CN102637296A - 基于相似性特征分类的极化sar图像斑点抑制方法 - Google Patents
基于相似性特征分类的极化sar图像斑点抑制方法 Download PDFInfo
- Publication number
- CN102637296A CN102637296A CN2012101193676A CN201210119367A CN102637296A CN 102637296 A CN102637296 A CN 102637296A CN 2012101193676 A CN2012101193676 A CN 2012101193676A CN 201210119367 A CN201210119367 A CN 201210119367A CN 102637296 A CN102637296 A CN 102637296A
- Authority
- CN
- China
- Prior art keywords
- pixel
- filtering
- similarity
- similarity coefficient
- coherence matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于相似性特征分类的极化SAR图像斑点抑制方法。该方法是首先定义了去取向相干矩阵的相似系数,然后通过计算经过去取向的相干矩阵之间的相似系数构造阈值矢量,利用该矢量对图像像素进行分类和滤波像素的选取,最后进行加权滤波。本发明与现有技术相比,具有以下优点:①克服了散射回波引起的随机取向问题。②所定义的相干矩阵相似系数可以衡量任意两个相干矩阵之间的相似系数,应用范围扩大且计算简单。③本发明方法能够很好地抑制斑点噪声。④本发明可以有效保持图像的极化散射特性和目标的结构类型。⑤运算简单。
Description
技术领域
本发明属于极化SAR图像预处理技术领域,涉及SAR图像斑点抑制技术,特别是涉及一种基于相似性特征分类的极化SAR图像斑点抑制方法。
背景技术
近年来,PolSAR的应用领域不断扩大,已在海洋探测、农业生产监测、搜寻救助等方面展示出了特有的优势。但极化SAR图像中固有的相干斑噪声,会降低图像的信噪比,掩盖图像的真实特征,严重影响了极化SAR数据的有效应用。
极化SAR图像滤波方法中具有代表性的是Lee J.S.于2006年提出的基于散射模型降斑方法,该方法是通过Freeman极化分解对图像像素进行分类,并选择散射特性类别相近的像素参与滤波,滤波效果明显,能够有效地保持目标的极化散射特性。但同时也存在几个问题,如:(1)复杂地表散射体通常具有随机取向,散射回波具有一定随机波动性,该方法直接对原始数据进行分解,易产生错误分类。(2)Freeman分解方法基于反射对称性假设,对于人造目标、地物较复杂等不满足假设条件的情况,容易出现错误解译。(3)采用Wishart分类器进行迭代分类,涉及大量矩阵求逆、求迹运算,运算量较大。(4)强功率像素是否被保留与像素样本空间的选择有关,当样本空间改变时,图像细节保持情况可能不同。国防科技大学的陈强等,在斑点抑制过程中也考虑到了参与滤波的像素的功率值与极化散射特性,但筛选准则并不严格,忽略掉了暗线目标的保持;并且仅考虑到了与三种特殊散射模型的相似性,也未能最大程度地保持极化散射特性。
此外,像素相干矩阵之间的相似性在极化SAR图像处理应用中一般只考虑相干矩阵与几个特定相干矩阵的相似性,应用范围较窄。清华大学的安文韬提出了一种通过计算矩阵内积衡量任意两个极化相干矩阵相似性的计算方法,用以海面目标的检测,但该计算方法中涉及到较为复杂的矩阵求迹运算,存在部分冗余计算;并且由于计算矩阵内积,第一个矩阵的元素与位于第二个矩阵关于对角线对称位置上的元素相乘,并不能准确体现出像素相干矩阵之间的相似性。
发明内容
为了解决上述问题,本发明的目的在于提供一种在很好地抑制斑点噪声的同时,能够有效地保持图像的极化散射特性和目标的结构类型,并且运算简单的基于相似性特征分类的极化SAR图像斑点抑制方法。
为了达到上述目的,本发明提供的基于相似性特征分类的极化SAR图像斑点抑制方法包括按顺序进行的下列步骤:
(1)对原始图像极化相干矩阵进行极化去取向处理并形成矢量K;
(2)依次以图像中每个像素为中心,取其周围n×n窗口内的像素,分别计算中心像素与其余每个像素相干矩阵的相似系数;
(3)在原始图像中选择几个均匀程度不同的区域,构造相干矩阵相似系数阈值矢量;
(4)将像素的结构类型划分成亮点线目标、暗点线目标和非点线目标三种类型;
(5)根据像素的结构类型筛选参与滤波的像素;
(6)对参与滤波的像素进行加权滤波。
所述的步骤(1)中对原始图像极化相干矩阵进行极化去取向处理并形成矢量K的方法是:先对原始图像极化相干矩阵T0进行极化去取向处理,得到极化相干矩阵T,以克服散射回波引起的随机取向问题;然后将相干矩阵T矢量化,形成1×9维的矢量K。
所述的步骤(2)中相似系数定义为两个矢量Ki和Kj的夹角余弦值。
所述的步骤(3)中构造相似系数阈值矢量的方法是:首先在滤波图像中选取n1个不同地物类型的、均匀程度不同的区域,每个区域像素的平均相似系数构成一个数据集合,并计算每个集合的均值,然后在其中选择n2个典型的、有一定差额的数值并按照从小到大进行排列,形成阈值矢量Th。
所述的步骤(4)中将像素的结构类型划分成亮点线目标、暗点线目标和非点线目标三种类型的方法是:首先计算窗内各像素的功率值,并依次由小到大排序,通过考察中心像素的功率值,以及与中心像素相邻的3×3小窗口内,相干矩阵相似系数大于Th(1)、功率值在一定范围内的像素数目来划分像素类别。
所述的步骤(5)中筛选参与滤波像素的方法是:亮点线目标不予滤波,直接保留;暗点线目标在窗口内逐级筛选属于第i(i=1,2,…,n2)级、且功率值位于功率序列前2/5的像素作为滤波像素;非点线目标在窗口内逐级筛选属于第i级、且不为亮目标的作为滤波像素。
所述的步骤(6)中对参与滤波的像素进行加权滤波的方法为:将参与滤波的像素按其相干矩阵与中心像素相干矩阵的相似系数级别进行加权,按最小均方误差准则滤波。
本发明提供的基于相似性特征分类的极化SAR图像斑点抑制方法是首先定义了去取向相干矩阵的相似系数,然后通过计算经过去取向的相干矩阵之间的相似系数构造阈值矢量,利用该矢量对图像像素进行分类和滤波像素的选取,最后进行加权滤波。
本发明与现有技术相比,具有以下优点:①克服了散射回波引起的随机取向问题。②所定义的相干矩阵相似系数可以衡量任意两个相干矩阵之间的相似系数,应用范围扩大且计算简单。③本发明方法能够很好地抑制斑点噪声。④本发明可以有效保持图像的极化散射特性和目标的结构类型。⑤运算简单。本技术可进一步用于极化SAR图像的目标检测、识别与分类中。
附图说明
图1为本发明提供的基于相似性特征分类的极化SAR图像斑点抑制方法流程图。
图2(a)为半月湾地区的Pauli分解图。
图2(b)为半月湾地区对应的光学图像。
图3为半月湾地区图像平均相干矩阵相似系数示意图。
图4为代表不同地物的像素的平均相干矩阵相似系数分布图。
图5(a)为半月湾地区各通道的原始图像。
图5(b)为半月湾地区基于散射模型降斑方法滤波后各通道的图像。
图5(c)为半月湾地区本发明方法滤波后各通道的图像。
图6(a)为半月湾数据海洋地区的原始图像(放大图)。
图6(b)为半月湾数据海洋地区基于散射模型降斑方法滤波后图像(放大图)。
图6(c)为半月湾数据海洋地区本发明方法滤波后图像(放大图)。
图7为计算等效视数和极化散射特性保持指数选择区域示意图。
图8为等效视数结果比较图。
图9为边缘保持指数结果比较图。
图11为极化散射特性保持指数std.结果比较图。
具体实施方式
下面参照附图和具体实施例对本发明提供的基于相似性特征分类的极化SAR图像斑点抑制方法进行详细说明。
如图1所示,本发明提供的基于相似性特征分类的极化SAR图像斑点抑制方法包括按顺序进行的下列步骤:
(1)对原始图像极化相干矩阵进行极化去取向处理并形成矢量K:
设原始图像极化相干矩阵为T0,对其进行极化去取向运算以得到去取向相干矩阵T,然后将相干矩阵T矢量化,形成1×9维的向量K:
K=V(T)=[T11 T12 T13 T21 T22 T23 T31 T32 T33]T (1)
其中,V(·)为矢量化算子。
(2)依次以图像中每个像素为中心,取其周围n×n窗口内的像素,分别计算中心像素相干矩阵与其它像素相干矩阵的相似系数:
去取向相干矩阵T1、T2的相似系数R定义为两个矢量化后得到的向量的夹角余弦值,如下:
其中,T1、T2为两个去取向相干矩阵,||·||2为向量的2-范数。
以AIRSAR系统在美国半月湾地区采集的L波段的实测数据为例(该数据地物比较丰富,有城镇1、农田2、草地3、机场4,海洋5,靠近海湾的海面上停有大量的舰船6等,如图2所示),利用上述相似系数定义计算该图像中各像素点的平均相似度系数(计算窗口大小为9×9),得到的相似系数图像如图3所示,图像上不同类型区域的平均相似系数分布情况如图4所示。图3、图4清晰地反映了各像素与邻域像素之间的相似与区别程度,如匀质区域像素相干矩阵之间的相似系数值都较高,且分布更加集中,值域跨度较小;复杂地物区域以及均匀场景下出现的孤立点目标,相似系数较低,分布发散,值域跨度相对较大。
公式(2)可以计算两个任意相干矩阵的相似系数,应用范围广。与矩阵内积计算方法相比,性质是相似的,但可以保证两个极化相干矩阵处于相同位置的元素进行相乘运算,能够更有效地体现任意两个像素间的极化散射特性相似程度。并且,公式(2)中完全是向量计算,避免了矩阵求迹运算中非对角线元素的冗余运算,运算量仅为矩阵内积方法的0.4倍,在提高了准确度的同时,显著降低了运算量。
(3)在原始图像上选择几个均匀程度不同的区域,构造相干矩阵相似系数阈值矢量:
1)在原始图像中选取n1个不同地物类型的、均匀程度不同的区域(包括匀质、非匀质区域,大小均为10×10),每个区域像素的平均相似系数形成一个数据集合Φ,Φ={φ1,φ2,φ3,…,φn1},φi的维数是100×1。
2)对每一个φi按下式计算均值:
Th=[Th(1)Th(2)…Th(n2-1)Th(n2)] (4)
Th中的元素依次表征均匀程度由低到高的n2个区域的平均相似系数的平均值。根据阈值矢量Th,可以将像素划定为n2+1个区间:[0 Th(1)),[Th(1)Th(2)),…,[Th(n2-1)Th(n2)),[Th(n2)1]。从相似系数高的区间开始,依次将落在各个区间的像素定义为第i级像素(i=1,2,…,n2+1)。
(4)将像素的结构类型划分成亮点线目标、暗点线目标和非点线目标三种类型:
选用7×7窗口对图像中的每个像素进行类型判断。首先计算窗内各像素的功率值,并依次由小到大排序,形成序列p=[p1,p2,...pc...p49],p1<p2<...pc...<p49。并考察与中心像素相邻的3×3小窗口内,相干矩阵相似系数大于Th(1)、功率值在一定范围内的像素数目,将像素进行划分。
1)亮点线目标满足条件为:①中心像素的功率值pc≥p40;②与中心像素相邻的3×3小窗口内,相干矩阵相似系数大于Th(1)、且功率值大于p40的像素数目大于3,以排除该点为噪声引起的孤立点的可能性。
2)暗点线目标满足条件为:①中心像素的功率值pc<p10;②与中心像素相邻的3×3小窗口内,相干矩阵相似系数大于Th(1)、且功率值小于p10的像素的数目大于3。
3)非点线目标:不满足(1)(2)条件。
(5)根据像素的结构类型筛选参与滤波的像素:
与Lee基于散射模型降斑方法相一致,采用9×9窗口进行像素筛选滤波,若为亮点线目标不予滤波,直接保留;暗点线目标在窗口内逐级筛选属于第i(i=1,2,…,n2)级、且功率值位于功率序列前2/5的像素进行滤波;非点线目标在窗口内逐级筛选属于第i级、且不为亮目标的像素作为参与滤波的像素。暗点线目标和非点线目标滤波的具体实现过程为:
计算阈值Th0:
其中,Th(n2)为均匀程度最高的区域对应区域的平均相似系数的均值。
将窗口内的像素按功率值从小到大进行排序,形成功率序列x=[x1,x2,…xc…x81],x1<x2<…xc…<x81。
1)暗点线目标筛选像素的过程为:
1a)判断当前像素的平均相似系数是否小于Th0。若小于Th0,则说明该像素的散射特性与邻域内其它像素的差异非常大,为了保持像素的散射特性、防止滤波后的功率值发生异变,只选择相干矩阵相似系数属于相似程度高的区间[Th(n2-1)Th(n2))、[Th(n2)1],且功率值小于x16的像素参与滤波;若大于Th0,则转入步骤1b).
1b)在窗口内逐级筛选属于第i(i=1,2,…,n2)级、且功率值小于x16的像素,数目依次记为Ni,作为参与滤波像素。当属于前n2级的像素总数较少(小于5个)时,则只选择相似系数属于区间[Th(n2-1)Th(n2))、[Th(n2)1],且功率小于x16的像素参与滤波,以保持滤波后像素的极化散射特性。
2)非点线目标像素筛选过程同上,但对像素功率的要求有改变:
2a)若当前像素的平均相似系数小于Th0,则只选择相似系数区间[Th(n2)1]内不属于亮目标的像素;若大于Th0,则转入步骤2b)。
2b)若中心像素窗内相干矩阵平均相似系数大于Th0,则在窗口内逐级筛选属于第i级、且不为较亮目标的像素,数目依次记为Ni(i≤n2-1),当筛选出的像素数目大于窗口内像素总数的3/5时,即停止筛选。若前n2-1个较高的级别中筛选出的像素数不足窗内像素总数的3/5,则再加入第n2级中不属于较亮目标的像素。前n2个级别中筛选出的像素数较少(小于5个)时,只选择相似系数区间[Th(n2)1]内非亮目标的像素。
(6)对参与滤波的像素进行加权滤波。
将参与滤波的像素按其相干矩阵与中心像素相干矩阵的相似系数级别进行加权,按最小均方误差准则滤波。滤波公式如下:
本发明提供的基于相似性特征分类的极化SAR图像斑点抑制方法的效果可以通过以下实验结果进一步说明,对本发明方法和Lee基于散射模型降斑方法在降斑效果、边缘保持能力、极化特性保持、方法性能等方面进行比较和分析。
实验数据描述:该数据是美国宇航局喷气推进实验室(NASA/JPL)的AIRSAR系统在美国半月湾地区上空采集的L波段全极化数据,经过4视处理。截取了该数据中一部分,大小为250×450,其中包含的地物信息比较丰富,主要场景包括海洋、城镇、农田、草地、机场等,场景中还含有两架飞机,型号分别为Cessna和Beechcraft,另外还有一个三面角反射器。
实验参数描述:实验中,阈值矢量Th的长度n2均为5,滤波窗口为9×9;Lee基于散射模型降斑方法中无监督分类时迭代分类次数设为4次,滤波窗口为9×9。选取图2(a)中方框标示的均匀程度不同的五个区域,包括城镇1、农田2、草地3、机场跑道4、海洋5。由它们的平均相似系数得到的阈值矢量Th为:
Th=[0.79 0.86 0.91 0.94 0.98] (8)
滤波前后的图像如图5和图6所示(为了更清楚地比较实验结果,截取了原数据中纹理比较丰富的部分进行展示)。由图5可以看出,原始图像中比较靠近海岸的海洋地区相干斑噪声比较严重,在Lee基于散射模型降斑方法滤波后的图像中,对某些功率值比较高的斑点滤波并不彻底;而本发明方法滤波后的图像相干斑明显减少,这是由于Lee基于散射模型降斑方法中,对属于表面散射类和二次散射类中功率最大聚类的像素不予滤波,直接保留;而海面上的某些斑点噪声恰好被分进了功率值最大的聚类;而本发明方法中,有数目较多的像素参与匀质区域像素的滤波,从而保证了降斑效果。
本发明方法对目标的结构保持能力也更强,尤其是在表示城镇的区域(图6中HH通道图像中I区域、VV通道图像III区域)以及机场中助航道(图6中HV通道图像中方框II区域),本发明方法滤波后的图像中仍然非常清晰;Lee基于散射模型降斑方法滤波后线条则出现了不同程度的扩展、甚至丢失现象,如图6(b)中HV通道方框II中,表示助航道的纵向的细线已无法分辨。另外,对照图2(b)光学图像可知,VV通道图像方框IV标示的一系列点状的目标,为码头附近停靠的舰船,本发明方法滤波后显得更加清晰可辨,而Lee基于散射模型降斑方法滤波后的图像中则出现了“毛刺”和模糊的现象。
图7中的①、②、③区域分别对应机场、陆地、海洋;图8为计算这几个区域滤波前后的等效视数ENL的示意图。等效视数的计算方法为:
其中,μ、σ分别是同质区域图像强度的均值和标准方差。ENL的值越大,方法的斑点抑制能力越强。
图9为选取两幅图像边缘地区的像素计算滤波前后的边缘保持指数EPI:
其中,p(i,j)为图像中位于边缘等梯度变化比较明显的像素功率值;下标o和下标f分别表示滤波前后的数值。EPI的数值越接近于1,方法的边缘保持能力越强。
由图8可见,本发明方法对两幅图像各个通道滤波后的等效视数均高于Lee基于散射模型降斑方法,因此斑点抑制效果更好。图9中的数据显示,本发明方法滤波后的图像的边缘保持指数不仅远远高于Lee基于散射模型降斑方法,且更接近1,这表明本发明方法可以高效地保持图像的边缘、线条等结构细节特征。
为了比较和说明本发明方法在极化保持特性方面的能力,选择图7中A~E以及两架飞机和舰船所在区域,分别计算和std.两个参数。和std.分别为滤波前后天线接收功率的平均距离、以及接收功率差偏离的程度,两个参数的值越小,极化信息保持越好。计算方法如下:
其中,为天线的接收功率;J为Stokes矢量;τ∈[-π/4,π/4]和φ∈[-π/2,π/2]分别为椭圆率角和极化方位角;M、N分别为两个区间的采样数目;下标f、o分别表示属于滤波前后的数值;K为归一化Kennaugh矩阵。
计算结果分别如图10及图11所示。
Claims (7)
1.一种基于相似性特征分类的极化SAR图像斑点抑制方法,其特征在于:所述的基于相似性特征分类的极化SAR图像斑点抑制方法包括按顺序进行的下列步骤:
(1)对原始图像极化相干矩阵进行极化去取向处理并形成矢量K;
(2)依次以图像中每个像素为中心,取其周围n×n窗口内的像素,分别计算中心像素与其余每个像素相干矩阵的相似系数;
(3)在原始图像中选择几个均匀程度不同的区域,构造相干矩阵相似系数阈值矢量;
(4)将像素的结构类型划分成亮点线目标、暗点线目标和非点线目标三种类型;
(5)根据像素的结构类型筛选参与滤波的像素;
(6)对参与滤波的像素进行加权滤波。
2.根据权利要求1所述的基于相似性特征分类的极化SAR图像斑点抑制方法,其特征在于:所述的步骤(1)中对原始图像极化相干矩阵进行极化去取向处理并形成矢量K的方法是:先对原始图像极化相干矩阵T0进行极化去取向处理,得到极化相干矩阵T,以克服散射回波引起的随机取向问题;然后将相干矩阵T矢量化,形成1×9维的矢量K。
3.根据权利要求1所述的基于相似性特征分类的极化SAR图像斑点抑制方法,其特征在于:所述的步骤(2)中相似系数定义为两个矢量Ki和Kj的夹角余弦值。
4.根据权利要求1所述的基于相似性特征分类的极化SAR图像斑点抑制方法,其特征在于:所述的步骤(3)中构造相似系数阈值矢量的方法是:首先在滤波图像中选取n1个不同地物类型的、均匀程度不同的区域,每个区域像素的平均相似系数构成一个数据集合,并计算每个集合的均值,然后在其中选择n2个典型的、有一定差额的数值并按照从小到大进行排列,形成阈值矢量Th。
5.根据权利要求1所述的基于相似性特征分类的极化SAR图像斑点抑制方法,其特征在于:所述的步骤(4)中将像素的结构类型划分成亮点线目标、暗点线目标和非点线目标三种类型的方法是:首先计算窗内各像素的功率值,并依次由小到大排序,通过考察中心像素的功率值,以及与中心像素相邻的3×3小窗口内,相干矩阵相似系数大于Th(1)、功率值在一定范围内的像素数目来划分像素类别。
6.根据权利要求1所述的基于相似性特征分类的极化SAR图像斑点抑制方法,其特征在于:所述的步骤(5)中筛选参与滤波像素的方法是:亮点线目标不予滤波,直接保留;暗点线目标在窗口内逐级筛选属于第i(i=1,2,…,n2)级、且功率值位于功率序列前2/5的像素作为滤波像素;非点线目标在窗口内逐级筛选属于第i级、且不为亮目标的作为滤波像素。
7.根据权利要求1所述的基于相似性特征分类的极化SAR图像斑点抑制方法,其特征在于:所述的步骤(6)中对参与滤波的像素进行加权滤波的方法为:将参与滤波的像素按其相干矩阵与中心像素相干矩阵的相似系数级别进行加权,按最小均方误差准则滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210119367.6A CN102637296B (zh) | 2012-04-23 | 2012-04-23 | 基于相似性特征分类的极化sar图像斑点抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210119367.6A CN102637296B (zh) | 2012-04-23 | 2012-04-23 | 基于相似性特征分类的极化sar图像斑点抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102637296A true CN102637296A (zh) | 2012-08-15 |
CN102637296B CN102637296B (zh) | 2014-08-27 |
Family
ID=46621682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210119367.6A Expired - Fee Related CN102637296B (zh) | 2012-04-23 | 2012-04-23 | 基于相似性特征分类的极化sar图像斑点抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102637296B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366184A (zh) * | 2013-07-23 | 2013-10-23 | 武汉大学 | 基于混合分类器的极化sar数据分类方法及系统 |
CN103901415A (zh) * | 2014-02-28 | 2014-07-02 | 西安电子科技大学 | 极化相似度匹配下的极化相干矩阵散射能量分解方法 |
CN104240200A (zh) * | 2014-09-02 | 2014-12-24 | 西安电子科技大学 | 基于散射模型和非局部均值相结合的极化sar相干斑抑制方法 |
CN104616024A (zh) * | 2015-02-13 | 2015-05-13 | 中国科学院空间科学与应用研究中心 | 基于随机散射相似性的全极化合成孔径雷达图像分类方法 |
CN105095914A (zh) * | 2015-08-13 | 2015-11-25 | 中国民航大学 | 基于h/q分解和贝叶斯迭代分类相结合的机场跑道检测方法 |
CN108564006A (zh) * | 2018-03-26 | 2018-09-21 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
CN109031294A (zh) * | 2018-07-17 | 2018-12-18 | 中国人民解放军国防科技大学 | 基于相似性检验的极化sar舰船目标检测方法 |
CN110082764A (zh) * | 2019-04-26 | 2019-08-02 | 西安电子科技大学 | 基于稳健正则化层析方法的sar图像成像方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
-
2012
- 2012-04-23 CN CN201210119367.6A patent/CN102637296B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
Non-Patent Citations (2)
Title |
---|
M.D.TIWARI ET AL: "Application of Fractal Parameters for Unsupervised Classification of SAR images:A Simulation base Study", 《APPLICATION OF FRACTAL PARAMETERS FOR UNSUPERVISED CLASSIFICATION OF SAR IMAGES:A SIMULATION BASE STUDY》, 31 December 2010 (2010-12-31) * |
杨大海 等: "基于极化矢量相似系数的极化Lee滤波改进算法", 《信息工程大学学报》, vol. 11, no. 6, 31 December 2010 (2010-12-31) * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366184B (zh) * | 2013-07-23 | 2016-09-14 | 武汉大学 | 基于混合分类器的极化sar数据分类方法及系统 |
CN103366184A (zh) * | 2013-07-23 | 2013-10-23 | 武汉大学 | 基于混合分类器的极化sar数据分类方法及系统 |
CN103901415A (zh) * | 2014-02-28 | 2014-07-02 | 西安电子科技大学 | 极化相似度匹配下的极化相干矩阵散射能量分解方法 |
CN104240200A (zh) * | 2014-09-02 | 2014-12-24 | 西安电子科技大学 | 基于散射模型和非局部均值相结合的极化sar相干斑抑制方法 |
CN104240200B (zh) * | 2014-09-02 | 2017-06-06 | 西安电子科技大学 | 基于散射模型和非局部均值相结合的极化sar相干斑抑制方法 |
CN104616024A (zh) * | 2015-02-13 | 2015-05-13 | 中国科学院空间科学与应用研究中心 | 基于随机散射相似性的全极化合成孔径雷达图像分类方法 |
CN104616024B (zh) * | 2015-02-13 | 2018-06-15 | 中国科学院空间科学与应用研究中心 | 基于随机散射相似性的全极化合成孔径雷达图像分类方法 |
CN105095914A (zh) * | 2015-08-13 | 2015-11-25 | 中国民航大学 | 基于h/q分解和贝叶斯迭代分类相结合的机场跑道检测方法 |
CN108564006A (zh) * | 2018-03-26 | 2018-09-21 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
CN108564006B (zh) * | 2018-03-26 | 2021-10-29 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
CN109031294A (zh) * | 2018-07-17 | 2018-12-18 | 中国人民解放军国防科技大学 | 基于相似性检验的极化sar舰船目标检测方法 |
CN109031294B (zh) * | 2018-07-17 | 2020-09-08 | 中国人民解放军国防科技大学 | 基于相似性检验的极化sar舰船目标检测方法 |
CN110082764A (zh) * | 2019-04-26 | 2019-08-02 | 西安电子科技大学 | 基于稳健正则化层析方法的sar图像成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102637296B (zh) | 2014-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102637296B (zh) | 基于相似性特征分类的极化sar图像斑点抑制方法 | |
Lee et al. | Polarimetric SAR speckle filtering and the extended sigma filter | |
Park et al. | Polarimetric SAR remote sensing of the 2011 Tohoku earthquake using ALOS/PALSAR | |
Vasile et al. | Intensity-driven adaptive-neighborhood technique for polarimetric and interferometric SAR parameters estimation | |
CN103824084B (zh) | 基于sdit和svm的极化sar图像分类方法 | |
EP2767849B1 (en) | Method and apparatus for processing polarimetric synthetic aperture radar image | |
KR101258668B1 (ko) | 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법 | |
CN102722883B (zh) | 一种具有空间自适应性的极化sar图像分割方法 | |
CN101493934B (zh) | 一种基于广义s变换的微弱目标检测方法 | |
CN104318246B (zh) | 基于深度自适应脊波网络的极化sar图像分类 | |
CN102073873B (zh) | 一种基于支持向量机的sar景象匹配区选取方法 | |
Ghanbari et al. | Contextual classification of sea-ice types using compact polarimetric SAR data | |
Ding et al. | An improved PolSAR image speckle reduction algorithm based on structural judgment and hybrid four-component polarimetric decomposition | |
Wang et al. | Wind and wave influences on sea ice floe size and leads in the B eaufort and C hukchi S eas during the summer‐fall transition 2014 | |
CN102968640A (zh) | 基于Freeman分解和数据分布特征的极化SAR图像分类方法 | |
Schuler et al. | Mapping ocean surface features using biogenic slick-fields and SAR polarimetric decomposition techniques | |
CN102999762A (zh) | 基于Freeman分解和谱聚类的极化SAR图像分类方法 | |
CN102175993A (zh) | 基于卫星sar影像的雷达景象匹配特征参考图制备方法 | |
Colin-Koeniguer et al. | Performance of building height estimation using high-resolution PolInSAR images | |
CN103093432B (zh) | 基于极化分解和图像块相似性的极化sar图像降斑方法 | |
DE102010011186B4 (de) | Verfahren und Vorrichtung zur Visualisierung von räumlich verteilten Informationen in einem Frühwarnsystem | |
Nasonova et al. | Optimal compact polarimetric parameters and texture features for discriminating sea ice types during winter and advanced melt | |
CN112989940B (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
Ren et al. | A global weighted least-squares optimization framework for speckle filtering of PolSAR imagery | |
Singh et al. | Application of incoherent target decomposition theorems to classify snow cover over the Himalayan region |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140827 Termination date: 20150423 |
|
EXPY | Termination of patent right or utility model |