SAR图像处理与目标识别

内容简介

《SAR图像处理与目标识别》针对实际工程需求和特点展开，对SAR图像处理与目标识别的方法、原理和应用进行了系统的研究，《SAR图像处理与目标识别》共分为9章。第1章为SAR图像的特性分析。第2～第4章分别介绍了SAR图像去噪声技术、图像配准和图像融合。第5章和第6章主要研究了SAR图像目标分割和目标检测的实现方法。第7章对SAR图像目标识别进行了研究。第8章描述了基于压缩感知的雷达图像重建算法。第9章系统地介绍了基于小波变换的SAR图像压缩方法。

目录

第1章  SAR图像特性分析
1.1  合成孔径雷达成像的基本原理
1.2  SAR图像的分辨率特征
1.3  SAR图像的强度特征
1.4  SAR图像的几何特征
1.5  SAR图像的统计分布特征
1.6  SAR图像的噪声特征
1.6.1  SAR图像相干斑形成机理
1.6.2  SAR图像相干斑模型
1.7  SAR图像指标
1.8  本章小结
参考文献
第2章  SAR图像去噪声
2.1  SAR图像分布模型
2.2  SAR图像滤波
2.2.1  空间域滤波算法
2.2.2  小波域全局阈值滤波
2.2.3  基于纹理模型的空间自适应小波滤波
2.2.4  基于隐马尔可夫树模型的小波滤波算法
2.2.5  基于双正交小波域局部统计特性的滤波算法
2.2.6  基于正交带波域的滤波算法
2.2.7  基于曲波变换域的滤波算法
2.2.8  基于轮廓波变换域的滤波算法
2.2.9  基于带波变换域的滤波算法
2.3  滤波算法的效果对比
2.4  本章小结
参考文献
第3章  SAR图像配准
3.1  SAR图像配准概况
3.1.1  图像配准的定义
3.1.2  图像配准的模型
3.1.3  图像变换
3.1.4  图像配准的一般方法
3.2  图像配准预处理
3.2.1  图像增强
3.2.2  图像的几何校正
3.3  基于灰度的图像配准方法
3.3.1  基于互信息的图像配准算法
3.3.2  基于联合直方图的图像配准算法
3.4  基于特征的图像配准方法
3.4.1  基于SIFT特征的图像配准算法
3.4.2  基于角点特征的图像配准算法
3.4.3  基于灰度和特征的配准方法的局限性
3.4.4  基于特征与灰度相结合的图像配准新方法
3.5  基于变换域的图像配准方法
3.5.1  平移变化的配准原理
3.5.2  旋转变化和比例变化的配准原理
3.5.3  基于快速傅里叶变换的图像配准算法
3.5.4  仿真结果
3.6  本章小结
参考文献
第4章  SAR图像融合
4.1  SAR图像融合概况
4.1.1  图像融合的层次划分
4.1.2  图像融合效果评价
4.2  加权平均融合算法
4.3  基于拉普拉斯金字塔算法的图像融合算法
4.4  基于小波变换的图像融合方法
4.4.1  基于小波变换的图像融合算法
4.4.2  小波变换域内不同融合算法比较
4.5  基于轮廓波变换的融合算法
4.6  基于Bandlet变换的图像融合算法
4.7  基于PCNN的图像融合新算法
4.7.1  脉冲耦合神经网络
4.7.2  基于DWT的PCNN的融合新算法
4.7.3  基于DWT的并行PCNN融合算法
4.7.4  基于方向性激励的PCNN融合算法
4.7.5  基于Grouplet变换和PCNN的图像融合算法
4.8  仿真结果
4.9  本章小结
参考文献
第5章  SAR图像目标分割
5.1  SAR图像目标分割技术发展概况
5.2  CFAR分割技术
5.2.1  单参数CFAR分割
5.2.2  双参数CFAR分割
5.2.3 &n

摘要与插图

（4）增强了系统的稳定性和容错性； 
　　（5）使系统具有更高的性价比。 
　　而作为SAR图像融合的源图像包含Speckle噪声，在融合时无法使用传统的简单特征融合方法。本章重点研究图像融合的定义、评价标准、经典图像融合方法和X—let变换的PCNN融合。 
　　4.1.1 图像融合的层次划分 
　　多源图像融合按信息抽象的程度可分为：像素级融合（特征提取之前）、特征级融合（属性说明之前）和决策级融合（各传感器数据独立属性说明之后）。因此，图像融合就可相应地在像素级、特征级和决策级3个层次上进行，构成3种融合水平。 
　　像素级图像融合主要是针对初始图像数据进行的，其目的主要是图像增强、图像分割和图像分类，从而为人工判读图像或进一步的特征集融合提供更佳的输入信息。其融合示意图如图4—1所示。像素级图像融合属于较低层次的融合，大部分研究集中在该层次上，融合前需先对图像进行预处理，包括降噪、几何校正、辐射校正、空间上的配准等，如果图像具有不同的分辨率，在融合之前还需要做相应的映射处理。 
　　特征级图像融合是指从各个传感器图像中提取特征信息，并进行综合分析和处理的过程。其融合示意图如图4—2所示。提取的特征信息是像素信息的充分表示量或充分统计量，典型的特征信息包括边缘、形状、轮廓、角、纹理、相似亮度区域等。通过特征集融合，可以在原始图像中挖掘相关特征信息，增加特征信息的可信度，排除虚假特征，建立新的复合特征等。经过特征级融合处理后的结果是一个特征空间，数据量相对于原来的图像数据将大为减少，该处理进程将极大地提高处理和传输效率，有效地推动数据自动实时处理。特征级图像融合是中间层次上的融合，是为决策级融合做准备。特征级融合对传感器对准要求不如像素级严格，因此图像传感器可以分布于不同平台上。特征级融合的优点在于实现了可观的信息压缩，便于实时处理。目前，特征集数据融合的主要方法有聚类分析方法、登普斯特一谢弗（Dempster—Shafer）推理方法、信息熵方法、表决方法及神经网络方法等。 
　　如图4—1和图4—2所示的像素级和特征级的融合过程，要的步骤是图像配准。它直接影响融合的精度。工程应用要求运算保持高精度，而SAR图像配准因其特殊性，特征点不如光学图像多，且受噪声影响，这是未来工程应用需重点考虑的因素。 
　　决策级图像融合是对来自多幅图像的信息进行逻辑推理或统计推理的过程。其融合示意图如图4—3所示。如果传感器信号的表示形式差异很大或者涉及图像的不同区域，那么决策级融合是融合多图像信息的方法。融合的决策是系统中传感器提供的信息，或是来自环境模型或系统先验信息的决策。从传感器信息导出的决策代表了有关环境某个方面已做出的决策，通常是把传感器信息导出的特征与模型匹配来处理。决策级融合是图像融合的层次，经过决策级融合的结果可以直接作为决策要素来做出相应的行为，直接为决策者提供决策参考。决策级融合的主要优点可概括为：①通信及传输要求低，这是由其数据量少决定的；②容错性高，一个或若干传感器的数据干扰，可以通过适当的融合方法予以消除；③数据要求低，传感器可以是同质或异质，所以对传感器的依赖性和要求降低；④分析能力强，能有效反映目标及环境的信息，满足不同应用的需要。由于对预处理及特征抽取的较高要求，所以决策级图像融合的代价较高。目前，常用的决策级图像融合方法主要有贝叶斯估计法、模糊聚类法及专家系统等。
　　……