基于物理散射模型的全极化SAR图像增强滤波算法

针对传统的极化SAR滤波方法图像中城镇区域和植被区域地物在滤波中易被混淆,导致滤波后图像中地物边缘保持效果下降的问题,提出了一种增强的保持极化散射特性的滤波算法。利用一种增强的四分量极化分解方法获取更加精确的地物散射机制,并将散射机制信息引入滤波方法中,使滤波算法中像素的散射机制更精确。增强的四分量极化分解方法引入了极化SAR数据的定向角补偿技术、一种新的体散射模型以及两种散射功率限制条件,来改进Freeman-Durden分解的结果。理论分析和实验结果表明,改进后的方法获取了比传统的极化SAR图像滤波算法更加理想的计算结果。

基于优化活动轮廓模型的SAR影像海陆分割方法研究

利用Gamma分布拟合SAR影像,并将其用于构造基于区域信息的能量函数,提出了一种基于活动轮廓模型的SAR影像海陆自动分割方法。该方法在能量函数中同时融合了边缘和区域信息,既有利于边界精确定位,又有利于降低乘性斑噪的影响,利用活动轮廓演化模型,通过变分水平集方法推动活动轮廓曲线向海岸线演化,在最小化特定能量函数的约束下,使活动轮廓与海岸线重合,达到影像分割的目的。同时,针对该模型提出了优化方法提高其计算效率,使提出的分割算法更加实用。实验结果表明,提出的方法能够克服SAR影像的斑噪,较快速准确地分割出海陆边缘。

双极化SAR图像H/α分解及替代方法研究

研究合成孔径雷达(Synthetic Aperture Radar,SAR)双极化图像的H/α分解的特点及应用方法。在分析各种双极化组合模式下的H/α分解的计算方法及特点的基础上,针对HHVV组合方式下的双极化H/α分解给出替代参数,并与全极化模式下的H/α分解进行对比。理论分析和实验结果表明,该替代参数不但具有更加明确的物理意义,而且具有更高的计算效率。

Radarsat-2 SAR影像两种定位模型精度的对比分析

星载SAR无控制点定位可利用距离-多普勒(R-D)模型和有理多项式(RPC)模型两种方法实现。为考察二者在不同高程条件下的适用性,本文利用Radarsat-2数据,基于绝对定位误差小于1m的GPS控制点,对R-D模型和RPC模型定位精度进行了对比分析。结果表明:在无高程数据仅利用头文件元数据的情况下,R-D模型和RPC模型定位精度都较差;当代入高程数据后,R-D模型表现出因高程变化引起的更好定位精度一致性。

基于两种计算模型的星载SAR定位对比分析

距离-多普勒(R-D)模型和有理多项式(RPC)模型是星载SAR定位常用的两种计算模型,通过计算机模拟两种模型的实现过程,利用两景高差不同的radarsat-2数据,分别采集高程在45m以内的控制点和高程在128m以内的控制点,对R-D模型和RPC模型定位精度进行对比分析。分析结果表明,随着高程的增加,R-D模型定位精度提高,而RPC模型定位精度下降,因此基于R-D模型的星载SAR定位较适用于高差大的地区。

多源图像融合技术在无人机中的应用

随着无人机技术的发展,无人机多源图像融合是一个日益受到关注的研究领域。在研究传统算法的基础上,针对经典HIS变换融合算法产生的光谱失真问题,通过引入压缩感知技术对传统算法进行改进,提出了一种融入压缩感知技术的图像融合算法并应用到无人机数码照片和SAR图像融合处理中。实验表明,该方法在引入SAR图像纹理信息的同时,能够有效保持可见光图像光谱信息,取得了较好的融合效果。

一种基于自相关函数的小波域数字水印算法

几何攻击是对数字水印技术最具威胁的攻击手段之一,而基于自相关函数的水印算法被认为是一种有效的解决手段,却有其局限性。研究发现,对用于评价几何攻击起很重要作用的水印的自相关峰值(以下简称AC峰值),也可从小波域提取出来。这里介绍一种小波域基于ACF的数字水印算法,该算法在考虑到AC峰值和噪声能见度的影响的同时,把一个周期性水印信号嵌入小波域。仿真实验结果表明,算法能产生更显著的AC峰值,从而提高了抗几何攻击的鲁棒性。

基于增强指数加权均值比的SAR图像边缘检测算法

研究学者们认为指数加权均值比(ROEWA)算子存在无法计算SAR图像边缘方向的缺陷。为此,进行了一些通过方向滤波器为ROEWA算法施加方向的工作。该文对ROEWA算法进行了深入的探讨和分析,通过对ROEWA算法卷积过程的进一步推导,获得了ROEWA算法像素级的观测公式。根据推导结果,提出了一种增强的ROEWA(EROEWA)边缘检测算法。首先,利用新的卷积策略将ROEWA的公式项解耦,获得了4个方向的指数加权均值;然后把SAR图像旋转45°,再利用新的卷积策略获取额外的4个方向的指数加权均值;最后,将8个方向的指数加权均值表示成8个矢量,通过矢量合成求出边缘强度和边缘方向。实验结果表明,提出的EROEWA算法不仅具有优秀的边缘方向计算能力,与ROEWA算法相比,边缘强度的提取也有显著的增强效果。

基于Faster-RCNN和多分辨率SAR的海上舰船目标检测

由于海洋表面微波散射情况复杂,强海洋杂波的后向散射往往高于舰船,导致传统舰船检测算法适应能力有限,已经难以满足现阶段舰船智能检测的需求。针对上述问题,将卷积神经网络(CNN)应用于SAR海上舰船目标检测。选取高分辨率Terra SAR-X与低分辨率Sentinel-1A卫星SAR图像。通过SAR仿真分析了不同分辨率下海杂波的特点,据此分析了针对SAR图像的CNN网络结构设计的基本需求。通过分辨率归一化制作混合数据的训练样本集,在Faster-RCNN框架下设计并构建了一个仅3层卷积神经网络用于特征学习,以防止模型过拟合。实验选择了4种不同海洋杂波环境的宽幅SAR图像进行测试,均获得了较好的检测结果。表明提出的多分辨率归一化方法结合卷积神经网络的SAR舰船检测模型具有一定的应用潜力。

一种面向多星多分辨率的SAR图像舰船候选区域提取方法

基于CFAR和核密度估计(KDE)的SAR传统舰船候选区域提取方法存在以下缺陷:CFAR虚警率依赖人工经验选择;CFAR仅对杂波分布建模,会对被检目标构成一定的漏检风险;利用KDE进行强海杂波过滤时,需凭人工经验选择滤除阈值。这使得传统舰船候选区域提取方法无法适应多星多分辨率等复杂场景。该文提出一种面向多星多分辨率的SAR图像舰船候选区域提取算法,针对CFAR算法的缺陷,提出采用均值二分法迭代逼近目标计算分割阈值,在克服CFAR缺陷的同时,计算效率比CFAR提高10倍以上;针对KDE的缺陷,提出了区块KDE结合大阈值滤除强海杂波,再借助种子点生长算法重建目标。由于大阈值具有足够的阈量,使得算法可以适应更复杂的场景。实验表明所提方法具有不漏检、阈值自适应、计算效率高、虚警率低的优点,具备优秀的多星多分辨率SAR舰船候选区域提取能力。

试论注塑机械设备的维护和保养方法

在企业的生产过程中,由于注塑机械设备具有良好的塑形效果,不仅能对精度要求高的产品进行加工,同样也能 批量生产,具有工作效率高的特点,被众多企业所运用,成为重要的机械生产设备之一。因此,相关部门应不断加大对注塑 机械设备的维护及保养,从而促进注塑机械设备保持高效的工作效率,从而不断的提升企业的经济效益,促进企业的稳定发展。