读智能SAR图像处理与解译笔记.docx
《读智能SAR图像处理与解译笔记.docx》由会员分享，可在线阅读，更多相关《读智能SAR图像处理与解译笔记.docx（24页珍藏版）》请在冰豆网上搜索。
读智能SAR图像处理与解译笔记
读智能SAR图像处理与解译
第1章绪论
1.1研究背景以及意义
真实孔径雷达的距离分辨率受发射脉冲宽度的限制，当要求非常高的距离分辨率时，必须发射非常窄的脉冲，同时随着距离的增大发射信号的能量也必须增大；方位分辨率取决于天线孔径、作用距离和工作波长，当波长一定，方位向孔径越长，斜距越小，方位分辨率越高。
对于机载和星载雷达来说，由于条件限制，不可能获得非常窄的脉冲宽度和很大的天线孔径，因此难以获得很高的分辨率。
1.2SAR图像理解的研究现状
图像的影像特征（色调或色彩，即波谱特征）和空间特征（形状、大小、阴影、纹理、图形、位置和布局），多种非遥感信息资料（如地形图、各种专题图）。
以目标识别为最终目的的图像识别系统主要包括预处理模块、特征提取模块、特征选择模块、目标识别与分类模块、算法性能评估模块等。
预处理模块包括了图像去噪、图像增强、图像滤波、倾斜校正和锐化等操作，必须几何图像本社的特点和图像中物理具有的先验知识进行操作。
特征提取模块在预处理模块的基础上进行图像分析，分析的含义在于对图像中的目标进行检测和测量，从而建立对图像信息的描述。
它包括了为实现特征提取而进行的图像分割、边缘检测和图像融合等，最终以能够区分和表征图像内容的有效特征为表达方式。
特征选择模块通过特征选择算法提出冗余特征，是提高分类精度的有效途径。
目标识别与分类模块完成图像特征的分类，以分类的结果为基本依据进行目标的识别。
识别算法一方面模拟人识别物体的机理，一方面要适合计算机自动处理的特点。
算法性能评估模块则是采用测试数据库对识别与分类模块的结果进行判断，尽可能结合领域知识（专题数据库）和专家知识（先验证知识库），进一步修正识别与分类模块中算法的有效性，才能得到较好的识别结果。
1.3SAR图像处理与理解的研究内容及进展
当前对相干斑的抑制技术大体分为成像前的多视平滑预处理技术和成像后的滤波技术两类。
成像后的滤波技术又可分为空域滤波技术和频域滤波技术。
空域滤波技术都是先假定噪声模型，然后子啊图像上取一个滑动窗，以窗内所有像素作为滤波器的输入值，等同于估计无相干斑噪声的图像，它是基于局部统计特性进行滤波处理的，如Crimmins提出的几何斑点滤波器，Lee提出的局部滤波方法，Kuan等提出的姿势因规律波，Frost提出了自适应斑点噪声滤波器，Jose等提出的基于Baysian方法的含噪SAR图像恢复方法。
与Lee滤波器相比Kuan滤波的效果更好，但这两者都是以最小均方差故居准则为基础的，更适合于单视SAR图像数据处理。
Forst滤波器与Lee滤波和Kuan滤波的不同之处在于它是通过观测图像域SAR系统的冲击响应的卷积来估计场景的真实回波的，考虑了场景的相关性。
对于多视图像，假设图像的概率密度函数为Gamma分布，应用最大后验概率（maximumaposteriori,MAP）滤波相干斑噪声，则可以得到GammaMAP滤波器。
对统计学方法的研究和改进都是考虑如何自适应选择窗口及如何引入像元结构信息等。
频域滤波技术，小波变换的方法对边缘有着较好的保留效果，但是对于一致性较好的区域，噪声抑制效果仍不够理想。
为了在保持图像边缘和纹理等细节信息的同时，加强均匀区域的滤波效果，可以将马尔可夫随机场模型与小波变换相结合，建立小波马尔可夫模型，并用于SAR图像去噪。
在多尺度马尔可夫模型（multiscaleMarkovmodel）的基础上，Crou等提出了小波域隐马尔可夫树模型（hiddenMarkovtreemodel,HMT）,并已被用于SAR图像的半点噪声抑制。
但是应注意小波域马尔可夫树模型人存在一些问题，如快效应、孙连算法熟练较慢、大图像的计算量大等问题。
大多数用于普通光学图像的有效边缘检测方式是基于梯度的，如Canny、Sobel、Roberts、Prewitt和Nevattas等。
但是由于SAR图像中乘性斑点噪声的影像，使这些传统的边缘提取算子对SAR图像的处理效果并比理想。
当前在SAR图像处理中研究较多的有两类算法：
一类是Ratio算子；另一类是小波多尺度边缘检测算子。
1）Ratio算子
对于多视图像，Ratio边缘检测算子定义为图像中一个点的两个相反方向邻域中像素值的平均比率，该算子性能和邻域大小、SAR图像的视数、SAR图像的平均功率有关。
当邻域较大时，比率算子对相干斑噪声不敏感，可以用来检测边缘；当邻域小时，小边缘就会漏掉。
为检测小边缘，可以将比率算子扩展，通过采用一组尺寸增加的邻域来选择阈值，最终检测弱小边缘。
Touzi,Bovik等提出基于两个区域的平均强度的比率算子，当两个区域大小相同时，该算子提供最大似然“完全边缘检测”概率，如果两个区域大小不同，则通过逼近方法就不可能找到等价的求解算法。
2）小波多尺度边缘检测算子
小波变换在SAR图像边缘检测中扮演了重要的角色。
小波继承和发展了Canny的多尺度边缘检测思想，具有良好的时域局域化特性及多尺度分析能力，是一种边缘检测有效的数学工具。
主要的思路是根据小波变换多尺度分析构造多尺度边缘检测算子，通过多尺度边缘融合，实现SAR图像边缘的检测。
到目前为止，提出的纹理分析方法，总结起来可分为4类。
1）统计方法
纹理反映了灰度级的空间分布，而灰度共生矩阵估计了和二阶统计量相关的图像性质，所以在一定程度上反映了纹理图像中红各灰度级在空间上的分布特性。
2）结构方法
结构方法假定纹理基元的空间排列构成纹理，这样特征共提取就变为确定这些基元并定量分析他们的空间排列。
可以通过计算各个基元的统计特征作为纹理特征，如平均强度、面积、周长、方向、离心率等；还可以基于组合规则分析纹理，如图模型、树文法等。
3）基于模型的方法
这列方法假设一幅纹理图像是一类参数模型，具有代表性的如马尔可夫随机场模型、分形模型等。
4）基于变换域的方法
空域滤波。
包括局部模板法和局部矩法，如Tuceryan用空间矩作为空域滤波器，用得到的滤波图像作为纹理特征，成功地进行了纹理分割。
Gabor变换与小波变换。
当窗函数是高斯函数时就得到了所谓的Gabor变换。
Gabor滤波器是一种频率、方向选择性滤波器，一旦窗口选定，则时-频分辨率在整个时-频平面上固定。
Gabor滤波器具有良好的频率、方向选择性，由它得到的纹理特征被成功应用于纹理分割、分类中。
多尺度几何分析方法。
多尺度分析正是致力于寻找更有效的基函数，发展一种新的高维函数的最优表示方法。
目前，多尺度几何分析（multiscalegeometricanalysis）的工具主要包括：
Meyer和Coifman构造的Brushlet、Candes提出的脊波变换（Ridgelettransform）、Candes和Donoho提出的曲线波变换（Curvelettransform）、Donoho提出的Wedgelet、Donoho和Huo提出的Beamlet变换、以及最近Velisavljevic由等提出的变换。
SAR图像对目标的几何属性（粗糙度、多次反射等）和材料的自然属性（如塑胶草地、天然草地）及其敏感，而光学图像对目标的物理和化学属性（反照率、颜色等）更为敏感，对目标的自然属性则较难感知。
SAR图像分割的目的进一步可分为两类：
异类是感兴趣目标区域的提取；另一类是针对地物分类的图像分割，是将政府图像分为不同的地物类别。
对于SAR图像的分割，根据分割的方式可以分为两种：
基于区域的方法和基于边缘的方法。
基于区域的方法是通过标记像素以表示他们属于同一分割块。
基于边缘的分割则是通过求取区域边界上的像素点来进行，而所求取的边缘也是后续识别和理解的重要特征之一。
对于理想的分割结果，区域是由一条封闭轮廓线包围着得。
基于区域的分割方法又可分为三类：
阈值分割方法、基于像素特征的分割方法和统计分割方法。
阈值分割方法：
主要利用图像的灰度信息，通常的做法是根据图像灰度直方图的谷底简答地确定一个或几个阈值，将图像的灰度直方图分成几个类，认为图像中灰度值在同一灰度类的像素属于同一类物体。
基于像素特征的分割方法：
这类分割方法经常与前面提到的相干斑抑制技术结合使用，通常是对点和点的邻域进行特征提取，然后根据某个聚类或分类准则划分区域属性所在的特征空间，进而标记其所属的区域类型。
统计分割方法：
就是认为观测到的图像是实际物体做了某种变换并加了噪音的结果。
第2章SAR图像相干斑抑制
2.1SAR成像原理及斑点噪声特性
距离分辨率直接与雷达发射信号的脉冲长度有关，脉冲长度越短（即频率越高），距离分辨率越高。
尽管短的脉冲长度会增大距离分辨率，但短脉冲照射目标的能量也会降低，使回波信号太弱难以记录下来，因此不使用短脉冲而是通过脉冲压缩技术来提高距离分辨率的。
SAR的方位分辨率和天线的孔径大小有关，孔径越大，则方位分辨率越高。
征消失。
2.2.2小波域滤波
小波变换具有两个非常重要的性质：
1）稀疏性，随之尺度的分解，只有少数的而稀疏具有较大的值；2）减相关性，随着尺度的分解，系数之间的相关性远远小于原始信号数据的相关性。
对小波系数处理的经典方法是由Donoho等提出的硬阈值、软阈值方法。
硬阈值方法由于对系数产生了系数截断，所以对于相干斑噪声的去除效果并不明显，而软阈值方法对小波系数都进行了一定的平滑，并不对信号和噪声加以区分，虽然去噪效果相对于硬阈值方法有一定的提高，但是丢失了一定的细节信息，使得SAR图像中的一些目标特征得到不同程度的衰减。
由于小波基函数缺乏各向同性和方向性，使其不可能做到对于二维分片光滑函数的良好逼近。
第3章SAR图像目标检测与变化检测
3.1引言
在点目标检测中，背景的干扰主要表现为相干斑噪声。
一般情况下相干斑噪声的动态范围相当宽，由于从图像中检测点目标的主要方法是依据其与背景的对比度，因此背景目标分布特性中的高电平部分可能造成对边目标的误判。
线目标检测传统方法只是基于像素级的，所以对于噪声比较敏感，若在检测前对图像进行平滑，虽然能够减少噪声的影像，但同时也不可避免地损失了一些边缘信息，有时可能还会是一些关键信息。
在于面目标的检测主要是基于其均值和纹理。
在图像分割时，引入纹理信息可提高分割精度。
3.2SAR图像中桥梁目标检测和自动分割
为了抑制噪声，通常选用低通滤波器，但在过滤噪声的同时，必然使高频信息丢失，导致边界变模糊。
反之，为了提升边缘轮廓，需要高通滤波器，但同时噪声也被加强了。
因此合理地抑制噪声的干啊哦是首选的处理思路，即前滤波。
门限化可以基于图像的全局信息（如灰度和直方图），也可以基于局部信息（如共生矩阵）实现。
Taxt等分别将基于局部和全局信息的技术成为上下文相关方法和上下文物无关方法。
无论是上下文相关门限化还是上下文无关门限化。
只要一个门限适用于整幅图像，就称其为全局门限化，反之，则称之为局部门限化。
门限化还可以分为二级门限化和多级门限化。
Otsu（类别方差自动门限法）法通过最大化类间方差鱼类内方差之比来选择门限。
Nakagawa和Rosenfeld假设目标像元和背景像元均服从正态分布，但二者的均值和方差不同，在此前提下，它们通过最小化总体错误分类的概率来选择门限。
这种方法的缺点是运算量大。
Kittler和Illingworth在相同的假设下，提出了一个运算量较小的方法，它们的方法通过对以准则函数进行优化寻找近似的最小误差门限，此准则函数是与像元误分率相联系的。
Par和Bhandari提出了一个类似的方法，所不同的是它们假设目标与背景服从的是泊松分布。
组合分析类内方差、类间方差和总体方差，可以衡量不同门限导出的类别的分离性能。
二进小波变换是小波分析中比较重要的一种变换，在图像滤波和去噪中得到了广泛的应用。
信号的奇异性及在该地啊你的奇异性大小可以由信号的二进小波变换在该店的值随尺度餐宿变换的趋势而确定，即当尺度参数区域趋于零时，奇异点所对应的小波变换将是局部最大值。
对于图像而言，奇异点往往构成图像的边缘，而边缘往往饱含着比其他位置更多的信息。
因此就有可能通过图像在小波变换下的不同尺度的模的极大值信息来重构图像本身，而且也可以通过摸极大值的位置，确定图像的边缘特征，从而检测出图像的特征边缘。
对于SAR图像，为了更好地获得河流的形状，同时也达到抑制噪声的效果，很有必要做前滤波处理。
分析二进小波变换，对图像而言，其一次分解得到三幅同样大小的图像（一幅模糊图像和两幅细节图像），分解的本质是将源图像的直流分量和交流粉脸尽可能地分尅，直流分量对应于源图像的基本轮廓，交流分量对应于源图像的细节特征，也包括了噪声分量。
变换的结果就是把源图像中的高频分量（边缘特征）和噪声干扰通过小波捕获到小波变换域中，而将基本轮廓捕获到尺度变换域中。
3.3.2港口目标的分割
小波分析的奇异性检测被广泛地应用在图像处理中，这里借用小波分析的思想提出一种分割图像中的港口检测的有效方法，基本思想是应用小波分析提取分割图像块的边缘的模值图，然后对模值进行阈值处理并检测。
该算法的本质在于奇异性的检测，小波分析优良的特性使得其在边缘检测方面得到了广泛的应用，小波细节图像就是边缘所在的地方，通过两个方向的叠加可以搜索到全局边缘，即港口目标和伪目标的形状在小波变换域明显地区分开来。
把所有分割图像变换为同样大小的图像：
取所有图像的大小的平均值，以此为基准将所有图像进行放缩变换，所采取的变换是双三次变换，以此来放缩图像。
伪目标和港口明显的区别在于矩形齿的特性，利用这个区别，并结合小波边缘边缘检测成功地将港口伪目标减少到最低限度，取得了良好的检测和分类效果。
3.4基于脊波变换的曲线特征检测
Radon变换和Hough变换是常用的直线检测方法，这方面的工作包括Radon变换和Hough变换检测直线和检测曲线两部分。
曲线检测中Hough变换和其推广是一种常用的工具，其中局部Radon变换、随机Hough变换（概率Hough变换）、模糊Hough变换、约束Hough变换、重要性抽样Hought变换等都是比较经典的。
多尺度的方法、Beamlet、Ridgelet等的应用为直线和无线的检测开辟了新的方向，这些工具不但起到检测的作用，而且还能分析线特征。
传统的Radon变换和Hough变换都不吭有效地解决线的长度和宽度问题；
局部Radon变换可以有效地解决直线的长度；
随机Hough变换则是在图像中寻找全局特征，这些特征可以是曲线段、圆、椭圆等。
模糊Hough变换则多用在形状分析和合成，主要是针对各种边缘检测算子不能检测形状而产生的。
约束Hough变换则考虑把Hough变换的检测问题分解称多个小的子问题，这些问题的几何并没有降低检测性能，而且这些问题仅仅被限制在一些通过特定边缘像素点的曲线上，并满足一定的局部化误差，这种性质可以准确、有效地把局部化误差传播到曲线的参数空间，并准确地检测到期望的曲线；
重要性抽样Hough变换是概率Hough变换的一种改进，其在概率论的框架中研究Hough变换的重要性抽样性质，并能准确地检测标准的圆。
Beamlet和Risgelet等方法则采用逼近的思想，用直线段来逼近曲线，可以说是曲线检测思想上的一个转折，既然采用了分段技术，因此可以有效地计算直线和曲线的长度。
图像的边缘是方向性很强的奇异性所在，脊波以其独特的捕获奇异性的方法，能有效地解决二维或者更高维奇异性的问题。
脊波变换对于具有直线奇异的多变量函数具有良好的逼近性能，但是对于曲线奇异的多变量函数，其逼近性能只相当于小波变换，不具有最优的非线性逼近误差衰减阶。
对于曲线模型，Candes提出了一种单尺度脊波分析的方法，既可以对曲线进行无限分割，每一小段可以近似为直线。
3.5基于广义高斯混合模型的SAR图像变换检测
基本上SAR图像变化检测方法可以分为图像阈值法和图像分类法两大类。
利用SAR同时进行变化检测分析首先需要对梁凤仪SAR图像做最熟比运算。
对这种比值图像进行有效地分析和处理时准确检测图像变化的关键。
在通过对数比图像来便是图像的“变化”和“未变化”区域时，通常将变化检测问题转化为图像的二值化问题或分类问题。
第4章SAR图像融合
图像融合一般分为三级：
像素级融合、特征级和决策级融合。
像素级融合是在图像严格配准的条件下直接对源图像进行像素与像素关联的融合处理，该融合结果提高了图像的灵敏度和信噪比，利于观测和特征提取。
像素级融合是特征级融合决策级融合的基础。
特征级融合是在像素级融合大基础上，使用参数模板、统计分析、模式相关等方法进行几何关联、目标识别、特征提取的融合方法，用以排除虚假特征，以利于系统判决。
决策级融合方法主要是是基于认识模型的方法，需要采用大型数据库和专家判决系统模拟人的分析、判断、识别和判决过程，以增加决策的智能化和可靠性。
4.1融合规则及融合算子
加权平均高图像融合方法：
多数情况下，在这种加权平均融合方法中，参加融合的图像提供了荣誉信息，通过这种融合可以提高检测的可靠性。
像素灰度值选大图像融合方法：
这种融合方法只是简单地选取参加融合的源图像中灰度值大的像素作为融合后的像素，其使用场合非常有限。
像素灰度值喧嚣的图像融合方法：
这种融合方法只是简单地选取参加融合的源图像中灰度值小的像素作为融合后的像素，与像素灰度值选大图像融合方法类似，其使用场合非常有限。
4.3经典的图像融合方法
塔式算法和小波变换融合基本思想是，首先把原始图像在不同分辨率下进行分解，然后在不同的分解水平上对图像进行融合，最后通过重构来获得融合图像。
4.4基于概率模型的多传感器图像融合
对于可见光图像和红外图像来说，图像特征之间的关系具有以下特点：
1）相似特征，即这类特征在两种图像中是相同或者相似的；2）局部对比度极性相反；3）互补特征，即这列特征在仅存在与其中某一个传感器图像之中；4）各个传感器图像具有不同的噪声水平。
4.5基于脊波变换在图像融合中的应用
如果从图像的方向特性出发（例如图像的边缘），基于边缘的融合则是一种很好的思路，它不同于以往的Steerable方向滤波。
脊波是利用各种特殊的高维空间的不均匀性来模拟现实的信号。
有限Radon变换：
有限Radon变换由数字图像的P各投影角构成的，而且是完备的。
改进小波变换的特性分析：
设p（t）满足容许提前欧几千年的一个连续小波，对其时域进行二进制离散，称之为二进小波（dyadicwavelet）。
信号的奇异性及在该店的奇异性可以由信号的二进小波变换在该店的值随制度参数变换的趋势而确定，即当尺度参数趋于零时，奇异点所对应非小波变换值将是局部最大值，因而可以通过信号的二进小波变换测定信号的奇异性大小和位置。
图像的二维离散脊波变换：
结合有限Radon变换和二进小波变换。
对于方向性很强的图像，图像的边缘则是方向性很强的奇异性所在。
脊波以其独特的捕获奇异性的方法，能有效地解决二维和更高维奇异性的问题。
基于脊波变换的图像融合新方法：
取绝对值最大法、加权平均的融合方法、局部方差融合、局部内积融合方法、局部距离融合方法、局部脊波融合方法、方向信息融合方法、
4.5.4融合结果及分析
基于脊波变换的图像融合方法物理意义在于：
1）图像处理的飞速发展给调和分析和函数逼近提出了新的具有挑战性的问题。
脊波是通过模拟不同尺度、不同位置、不同方向上的图像信息来完成信号分析的因此基于脊波得图像融合，可以在这些尺度、位置和方向上进行。
2）脊波能有效地处理直线和超平面奇异性，可以认为脊波和小波起到了互相补偿的作用。
3）物理获得更好的融合效果并突出重要的特征细节信息，在进行脊波融合时，不同尺度、不同位置、不同方向都可以因公不同的融合算子或规则，而且可以根据用户的要求针对自己感兴趣的特征选取相应的融合算子，较之小波分析，融合信息有更多的选择。
4）基于脊波的特征融合，融合方法是最终将源图像转化为两个向量的相似性比较，而向量的相似性比较相当于小波变换中区域的相似性比较来说，新的精度，而且可以选择更多的融合算子，较之小波分析，融合信息有更多的选择。
5）函数逼近好图像处理的任务研究从函数总体结构和像素结构层次上转到了函数的局部结构和图像的边缘信息上，而这些信息则是作者感兴趣的目标。
4.6基于Contourlet变换的饿图像融合
由一维小波的张量积所生成的二维小波不能“看出”沿着轮廓的光滑。
Do和Vetterli在2001年提出了一个双重的滤波器组的方法，在新构造的金字塔方向滤波器中，拉普拉斯金字塔首先用于检测点的不连续性，然后用一个方向滤波器把点的非连续性与线性结构联系在一起，来得到具有光滑轮廓的典型图像的系数表示，这就是Contourlet的基本思想。
Contourlet变换的最终结果是用类似于线段的基结构来逼近源图像，这也是所有称之为Contourlet变换的原因。
Contourlet最突出的特点是具有很强的各向异性，与小波变换高频信息只有水平、垂直、对角线三个方向的分量相比，Contourlet通过方向滤波器对高频部分的信号进行处理，能够把高频信息分解成多个方向性的分量的组合，这种结构使得Contourlet有较优的非线性逼近性能，可以近似最优地逼近任意含线性奇异的二维分段光滑函数。
Contourlet变换的另一个重要特点是具有类似于Curvelet变换的各向异性尺度关系。
Cunha等收到构造非下采样小波的启发，应用aTrous算法提出了一种非行啊采样Contourlet变换（nonsubsampledcontorlettransform,NSCT）,NSCT是通过综合非下采样的塔式分解（nonsubsampledpyramid,NSP）和非下采样的DFB（nonsubsampleddirectionalfilterbank,NSDFB）来说实现的，它不但继承了Contourlet的多尺度、多方向的性质，还具有平移不变性质，在图像去噪和图像增强中得到了很好的应用。
基于NSCT的融合方法具有以下特点：
1）NSCT能够更好地处理高维的奇异性，如边缘、纹理等信息，能够充分挖掘待融合图像的方向信息，对于高维奇异性基于更稀疏的表示，体现了多尺度、多方向性。
2）对比小波和Contourlet的方法，由于NSCT具有平稳不变性，因此能够消除小波和Contourlet方法的边缘振铃效应，体现了平稳性质。
3）与同样具有多尺度、平移不变的平稳小波变换相比较，NSCT具有多方向性，具有更丰富的基函数，更能挖掘图像的奇异性。
4.7基于Wedgelet和平稳小波的图像融合
Wedgelet采用二进剖分的思想把做各种位置、尺度和方向上的二进楔型区域上的特征函数作为基元素，因此它提供了对“水平模型”的金鱼最优的表示，并用极小极大描述长度来描述长度来度量，Donoho也研究了星型集合上的特征函数模型的Wedgelet逼近问题，表明基于惩罚复杂度的Wedgelet剖分可以达到理论上的极小极大风险估计。
目前对Wedgelet的分析主要集中在二维空间。
Wedgelet可以很好地描述方向信息。
Wakin提出了一种新的模型edgecartoon+texture，可以将图像分成边缘信息和纹理信息。
Wedgelet的逼近图像可以看作是图像的边缘信息，而源图像减去Wedgelet的逼近图像得到的残差图像可以认为是纹理区域。
对边缘信息采用基于Wedgelet的图像融合，而对于纹理信息采用其他融合方法。
4.7.3融合结果及分析
多聚焦图像融合，目的是为了获得更清晰的图像，而方差反映了图像的反差程度，其值越大，图像的对比度越大，图像越清晰。
于是这里采用基于局部方差的融合策略，而融合的结果可以通过视觉效果和客观参数来评价，客
升级会员 