《SAR圖像處理與目標識別》針對實際工程需求和特點展開,對SAR圖像處理與目標識別的方法、原理和應用進行了系統(tǒng)的研究,全書共分為9章。第1章為SAR圖像的特性分析。第2~第4章分別介紹了SAR圖像去噪聲技術、圖像配準和圖像融合。第5章和第6章主要研究了SAR圖像目標分割和目標檢測的實現方法。第7章對SAR圖像目標識別進行了研究。第8章描述了基于壓縮感知的雷達圖像重建算法。第9章系統(tǒng)地介紹了基于小波變換的SAR圖像壓縮方法。
《SAR圖像處理與目標識別》深入淺出,涵蓋了SAR圖像研究及相關領域的前沿成果,適合信號處理等相關領域的研究人員及在校學生參考使用。
吳良斌,1965年1月5日出生,重慶梁平人,1988年西北工業(yè)大學研究生畢業(yè),自然科學研究員,現任中航工業(yè)雷達與電子設備研究院總工程師、中航工業(yè)集團公司首席技術專家,同時兼任中國航空學會電子專業(yè)委員會副主任委員、中國雷達行業(yè)協(xié)會資深專家委員會副主任委員、中國電子學會無線電定位分會委員、總裝飛機機載系統(tǒng)技術專業(yè)組成員等。吳良斌長期從事機載雷達及相關技術的理論研究和工程型號研制工作,先后主持完成數十項國防科技預先研究和型號研制項目。屢次受到國家、行業(yè)的表彰,榮獲國家科技進步獎、國防科技進步獎和中航工業(yè)集團公司科技進步獎等近20項榮譽。2004年獲“全國國防科技工業(yè)系統(tǒng)勞動模范”稱號,2011年獲中航工業(yè)“航空報國突出貢獻獎”。吳良斌專業(yè)理論基礎扎實,在工程設計及應用方面有較深造詣,先后發(fā)表專業(yè)論文、譯文和科研技術報告等30余篇,主持編著了《現代電子系統(tǒng)的電磁兼容性設計》。《機載雷達手冊》,入選國防科技工業(yè)“511人才工程”學術帶頭人。
第1章SAR圖像特性分析
1.1合成孔徑雷達成像的基本原理
1.2SAR圖像的分辨率特征
1.3SAR圖像的強度特征
1.4SAR圖像的幾何特征
1.5SAR圖像的統(tǒng)計分布特征
1.6SAR圖像的噪聲特征
1.6.1SAR圖像相干斑形成機理
1.6.2SAR圖像相干斑模型
1.7SAR圖像指標
1.8本章小結
參考文獻
第2章SAR圖像去噪聲
2.1SAR圖像分布模型
2.2SAR圖像濾波
2.2.1空間域濾波算法
2.2.2小波域全局閾值濾波
2.2.3基于紋理模型的空間自適應小波濾波
2.2.4基于隱馬爾可夫樹模型的小波濾波算法
2.2.5基于雙正交小波域局部統(tǒng)計特性的濾波算法
2.2.6基于正交帶波域的濾波算法
2.2.7基于曲波變換域的濾波算法
2.2.8基于輪廓波變換域的濾波算法
2.2.9基于帶波變換域的濾波算法
2.3濾波算法的效果對比
2.4本章小結
參考文獻
第3章SAR圖像配準
3.1SAR圖像配準概況
3.1.1圖像配準的定義
3.1.2圖像配準的模型
3.1.3圖像變換
3.1.4圖像配準的一般方法
3.2圖像配準預處理
3.2.1圖像增強
3.2.2圖像的幾何校正
3.3基于灰度的圖像配準方法
3.3.1基于互信息的圖像配準算法
3.3.2基于聯(lián)合直方圖的圖像配準算法
3.4基于特征的圖像配準方法
3.4.1基于SIFT特征的圖像配準算法
3.4.2基于角點特征的圖像配準算法
3.4.3基于灰度和特征的配準方法的局限性
3.4.4基于特征與灰度相結合的圖像配準新方法
3.5基于變換域的圖像配準方法
3.5.1平移變化的配準原理
3.5.2旋轉變化和比例變化的配準原理
3.5.3基于快速傅里葉變換的圖像配準算法
3.5.4仿真結果
3.6本章小結
參考文獻
第4章SAR圖像融合
4.1SAR圖像融合概況
4.1.1圖像融合的層次劃分
4.1.2圖像融合效果評價
4.2加權平均融合算法
4.3基于拉普拉斯金字塔算法的圖像融合算法
4.4基于小波變換的圖像融合方法
4.4.1基于小波變換的圖像融合算法
4.4.2小波變換域內不同融合算法比較
4.5基于輪廓波變換的融合算法
4.6基于Bandlet變換的圖像融合算法
4.7基于PCNN的圖像融合新算法
4.7.1脈沖耦合神經網絡
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基于方向性激勵的PCNN融合算法
4.7.5基于Grouplet變換和PCNN的圖像融合算法
4.8仿真結果
4.9本章小結
參考文獻
第5章SAR圖像目標分割
5.1SAR圖像目標分割技術發(fā)展概況
5.2CFAR分割技術
5.2.1單參數CFAR分割
5.2.2雙參數CFAR分割
5.2.3多分辨率CFAR
5.3基于MRF的SAR圖像目標分割
5.4基于全局Maxflow的SAR圖像目標分割
5.4.1能量函數最小化理論
5.4.2最小割集與最大流
5.4.3Otsu算法
5.4.4基于Maxflow的最大熵算法的SAR圖像目標分割
5.4.5基于全局Maxflow的鄰域生長算法的SAR圖像目標分割
5.5本章小結
參考文獻
第6章SAR圖像目標檢測
6.1SAR圖像目標檢測概況
6.2SAR圖像目標檢測的基本算法
6.2.1SAR圖像目標檢測的知識檢測
6.2.2基于數據相關的基與固定基相結合的SAR圖像檢測算法
6.2.3SAR圖像目標檢測算法實用性
6.3基于Beamlet的SAR圖像目標檢測
6.3.1Beamlet的基本理論
6.3.2小線檢測
6.3.3基于Beamlet的SAR圖像目標檢測仿真
6.3.4Beamlet的其他應用
6.4本章小結
參考文獻
第7章SAR圖像目標識別
7.1SAR圖像目標識別概況
7.1.1SAR目標識別概述及研究現狀
7.1.2SAR圖像目標自動識別的難點
7.1.3SAR圖像目標自動識別的關鍵技術
7.1.4SAR圖像目標識別流程
7.2基于PCA、KPCA及2DPCA的SAR圖像識別
7.2.1PCA特征提取
7.2.2KPCA及2DPCA特征提取方法
7.2.3SAR圖像分類識別性能驗證
7.2.4投影特征的缺點
7.3SAR圖像融合目標特征提取
7.3.1SAR圖像融合目標特征概述
7.3.2基于形狀特征的Hu不變矩特征提取
7.3.3基于紋理特征的Gabor特征提取
7.3.4基于頻域特征的FFT特征提取
7.3.5基于HGF混合特征矩的融合特征
7.4支持矢量機分類器
7.4.1SVM分類器
7.4.2SVM體系結構
7.5基于融合特征和sVM分類器的SAR圖像目標識別
7.5.1基于融合特征和SVM分類器的SAR圖像目標識別的處理流程
7.5.2聯(lián)合特征提取及類歸一化
7.5.3SVM分類器設計
7.5.4融合特征分類效果驗證
7.6本章小結
參考文獻
第8章基于壓縮感知的雷達圖像重建算法
8.1壓縮感知概況
8.1.1研究的背景和意義
8.1.2國內外研究現狀
8.1.3壓縮感知的應用
8.2壓縮感知理論
8.2.1信號的稀疏表示
8.2.2壓縮感知算法
8.2.3常用測量矩陣
8.2.4信號重建算法
8.2.5壓縮感知在雷達成像中的應用
8.3基于小波樹的正交匹配追蹤重建算法
8.3.1正交匹配追蹤算法
8.3.2TOMP算法
8.3.3TOMP算法的仿真
8.4基于分塊的三維小波樹的正交匹配追蹤算法
8.4.1三維的基于小波樹的正交匹配追蹤算法(3D—TOMP)
8.4.2基于分塊的三維小波樹的正交匹配追蹤算法(3D—TOMP—BL)
8.4.3驗證結果及分析
8.5本章小結
參考文獻
第9章基于小波變換的SAR圖像壓縮方法
9.1SAR圖像壓縮技術發(fā)展概況
9.1.1SAR數據壓縮背景
9.1.2SAR圖像壓縮的意義
9.1.3圖像壓縮算法概述
9.2SAR圖像統(tǒng)計特征與率失真特性
9.2.1SAR圖像統(tǒng)計特征
9.2.2SAR圖像的率失真特性
9.2.3傳統(tǒng)圖像壓縮原理
9.2.4圖像壓縮的評估標準
9.3基于小波變換的SAR圖像壓縮方法
9.3.1小波變換
9.3.2圖像統(tǒng)計特性和適合圖像數據壓縮小波基的確定
9.3.3基于小波變換的嵌入式壓縮編碼
9.4SAR圖像壓縮性能仿真測試
9.5本章小結
參考文獻
名詞術語表
版權頁:
(4)增強了系統(tǒng)的穩(wěn)定性和容錯性;
(5)使系統(tǒng)具有更高的性價比。
而作為SAR圖像融合的源圖像包含Speckle噪聲,在融合時無法使用傳統(tǒng)的簡單特征融合方法。本章重點研究圖像融合的定義、評價標準、經典圖像融合方法和X—let變換的PCNN融合。
4.1.1 圖像融合的層次劃分
多源圖像融合按信息抽象的程度可分為:像素級融合(特征提取之前)、特征級融合(屬性說明之前)和決策級融合(各傳感器數據獨立屬性說明之后)。因此,圖像融合就可相應地在像素級、特征級和決策級3個層次上進行,構成3種融合水平。
像素級圖像融合主要是針對初始圖像數據進行的,其目的主要是圖像增強、圖像分割和圖像分類,從而為人工判讀圖像或進一步的特征集融合提供更佳的輸入信息。其融合示意圖如圖4—1所示。像素級圖像融合屬于較低層次的融合,大部分研究集中在該層次上,融合前需首先對圖像進行預處理,包括降噪、幾何校正、輻射校正、空間上的精確配準等,如果圖像具有不同的分辨率,在融合之前還需要做相應的映射處理。
特征級圖像融合是指從各個傳感器圖像中提取特征信息,并進行綜合分析和處理的過程。其融合示意圖如圖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統(tǒng)計量,典型的特征信息包括邊緣、形狀、輪廓、角、紋理、相似亮度區(qū)域等。通過特征集融合,可以在原始圖像中挖掘相關特征信息,增加特征信息的可信度,排除虛假特征,建立新的復合特征等。經過特征級融合處理后的結果是一個特征空間,數據量相對于原來的圖像數據將大為減少,該處理進程將極大地提高處理和傳輸效率,有效地推動數據自動實時處理。特征級圖像融合是中間層次上的融合,是為決策級融合做準備。特征級融合對傳感器對準要求不如像素級嚴格,因此圖像傳感器可以分布于不同平臺上。特征級融合的優(yōu)點在于實現了可觀的信息壓縮,便于實時處理。目前,特征集數據融合的主要方法有聚類分析方法、登普斯特一謝弗(Dempster—Shafer)推理方法、信息熵方法、表決方法及神經網絡方法等。
如圖4—1和圖4—2所示的像素級和特征級的融合過程,最重要的步驟是圖像配準。它直接影響最終融合的精度。工程應用要求運算保持高精度,而SAR圖像配準因其特殊性,特征點不如光學圖像多,且受噪聲影響,這是未來工程應用需重點考慮的因素。
決策級圖像融合是對來自多幅圖像的信息進行邏輯推理或統(tǒng)計推理的過程。其融合示意圖如圖4—3所示。如果傳感器信號的表示形式差異很大或者涉及圖像的不同區(qū)域,那么決策級融合是融合多圖像信息的唯一方法。融合的決策是系統(tǒng)中傳感器提供的信息,或是來自環(huán)境模型或系統(tǒng)先驗信息的決策。從傳感器信息導出的決策代表了有關環(huán)境某個方面已做出的決策,通常是把傳感器信息導出的特征與模型匹配來處理。決策級融合是圖像融合的最高層次,經過決策級融合的結果可以直接作為決策要素來做出相應的行為,直接為決策者提供決策參考。決策級融合的主要優(yōu)點可概括為:①通信及傳輸要求低,這是由其數據量少決定的;②容錯性高,一個或若干傳感器的數據干擾,可以通過適當的融合方法予以消除;③數據要求低,傳感器可以是同質或異質,所以對傳感器的依賴性和要求降低;④分析能力強,能全方位有效反映目標及環(huán)境的信息,滿足不同應用的需要。由于對預處理及特征抽取的較高要求,所以決策級圖像融合的代價較高。目前,常用的決策級圖像融合方法主要有貝葉斯估計法、模糊聚類法及專家系統(tǒng)等。