结合极化白化滤波和SimSD-CapsuleNet的PolSAR图像配准

极化合成孔径雷达(PolSAR)图像配准在地物分类、变化检测、图像融合中都具有广泛应用。现有的PolSAR图像配准方法,无论是基于深度学习还是传统方法,大多采用PolSAR幅度影像信息进行处理。这种处理方式导致大量极化信息丢失,同时在PolSAR图像固有相干斑噪声影响下,配准精度和可靠性表现不佳。为此,本文首先发展了一种有效的基于极化白化滤波(PWF)精细化处理的关键点检测器,利用PWF对PolSAR图像进行相干斑噪声抑制,通过阈值约束、形态学腐蚀及非极大值抑制来选取显著且分布均匀的匹配关键点。进一步地,本文设计了一种孪生简单稠密胶囊网络(SimSD-CapsuleNet)来快速提取PolSAR图像的浅层纹理特征和深层语义特征,同时为了充分利用极化信息,本文将极化协方差矩阵作为输入数据。本文计算了胶囊形式特征描述符之间的距离,并将其输入硬L2损失函数用于模型的训练。本文方法在不同传感器获取的不同分辨率PolSAR图像上进行验证。结果表明,该方法能够在更短的时间内获取更加均匀且数量更多的匹配关键点,结合PWF和深度神经网络可以实现快速准确的PolSAR图像配准。

基于自动筛选的POLSAR图像快速相干斑抑制算法

针对现有POLSAR图像相干斑抑制算法存在的问题,本文提出了一种基于像素筛选的快速类多视平均相干斑抑制新算法。该算法以一个矩形滑动窗对POLSAR图像进行逐点扫描,对每一个当前测试像素,首先判断它是否为点、线目标,若是则直接进入下一个测试像素;其次,若不是,则对当前滑动窗内像素进行筛选;最后,利用筛选出的与当前测试像素的主散射机制相同的均匀区像素来对当前测试像素进行LLMMS滤波。由于该算法基于最大似然(ML)纹理筛选均匀区像素,降低了相干斑噪声的影响;采用目标散射相似性对均匀区像素进行散射机制鉴别,保持了目标主散射机制。理论分析和实测数据的实验结果均验证了本文算法在兼顾算法运算效率、相干斑抑制效果和边缘纹理、小线目标、目标主散射机制等目标信息保持方面的有效性。

基于多极化特征和纹理特征的PolSAR图像分类

提出了一种基于多极化与纹理特征的PolSAR图像分类方法。首先在经过图像预处理后,从散射矩阵得到的相干矩阵T和协方差矩阵C中提取出极化参数,组成极化特征向量;然后基于经典的灰度共生矩阵法提取出图像几种纹理参数,组成纹理特征向量;再将这两种向量进行选择与融合;最后利用SVM分类器进行了结合极化与纹理特征的分类实验。为了检验该分类方法的效果,进行只加入极化特征和只加入纹理特征的分类实验,并进行Wishart监督分类。对上述四种分类结果进行对比与精度分析的结果表明,极化特征与纹理特征的结合能够有效提高分类精度。

结合Tri-training和CV-CNN的半监督PolSAR图像分类

现有深度学习算法应用于PolSAR图像分类时,较少考虑该图像数据的复数特点,使得数据的复数域信息不能被充分利用;同时,深度学习需要大量的标签样本作为模型的训练样本,但是PolSAR图像可获取的标签样本十分有限。针对上述问题,结合Tri-training算法和复值卷积神经网络(CV-CNN)提出了半监督PolSAR图像分类算法。首先通过Wishart分类器和Tri-training算法获取一些可靠性较高的伪标签样本,然后将其加入到复值卷积神经网络的训练样本中并用于模型训练,最终完成图像分类任务。通过四幅PolSAR图像分类的仿真实验表明,该算法不仅能够有效提升伪标签样本的可靠性,同时还可提高模型的分类准确率。

自适应无监督分类的PolSAR图像机场跑道区域快速检测

针对复杂PolSAR图像场景中机场目标区域检测问题,本文提出一种自适应无监督分类的机场目标快速检测方法,该方法首先对极化SAR相干矩阵分解提取PolSAR图像的特征值图,转化为超像素图实现图像去噪及降维。然后用SLIC超像素分割算法分割构造超像素。基于超像素图构建极化分类特征,并采用无监督的谱聚类方法提取出疑似机场跑道区域,其中的类别数确定利用VAT-DBE(Visual Assessment of cluster Tendency-Dark Block Extraction)算法获得。最后,在疑似区域内结合跑道结构特征进一步辨识检测出场景中的机场跑道区域。利用美国UAVSAR系统采集的多组全极化SAR实测数据对算法进行验证,并与两种已有的无监督跑道检测算法进行对比,实验结果表明,该算法能够快速准确检测出机场跑道区域,处理耗时可减小80%以上。具有更好的鲁棒性。

区域筛选与多级特征判别相结合的PolSAR图像飞机目标检测

目的针对全极化、复杂场景下飞机目标检测问题,提出了区域筛选与多级特征判别相结合的PolSAR飞机目标检测方法。方法首先对原始PolSAR图像进行滤波及去取向预处理,消除相干斑和随机取向对检测效果的影响;其次对图像进行基于功率值的区域分割,提取感兴趣区域;然后对感兴趣区域进行区域筛选,提取疑似飞机目标;最后以功率交叉熵、背景匀质性、功率差异度为特征对疑似飞机目标进行筛选,得到最终的检测结果。结果利用美国NASA实验室的AIRSAR和UVASAR系统采集的Half-Moon-Bay、Kahului及Kona地区的实测数据进行实验,并与其他方法进行了对比。在实验1中,本文方法和对比方法均能准确检测出场景中存在的2架飞机目标,本文方法产生了7个虚警,对比方法产生了22个虚警;在实验2中,本文方法和对比方法都检测出了4架飞机目标,本文方法产生了4个虚警,对比方法产生了17个虚警;在实验3中,本文方法检测出了15架飞机中的13架,产生了6个虚警,对比方法检测出了6个待测目标,产生了17个虚警。结论本文方法在提取出疑似飞机目标的前提下,利用多种特征对疑似飞机目标进行筛选,不需要提取出机场跑道和停机坪区域,避免了由于跑道和停机坪区域提取不完整导致的检测不准确的问题,相比于对比方法,本文方法在降低虚警和漏警的同时,提高了运算效率。

复张量场扩散方程及其在PolSAR图像去噪中的应用

张量图像如极化合成孔径雷达(PolSAR)图像,它的每一个像素点都是一个3阶的正定对称矩阵。对于张量图像的噪声抑制,目前普遍的做法是将它们看作多通道标量图像进行处理,但是,这样可能会破坏矩阵的正定性,从而造成信息的损失。本文主要研究基于扩散方程的张量图像的噪声抑制问题,将现有的基于扩散方程的实张量场去噪模型推广到复张量场,并给出了其数值迭代格式。模拟图像和PolSAR图像上的实验充分验证了本文算法的有效性。与现有算法相比,本文算法具有更好的去噪能力和边缘保持能力。

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。

一种新的基于Wishart MRF的全极化SAR图像分类方法

无监督的Wishart分类算法在多次迭代后,容易出现错分现象,即多个类别属于同一类散射机制,或者多种散射都拥有相同的类别标签。针对此问题,提出了一种新的基于Wishart MRF的无监督全极化SAR图像分类方法。新方法改进了散射机制保持的方式,即并不是完全限制像素点的散射机制,而是根据像素点的散射机制在迭代过程中给定一个有限的范围。同时,使用一种自适应区域的MRF方法来提取像素点的先验信息。该方法不仅考虑了全极化SAR数据的散射性质,而且结合了统计特性和邻域信息,并在一定程度上保持了散射性质。实验结果证明,与传统的Wishart和基于散射机制保持的Wishart算法相比,该方法在JPL/NASA的AIRSAR数据上取得了更好的分类结果。

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。

大场景下的极化SAR机场检测

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。该文提出了一种利用全极化合成孔径雷达(PolSAR)图像检测机场和跑道的方法。首先,通过一种改进的Freeman分解提取3种散射机制的能量作为像素点的特征,利用模糊C-均值聚类(FCM)算法分割图像来获得疑似机场目标区域(region of interest,ROI)。然后采用基于复wishart分布的K-均值聚类算法精细分割ROI,得到完整的机场跑道结构;提出一种检测机场主跑道的方法进行ROI辨识,最终确定机场目标。采用多组PolSAR数据进行验证,并比较了单、双和全极化图像的机场检测效果。结果表明:该方法具有较高的检测率和较低的虚警率,并且具有较好的抗噪性能。