編輯推薦:

內(nèi)容簡(jiǎn)介:

合成孔徑雷達(dá)（SAR）具有全天時(shí)、全天候的高分辨成像能力，在國(guó)民經(jīng)濟(jì)和國(guó)防建設(shè)中有著非常重要的應(yīng)用。但是，SAR成像的特點(diǎn)決定了SAR圖像幾何失真較大且含有大量被稱為相干斑的乘性噪聲，這使得傳統(tǒng)的圖像處理技術(shù)很難應(yīng)用?；诖?，本書基于SAR圖像處理方面的研究工作和該領(lǐng)域一些專家的相關(guān)工作，介紹了SAR圖像相干斑噪聲抑制、SAR圖像邊緣提取、SAR圖像分割分類、SAR圖像目標(biāo)識(shí)別、極化SAR圖像處理與并行SAR圖像處理等一些SAR圖像處理關(guān)鍵方法技術(shù)。

SAR圖像相干斑噪聲的存在使SAR圖像的解譯工作變得相當(dāng)復(fù)雜，因此研究SAR圖像的信號(hào)和噪聲分布特性對(duì)于SAR圖像的各項(xiàng)處理工作顯得格外重要。用小波分析的方法研究了SAR圖像信號(hào)和噪聲在頻域中的分布特性，并在SAR圖像濾波中得以驗(yàn)證。

基于以上SAR圖像相干斑噪聲的分布特性的研究，并分析現(xiàn)有的圖像空間濾波算法，研究提出了一種相干斑濾除方法——基于小波變換的SAR圖像噪聲濾波方法。將該方法用于SAR圖像去噪取得了較好的效果。

在含噪SAR圖像邊緣提取方面，提出了3種方法：①基于小波變換的SAR圖像邊緣提取。首先用基于結(jié)構(gòu)信息的統(tǒng)計(jì)濾波方法對(duì)SAR圖像進(jìn)行濾波，然后根據(jù)小波變換具有多分辨分析的特性，并結(jié)合模糊中值濾波、閾值化處理及微分梯度算子對(duì)SAR圖像進(jìn)行邊緣提取。②基于分形的SAR圖像邊緣提取。首先用小波變換方法對(duì)SAR圖像進(jìn)行濾波，然后依據(jù)所計(jì)算的基于區(qū)域自選的多尺度分形維數(shù)進(jìn)行邊緣檢測(cè)。③基于支撐矢量機(jī)（SVM）的SAR圖像邊緣提取。利用含噪SAR圖像中邊緣點(diǎn)與非邊緣點(diǎn)在鄰域一致性、方向性和結(jié)構(gòu)性的不同，運(yùn)用一個(gè)三維特征向量描述邊緣點(diǎn)，并采用SVM方法實(shí)現(xiàn)對(duì)邊緣點(diǎn)的提取。實(shí)驗(yàn)結(jié)果表明，對(duì)于SAR圖像來(lái)說(shuō)，本書中所提出的邊緣檢測(cè)方法優(yōu)于Robert算子、Sobel算子、Canny算子等傳統(tǒng)邊緣檢測(cè)算子。本書同時(shí)對(duì)所提出的方法從算法性能、效率方面進(jìn)行了分析比較，并給出了各自的適用范圍。

在SAR圖像分割分類方面，提出了6種方法：①基于瑞利（Rayleigh）分布和模糊技術(shù)的SAR圖像分割方法。該方法基于SAR圖像灰度級(jí)分布模型，并結(jié)合像素灰度和區(qū)域信息，提取目標(biāo)灰度隸屬度信息作為特征，然后通過(guò)無(wú)監(jiān)督聚類方法對(duì)SAR圖像進(jìn)行分割。②基于小波變換的SAR圖像分割方法。在該方法中，用于SAR圖像分割的特征向量由圖像小波紋理特征和濾波后的灰度組成。③基于分形特征的SAR圖像分割方法。該方法基于分形理論并結(jié)合了SAR圖像的特點(diǎn)。④基于模糊神經(jīng)網(wǎng)絡(luò)的SAR圖像分割方法。該方法將所提取的SAR圖像的灰度共生矩陣特征和濾波后的灰度組成特征向量，用模糊神經(jīng)網(wǎng)絡(luò)對(duì)SAR圖像進(jìn)行分割。⑤基于樹型小波和灰度共生矩陣的SAR圖像分類方法。該方法將圖像的空間域和頻域特征相結(jié)合。⑥利用小波尺度共生矩陣和灰度共生矩陣的SAR圖像分類方法。該方法將反映圖像紋理的動(dòng)態(tài)和靜態(tài)信息特征相結(jié)合。實(shí)驗(yàn)結(jié)果表明，本書所提出的SAR圖像分割分類方法是有效的。本書同時(shí)對(duì)所提出的分割分類方法從算法性能、效率方面進(jìn)行了分析比較，并給出了各自的適用范圍。

在SAR圖像目標(biāo)識(shí)別方面，提出了基于SVM的SAR圖像目標(biāo)識(shí)別方法。該方法首先對(duì)樣本SAR圖像進(jìn)行預(yù)處理；然后提取目標(biāo)區(qū)域的不變矩特征并計(jì)算灰度均值，將其組成特征向量訓(xùn)練SVM分類器；最后用訓(xùn)練好的SVM分類器對(duì)要識(shí)別的SAR圖像進(jìn)行目標(biāo)識(shí)別。用該方法對(duì)一些含有橋梁和坦克的SAR圖像進(jìn)行目標(biāo)識(shí)別取得了較好的結(jié)果。

在極化SAR圖像分類方面，提出了一種基于極化特征并結(jié)合鄰域信息的統(tǒng)計(jì)特征的全極化SAR數(shù)據(jù)的無(wú)監(jiān)督分類方法。在該方法中，計(jì)算了極化SAR圖像的極化特征：H（熵）、α（散射角）、A（各向異性度）和SPAN（極化總功率）。還在極化總功率圖像上計(jì)算了空間統(tǒng)計(jì)特征：4個(gè)灰度共生矩陣特征。將極化特征和空間統(tǒng)計(jì)特征相結(jié)合，對(duì)極化SAR圖像進(jìn)行分類。實(shí)驗(yàn)表明，該算法能更好地保持極化SAR圖像的紋理和細(xì)節(jié)，其分類結(jié)果優(yōu)于傳統(tǒng)的極化SAR圖像分類方法。

在高性能計(jì)算中，并行集群計(jì)算系統(tǒng)具有較高的和良好的可擴(kuò)展性，可以滿足不同規(guī)模的大型計(jì)算問(wèn)題，因此日益受到重視。本書將并行計(jì)算引入SAR圖像處理中，以提高速度。針對(duì)SAR圖像處理中計(jì)算量大的關(guān)鍵環(huán)節(jié)，并結(jié)合并行計(jì)算，提出了一種SAR圖像并行分類方法和一種SAR圖像并行邊緣檢測(cè)方法，通過(guò)實(shí)驗(yàn)驗(yàn)證了它們的有效性及較高的效率。通過(guò)SAR圖像并行處理的研究和實(shí)驗(yàn)，本書也對(duì)影響圖像并行處理的一些因素進(jìn)行了分析，并給出了一些提高SAR圖像并行處理性能的措施。

本書的工作得到了筆者的博士生導(dǎo)師趙榮椿教授、張艷寧教授，筆者的博士后合作導(dǎo)師曾琪明教授和筆者在美國(guó)公派訪學(xué)時(shí)的合作導(dǎo)師Liping Di教授的許多指點(diǎn)和幫助，以及導(dǎo)師們的實(shí)驗(yàn)室的多位同門的幫助，在此一并感謝。本書還參考了許多國(guó)內(nèi)外相關(guān)資料，對(duì)這些文獻(xiàn)的作者們也表示感謝。在本書的撰寫過(guò)程中，也得到了筆者的家人和工作單位的領(lǐng)導(dǎo)與同事，以及筆者的一些朋友的支持和幫助，在此也表示感謝。鑒于筆者的專業(yè)水平有限及時(shí)間倉(cāng)促，書中不足之處在所難免，敬請(qǐng)讀者和同行批評(píng)指正，筆者會(huì)將讀者的反饋?zhàn)鳛檫M(jìn)一步提高研究質(zhì)量的動(dòng)力。

 

作者簡(jiǎn)介:

目錄:第1章 緒論
1.1 SAR簡(jiǎn)介
1.2 SAR技術(shù)的國(guó)內(nèi)外發(fā)展現(xiàn)狀和未來(lái)
1.3 研究工作來(lái)源、研究背景及研究意義
1.4 主要內(nèi)容

第2章 sAR圖像相干斑噪聲抑制
2.1 SAR圖像特征
2.1.1 SAR成像簡(jiǎn)介
2.1.2 SAR圖像輻射特征
2.1.3 SAR圖像幾何特征
2.1.4 SAR圖像噪聲特征
2.1.5 SAR圖像目標(biāo)特征
2.2 SAR圖像噪聲空間分布特性
2.2.1 相干斑噪聲的產(chǎn)生機(jī)制
2.2.2 多視處理和等效視數(shù)
2.2.3 相干斑噪聲的仿真模型
2.2.4 相干斑噪聲的統(tǒng)計(jì)特性
2.3 SAR圖像噪聲小波域分布特性的研究
2.3.1 SAR圖像的小波變換
2.3.2 信號(hào)和噪聲的奇異性討論
2.3.3 相干斑噪聲的小波變換特性
2.4 傳統(tǒng)濾波
2.4.1 中值類濾波
2.4.2 均值類濾波
2.4.3 統(tǒng)計(jì)類濾波
2.5 基于結(jié)構(gòu)信息檢測(cè)的空間域統(tǒng)計(jì)SAR圖像濾波方法
2.5.1 點(diǎn)目標(biāo)檢測(cè)
2.5.2 邊界檢測(cè)
2.5.3 線性體檢測(cè)
2.5.4 方法實(shí)現(xiàn)
2.5.5 方法分析
2.5.6 實(shí)驗(yàn)結(jié)果與結(jié)論
2.6 基于小波變換的SAR圖像噪聲濾波算法
2.6.1 SAR圖像小波濾波思想
2.6.2 基于小波變換的SAR圖像噪聲濾波方法的基本步驟
2.6.3 實(shí)驗(yàn)結(jié)果與結(jié)論
2.6.4 本節(jié)SAR圖像濾波方法與2.5 節(jié)SAR圖像濾波方法的比較
2.7 小結(jié)

第3章 SAR圖像邊緣提取
3.1 基于空間域的微分算子邊緣提取方法
3.2 基于恒虛警概率的比值邊緣提取方法
3.2.1 梯度邊緣檢測(cè)算子的虛警概率
3.2.2 比值邊緣檢測(cè)算子的恒虛警概率
3.2.3 比值邊緣檢測(cè)算子的判決門限
3.3 基于指數(shù)平滑濾波器的比值邊緣提取方法
3.3.1 多邊緣模型
3.3.2 基于指數(shù)平滑濾波器的比值邊緣提取方法
3.3.3 實(shí)驗(yàn)結(jié)果與結(jié)論
3.4 基于小波變換的SAR圖像邊緣提取新方法
3.4.1 SAR圖像的濾波處理
3.4.2 圖像的小波變換及其模
3.4.3 模圖像濾波
3.4.4 閾值化處理和邊緣檢測(cè)
3.4.5 本節(jié)小結(jié)
3.5 基于分形理論的SAR圖像邊緣檢測(cè)
3.5.1 相干斑噪聲抑制
3.5.2 SAR圖像的分形邊緣檢測(cè)
3.5.3 邊緣檢測(cè)準(zhǔn)則
3.5.4 實(shí)驗(yàn)結(jié)果與結(jié)論
3.6 基于支撐矢量機(jī)的SAR圖像邊緣檢測(cè)方法
3.6.1 含噪SAR圖像邊緣特征提取
3.6.2 基于支撐矢量機(jī)的邊緣檢測(cè)方法
3.6.3 實(shí)驗(yàn)結(jié)果與結(jié)論
3.7 4種SAR圖像邊緣提取方法的比較
3.8 小結(jié)

第4章 SAR圖像分割分類
4.1 基于灰度信息的SAR圖像分割
4.1.1 基于Rayleigh分布的最小誤差分割方法
4.1.2 基于Rayleigh分布和模糊技術(shù)的SAR圖像分割
4.2 基于邊緣信息的SAR圖像分割
4.2.1 分水嶺算法的思想
4.2.2 基于形態(tài)濾波器的分水嶺算法
4.2.3 區(qū)域合并算法
4.2.4 基于邊緣信息的SAR圖像分割方法
4.3 基于紋理信息的SAR圖像分割方法
4.3.1 基于灰度共生矩陣的SAR圖像分割
4.3.2 基于紋理頻譜的SAR圖像分割
4.3.3 基于自動(dòng)的多分辨率分析的SAR圖像分割
4.3.4 基于傅立葉功率譜的自適應(yīng)四叉樹SAR圖像分割方法
4.3.5 基于小波變換的SAR圖像分割
4.3.6 基于分形理論的SAR圖像分割
4.3.7 基于灰度共生矩陣和模糊神經(jīng)網(wǎng)絡(luò)的SAR圖像分割
4.4 基于統(tǒng)計(jì)特征的SAR圖像分類
4.4.1 基于樹型小波能量特征和灰度共生矩陣特征的SAR圖像分類
4.4.2 利用小波尺度共生矩陣和灰度共生矩陣的SAR圖像分類
4.5 本章SAR圖像分割分類方法的比較
4.6 小結(jié)

第5章 SAR圖像目標(biāo)識(shí)別
5.1 SAR圖像目標(biāo)識(shí)別概述
5.1.1 SAR目標(biāo)所具有的特點(diǎn)
5.1.2 已經(jīng)提出的研究方法
5.2 不變矩特征提取
5.2.1 規(guī)則矩
5.2.2 矩不變量
5.3 基于SVM的分類技術(shù)
5.3.1 兩類問(wèn)題
5.3.2 多分類問(wèn)題
5.4 基于SVM的SAR圖像目標(biāo)識(shí)別
5.5 小結(jié)

第6章 極化SAR圖像處理
6.1 極化SAR圖像分類技術(shù)發(fā)展
6.1.1 極化SAR圖像分類技術(shù)概述
6.1.2 極化SAR圖像無(wú)監(jiān)督分類技術(shù)發(fā)展現(xiàn)狀
6.2 基于極化特征和空間域特征的極化SAR圖像分類
6.2.1 極化SAR圖像無(wú)監(jiān)督分類技術(shù)發(fā)展現(xiàn)狀
6.2.2 極化SAR圖像的極化特征
6.2.3 極化SAR圖像分類方法的主要步驟
6.2.4 實(shí)驗(yàn)結(jié)果與結(jié)論
6.2.5 小結(jié)

第7章 并行SAR圖像處理
7.1 SAR圖像并行處理研究背景與研究意義
7.2 并行SAR圖像邊緣檢測(cè)方法
7.2.1 含噪SAR圖像邊緣特征提取
7.2.2 本章SAR圖像邊緣檢測(cè)串行算法與并行算法流程
7.2.3 實(shí)驗(yàn)結(jié)果與結(jié)論
7.3 并行SAR圖像分類
7.3.1 小波能量特征
7.3.2 SAR圖像分類串行方法與并行方法思想
7.3.3 實(shí)驗(yàn)結(jié)果與結(jié)論
7.4 SAR圖像并行處理效率分析
7.4.1 本章實(shí)驗(yàn)中組成并行系統(tǒng)的各臺(tái)機(jī)器的性能及網(wǎng)絡(luò)帶寬
7.4.2 本章并行SAR圖像邊緣檢測(cè)方法的實(shí)驗(yàn)數(shù)據(jù)
7.4.3 本章并行SAR圖像分類方法的實(shí)驗(yàn)數(shù)據(jù)
7.4.4 實(shí)驗(yàn)結(jié)果與結(jié)論
7.4.5 提高并行效率的措施
7.5 小結(jié)

第8章 總結(jié)與展望
8.1 總結(jié)
8.2 展望
參考文獻(xiàn)