时,考虑到互遮挡情况下待搜索参数空间的高维度特点,在匹配函数极大值求解过程还引入了遗传算法进行迭代加速寻优。基于仿真测试数据集和实测数据的实验结果表明,该方法能实现对部分被遮挡情况建筑物高度的可靠估计。
张永亮[4]2015年在《大场景高分辨率SAR图像道路提取方法研究》文中提出合成孔径雷达(Synthetic Aperture Radar,SAR)是一种具有不受光照、气候条件限制的全天时、全天候的工作特点的主动式微波成像雷达。在资源保护、资源勘查、海洋监控、地质勘探、农业管理、灾害防预、国家危害应急处理等方面具有重要作用和意义。伴随着SAR图像分辨率的提升,SAR系统能够成像的数据量急剧增加,每幅图像的幅面大大增加,而现阶段普遍的信号处理手段已经很难适应对数据快速而高效的处理要求。道路是连接城乡的主体,是现代交通与物质交流的载体,因此道路提取也在在SAR图像目标识别中被人们所重视。然而,各种各样的干扰也因高分辨率而被放大和加强,道路两侧树木的的遮挡、建筑的阴影覆盖、环境和背景的复杂度增高等问题存在就使得道路提取任务变得更加复杂和难以掌控。为了更加高效利用SAR图像数据,在保证SAR图像目标解析实现更快速和正确率更高的同时,进一步提高对目标信息的获取能力和利用能力,本文针对大场景中高分辨率SAR图像的道路网提取方法,研究了主要包括相干斑滤波技术、边缘检测技术、感兴趣区域(Regions of Interest,ROI)提取技术、多分辨率特征识别等主要部分,并以此为基础提出一个基于多分辨率处理的道路目标检测识别方法。该方法在一定程度上能够满足道路检测方法目标提取简单、快速和适应性强的要求,克服了现有道路检测算法针对性强、鲁棒性差的问题。针对高分辨率大场景SAR图像干扰信息复杂、场景内容多样、道路检测时间久等一系列检测疑难点,本文提出一个以人类视觉注意机制为基础的ROI检测策略,对于不同尺度上的潜在目标采取不同的方法。长直结构目标在低分辨率图像将采用一种线段长度密集度显着图的自上向下视觉显着模型,将图像中某些存在超过预设值或与参照物达到一定比例的直线段或平行线对的区域作为ROI,因此就能迅速地找到有直线或曲线结构地物的有效位置。最后利用人类视觉显着性机制来确定ROI,进一步减小需处理的数据量。这种方法能够很快的确定大场景SAR图像中道路的可能位置,大幅提高检测效率。根据提取道路网络的需要,重点研究了高分辨率SAR图像中道路的平行线特征,然后建立一种新的平行线对模型,并将这个模型运用在SAR图像中。最后给出了基于指导性直线单元的连接方法。最终给出大幅高分SAR图像中道路检测的总体方案。实验表明,该模型能够有效地从大幅高分SAR图像中检测到具有平行线对特征的目标。文章结尾对所提出的算法进行实验证明,对其结果进行几种评价标准的定量分析。实验结果与分析表明,本文提出的道路检测算法在一定程度上能够客服传统算法针对性强、鲁棒性差的问题,能够准确检测到高分SAR图像中的道路网,并且适用性较好。
薛泠子[5]2013年在《基于形态学的SAR目标特征提取与分类方法研究》文中认为随着合成孔径雷达(Synthetic Aperture Radar, SAR)技术的发展，SAR图像信息量和复杂性的不断增大，传统的SAR图像分析解译方法已经无法满足现代研究的需求，SAR图像解译能力已经明显成为目前迫切需要解决的一个重要的难题。其中，地物分类和地物提取是SAR图像解译研究的两个重要方面。地物分类不仅能够取代目标检测和鉴别模块作为SAR图像解译系统的中前端，能够建立一种辅助判读系统，这样的独立系统可以直接为人工判读提供必要的参数，还能够为之后的识别过程提供目标切片以及有用信息。而由于受到数据质量等因素的影响，在针对SAR图像的地物提取方面的研究进展十分缓慢。直到近几年来，大量的高分辨率城区的SAR数据的获取为SAR图像建筑物提取提供了新的数据支持，这时人们才开始关注这个课题，使得其开始成为SAR图像解译领域的新兴课题之一。本文结合形态学理论，针对SAR图像解译和SAR图像地物提取与分类问题展开了研究。主要工作内容如下：1.根据SAR图像特征提取与分类理论和方法，以及形态学基本理论与运算，研究了基于形态学的SAR图像地物分类方法；2.对形态学变尺度结构元素方法，以及由此方法发展出的形态学断面特征提取方法进行了研究，并且将此方法作为SAR图像地物提取与分类运算中特征提取的手段；3.对形态学属性断面特征提取方法进行了研究，该方法是基于变尺度结构元素形态学目标特征提取方法、形态学断面特征提取方法的拓展方法，该方法利用所选择的属性对于SAR目标图像进行形态学处理后，再将此结果作为地物提取与分类的特征。本文还将该方法与形态学断面特征提取方法的结果作对比，分析其方法的改进性，以及变换不同的属性，分析不同属性下特征提取方法对于实验结果的影响；4.将形态学属性断面方法应用于SAR图像特征提取，并实现SAR图像地物分类，并且对实验结果进行分析。
许可[6]2009年在《SAR图像建筑物叁维信息提取方法研究》文中提出合成孔径雷达(Synthetic Aperture Radar,简称SAR)是一种利用微波进行感知的主动传感器,具有全天时、全天候、多波段、多极化工作方式、穿透能力强等特点。SAR图像视觉可读性较差,并且受到相干斑噪声及阴影、透视收缩等几何形变的影响,使得SAR图像信息处理更加困难。对于SAR图像中建筑物目标的提取研究一直是SAR图像特征提取和目标检测识别领域一个重要的方向,对于民用和军用领域都有十分重要的意义。论文对单视SAR图像中建筑物成像特征以及叁维信息提取方法进行了深入研究,并针对不同成像条件和应用需求提出了有效的提取方案。论文首先回顾了SAR工作原理以及SAR图像分辨率和成像主要特点,分析了SAR图像中建筑物的成像原理及成像特点,为后续章节提供了相应的理论前提。然后针对SAR系统成像分辨率进行研究,分析了地表分别为平面和曲面时斜距及地距分辨率之间的关系和影响地距分辨率的因素,并研究了临界空间和星载条件下建筑物成像区域分辨率的特点。之后在分析建筑物迭掩及阴影区域的基础上,结合建筑物二次散射特性,提出了一种从单视SAR图像中提取建筑物屋顶尺寸以及高度的方法。此方法针对地表为平面和曲面时分别进行了分析研究。为了验证此方法的有效性,分别针对仿真图像和实际SAR图像设计了典型建筑物叁维信息提取算法,算法中为达到最佳的感兴趣区域分割效果,针对仿真图像和实际图像分别采用线灰度累加和恒虚警率(Constant False Alarm Rate,简称CFAR)检测的图像分割方法。实验结果表明,本论文提出的方法是行之有效的,在不同成像条件和应用需求下能够有效准确地提取建筑物的叁维信息,对于单视SAR图像中建筑物的检测、识别和提取具有重要的应用价值。
丘昌镇[7]2009年在《高分辨率SAR图像目标分类特征提取与分析》文中认为目标特征提取在合成孔径雷达(SAR)自动目标识别(ATR)中有着重要的应用。特征提取可以降低数据空间的维数,挖掘出能更有效的代表目标信息的数据,从而使目标的分类更加准确有效。本文系统研究了高分辨率SAR图像目标几何结构特征、灰度统计特征和变换特征的提取方法,并从理论和实验两方面对这些特征在目标分类中的应用进行分析比较。几何结构特征和灰度统计特征是最常用的、最基本的SAR图像目标分类特征。本文在分析几何结构特征和灰度统计特征物理意义的基础上,研究了相应的特征提取方法,并通过实际SAR图像数据的特征提取实验,验证了其有效性。本文还研究了基于遗传算法的特征选择方法。对于单数值的几何结构和灰度统计特征,本文在基于遗传算法的特征选择基础上,通过组合得到新的特征向量,从而有效的提高了特征的分类性能。变换特征具有通用性强、计算量小的特点,近年来在SAR ATR中的应用引起了广泛的重视。本文对基于PCA和ICA两种典型变换的SAR目标特征提取方法进行了系统深入的研究。PCA包括1D-PCA、2D-PCA以及两阶段2D-PCA叁种具体的方法。传统的1D-PCA去除了每两个数据之间的相关性,而本文从理论上分析证明了2D-PCA只去除了数据行之间的相关性,两阶段2D-PCA分别去除了数据行之间和列之间的相关性。因此,1D-PCA的数据降维能力最好,两阶段2D-PCA次之,2D-PCA最差。2D-PCA和两阶段2D-PCA的优势在于它们可以直接对二维图像进行处理,因此当图像较大时其计算量要明显小于1D-PCA。与PCA只利用了数据的二阶统计特性相比,ICA利用了数据的更高阶的统计特性,使得到的分量是相互独立的,从而有可能进一步提高特征的性能。因此,本文在PCA特征提取方法研究基础上,进一步研究了基于ICA的特征提取方法,并将其与PCA进行了分析比较。本文的研究表明,在理论上ICA特征提取方法是优于PCA的,但是在实际应用中,只有当数据较好的满足ICA的假设数据模型时,ICA特征才能取得最好的分类性能。在特征提取方法研究的基础上,为了分析目标特征在实际目标分类中的性能,本文基于MSTAR数据,利用最近邻分类器对所有特征进行了目标分类实验。实验结果表明,在正确分类率方面,目标轮廓特征、基于遗传算法选择后组合得到的特征向量以及变换特征中的PCA和ICA特征的正确分类率较高;在计算速度方面,变换特征要优于几何结构和灰度统计特征;在数据降维方面,几何结构和灰度统计特征数据降维能力较强,变换特征中的1D-PCA和两阶段2D-PCA数据降维能力也较强。这些结论可以有效的指导实际的SAR ATR中的目标特征提取。
张爱兵[8]2009年在《高分辨率SAR图像复杂目标属性散射中心特征提取》文中研究指明合成孔径雷达(SAR)是一种在距离向和方位向都具有很高分辨率的成像雷达,可以全天候全天时地对地观测,是一种不可或缺的军事侦察和民用遥感手段。与数据获取能力相比,高分辨率SAR图像解译技术严重滞后。其中,特征提取是SAR图像解译的基础和关键。散射中心特征是光学区目标散射的基本特征。属性散射中心特征提供了目标的物理属性和几何属性等细节信息,是一种适合高分辨率SAR图像解译的散射中心特征。本文以SAR图像解译为应用背景,瞄准实测数据属性散射中心特征提取这一前沿课题,重点研究了属性散射中心模型、属性散射中心特征提取方法两方面内容。分析总结了理想点散射中心模型、衰减指数和模型和属性散射中心模型叁类经典散射中心模型的适用条件和表达式间的联系,指出属性散射中心模型是一种适合高分辨率SAR图像解译的散射中心模型,并且在低分辨率成像条件下可以近似为另两种模型。基于高分辨率SAR图像和规则散射体散射解,验证了属性散射中心模型对高分辨率SAR目标散射特性和图像特征描述的准确性,从而为属性散射中心特征提取算法的设计奠定基础。此外,为了简化算法的设计和保证算法的稳定性,还推导了特征提取时采用的规则化属性散射中心模型。以具有代表性的RD-AML-CLEAN方法为基础,总结了各种属性散射中心特征提取的实现方法,然后给出了本文采用的实用化的RD-AML-CLEAN方法实现流程。基于仿真数据的特征提取结果分析和统计性能分析验证了该RD-AML-CLEAN方法流程的有效性。提出了针对实测数据属性散射中心特征提取的改进RD-AML-CLEAN方法,并提取了0.3米分辨率和0.1米分辨率实测高分辨SAR图像目标的属性散射中心特征,实验结果表明,本文的改进方法有效地提取了目标的实测数据属性散射中心特征。
张泽兵[9]2013年在《知识辅助的SAR目标索引及特征提取技术研究》文中认为基于SAR图像的自动目标识别(Automatic Target Recognition,ATR)是SAR应用领域一个极为重要的课题。目前SAR ATR面临的主要挑战是目标及目标所处环境复杂多变,仅依靠有限的目标SAR图像进行目标识别存在信息量的不足,需要引入其他外部知识和辅助信息。论文以此为切入点展开相关研究。论文首先梳理了SAR ATR的现状以及面临的主要问题,指出知识辅助的SAR ATR是克服SAR ATR困境的一条可行思路,并提出了相应的系统处理流程。知识辅助的SAR ATR引入目标、环境、传感器以及领域专家等多方面的知识,采用层次化、自适应的信息处理流程。目标索引是其中的关键环节,它的作用是在高维假设空间中确定需要重点关注的区域,为后续精细化处理提供初始假设。论文从知识辅助和扩展工作条件处理的角度对SAR目标索引及其特征提取展开研究。第二章研究知识辅助的SAR目标分割。对地面目标SAR图像,阴影也是感兴趣的区域。现有的分割方法主要考虑目标与背景在图像灰度上的差异以及像素级的局部区域连通性,普遍存在较多的目标和阴影的缺失。论文引入目标和阴影相连通的空间关系约束先验,并利用空间关系势能函数(Spatial Relation Potential Function,SRPF)进行定量描述,在Markov Random Field(MRF)分割的基础上提出SRPF-MRF分割方法,以得到更加完整的目标和阴影。而且,该方法在MRF分割的基础上仅对每个像素施加额外的先验概率,算法的计算量几乎没有增加,能够较好地满足目标索引对效率的需求。第叁章从目标索引的角度对SAR图像散射中心特征提取展开分析和研究。首先分析指出属性散射中心、复图像域高分辨点散射中心提取难以满足目标索引对时效性、稳健性、自动化等方面的需求。峰值提取方法能够满足这些需求,但峰值提取由于未能考虑展布式散射中心而存在散射中心“漏检”,影响散射中心特征的目标区分能力。分析推导了属性散射中心在实图像域的表现及其与理想点散射中心的近似等价关系,构建了一种新的散射中心模型知识。据此提出一种基于CLEAN策略的SAR实图像域散射中心提取。该方法能较好地解决峰值提取存在的散射中心漏检,而且由于基于CLEAN策略,算法稳健、自动化程度高,增加的计算量不大,能够满足目标索引的需求。第四章针对地面车辆目标,从车辆目标的简化草图模型—长方体模型入手,分析指出其在SAR图像中具有矩形轮廓。矩形轮廓本身构成了一种模型知识,可以为车辆目标的部件、子结构(如坦克炮管)的描述提供很好的上下文,有利于扩展工作条件下的目标索引。矩形轮廓提取的难点主要在于目标分割存在的虚假目标、缺失以及可能的附加结构,如坦克炮管。为了克服这些难点,论文引入阴影边界、目标长宽比等约束知识,提出了一种启发式的车辆目标SAR图像矩形轮廓提取方法。MSTAR数据实验结果说明了该方法的有效性。第五章研究了基于特征子结构的目标粗分类(即索引)。首先讨论了特征子结构的内涵、特征子结构的描述、提取和预测及其在SAR目标索引中的应用。从知识辅助的角度,特征子结构综合了目标模型、观测实例、传感器知识、专家知识等。在矩形轮廓的上下文约束下,根据炮管特征子结构在SAR图像中的特点,分别从分割结果和散射中心特征检测和提取炮管,并将之用于基于显着特征子结构检测的目标索引。提取稳定散射中心作为特征子结构,考虑矩形轮廓的上下文约束,通过稳定散射中心匹配进行SAR目标索引。最后MSTAR数据实验说明了特征子结构用于SAR目标索引的有效性。论文最后(第六章)总结了论文的研究工作和成果,并对后续的研究工作进行了展望。
程江华[10]2012年在《高分辨率SAR图像道路提取方法研究》文中进行了进一步梳理道路作为重要的人造地物，是构成现代交通体系的主要部分，具有重要的地理、政治、经济、军事意义。由于合成孔径雷达(Synthetic Aperture Radar, SAR)系统具有全天时、全天侯等优点，从SAR图像中提取道路日益受到重视。高分辨率使得对地观测中更多的地物细节得到呈现。在高分辨率SAR图像中，道路不再表现为线特征，而是呈现出由亮的双边缘包围的暗长区域。然而，高分辨率也使得各类干扰得到放大，道路旁的阴影遮挡、道路上的车辆等各类干扰的存在、道路类型的多样性以及环境背景的复杂性，使得高分辨率SAR图像道路提取变得复杂而艰巨。针对当前SAR图像道路提取所存在的问题，本论文主要根据高分辨率SAR图像道路的辐射及几何特征，对高分辨率SAR图像道路交叉口的自动提取、道路自动以及半自动提取问题分别展开深入研究，提出了系列新的提取算法。在第叁章高分辨率SAR图像道路交叉口自动提取研究中，提出一种直接检测识别道路交叉口的新方法。该方法先根据交叉口的灰度特征，利用形态学变换，全局搜索交叉口候选区域中心点位置；然后以此为局部窗口中心，采用多阈值Otsu分割出各个局部窗口内道路目标；接着根据交叉口的几何特征，通过矩形旋转得到角度均值图，获取与交叉口相连的道路个数，最终识别出交叉口的类型。实验结果表明该方法可有效提取出各种干扰下的交叉口目标。在第四章高分辨率SAR图像道路自动提取研究中，论文针对基于传统马尔科夫随机场(Markov random field, MRF)模型道路提取方法存在求解过程偏慢及参数设置偏多的问题，提出先根据道路空间几何特征关系对提取出的线基元进行预连接，以此减少虚假连接给MRF迭代求解带来的运算量；然后建立MRF道路网改进模型对道路网进行快速标记的方法。使用1m机载高分辨率SAR图像进行实验，结果表明该方法的有效性。在第五章高分辨率SAR图像道路半自动提取研究中，提出一种局部检测和全局跟踪相结合的道路中心点提取方法。在局部检测时，设定内外双窗口，外窗口根据护栏、绿化带等干扰物与道路的边缘呈现一致的方向性，采用非线性结构张量获取该区域内的道路方向；内窗口根据方向结果调整转向，搜索道路区域，进而确定道路的宽度及中心点。在全局跟踪阶段，为克服路上阻塞及路旁建筑物遮挡造成跟踪频繁失败的影响，采用粒子滤波器变步长跟踪的策略。实验结果表明该方法能有效降低各种干扰及遮挡物的影响，有效实现道路中心点的跟踪提取。综上所述，本论文的研究将为高分辨率SAR图像地物目标解译做有益探索，同时道路提取的应用技术研究也将为以后的工程实践提供研究思路。
参考文献：
[1]. 高分辨率SAR图像目标快速提取算法研究[D]. 涂松. 国防科学技术大学. 2016
[2]. 高分辨率SAR图像目标阴影修复及目标识别研究[D]. 赵昊. 南京航空航天大学. 2012
[3]. 基于光学图像辅助的高分辨率SAR图像建筑物高度提取方法研究[D]. 蒋李兵. 国防科学技术大学. 2014
[4]. 大场景高分辨率SAR图像道路提取方法研究[D]. 张永亮. 哈尔滨工业大学. 2015
[5]. 基于形态学的SAR目标特征提取与分类方法研究[D]. 薛泠子. 电子科技大学. 2013
[6]. SAR图像建筑物叁维信息提取方法研究[D]. 许可. 哈尔滨工业大学. 2009
[7]. 高分辨率SAR图像目标分类特征提取与分析[D]. 丘昌镇. 国防科学技术大学. 2009
[8]. 高分辨率SAR图像复杂目标属性散射中心特征提取[D]. 张爱兵. 国防科学技术大学. 2009
[9]. 知识辅助的SAR目标索引及特征提取技术研究[D]. 张泽兵. 国防科学技术大学. 2013
[10]. 高分辨率SAR图像道路提取方法研究[D]. 程江华. 国防科学技术大学. 2012
标签：武器工业与军事技术论文; 电信技术论文; sar论文; 特征提取论文; 分类数据论文; pca论文; atr论文; sar雷达论文;