SAR圖像處理技術(shù)研究

　　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?；诖耍緯赟AR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。

暫缺《SAR圖像處理技術(shù)研究》作者簡(jiǎn)介