基于差异度迭代的极化SAR图像机场跑道检测算法

机场在军事和交通运输领域都有很重要的作用,对它的自动检测具有重大意义。本文提出了一种利用极化SAR ( Polarimetric Synthetic Aperture Radar )图像检测机场跑道的方法。首先,利用SLIC ( Simple linear Iterative Clustering )算法对极化SAR图像进行超像素分割;然后利用新三分量分解和极化散射熵对图像进行粗分类,再利用改进的K均值聚类结合差异度迭代的方法完成精细分类,最后利用跑道的散射特性和几何结构特征从分类结果中提取完整的机场区域。本文采用极化SAR数据进行实验检测,结果表明该方法能有效的检测出机场跑道,并且保持结构完整,边缘细节清晰,虚警率低。

基于Labview的故障注入系统

本文设计了一种基于Labview的故障注入系统,通过集成化设计实现了物理层、电气层和协议层信号故障注入功能,为铁鸟试验台的建设提供了重要基础。

LBP特征分类的极化SAR图像机场跑道检测

目的在极化合成孔径雷达(synthetic aperture radar,SAR)图像中常用直线检测进行机场跑道的识别,但是河流、道路等与机场跑道具有相似直线的地物容易对检测结果造成干扰,出现检测目标难定位、目标模糊、多虚警等问题。为此,本文设计了一种利用目标散射特性结合局部二值模式(local binary patterns,LBP)特征分类的极化SAR图像机场跑道区域检测方法,采用LBP特征对极化SAR图像进行有监督的分类来提取真实的机场区域。方法首先利用异化散射功率对极化SAR图像进行阈值分割,然后通过形态学处理得到疑似机场跑道区域,同时构建机场跑道和非机场跑道两类训练样本,并提取、统计样本的LBP特征,形成直方图,得到特征向量训练支持向量机(support vector machine,SVM)二分类器,其中SVM二分类器采用了径向基函数(radial basis function,RBF)核函数;接着对疑似机场跑道区域构建LBP特征,送入SVM二分类器中分类,对机场跑道进行检测识别,最终得到真实的机场跑道区域。结果利用UAVSAR(uninhabited aerial vehicle synthetic aperture radar)系统采集的7幅极化SAR图像数据进行实验检测,并选取基于几何特征辨识跑道的两种算法进行对比,3种方法均有效检测出了7幅场景中的真实跑道,但是本文方法在7幅数据中总的虚警和漏警个数均为1,而两种对比算法中的虚警个数分别为2和11、漏警个数分别为8和1。结论本文方法不仅能有效检测出机场跑道区域,且检测效果更好,计算量较小,虚警和漏警率低,效率更高。

结合区域分割和Wishart分类器的机场跑道区域快速检测方法

提出了一种结合区域分割和Wishart分类器的极化合成孔径雷达图像机场跑道区域快速检测方法;利用简单线性迭代聚类算法分割极化合成孔径雷达图像,并将分割得到的超像素作为后续分类处理的基本单元;采用一种优化后的距离度量方式给超像素分配类别标签,解决了传统Wishart距离度量因子冗余运算量大的问题;分析了机场跑道区域像素的极化散射特性,利用机场跑道区域的弱散射特性从分类结果中提取感兴趣区域;利用机场跑道的结构特征筛选辨识感兴趣区域,进而确定机场跑道区域的准确位置;利用极化合成孔径雷达实测数据测试了算法的有效性,并与传统基于像素的检测结果进行对比。试验结果表明:该算法在复杂大场景下能够快速有效检测出机场跑道区域,检测出的跑道轮廓清晰,结构比较完整;采用简单线性迭代聚类算法预处理图像极大地降低了后续处理的复杂性;针对墨西哥湾试验数据,Wishart分类器处理单元个数分别是Freeman+Wishart算法和FCM+Wishart算法的1.0%和2.4%,整个检测过程耗时分别为Freeman+Wishart算法和FCM+Wishart算法的9.9%和27.1%;针对大岛试验数据,Wishart分类器处理单元个数分别是Freeman+Wishart算法和FCM+Wishart算法的1.0%和2.6%,整个检测过程耗时分别为Freeman+Wishart算法和FCM+Wishart算法的14.0%和31.8%。可见,所提检测方法的实时性能优于基于像素的检测方法。