基于ROEWA与Hough变换的SAR图像边缘检测

指数加权平均比率(ROEWA)算子是SAR图像常用多边缘检测算子之一,但该算子只能检测图像的边缘强度,无法得到边缘的方向。为此利用Hough变换优秀的抗噪性能和方向选择性,提出了一种基于Hough变换的SAR图像边缘方向计算方法。首先使用ROEWA算子对SAR图像进行边缘检测,然后在传统非极值抑制定位方法的基础上,进一步细化边缘,最后利用Hough变换对细化后图像计算边缘方向。SAR图像对比实验结果表明,该方法能够更准确地计算边缘位置与边缘方向,为SAR图像线性目标检测提供了一条有效途径。

基于ROEWA算子局部活动轮廓的SAR图像分割算法

针对经典可变区域拟合(region-scalable fitting,RSF)模型无法分割合成孔径雷达(synthetic aperture radar,SAR)图像的问题,提出了一种基于指数加权均值比(ratio of exponentially weighted averages,ROEWA)算子的改进RSF局部活动轮廓模型。算法首先以SAR图像目标边缘的ROEWA算子的负指数函数为边缘指示函数,对区域可伸缩能量项和弧长项进行加权,消除了原模型中梯度算子对于乘性相干斑满布的SAR图像边缘检测失效的弊端,还防止了目标弱边界的泄漏,避免了边界缺失;其次在零水平集演化的偏微分方程中加入权系数可变的面积项,提升了算法在目标边缘处的自适应捕获能力,同时也提高了算法对目标多层轮廓的检测能力,并且最大化地保留了目标的外轮廓;面积项的可变权系数可根据目标的ROEWA算子的模值来自动调整大小,很好地保持了目标的边缘细节。改进算法不受初始轮廓的影响,对相干斑噪声不敏感,且实验证明算法的计算复杂度仅与图像的尺寸有关。通过对合成与真实的SAR图像数据进行实验,验证了所提方法的直观性和有效性。

一种改进的增量型随机权神经网络及应用

增量型随机权神经网络(I-RVFL)具有良好的泛化性能,在一定程度上避免了过拟合问题,但是,I-RVFL网络的输入权值和隐藏层偏差是从固定范围内随机生成的,可能会导致模型不稳定。针对上述问题,论文提出一种改进的I-RVFL网络。首先,利用指数加权平均对历史数据依赖随时间指数衰减且能平滑数据中异常值的特点,优化随机分配的输入权值与偏差。然后,将凸函数的下降梯度比应用到模型误差序列中,建立神经网络权值配置的约束条件。在UCI数据集上的仿真结果表明,改进的I-RVFL网络在分类精度以及稳定性上有显著提高。将论文方法应用于红外火焰识别,检测准确率达到98%,验证了该网络的有效性和实用性。

基于局部混合滤波的SAR图像边缘检测

该文结合基于非下采样方向滤波-双树复小波变换(NonSubsampled Direction Filter Bank-Dual-TreeComplex Wavelet Transform,NSDFB-DTCWT)的局部混合滤波算法和Dempster-Shafet(DS)证据理论提出一种基于局部混合滤波的SAR图像边缘检测算法。该算法首先对SAR图像进行局部混合滤波,然后对不同尺度滤波图像使用指数加权均值比(Ratio Of Exponentially Weighted Averages,ROEWA)算子检测边缘的强度,再使用Canny算子检测边缘的方向,从而得到SAR图像各尺度上的边缘,最后使用DS证据理论融合各尺度的边缘形成原始SAR图像的边缘。实验结果表明:该文所提出的算法具有很好的边缘检测效果,检测到的SAR图像的边缘定位准确和完整,且伪边缘较少。

基于边缘检测的SAR图像平行线特征提取算法

针对传统平行线定义的局限性,本文提出了一种平行线对模型,并以该模型为核心,设计了一种基于边缘检测的SAR(Synthetic Aperture Radar,SAR)图像平行线特征提取算法。在图像经过滤波预处理后,首先采用具有恒虚警特性的ROEWA(Ratio of Exponentially Weighted Averages,ROEWA)算子得到边缘检测图,再利用提出的平行线基元提取算法进行检测,最后基于启发式连接的思想连接断点。实验结果表明,该算法能有效地提取SAR图像中的平行线性结构,可以进一步应用于道路网、机场跑道、河流等大型组合线性目标的自动识别中。

一种改进的SAR图像边缘检测方法

加权指数平均比率(ROEWA)边缘检测算子是一种较好的适用于SAR图像的边缘检测算子,但使用传统的计算梯度方向的方法却无法正确确定边缘点的方向。针对ROEWA算子存在的问题,该文根据Gabor滤波器具有的优秀的方向选择性这一性质,提出利用Gabor滤波器确定边缘方向的方法,完善了ROEWA边缘检测方法。实验结果证明,改进的ROEWA算子检测边缘及边缘方向的性能很好。

SAR图像主干道路自动提取算法研究

针对道路在高分辨率SAR图像中所具有的影像特征,提出了一种基于平行线对检测的高分辨率SAR图像主干道路自动提取算法。该算法以提出的新的平行线定义为核心,结合Marr视觉理论,使用自下而上的控制策略,对高分辨率SAR图像依次进行低层次的边缘检测(基于ROEWA算子)、中层次的道路特征结构化(平行线对检测)以及高层次的道路识别(路段生长、连接及去除伪道路),并在实验中给出了相应的算法演示结果图。实验结果表明,该算法能够准确有效地提取和定位高分辨率SAR图像中的主干道路。

基于非线性SIFT框架SAR图像匹配

针对基于尺度不变特征变换(SIFT)的图像匹配算法性能受到SAR图像中严重斑点噪声而性能降低的问题,提出了一种改进的非线性尺度构建的SIFT算法,主要改进在于:在尺度空间构建阶段,该算法通过将滚动引导滤波器嵌入到尺度空间构造的过程中来生成多尺度图像金字塔,在去除斑噪的同时并保持边缘的方面表现出了较其他尺度空间构建算法更好的效果;在特征检测阶段,提出了一种使用ROEWA算子和Harris-Laplace检测算子相结合的特征点检测算法,有效地抑制SAR图像中的虚假特征点,并准确地提取具有高位置精度和低误差率的不变特征点。3种不同类型的仿真和真实SAR图像对该算法进行了检验,并与其他2种基于SIFT的方法相比较,实验结果表明,该算法在匹配精度和内联点比率方面可以实现更好的性能。

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。

融合边缘信息的合成孔径雷达图像超像素分割算法

针对简单线性迭代聚类(simple linear iterative cluste,SLIC)对含有乘性相干斑噪声的合成孔径雷达(synthetic aperture radar,SAR)图像边缘分割不理想的问题,在SLIC基础上提出了一种融合边缘信息的SAR图像超像素分割算法。首先,利用高斯方向平滑对SAR图像进行预处理,从而在抑制乘性相干斑噪声的同时有效保护边缘细节;其次,提出了一种基于指数加权平均比率(ratio of exponential weighted average,ROEWA)算子的改进相似度测量参量,以提高SAR图像的分割精度;最后,采用六边形初始化聚类中心与圆形区域的搜索方式进行局部区域聚类,从而保证了算法复杂度增加的同时,算法的运行时间不会明显变化。实验结果表明:与4种经典超像素算法相比,本文算法生成的超像素边缘更加贴合SAR图像的真实边缘且得到的超像素大小较为均匀。

基于ROEWA和Gabor滤波的SAR图像边缘提取

针对合成孔径雷达(SAR)图像特有的乘性噪声和非恒虚警统计特性很难正确提取目标边缘的问题,提出了在指数加权均值比(ROEWA)算子基础上寻找自适应的最佳局域Gabor滤波器进行目标边缘提取的方法。利用Gabor滤波器具有的多方向特性确定边缘方向,然后用最大似然估计纠正错误边缘方向,重新结合视觉细胞倍频程计算出Gabor函数的最佳局域滤波参数,提取出SAR图像的正确边缘。实验表明,该方法取得很好边缘提取效果,并且后期分割出的目标更符合实际目标形态,具有较强的通用性。

基于改进ROEWA算子的SAR图像边缘检测方法

指数加权均值比(ROEWA)算子是一种较好的适用于SAR图像的多边缘检测算子,然而传统方法无法准确定位边缘,且不能计算边缘方向。改进边缘检测流程,分析上述问题产生的原因并采用传统ROEWA算子保证边缘检测恒虚警,对ROEWA加权后的滤波值进行差分运算保证非极值抑制的准确性。利用Radon变换具有较好抗干扰性和几何解析性的性质,提出基于Radon变换计算边缘方向。针对实测SAR图像的实验结果表明,该方法边缘检测及边缘方向计算性能较好。

基于平行线对检测的SAR图像主干道提取算法

为了有效地进行高分辨率SAR图像中道路目标的提取,提出一种基于平行线对检测的主干道提取算法。处理过程分为3个层次,在低层次处理中,经过增强Frost滤波预处理之后,采用指数加权平均比率算子对图像进行边缘检测,得到边缘像素;中层处理则先消除短线段,进行初始的路段连接,再利用平行线对检测算法,检测可能的道路段;在高层次处理中,进行路段的最终连接并根据建立的道路的数学模型进行道路识别,最后通过生长判断器进行行道树干扰下路段的生长。在多幅SAR图像上进行的实验证明了该算法的有效性。