CN106910177A - 一种局域图像指标最优化的多角度sar图像融合方法 - Google Patents
一种局域图像指标最优化的多角度sar图像融合方法 Download PDFInfo
- Publication number
- CN106910177A CN106910177A CN201710042612.0A CN201710042612A CN106910177A CN 106910177 A CN106910177 A CN 106910177A CN 201710042612 A CN201710042612 A CN 201710042612A CN 106910177 A CN106910177 A CN 106910177A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- window
- imaging
- local
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 20
- 238000003384 imaging method Methods 0.000 claims abstract description 119
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 230000000007 visual effect Effects 0.000 claims description 60
- 238000002156 mixing Methods 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 33
- 230000001427 coherent effect Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 20
- 238000012876 topography Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000003018 immunoassay Methods 0.000 claims description 8
- 238000005191 phase separation Methods 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 abstract description 54
- 230000000694 effects Effects 0.000 abstract description 13
- 230000002411 adverse Effects 0.000 abstract description 5
- 238000013441 quality evaluation Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 36
- 238000003325 tomography Methods 0.000 description 13
- 238000011160 research Methods 0.000 description 8
- 230000000593 degrading effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 4
- 238000003706 image smoothing Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种全新的多角度SAR图像融合成像算法——一种局域图像指标最优化的多角度SAR图像融合方法。本发明根据图像像素的叠掩区与非叠掩区二值分割结果,对叠掩区和非叠掩区图像分别进行取较大值大、或取较小值、或互换准则的两两交叉分类融合处理,可有效消除叠掩与阴影现象对于SAR图像融合的不利影响;同时对融合处理后的每一幅图像进行图像质量评价,利用滑动窗口逐像素为中心计算每一幅图像的图像局域指标,并根据局域图像指标最优化准则,得到最终的融合处理结果Iopt,这就保证了融合处理结果Iopt的图像指标不仅是全局最优的,而且在以任意像素为中心的邻域内也是最优的。
Description
技术领域
本发明属于成像雷达探测领域,同时还属于图像融合处理领域,尤其涉及一种局域图像指标最优化的多角度SAR图像融合方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,以下简称SAR)作为主动式微波传感器,充分利用了脉冲压缩技术、合成孔径原理以及信号相干处理方法,能够以真实小孔径天线获取距离向和方位向二维高分辨的雷达图像,可实现全天时、全天候的目标观测,可透过地表和植被获取目标信息,可跟踪测量目标的散射特性,还可实现对机动目标的成像识别。这些特点使其一跃成为现代军事侦察的主要工具,其获取的高分辨雷达图像极大地推进了军事活动的信息化进程并深刻改变了现代战争的形态。
但是,经典SAR的直线观测几何仅能获取目标在较小方位角度内的散射信息,其“距离-多普勒”成像原理以及特殊的侧视成像探测模式,导致输出图像不可避免地存在目标遮挡、探测阴影(盲区)和目标叠掩等固有问题,给系统对目标检测与识别带来了不利影响。例如,SAR图像中由于遮挡造成的阴影区域成为探测的盲区,无法提供该部分的目标信息,而叠掩现象使得不同空间位置的目标散射信息相互叠加在同一个分辨单元内,严重时甚至会对感兴趣的目标散射信息产生遮盖,导致系统对目标检测和识别的正确率大大降低。
在军事侦察中,准确而全面地了解战场环境和获取重点目标的信息非常重要,上述问题让成像效果大打折扣,大大降低了SAR在城市、山地等复杂场景下成像结果的实用性和可读性,严重制约了SAR的探测性能。为进一步提升SAR在城市、山地等复杂场景下的探测性能及应用效能,提高SAR全面、准确获取目标信息的能力,多角度SAR成像技术应运而生。它通过融合多个角度下的探测信息,可以实现对目标电磁散射特征的完整描述,有效拓展被探测目标的空间谱支撑区,一定程度上克服传统SAR直线观测中存在的目标遮挡、探测阴影(盲区)和目标叠掩等问题,对于战场军事侦察和城市测绘具有重要的现实意义和极高的实际应用价值。
作为当前SAR成像领域的热点研究方向之一,国内外众多研究机构和学者已成功开展了一系列基于星载、机载和地基平台的多角度SAR成像理论和试验研究,并获得了一批良好的成像探测结果,充分展示了多角度SAR技术在对地观测方面的巨大应用潜力。但是,目前的多角度SAR成像技术研究所公开发表的成像探测结果,尚未解决山地、城市等地形起伏剧烈,雷达图像叠掩概率高、探测盲区大的成像场景的有效处理。
应用于未来战争环境下的合成孔径雷达不仅要求成像性能好,而且要求叠掩概率低、探测盲区小;现有多角度SAR成像处理技术在减小成像叠掩和探测盲区方面能力不足,如何提高多角度SAR成像处理技术消除成像叠掩和探测盲区的能力已成为重大现实问题。
本质上讲,多角度SAR成像需对多个角度的目标信息进行融合处理。根据融合处理方式的不同,多角度SAR成像理论主要可分为图像层融合的成像理论和信号层融合的成像理论。其中,图像层融合的多角度SAR成像理论主要在图像域实现目标信息融合,以图像配准、图像特征提取和图像融合方法等关键问题为研究重点。研究结果表明,利用不同角度的SAR图像可以提高目标参数的估计精度,并在一定程度上克服遮挡和多次散射对目标反演的影响,从原理上证明了多角度SAR成像的正确性。目前基于图像层的多角度SAR成像理论研究更为普遍,发展也相对成熟。
信号层融合的多角度SAR成像理论的关键问题是如何实现不同观测角度回波数据的融合,以及如何对融合后的数据进行统一的成像处理。由于多角度SAR观测角度差异较大,各角度SAR数据的空间不连续性和空间采样的非均匀性对基于信号层融合的成像处理带来了很大的挑战,传统基于傅里叶变换的方法会导致主瓣展宽、旁瓣升高等散焦问题,因此必须开展符合上述数据特点的特殊成像处理算法。同时,受目标散射特性非各向同性的影响,基于经典理论的信号层融合多角度SAR成像理论适用范围有限,亟待开发和完善基于新的信号处理理论的信号层融合多角度SAR成像理论及算法。
图像层融合的多角度SAR成像算法利用现有SAR成像算法获取目标在多个角度上的成像结果,通过图像融合技术,实现对目标信息的融合。该类算法可结合现有SAR成像理论和图像融合领域的研究成果,对系统成像条件要求较低,具有较强的兼容性和鲁棒性。但是,如何实现对目标特征信息的有效提取和不同角度下目标图像信息的准确融合仍然是该算法需要重点研究的问题。目前,在城市高精度测绘问题中,为克服单一视角SAR成像中建筑物遮挡和叠掩对高价值目标(如道路、桥梁、车辆等)探测的影响,多使用图像层融合算法。
信号层融合的多角度SAR成像算法首先在信号层对回波信号进行融合,然后再对融合后的数据进行成像处理,最终获得目标的成像结果。由于此类算法对接收数据的相干性要求较高,期望通过全相干累积的方法获得目标的最优分辨率和高信噪比图像,但是由于实际目标并不满足各向同性散射条件,这一目标实现难度很大。相比图像层融合的多角度SAR成像,其对系统的观测几何、平台稳定性和信号的采样要求更高。目前,信号层融合处理的成像算法仍是多角度SAR成像算法研究的一个难点。
可见,针对多角度SAR融合成像算法的研究,更适于综合利用信号层融合的相干处理(各视角或各子孔径单独相干成像)以及图像层融合的非相干处理(不同视角或不同子孔径非相干融合)来获得更优、更准确的成像探测结果。
发明内容
为解决上述现行多角度SAR融合成像算法在减小成像叠掩和探测盲区方面能力不足的问题,本发明提供一种全新的多角度SAR图像融合成像算法——一种局域图像指标最优化的多角度SAR图像融合方法。本发明适用于对山地、城市等高地形起伏的目标区域实施合成孔径成像探测,可有效消除单一视角SAR成像探测结果中叠掩、阴影等现象,克服其对目标检测与识别的不利影响,确保复杂场景下对敌军事目标的成像侦察能力不受影响。经该算法融合处理的图像,大大提升了图像的可读性和可懂度,非常有利于图像应用时的目标判读和理解。
一种局域图像指标最优化的多角度SAR图像融合方法,包括以下步骤:
步骤1:确定成像平面,并采用时域快速后向投影算法在与成像平面相对应的成像网格上完成N个单一视角SAR数据的相干累积处理,得到N幅单一视角SAR图像,其中N至少为3;
步骤2:对各幅单一视角SAR图像实施去相干斑滤波处理;
步骤3:对各幅相干斑滤波处理后的单一视角SAR图像分别进行大尺度降质处理,得到N幅粗分辨率的降质图像Ic;
步骤4:采用滑动窗口法,以降质图像Ic各像素为中心,计算滑动窗口内的图像能量,得到能量图Ec;
步骤5:根据能量图Ec和单一视角SAR图像的统计分布特性,确定各幅单一视角SAR图像的阈值Lc并完成二值分割;其中,如果任一像素点的像素值大于Lc,则该像素属于叠掩区,否则属于非叠掩区;
步骤6:在N幅不同的方位视角下的单一视角SAR图像中任选2幅,根据各自的二值分割结果,对叠掩区和非叠掩区图像分别进行两两交叉融合处理,并存储每次操作所得的交叉融合图像If,得到新的像素级融合图像集∪If;其中:
任一成像网格位置如果属于两幅单一视角SAR图像的公共叠掩区,则取两个成像网格上较小的像素值作为输出的融合图像相同网格位置上的像素值;如果像素值相等,则任取其中一个成像网格上的像素值作为输出的融合图像相同网格位置上的像素值;
任一成像网格位置如果在其中一幅单一视角SAR图像属于叠掩区,在另一幅单一视角SAR图像属于非叠掩区,则取属于非叠掩区的成像网格上的像素值作为输出的融合图像相同网格位置上的像素值;
任一成像网格位置如果属于两幅单一视角SAR图像的公共非叠掩区,则取两个成像网格上较大的像素值作为输出的融合图像相同网格位置上的像素值;如果像素值相等,则任取其中一个成像网格上的像素值作为输出的融合图像相同网格位置上的像素值;
步骤7:采用滑动窗口法遍历每一幅交叉融合图像If的所有像素,计算交叉融合图像If各个像素的局部图像特征;其中局部图像特征包括对比度、图像熵以及全变分;
步骤8:对比各幅交叉融合图像If相同位置的像素,将局部图像特征最优的像素作为最终的融合图像Iopt对应网格的像素,直至输出整幅融合图像Iopt;
其中,局部图像特征最优包括对比度最大、图像熵最小以及全变分最大。
一种局域图像指标最优化的多角度SAR图像融合方法,步骤7所述的采用滑动窗口法计算局部图像特征具体为:
所述滑动窗口依次在各幅交叉融合图像If上逐像素移动,以每个像素为中心计算窗口内局部图像的对比度、图像熵以及全变分,直至滑动窗口的中心遍历所有像素;具体的计算过程是:
Imax=max[I(i,j)],i=1,2,3,......nw;j=1,2,3,......nw
Imin=min[I(i,j)],i=1,2,3,......nw;j=1,2,3,......nw
其中nw为滑动窗口的尺寸,且nw为奇数,I(i,j)为像素点的位置,为滑动窗口内的图像I的局部平均值,Imax和Imin分别为滑动窗口内的图像I的局部像素值的最大值和最小值,P(n)为各像素取值出现的概率,L=nw 2为矩形滑动窗口内的总像素数,|▽I|为局域图像的梯度模,Icontrast、Ientropy、ITV分别为图像的局部对比度、局部图像熵以及局部图像全变分。
一种局域图像指标最优化的多角度SAR图像融合方法,所述滑动窗口为矩形窗口,其尺寸为nw1×nw2,其中nw1为矩形窗口的长度,nw2为矩形窗口的宽度;中心像素(ic,jc)与矩形窗口内的像素位置关系为:
其中,(i,j)为矩形窗口内任意像素的位置;遍历交叉融合图像的所有像素,将步骤7中局部图像的对比度、图像熵以及全变分计算公式中的窗口尺寸nw分别替换为nw1和nw2来计算矩形窗口条件下的局部图像特征。
一种局域图像指标最优化的多角度SAR图像融合方法,其特征在于,所述滑动窗口为圆形窗口,其中为圆形窗口的直径为nw,中心像素(ic,jc)与矩形窗口内的像素位置关系为:
其中,(i,j)为圆形窗口内任意像素的位置;遍历交叉融合图像的所有像素,计算圆形窗口条件下的局部图像特征。
一种局域图像指标最优化的多角度SAR图像融合方法,所述滑动窗口为椭圆窗口,其尺寸为nwa×nwb,其中nwa为椭圆的长轴,nwb为椭圆的短轴,长轴nwa与横坐标方向夹角为θ;中心像素(ic,jc)与椭圆窗口内的像素位置关系为:
其中,(i,j)为椭圆窗口内任意像素的位置;遍历交叉融合图像的所有像素,将步骤7中局部图像的对比度、图像熵以及全变分计算公式中的窗口尺寸nw分别替换为nwa和nwb来计算椭圆窗口条件下局部图像特征。
有益效果:
1、本发明根据图像像素的叠掩区与非叠掩区二值分割结果,对叠掩区和非叠掩区图像分别进行取较大值大、或取较小值、或互换准则的两两交叉分类融合处理,可有效消除叠掩与阴影现象对于SAR图像融合的不利影响;同时对融合处理后的每一幅图像进行图像质量评价,利用滑动窗口逐像素为中心计算每一幅图像的图像局域指标,并根据局域图像指标最优化准则,得到最终的融合处理结果Iopt,这就保证了融合处理结果Iopt的图像指标不仅是全局最优的,而且在以任意像素为中心的邻域内也是最优的;
2、本发明适用于对山地、城市等高地形起伏的目标区域实施合成孔径成像探测,可有效消除单一视角SAR成像探测结果中叠掩、阴影等现象,克服其对目标检测与识别的不利影响,确保复杂场景下对敌军事目标的成像侦察能力不受影响。经本发明方法融合处理的图像,大大提升了图像的可读性和可懂度,非常有利于图像应用时的目标判读和理解;
3、本发明可批量完成各像素的融合处理,运算效率较高,算法易于并行实现。
附图说明
图1为本发明的局域图像指标最优化的多角度SAR图像融合方法流程图;
图2(a)为本发明视角为21°的单一视角SAR图像;
图2(b)为本发明视角为156°的单一视角SAR图像;
图3(a)为本发明图2(a)对应的单一视角SAR图像叠掩、非叠掩二值分割结果;
图3(b)为本发明图2(b)对应的单一视角SAR图像叠掩、非叠掩二值分割结果;
图4为本发明任意两幅单一视角SAR图像交叉融合的图像;
图5(a)为本发明任意两幅单一视角SAR图像交叉融合图像的最大对比度的指标图;
图5(b)为本发明任意两幅单一视角SAR图像交叉融合图像的最小图像熵的指标图;
图5(c)为本发明任意两幅单一视角SAR图像交叉融合图像的最大全变分的指标图;
图6为本发明基于图像局域最大对比度的多角度SAR非相干融合成像结果;
图7为本发明基于图像局域最小图像熵的多角度SAR非相干融合成像结果;
图8为本发明基于图像局域最大全变分的多角度SAR非相干融合成像结果;
图9为本发明滑动窗口法中椭圆窗口示意图。
具体实施方式
现结合附图和实施例对本发明的局域图像指标最优化的多角度SAR图像融合方法做进一步详细描述。
实施例一:单一平台SAR多视角融合成像探测。携带SAR载荷的单一平台沿设计的曲线飞行路径,环绕感兴趣的目标区域实施成像探测。由于目标散射特性以及成像空间几何随观测视角的剧烈变化,导致全孔径相干累积处理不可能实现最优的成像探测效果,必须考虑多视角SAR融合成像处理。本发明的局域图像指标最优化的多角度SAR图像融合方法可用于解决此时的融合成像处理问题。如图1所示,为本发明的局域图像指标最优化的多角度SAR图像融合方法流程图,按以下步骤实施:
步骤1:确定成像平面,并采用时域快速后向投影算法在与成像平面相对应的成像网格上完成N个子孔径SAR数据的相干累积处理,得到N幅子孔径相干合成图像,如图2(a)、图2(b)所示,这些图像分别对应21°和156°的方位中心视角,其中N至少为3;
步骤2:采用经典的Lee滤波算法对获得的各子孔径相干合成图像实施去相干斑滤波处理;具体实施过程是:
相干斑是一种不相关的乘性噪声,可以表示为:
v=un
其中,v表示SAR图像观测到的灰度值,即步骤1得到一系列子孔径相干合成图像,u为真实目标的雷达反射系数,n为相干斑噪声,通常假设相干斑在统计上独立于信号。假定先验均值和方差可以通过计算匀质区域内的均值和方差得到,将上式用一阶泰勒级数展开,可以得到线性模型:
其中为SAR图像观测到的灰度值的均值,为真实目标的雷达反射系数的均值,为相干斑噪声的均值;
以最小均方差为基础,在固定窗口中计算均值和方差,可以得到滤波公式:
其中为经相干斑滤波处理后的子孔径相干合成图像,即步骤3的输入数据;
k为加权系数。是固定窗口内的像素平均值,为所取窗口内像素方差,为所取窗口内噪声方差。
此外,Lee滤波时,把图像分为三类区域:第一类是均匀区域,其中的相干斑噪声可以简单地用均值滤波平滑掉;第二类是不均匀区域,在去除噪声的同时应该尽量保持其中的结构和纹理信息;第三类是包含分离点目标的区域,滤波器应尽可能地保留原始的观察值。因此亦可采用另一种方法,即如下增强的Lee滤波算子对获得的各子孔径相干合成图像实施去相干斑滤波处理:
其中,NL是图像视数,对于单视复图像,NL=1。统计滤波方法利用局部统计信息对去除相干斑噪声后的数据进行估计,能够自适应的平滑掉均匀区域内的相干斑噪声,同时一定程度上保留图像的纹理信息和边界信息。
步骤3:对各幅相干斑滤波处理后的子孔径相干合成图像的结果实施大尺度降质处理,得到粗分辨率的降质图像Ic。具体实施过程是:
对于二维图像,其尺度降质的二维高斯核函数G(x,y,σ2)定义为:
图像的尺度空间表征可由原始图像与二维高斯核函数的卷积得到,即
式中(x,y)代表图像上像素的位置;为经相干斑滤波处理后的子孔径相干合成图像,即步骤3的输入数据;Ic为降质图像;σ2是尺度空间的空间尺度因子。σ2越小,图像平滑的范围越小,降质的效果越差;σ2越大,图像平滑的范围越大,降质的效果越好;通过选择空间尺度因子σ2,可以得到不同尺度下降质的序列SAR图像,空间尺度因子σ2越大,降质的图像越粗糙。
步骤4:基于降质图像Ic,采用滑动窗口法,以各像素为中心计算窗口内图像能量,得到能量图Ec。其实现过程是:
假设滑动窗口W的尺寸为nw×nw,其取值为经典的窗函数,可以是矩形窗、汉宁窗、海明窗、布拉克曼窗等升余弦窗口,其表达式为:
n=[0 1 2 ...... nw]T
式中α为0~1之间的窗口参数。
滑动窗口W在降质图像Ic上逐像素移动,以每个像素为中心计算窗口内的能量值,并将该能量值作为能量图对应的窗口中心像素点的像素值,直至滑动窗口W的中心遍历所有像素,于是可以得到能量图Ec:
上式中,为了方便计算,取nw为奇数。
步骤5:根据能量图Ec和SAR图像的统计分布特性,并假设图像各像素实施恒虚警概率为Pfa,确定各幅子孔径相干合成图像的分割阈值Lc并完成二值分割;其中,如果任一像素点的像素值大于Lc,则该像素属于叠掩区,否则属于非叠掩区;其实现过程是:
能量图Ec所得实际上是SAR降质图像的幅度,根据SAR图像统计特性理论,幅度图像往往满足瑞利分布;
由于恒虚警概率检测(CFAR)技术本质上是一种根据杂波统计特性在给定的虚警概率条件下自适应获取检测阈值的技术。关键是确定杂波分布的模型和制定的虚警概率,然后计算出分割阈值。假设p(x)为雷达杂波分布模型的概率密度函数,其概率分布函数为F(x)。显然,F(x)在[0,+∞)上为递增函数,假设指定的虚警概率为Pfa,则通过计算下述方程可以得到分割阈值Lc:
其中,μ和σ为能量图Ec的均值和方差;Pfa为恒虚警概率,取值范围是10%~20%;可见,通过计算能量图像Ec的均值和标准差,根据上式即可确定恒虚警概率Pfa条件下的分割阈值,对图像像素实施二值化分割:若I>Lc,则像素属于叠掩区,否则,则属于非叠掩区,如图3(a)、图3(b)所示。
步骤6:在N幅不同的方位子孔径相干合成图像中任选2幅,根据各自的二值分割结果,对叠掩区和非叠掩区图像分别进行两两交叉融合处理,并存储每次操作所得的交叉融合图像If,如图4所示,得到幅新的像素级融合图像集∪If;其中具体实现如下:
其中Ii、Ij分别代表参与交叉融合的两幅图像、Ioverlap_i、Ioverlap_j则表示相应的叠掩区,Inon_overlap_i、Inon_overlap_j表示相应的非叠掩区,I代表成像平面上的某个成像网格,也代表参与融合的两幅图像上对应的像素位置;
任一成像网格位置如果属于两幅方位子孔径相干合成图像的公共叠掩区,即I∈Ioverlap_i∩Ioverlap_j的情况,则取两个成像网格上较小的像素值作为输出的融合图像相同网格位置上的像素值;如果像素值相等,则任取其中一个成像网格上的像素值作为输出的融合图像相同网格位置上的像素值;
任一成像网格位置如果在其中一幅方位子孔径相干合成图像属于叠掩区,在另一幅方位子孔径相干合成图像属于非叠掩区,即和的情况,则取属于非叠掩区的成像网格上的像素值作为输出的融合图像相同网格位置上的像素值;
任一成像网格位置如果属于两幅方位子孔径相干合成图像的公共非叠掩区,即I∈Inon_overlap_i∩Inon_overlap_j的情况,本着减少阴影的原则,则取两个成像网格上较大的像素值作为输出的融合图像相同网格位置上的像素值;如果像素值相等,则任取其中一个成像网格上的像素值作为输出的融合图像相同网格位置上的像素值;
显然,为了最大程度的消除叠掩、阴影等现象对于成像探测的不利影响,融合的目标就是消除叠掩,减少阴影,而阴影往往对应非叠掩区,所以融合的规则根据叠掩区和非叠掩区进行了不同的选择。
上述交叉融合过程,两两排列的图像组合个,因此上述操作总共需进行次,得到的新的像素级融合图像集∪If总共有幅交叉融合图像。
步骤7:采用滑动窗口法遍历每一幅交叉融合图像If的所有像素,计算交叉融合图像If各个像素的局部图像特征;其中局部图像特征包括对比度、图像熵以及全变分,分别如图5(a)、图5(b)以及图5(c)所示;
其中,如果滑动窗口为方形窗口,则尺寸为nw×nw;
为了方便计算,取nw为奇数。窗口的取值为1,表达式为:
Pw=[1 1 1 ...... 1]T
滑动窗口W在交叉融合图像If上逐像素移动,以每个像素为中心计算窗口内局部图像的对比度、图像熵以及全变分等图像质量评价指标,并将指标值赋予相应指标图对应的窗口中心的像素,直至滑动窗口W的中心遍历所有像素,于是可以得到一系列不同指标的指标图。
假设窗口W内的图像I的局部均值为最大值和最小值分别为Imax和Imin,各像素取值出现的概率P(n),矩形滑动窗口W内总的像素数L=nw 2,则具体的计算过程是:
If∈∪If
I∈W∩If
Imax=max[I(i,j)],i=1,2,3,......nw;j=1,2,3,......nw
Imin=min[I(i,j)],i=1,2,3,......nw;j=1,2,3,......nw
其中|▽I|代表局域图像的梯度模,Icontrast、Ientropy、ITV分别代表图像的局部对比度、局部图像熵以及局部图像全变分。
此外,如果滑动窗口为椭圆形,如图9所示,则尺寸为nwa×nwb,其中nwa为椭圆的长轴,nwb为椭圆的短轴,长轴nwa与横坐标方向夹角为θ;中心像素(ic,jc)与椭圆窗口内的像素位置关系为:
其中,(i,j)为椭圆窗口内任意像素的位置;遍历交叉融合图像的所有像素,将步骤7中局部图像的对比度、图像熵以及全变分计算公式中的窗口尺寸nw分别替换为nwa×nwb,计算椭圆窗口条件下局部图像特征。
如果滑动窗口为矩形窗口,其尺寸为nw1×nw2,其中nw1为矩形窗口的长度,nw2为矩形窗口的宽度;中心像素(ic,jc)与矩形窗口内的像素位置关系为:
其中,(i,j)为矩形窗口内任意像素的位置;遍历交叉融合图像的所有像素,将步骤7中局部图像的对比度、图像熵以及全变分计算公式中的窗口尺寸nw分别替换为nw1和nw2来计算矩形窗口条件下的局部图像特征。
如果滑动窗口为圆形窗口,则窗口的直径为nw,中心像素(ic,jc)与矩形窗口内的像素位置关系为:
其中,(i,j)为圆形窗口内任意像素的位置;遍历交叉融合图像的所有像素,计算圆形窗口条件下的局部图像特征。
步骤8:基于局部图像指标最优的准则,对各像素进行优选,对比各幅交叉融合图像If相同位置的像素,将局部图像特征最优的像素作为最终的融合图像Iopt对应网格的像素,直至输出整幅融合图像Iopt;,分别如图6、图7以及图8所示;
其中,局部图像特征最优包括对比度最大、图像熵最小或者全变分最大。
实施例二:多平台SAR同时多视角融合成像探测。携带SAR载荷的多个探测平台沿设计的飞行路径,同时对感兴趣的目标区域实施协同式成像探测。由于各成像平台与目标之间空间几何关系完全不同,导致各平台成像探测时对应的目标散射特性各不相同,而且图像的叠掩、阴影等图像特征和现象也不尽相同,难以实现不同平台不同视角成像结果的相干累积,难以得到最优的成像探测效果。此时,必须考虑多视角SAR融合成像处理,实现不同成像平台、不同视角的成像探测结果的融合,提升对感兴趣的目标区域的高质量成像侦察。本发明的局域图像指标最优化的多角度SAR图像融合方法可用于解决此时的多平台、多角度融合成像处理问题。如图1所示,为本发明的局域图像指标最优化的多角度SAR图像融合方法流程图,按以下步骤实施:
步骤1:确定成像平面,并采用时域快速后向投影算法在与成像平面相对应的成像网格上完成N个单一视角SAR数据的相干累积处理,得到N幅单一视角SAR图像,如图2(a)、图2(b)所示,这些图像分别对应21°和156°的方位中心视角,其中N至少为3;
步骤2:采用经典的Lee滤波算法对获得的各单一视角SAR图像实施去相干斑滤波处理;具体实施过程是:
相干斑是一种不相关的乘性噪声,可以表示为:
v=un
其中,v表示SAR图像观测到的灰度值,即步骤1得到一系列单一视角SAR图像,u为真实目标的雷达反射系数,n为相干斑噪声,通常假设相干斑在统计上独立于信号。假定先验均值和方差可以通过计算匀质区域内的均值和方差得到,将上式用一阶泰勒级数展开,可以得到线性模型:
其中为SAR图像观测到的灰度值的均值,为真实目标的雷达反射系数的均值,为相干斑噪声的均值;
以最小均方差为基础,在固定窗口中计算均值和方差,可以得到滤波公式:
其中为经相干斑滤波处理后的单一视角SAR图像,即步骤3的输入数据;
k为加权系数。是固定窗口内的像素平均值,为所取窗口内像素方差,为所取窗口内噪声方差。
此外,Lee滤波时,把图像分为三类区域:第一类是均匀区域,其中的相干斑噪声可以简单地用均值滤波平滑掉;第二类是不均匀区域,在去除噪声的同时应该尽量保持其中的结构和纹理信息;第三类是包含分离点目标的区域,滤波器应尽可能地保留原始的观察值。因此亦可采用另一种方法,即如下增强的Lee滤波算子对获得的各单一视角SAR图像实施去相干斑滤波处理:
其中,NL是图像视数,对于单视复图像,NL=1。统计滤波方法利用局部统计信息对去除相干斑噪声后的数据进行估计,能够自适应的平滑掉均匀区域内的相干斑噪声,同时一定程度上保留图像的纹理信息和边界信息。
步骤3:对各幅相干斑滤波处理后的单一视角SAR图像的结果实施大尺度降质处理,得到粗分辨率的降质图像Ic。具体实施过程是:
对于二维图像,其尺度降质的二维高斯核函数G(x,y,σ2)定义为:
图像的尺度空间表征可由原始图像与二维高斯核函数的卷积得到,即
式中(x,y)代表图像上像素的位置;为经相干斑滤波处理后的单一视角SAR图像,即步骤3的输入数据;Ic为降质图像;σ2是尺度空间的空间尺度因子。σ2越小,图像平滑的范围越小,降质的效果越差;σ2越大,图像平滑的范围越大,降质的效果越好;通过选择空间尺度因子σ2,可以得到不同尺度下降质的序列SAR图像,空间尺度因子σ2越大,降质的图像越粗糙。
步骤4:基于降质图像Ic,采用滑动窗口法,以各像素为中心计算窗口内图像能量,得到能量图Ec。其实现过程是:
假设滑动窗口W的尺寸为nw×nw,其取值为经典的窗函数,可以是矩形窗、汉宁窗、海明窗、布拉克曼窗等升余弦窗口,其表达式为:
n=[0 1 2 ...... nw]T
式中α为0~1之间的窗口参数。
滑动窗口W在降质图像Ic上逐像素移动,以每个像素为中心计算窗口内的能量值,并将该能量值作为能量图对应的窗口中心像素点的像素值,直至滑动窗口W的中心遍历所有像素,于是可以得到能量图Ec:
上式中,为了方便计算,取nw为奇数。
步骤5:根据能量图Ec和SAR图像的统计分布特性,并假设图像各像素实施恒虚警概率为Pfa,确定各幅单一视角SAR图像的分割阈值Lc并完成二值分割;其中,如果任一像素点的像素值大于Lc,则该像素属于叠掩区,否则属于非叠掩区;其实现过程是:
能量图Ec所得实际上是SAR降质图像的幅度,根据SAR图像统计特性理论,幅度图像往往满足瑞利分布;
由于恒虚警概率检测(CFAR)技术本质上是一种根据杂波统计特性在给定的虚警概率条件下自适应获取检测阈值的技术。关键是确定杂波分布的模型和制定的虚警概率,然后计算出分割阈值。假设p(x)为雷达杂波分布模型的概率密度函数,其概率分布函数为F(x)。显然,F(x)在[0,+∞)上为递增函数,假设指定的虚警概率为Pfa,则通过计算下述方程可以得到分割阈值Lc:
其中,μ和σ为能量图Ec的均值和方差;Pfa为恒虚警概率,取值范围是10%~20%;可见,通过计算能量图像Ec的均值和标准差,根据上式即可确定恒虚警概率Pfa条件下的分割阈值,对图像像素实施二值化分割:若I>Lc,则像素属于叠掩区,否则,则属于非叠掩区,如图3(a)、图3(b)所示。
步骤6:在N幅不同的方位视角下的单一视角SAR图像中任选2幅,根据各自的二值分割结果,对叠掩区和非叠掩区图像分别进行两两交叉融合处理,并存储每次操作所得的交叉融合图像If,如图4所示,得到幅新的像素级融合图像集∪If;其中具体实现如下:
其中Ii、Ij分别代表参与交叉融合的两幅图像、Ioverlap_i、Ioverlap_j则表示相应的叠掩区,Inon_overlap_i、Inon_overlap_j表示相应的非叠掩区,I代表成像平面上的某个成像网格,也代表参与融合的两幅图像上对应的像素位置;
任一成像网格位置如果属于两幅单一视角SAR图像的公共叠掩区,即I∈Ioverlap_i∩Ioverlap_j的情况,则取两个成像网格上较小的像素值作为输出的融合图像相同网格位置上的像素值;如果像素值相等,则任取其中一个成像网格上的像素值作为输出的融合图像相同网格位置上的像素值;
任一成像网格位置如果在其中一幅单一视角SAR图像属于叠掩区,在另一幅单一视角SAR图像属于非叠掩区,即和的情况,则取属于非叠掩区的成像网格上的像素值作为输出的融合图像相同网格位置上的像素值;
任一成像网格位置如果属于两幅单一视角SAR图像的公共非叠掩区,即I∈Inon_overlap_i∩Inon_overlap_j的情况,本着减少阴影的原则,则取两个成像网格上较大的像素值作为输出的融合图像相同网格位置上的像素值;如果像素值相等,则任取其中一个成像网格上的像素值作为输出的融合图像相同网格位置上的像素值;
显然,为了最大程度的消除叠掩、阴影等现象对于成像探测的不利影响,融合的目标就是消除叠掩,减少阴影,而阴影往往对应非叠掩区,所以融合的规则根据叠掩区和非叠掩区进行了不同的选择。
上述交叉融合过程,两两排列的图像组合个,因此上述操作总共需进行次,得到的新的像素级融合图像集∪If总共有幅交叉融合图像。
步骤7:采用滑动窗口法遍历每一幅交叉融合图像If的所有像素,计算交叉融合图像If各个像素的局部图像特征;其中局部图像特征包括对比度、图像熵以及全变分,分别如图5(a)、图5(b)以及图5(c)所示;
其中,如果滑动窗口为方形窗口,则尺寸为nw×nw;
为了方便计算,取nw为奇数。窗口的取值为1,表达式为:
Pw=[1 1 1 ...... 1]T
滑动窗口W在交叉融合图像If上逐像素移动,以每个像素为中心计算窗口内局部图像的对比度、图像熵以及全变分等图像质量评价指标,并将指标值赋予相应指标图对应的窗口中心的像素,直至滑动窗口W的中心遍历所有像素,于是可以得到一系列不同指标的指标图。
假设窗口W内的图像I的局部均值为最大值和最小值分别为Imax和Imin,各像素取值出现的概率P(n),矩形滑动窗口W内总的像素数L=nw 2,则具体的计算过程是:
If∈∪If
I∈W∩If
Imax=max[I(i,j)],i=1,2,3,......nw;j=1,2,3,......nw
Imin=min[I(i,j)],i=1,2,3,......nw;j=1,2,3,......nw
其中|▽I|代表局域图像的梯度模,Icontrast、Ientropy、ITV分别代表图像的局部对比度、局部图像熵以及局部图像全变分。
此外,如果滑动窗口为椭圆形,如图9所示,则尺寸为nwa×nwb,其中nwa为椭圆的长轴,nwb为椭圆的短轴,长轴nwa与横坐标方向夹角为θ;中心像素(ic,jc)与椭圆窗口内的像素位置关系为:
其中,(i,j)为椭圆窗口内任意像素的位置;遍历交叉融合图像的所有像素,将步骤7中局部图像的对比度、图像熵以及全变分计算公式中的窗口尺寸nw分别替换为nwa×nwb,计算椭圆窗口条件下局部图像特征。
如果滑动窗口为矩形窗口,其尺寸为nw1×nw2,其中nw1为矩形窗口的长度,nw2为矩形窗口的宽度;中心像素(ic,jc)与矩形窗口内的像素位置关系为:
其中,(i,j)为矩形窗口内任意像素的位置;遍历交叉融合图像的所有像素,将步骤7中局部图像的对比度、图像熵以及全变分计算公式中的窗口尺寸nw分别替换为nw1和nw2来计算矩形窗口条件下的局部图像特征。
如果滑动窗口为圆形窗口,则圆形窗口的直径为nw;,中心像素(ic,jc)与矩形窗口内的像素位置关系为:
其中,(i,j)为圆形窗口内任意像素的位置;遍历交叉融合图像的所有像素,计算圆形窗口条件下的局部图像特征。
步骤8:基于局部图像指标最优的准则,对各像素进行优选,对比各幅交叉融合图像If相同位置的像素,将局部图像特征最优的像素作为最终的融合图像Iopt对应网格的像素,直至输出整幅融合图像Iopt,分别如图6、图7以及图8所示;
其中,局部图像特征最优包括对比度最大、图像熵最小或者全变分最大。当然,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (5)
1.一种局域图像指标最优化的多角度SAR图像融合方法,其特征在于,包括以下步骤:
步骤1:确定成像平面,并采用时域快速后向投影算法在与成像平面相对应的成像网格上完成N个单一视角SAR数据的相干累积处理,得到N幅单一视角SAR图像,其中N至少为3;
步骤2:对各幅单一视角SAR图像实施去相干斑滤波处理;
步骤3:对各幅相干斑滤波处理后的单一视角SAR图像分别进行大尺度降质处理,得到N幅粗分辨率的降质图像Ic;
步骤4:采用滑动窗口法,以降质图像Ic各像素为中心,计算滑动窗口内的图像能量,得到能量图Ec;
步骤5:根据能量图Ec和单一视角SAR图像的统计分布特性,确定各幅单一视角SAR图像的阈值Lc并完成二值分割;其中,如果任一像素点的像素值大于Lc,则该像素属于叠掩区,否则属于非叠掩区;
步骤6:在N幅不同的方位视角下的单一视角SAR图像中任选2幅,根据各自的二值分割结果,对叠掩区和非叠掩区图像分别进行两两交叉融合处理,并存储每次操作所得的交叉融合图像If,得到新的像素级融合图像集∪If;其中:
任一成像网格位置如果属于两幅单一视角SAR图像的公共叠掩区,则取两个成像网格上较小的像素值作为输出的融合图像相同网格位置上的像素值;如果像素值相等,则任取其中一个成像网格上的像素值作为输出的融合图像相同网格位置上的像素值;
任一成像网格位置如果在其中一幅单一视角SAR图像属于叠掩区,在另一幅单一视角SAR图像属于非叠掩区,则取属于非叠掩区的成像网格上的像素值作为输出的融合图像相同网格位置上的像素值;
任一成像网格位置如果属于两幅单一视角SAR图像的公共非叠掩区,则取两个成像网格上较大的像素值作为输出的融合图像相同网格位置上的像素值;如果像素值相等,则任取其中一个成像网格上的像素值作为输出的融合图像相同网格位置上的像素值;
步骤7:采用滑动窗口法遍历每一幅交叉融合图像If的所有像素,计算交叉融合图像If各个像素的局部图像特征;其中局部图像特征包括对比度、图像熵以及全变分;
步骤8:对比各幅交叉融合图像If相同位置的像素,将局部图像特征最优的像素作为最终的融合图像Iopt对应网格的像素,直至输出整幅融合图像Iopt;
其中,局部图像特征最优包括对比度最大、图像熵最小以及全变分最大。
2.如权利要求1所述的一种局域图像指标最优化的多角度SAR图像融合方法,其特征在于,步骤7所述的采用滑动窗口法计算局部图像特征具体为:
所述滑动窗口依次在各幅交叉融合图像If上逐像素移动,以每个像素为中心计算窗口内局部图像的对比度、图像熵以及全变分,直至滑动窗口的中心遍历所有像素;具体的计算过程是:
Imax=max[I(i,j)],i=1,2,3,......nw;j=1,2,3,......nw
Imin=min[I(i,j)],i=1,2,3,......nw;j=1,2,3,......nw
其中nw为滑动窗口的尺寸,且nw为奇数,I(i,j)为像素点的位置,I为滑动窗口内的图像I的局部平均值,Imax和Imin分别为滑动窗口内的图像I的局部像素值的最大值和最小值,P(n)为各像素取值出现的概率,L=nw 2为矩形滑动窗口内的总像素数,|▽I|为局域图像的梯度模,Icontrast、Ientropy、ITV分别为图像的局部对比度、局部图像熵以及局部图像全变分。
3.如权利要求2所述的一种局域图像指标最优化的多角度SAR图像融合方法,其特征在于,所述滑动窗口为矩形窗口,其尺寸为nw1×nw2,其中nw1为矩形窗口的长度,nw2为矩形窗口的宽度;中心像素(ic,jc)与矩形窗口内的像素位置关系为:
其中,(i,j)为矩形窗口内任意像素的位置;遍历交叉融合图像的所有像素,将步骤7中局部图像的对比度、图像熵以及全变分计算公式中的窗口尺寸nw分别替换为nw1和nw2来计算矩形窗口条件下的局部图像特征。
4.如权利要求2所述的一种局域图像指标最优化的多角度SAR图像融合方法,其特征在于,所述滑动窗口为圆形窗口,其中为圆形窗口的直径为nw,中心像素(ic,jc)与矩形窗口内的像素位置关系为:
其中,(i,j)为圆形窗口内任意像素的位置;遍历交叉融合图像的所有像素,计算圆形窗口条件下的局部图像特征。
5.如权利要求2所述的一种局域图像指标最优化的多角度SAR图像融合方法,其特征在于,所述滑动窗口为椭圆窗口,其尺寸为nwa×nwb,其中nwa为椭圆的长轴,nwb为椭圆的短轴,长轴nwa与横坐标方向夹角为θ;中心像素(ic,jc)与椭圆窗口内的像素位置关系为:
其中,(i,j)为椭圆窗口内任意像素的位置;遍历交叉融合图像的所有像素,将步骤7中局部图像的对比度、图像熵以及全变分计算公式中的窗口尺寸nw分别替换为nwa和nwb来计算椭圆窗口条件下的局部图像特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710042612.0A CN106910177B (zh) | 2017-01-20 | 2017-01-20 | 一种局域图像指标最优化的多角度sar图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710042612.0A CN106910177B (zh) | 2017-01-20 | 2017-01-20 | 一种局域图像指标最优化的多角度sar图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106910177A true CN106910177A (zh) | 2017-06-30 |
CN106910177B CN106910177B (zh) | 2019-10-29 |
Family
ID=59207159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710042612.0A Active CN106910177B (zh) | 2017-01-20 | 2017-01-20 | 一种局域图像指标最优化的多角度sar图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106910177B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451608A (zh) * | 2017-07-21 | 2017-12-08 | 西安电子科技大学 | 基于多视幅度统计特性的sar图像无参考质量评价方法 |
CN107808383A (zh) * | 2017-10-13 | 2018-03-16 | 上海无线电设备研究所 | 一种强海杂波下sar图像目标快速检测方法 |
CN107895139A (zh) * | 2017-10-19 | 2018-04-10 | 金陵科技学院 | 一种基于多特征融合的sar图像目标识别方法 |
CN109521767A (zh) * | 2018-10-18 | 2019-03-26 | 李培 | 自主导航机器人系统 |
CN110068833A (zh) * | 2019-05-05 | 2019-07-30 | 中国科学院电子学研究所 | 一种合成孔径激光雷达成像方法、仪器及系统 |
CN110310240A (zh) * | 2019-06-25 | 2019-10-08 | 成都航天科工微电子系统研究院有限公司 | 一种基于瑞利分布的双基sar图像增益自适应补偿方法 |
CN112927155A (zh) * | 2021-03-05 | 2021-06-08 | 湘潭大学 | 一种基于超级影像的多角度sar影像滤波方法 |
CN113050090A (zh) * | 2021-03-28 | 2021-06-29 | 自然资源部国土卫星遥感应用中心 | 一种双极化hh、hv雷达图像特征融合增强方法 |
CN115393579A (zh) * | 2022-10-27 | 2022-11-25 | 长春理工大学 | 一种基于加权块对比度的红外小目标检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081791A (zh) * | 2010-11-25 | 2011-06-01 | 西北工业大学 | 一种基于多尺度特征融合的sar图像分割方法 |
CN102175993A (zh) * | 2011-01-28 | 2011-09-07 | 华中科技大学 | 基于卫星sar影像的雷达景象匹配特征参考图制备方法 |
CN103871040A (zh) * | 2014-03-12 | 2014-06-18 | 北京理工大学 | 基于多角度导航卫星双基地合成孔径雷达图像融合方法 |
-
2017
- 2017-01-20 CN CN201710042612.0A patent/CN106910177B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081791A (zh) * | 2010-11-25 | 2011-06-01 | 西北工业大学 | 一种基于多尺度特征融合的sar图像分割方法 |
CN102175993A (zh) * | 2011-01-28 | 2011-09-07 | 华中科技大学 | 基于卫星sar影像的雷达景象匹配特征参考图制备方法 |
CN103871040A (zh) * | 2014-03-12 | 2014-06-18 | 北京理工大学 | 基于多角度导航卫星双基地合成孔径雷达图像融合方法 |
Non-Patent Citations (2)
Title |
---|
DA RAN等: "Multi-angle SAR non-coherent image fusion algorithm based on HIS statistic characteristics", 《EIGHTH INTERNATIONAL CONFERENCE ON DIGITAL IMAGE PROCESSING》 * |
冉达等: "多角度合成孔径雷达成像技术研究进展", 《装备学院学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451608A (zh) * | 2017-07-21 | 2017-12-08 | 西安电子科技大学 | 基于多视幅度统计特性的sar图像无参考质量评价方法 |
CN107451608B (zh) * | 2017-07-21 | 2020-08-04 | 西安电子科技大学 | 基于多视幅度统计特性的sar图像无参考质量评价方法 |
CN107808383A (zh) * | 2017-10-13 | 2018-03-16 | 上海无线电设备研究所 | 一种强海杂波下sar图像目标快速检测方法 |
CN107895139A (zh) * | 2017-10-19 | 2018-04-10 | 金陵科技学院 | 一种基于多特征融合的sar图像目标识别方法 |
CN109521767A (zh) * | 2018-10-18 | 2019-03-26 | 李培 | 自主导航机器人系统 |
CN110068833A (zh) * | 2019-05-05 | 2019-07-30 | 中国科学院电子学研究所 | 一种合成孔径激光雷达成像方法、仪器及系统 |
CN110310240A (zh) * | 2019-06-25 | 2019-10-08 | 成都航天科工微电子系统研究院有限公司 | 一种基于瑞利分布的双基sar图像增益自适应补偿方法 |
CN110310240B (zh) * | 2019-06-25 | 2021-08-10 | 航天科工微电子系统研究院有限公司 | 一种基于瑞利分布的双基sar图像增益自适应补偿方法 |
CN112927155A (zh) * | 2021-03-05 | 2021-06-08 | 湘潭大学 | 一种基于超级影像的多角度sar影像滤波方法 |
CN113050090A (zh) * | 2021-03-28 | 2021-06-29 | 自然资源部国土卫星遥感应用中心 | 一种双极化hh、hv雷达图像特征融合增强方法 |
CN113050090B (zh) * | 2021-03-28 | 2023-08-15 | 自然资源部国土卫星遥感应用中心 | 一种双极化hh、hv雷达图像特征融合增强方法 |
CN115393579A (zh) * | 2022-10-27 | 2022-11-25 | 长春理工大学 | 一种基于加权块对比度的红外小目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106910177B (zh) | 2019-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106910177B (zh) | 一种局域图像指标最优化的多角度sar图像融合方法 | |
KR101258668B1 (ko) | 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법 | |
Byun et al. | An area-based image fusion scheme for the integration of SAR and optical satellite imagery | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
Zeng et al. | Multiangle BSAR imaging based on BeiDou-2 navigation satellite system: Experiments and preliminary results | |
CN107507209B (zh) | 极化sar图像的素描图提取方法 | |
CN104200471A (zh) | 基于自适应权值图像融合的sar图像变化检测方法 | |
Iqbal et al. | SAR image despeckling by selective 3D filtering of multiple compressive reconstructed images | |
CN105160648A (zh) | 基于小波和恒虚警率的雷达目标及阴影分割方法 | |
CN107729814A (zh) | 一种检测车道线的方法及装置 | |
CN110458876A (zh) | 基于sar-sift特征的多时相polsar图像配准方法 | |
CN106910178A (zh) | 一种基于色调统计特性分类的多角度sar图像融合方法 | |
CN105787450A (zh) | 一种基于高分辨率sar图像的城市地区建筑物检测方法 | |
CN113570632B (zh) | 基于高时相星载sar序贯图像的运动小目标检测方法 | |
Li et al. | Building detection in sar images based on bi-dimensional empirical mode decomposition algorithm | |
Gokon et al. | Verification of a method for estimating building damage in extensive tsunami affected areas using L-band SAR data | |
Painam et al. | A comprehensive review of SAR image filtering techniques: systematic survey and future directions | |
CN114998365A (zh) | 一种基于极化干涉sar的地物分类方法 | |
CN106897985B (zh) | 一种基于可见度分类的多角度sar图像融合方法 | |
CN105204010A (zh) | 低信杂比合成孔径雷达图像的地物目标检测方法 | |
CN109697418B (zh) | 用于场景复原的针对遥感影像路网提取图像的后处理方法 | |
CN110874833A (zh) | 基于超图匹配的sar图像变化检测方法 | |
Zhu et al. | A novel change detection method based on high-resolution SAR images for river course | |
CN112686871B (zh) | 基于改进对数比算子和Gabor_ELM的SAR图像变化检测方法 | |
Ayhan et al. | Practical considerations in unsupervised change detection using SAR images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 101416 Beijing City Bayi Yanqi Town Huairou District Road No. Patentee after: China People's Liberation Army Strategic Support Unit Space Engineering University Address before: 3380 box 101416, Huairou District, Beijing, China Patentee before: PLA 'S Equipment College |
|
CP03 | Change of name, title or address |