CN110223311A - 基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法 - Google Patents

基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法 Download PDF

Info

Publication number
CN110223311A
CN110223311A CN201910438285.XA CN201910438285A CN110223311A CN 110223311 A CN110223311 A CN 110223311A CN 201910438285 A CN201910438285 A CN 201910438285A CN 110223311 A CN110223311 A CN 110223311A
Authority
CN
China
Prior art keywords
span
sirv
polarization
follows
edge detection
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.)
Pending
Application number
CN201910438285.XA
Other languages
English (en)
Inventor
项德良
王世晞
张亮
徐建忠
王威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Shiping Information & Technology Co Ltd
Original Assignee
Hangzhou Shiping Information & Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Shiping Information & Technology Co Ltd filed Critical Hangzhou Shiping Information & Technology Co Ltd
Priority to CN201910438285.XA priority Critical patent/CN110223311A/zh
Publication of CN110223311A publication Critical patent/CN110223311A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法，包括以下步骤：步骤一、针对极化SAR图像，基于散射矩阵构建其极化协方差矩阵和极化相干矩阵；步骤二、针对不同的方向角，在不同的方向性区域构建DSDA窗；步骤三、基于DSDA窗在局部窗口估计归一化协方差均值和总功率span；步骤四、计算任意中心像素两侧区域的SIRV距离、span比值以及自定义距离测度；步骤五、求取任意中心像素的边缘强度。本发明通过使用SIRV模型和SIRV距离来度量像素区域之间的差异，利用功率驱动自适应窗来克服固定矩形窗在参数估计方面的局限性，从而提高参数估计的精度和边缘检测的效果。

Description

基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法
技术领域
本发明属于遥感图像解译领域，具体涉及一种基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法，能够为雷达图像内容分析以及场景目标识别提供重要的边界轮廓信息。
背景技术
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)是一种新体制的SAR系统，通过调整收发电磁波的极化方式来获取地物和目标更加全面的散射信息。通常来讲，全极化SAR记录目标在四种极化状态(HH、HV、VH、VV)下的后向散射特性。这四个通道的数据不仅包括幅度信息，还含有相对相位信息，更加有利于对地物和目标进行定性和定量的物理特性分析。极化SAR边缘检测指识别出具有不同极化信息和结构特性的区域之间的边界，例如海岸线、建筑物边界等。极化SAR图像自动边缘检测有利于改善图像分割和分类的效果。在光学图像边缘检测中，使用梯度计算等方式能够比较容易地提取边缘信息。但是SAR和极化SAR图像中内在的相干斑噪声影响边缘像素的精确检测，同时会引起较高的虚警概率。在SAR图像边缘检测方面，Walessa等使用随机区域增长的方法将一个局部范围划分为几个区域，从而得到不同区域之间的边界。Jarabo等将光学图像的均值漂移(Mean-Shift)分割方法应用于SAR图像海岸线检测，Schmitt等基于主动轮廓(ActiveContour)的方法提出全自动海岸线检测的框架，并应用在TanDEM-X数据上。传统的SAR边缘检测器利用滑动矩形窗来估计中心像素两侧区域的强度均值，并通过概率假设检验的方法衡量两侧之间的相异性，从而判别该中心像素是否为边界点。在此基础上，考虑极化SAR数据的统计特性，研究者们提出了一些专门用于极化SAR图像边缘检测的方法。
Schou等对服从复Wishart分布的协方差矩阵进行统计检验，提出了一种边缘检测器。这种方法易于实施，但是它的效果严重依赖于窗的尺寸。基于传统的极化SAR边缘检测器，郎丰铠等研究了线段和边缘的检测方法。Nascimento等检测过渡像素的位置作为边缘的指示，并对比了四种随机距离、两种信息熵以及最大似然准则下的效果。柳彬等提出了一种基于退化滤波器和加权最大似然估计的极化SAR边缘检测方法。随着分辨率的提高，复Wishart分布不能很好地描述极化SAR数据的特性。项德良等使用球不变随机向量(Spherically Invariant Random Vector,SIRV)模型来改善图像特别是在非匀质城区的边缘检测效果。需要指出的是，这种方法还提出了一种高斯形的参数估计窗，能够得到更加准确的边缘位置。除了上述使用数据统计特性的方法之外，另一种类型的边缘检测器利用图像变换或者几何分析等方法。例如，Niedermeier等使用基于小波分析的边缘检测方法和主动轮廓算法来提取SAR图像中的海岸线。基于曲波变换，Zhou等提出了一种由粗到细的极化SAR图像线段检测器。考虑相干成像模式的特点和相干斑噪声的影响，光学图像处理中非常成熟的边缘检测算法和区域分割算法并不适用于SAR和极化SAR图像。为了抑制相干斑噪声的影响，精准地提取出图像的边缘和区域信息，需要结合极化SAR数据的统计特性，充分利用数据的内在极化信息。传统的极化SAR边缘检测和区域分割方法大多基于Wishart分布模型，但是对于高分辨数据和非匀质区域的情况，极化SAR数据呈现出非高斯的统计特性，导致这些方法不能得到满意的结果。另外，基于固定矩形窗的参数估计方法在复杂区域也存在一定的限制。
发明内容
本发明的目的在于针对上述现有技术中的问题，提供一种基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法，通过使用SIRV模型和SIRV距离来度量像素区域之间的差异，此外提出具有方向的功率驱动自适应(Directional Span-Driven Adaptive,DSDA)窗来克服固定矩形窗在参数估计方面的局限性，从而提高参数估计的精度和边缘检测的效果。
为了实现上述目的，本发明采用的技术方案包括：
步骤一、针对极化SAR图像，基于散射矩阵构建其极化协方差矩阵和极化相干矩阵；
步骤二、针对不同的方向角，在不同的方向性区域构建DSDA窗；
步骤三、基于DSDA窗在局部窗口估计归一化协方差均值和总功率span；
步骤四、计算任意中心像素两侧区域的SIRV距离、span比值以及自定义距离测度；
步骤五、求取任意中心像素的边缘强度。
所述的步骤一中，将雷达极化散射矩阵表示为：式中，H和V分别表示水平极化和垂直极化；SPQ(P,Q＝H,V)为以Q极化方式发射，P极化方式接收时散射矩阵的目标后向复散射系数，在满足互易定理的后向散射情况下有SHV＝SVH；
Pauli散射矢量表示为：
其中，上标T表示矩阵转置；
极化相干矩阵为：
其中，上标表示矩阵的共轭转置，上标*表示复共轭；
极化协方差矩阵为：
其中，
所述的步骤二通过在局部种子区域使用最小平方误差MMSE准则计算种子像素span值的无偏估计，计算表达式为 和var(pA)分别表示种子区域中span的均值和方差，种子区域包含多个像素，像素的位置随着朝向角θf变化；σv为噪声标准差；b为一个自适应的权值，控制局域span均值和种子原始span值的比重。
所述的步骤三中根据SIRV乘性模型将散射向量表示为其中，z为零均值复高斯散射向量，其协方差矩阵为τ是一个独立的随机变量；
对于N个独立同分布的散射向量，其条件概率密度函数为：
对于给定的Μ，纹理的最大似然估计为：
设定Tr(Μ)为d，Μ为归一化协方差矩阵，只包含极化信息而不包含散射强度信息；
通过将τn的最大似然估计带入，得到归一化协方差矩阵Μ为：
span的值估计为：
获得归一化协方差矩阵的均值以及span均值如下：
其中，AN表示构建的DSDA窗，N为窗中样本的个数。
所述的步骤四中SIRV距离为
由此得到对称的SIRV距离为：
对应区域之间的SIRV距离为SDSIRV(Ri,Rj)，双方区域的span比值为：
结合span比值和SIRV距离得到自定义距离测度：
DEn＝RSpan(Ri,Rj)·SDSIRV(Ri,Rj)。
所述步骤五针对PolSAR图像的每一个像素重复步骤一至四来得到每个像素的边缘强度。
与现有技术相比，本发明的输入数据包括散射矩阵，输出结果为每个像素对应的边缘强度，与其他边缘检测方法类似，基于得到的边缘强度图，需要使用非最大值抑制和二值化处理可以得到最终的边缘像素。针对传统CFAR算法中矩形窗在非匀质区域的不足，提出了DSDA窗，能够自适应地选取同质的样本进行分布参数估计。在此基础上，进一步提出针对PolSAR数据的边缘检测方法，该方法使用SIRV距离来度量两侧区域之间的差异，能够有效提取复杂区域的细致边缘信息，提高了极化雷达遥感图像边缘检测精度。
附图说明
图1 DSDA窗的设计示意图；
图2 ESAR遥感图像边缘检测效果示意图；
(a)Pauli图像；(b)span图像；(c)到(e)分别是ED-C、ED-D和ED-S方法得到的边缘强度图；(f)到(h)分别是DSDA-SIRV、DSDA-Span以及本发明改进的方法得到的边缘强度图；
图3 EMISAR遥感图像边缘检测效果示意图；
(a)Pauli图像；(b)span图像；(c)到(f)分别是ED-C、ED-D、ED-S以及本发明改进的边缘检测方法得到的边缘强度图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
本发明基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法包括以下步骤：
步骤一、在水平极化和垂直极化基下，散射矩阵为：在极化SAR数据的分析和处理过程中，通常将极化散射矩阵在正交矩阵基下进行向量化。向量化的过程可以表示为其中上标T表示转置，Tr(·)表示求矩阵的迹，Ψ为Hermitian内积下正交的一组2×2复数基矩阵集合。在Lexicographic矩阵基下，得到的向量称为Lexicographic散射向量，表示为：k4L＝[Shh Shv Svh Svv]T，在Pauli矩阵基下，得到Pauli散射向量为：在单站系统和满足互易定理的情况下，极化散射矩阵S是对称的，即Shv＝Svh。散射向量维数从4降为3，Lexicographic散射向量和Pauli散射向量为：和目标的极化协方差矩阵定义为Lexicographic散射向量的二阶矩，即：
其中，<·>表示多视处理或者空间平均，上标*和分别表示复数共轭以及复向量的共轭转置。同理，极化相干矩阵为Pauli散射向量的二阶矩，表示为：
协方差矩阵C和相干矩阵T都是半正定Hermitian矩阵，两者之间可以通过单位酉矩阵U进行相互转换，因此C和T具有相同的特征值。两者的转换关系以及酉矩阵U的形式为：T＝UCU-1或C＝U-1TU，其中
步骤二、
首先在种子区域中计算种子像素span值的无偏估计，通过在局部种子区域使用最小平方误差(MMSE)准则来计算，其表达式为：
其中，和var(pA)分别表示种子区域中span的均值和方差。种子区域包含6个像素，他们的位置随着朝向角θf变化。σv为噪声标准差，可以通过分析标准差—均值的比值来获取。b是一个自适应的权值，控制局域span均值和种子原始span值的比重。将种子像素放在自适应邻域AN中，令像素个数C＝1。
然后针对种子像素的直接相邻像素(i',j')，计算下述判别式：
如果符合上述条件，将(i',j')放入AN中，同时像素个数C加1；如果不符合上述判别式，则(i',j')放入背景像素AB中。
分别对新加入AN的像素的所有相邻像素重复上述步骤进行区域增长，直到C>N(预先设定的上限)或者没有新的相邻像素满足加入。
最后需要对背景像素AB进行筛查，AB中的每个像素(i”,j”)若满足下列条件则将其放入自适应邻域AN中，δ表示变化系数，Tlow和Thigh是根据PolSAR图像复杂度设定的经验阈值。
步骤三、基于步骤二构建的DSDA窗，可以估计区域的参数，包括归一化协方差矩阵的均值以及span均值，公式定义如下：
其中，AN表示构建的DSDA窗，N为窗中样本的个数。
步骤四、在得到了DSDA窗之后根据DSDA窗和估计得到的归一化协方差矩阵均值以及span均值，计算两个区域对称的SIRV距离如下：
双方区域的span比值则为：
span比值总是大于1，通过结合span比值和SIRV距离，可以得到一种新的距离度量：
DEn＝RSpan(Ri,Rj)·SDSIRV(Ri,Rj)
步骤五、针对每一个像素，重复步骤二至步骤四计算得到每个像素的边缘强度，最后需要用非最大值抑制和二值化处理得到最终的边缘像素。
设计实验进行验证：
本发明采用两组实测极化SAR数据被用于评估和对比不同方法的边缘检测效果。
第一组数据为ESAR L-频段数据，分辨率为3米，所选择的区域大小为570×870。该区域主要是一个非匀质城区，包含很多人造建筑物和一些植被。第二组实验数据由L-频段EMISAR系统在丹麦Foulum区域获取，图像的名义分辨率为2米。所选择区域大小870×630，由一些建筑物区域和大量的自然区域(农作物、森林等)组成。
本发明采用实测极化SAR数据来验证改进的边缘检测算法性能，同时使用三个已有的方法进行实验对比。所有这些方法全都使用传统的基于估计窗和距离度量的边缘检测框架。CFAR边缘检测器(后续表示为ED-C)使用矩形窗和Wishart检验统计；柳彬等使用退化滤波器和加权最大似然的方法进行参数估计，然后使用基于Wishart分布的距离度量进行边缘检测(ED-D)；第三种参考方法使用SIRV模型和高斯窗(ED-S)。另外，为了进一步评估所提出的边缘检测方法的性能，构建了两个混合方法来进行对比试验，包括DSDA窗与SIRV距离结合的方法(DSDA-SIRV)，以及DSDA窗与span比值结合的方法(DSDA-Span)。
图2(a)和(b)分别为ESAR数据的Pauli图像和span图像，图2(c)到(h)展示了不同边缘检测方法得到的强度图。可以看出ED-C和ED-D方法可以检测出图像中的明显边缘，但是在城区不能得到满意的结果。在图2(e)中，ED-S方法可以在城区检测到更多的边缘，表明SIRV模型能有效描述非匀质区域极化SAR数据。但是，建筑物的边缘仍不够完整，且强度值比较低。从图2(f)到(h)可以观察到更多的空间细节信息，证明了DSDA窗的有效性。通过对比可以发现，两种组合方法(DSDA-SIRV和DSDA-Span)也可以检测出大部分边缘，但是图2(f)和(g)中的边缘不太清晰。本发明将极化信息(SIRV距离)和span信息(span比值)相结合，取得了更加完整和清晰的边缘检测结果。在图2(h)中，边缘强度和边缘图的对比度都得到大幅提升。
图3(a)和(b)给出了EMISAR数据的Pauli图像和span图像，图3(c)到(f)为不同方法得到的边缘强度图。可以看出，所有的方法都能够检测出相邻地物之间的明显边缘，尤其是自然区域中的边缘。在农田和森林等均匀区域，极化SAR数据服从复Wishart分布。因此，使用固定形状参数估计窗以及Wishart距离度量的ED-C和ED-D方法能有效地检测出自然区域的边缘。但是，这两个方法只能检测出城区的部分边缘。相比之下，ED-S方法的表现要优于以上两种方法，本发明的性能得到进一步的提升，图3(f)中包含城区建筑物更多边缘细节信息。
根据Google Earth光学图像对比得到地面真实边缘数据，对不同边缘检测方法在实测数据上的性能进行了数值评估。表1是不同边缘检测方法的检测精度指标表，表1列出了相应的精度和回召率指标。高精度值表明检测到虚假边缘的概率较小，高回召率则代表可以检测到更多的真实边缘。从表1可以看出，改进的边缘检测方法比其他方法取得更高的精度和回召率。特别是对于ESAR和EMISAR数据中的非匀质区域，改进的方法优势更加明显。
表1不同边缘检测方法的检测精度指标
以上所述仅仅是本发明的较佳实施例，并不用以对本发明做任何形式上的限定，本领域技术人员应当理解的是，在不脱离本发明精神和原则的前提下，本发明还可以进行若干简单的修改及替换，这些修改和替换也均会落入由所提交权利要求划定的保护范围之内。

Claims (6)

1.一种基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法，其特征在于，包括：
步骤一、针对极化SAR图像，基于散射矩阵构建其极化协方差矩阵和极化相干矩阵；
步骤二、针对不同的方向角，在不同的方向性区域构建DSDA窗；
步骤三、基于DSDA窗在局部窗口估计归一化协方差均值和总功率span；
步骤四、计算任意中心像素两侧区域的SIRV距离、span比值以及自定义距离测度；
步骤五、求取任意中心像素的边缘强度。
2.根据权利要求1所述基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法，其特征在于，所述的步骤一中，将雷达极化散射矩阵表示为：式中，H和V分别表示水平极化和垂直极化；SPQ(P,Q＝H,V)为以Q极化方式发射，P极化方式接收时散射矩阵的目标后向复散射系数，在满足互易定理的后向散射情况下有SHV＝SVH；
Pauli散射矢量表示为：
其中，上标T表示矩阵转置；
极化相干矩阵为：
其中，上标表示矩阵的共轭转置，上标*表示复共轭；
极化协方差矩阵为：
其中，
3.根据权利要求1所述基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法，其特征在于，所述的步骤二通过在局部种子区域使用最小平方误差MMSE准则计算种子像素span值的无偏估计，计算表达式为 和var(pA)分别表示种子区域中span的均值和方差，种子区域包含多个像素，像素的位置随着朝向角θf变化；σv为噪声标准差；b为一个自适应的权值，控制局域span均值和种子原始span值的比重。
4.根据权利要求1所述基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法，其特征在于，所述的步骤三中根据SIRV乘性模型将散射向量表示为其中，z为零均值复高斯散射向量，其协方差矩阵为τ是一个独立的随机变量；
对于N个独立同分布的散射向量，其条件概率密度函数为：
对于给定的Μ，纹理的最大似然估计为：
设定Tr(Μ)为d，Μ为归一化协方差矩阵，只包含极化信息而不包含散射强度信息；
通过将τn的最大似然估计带入，得到归一化协方差矩阵Μ为：
span的值估计为：
获得归一化协方差矩阵的均值以及span均值如下：
其中，AN表示构建的DSDA窗，N为窗中样本的个数。
5.根据权利要求1所述基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法，其特征在于，所述的步骤四中SIRV距离为
由此得到对称的SIRV距离为：
对应区域之间的SIRV距离为SDSIRV(Ri,Rj)，双方区域的span比值为：
结合span比值和SIRV距离得到自定义距离测度：
DEn＝RSpan(Ri,Rj)·SDSIRV(Ri,Rj)。
6.根据权利要求1所述基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法，其特征在于，步骤五针对PolSAR图像的每一个像素重复步骤一至四来得到每个像素的边缘强度。
CN201910438285.XA 2019-05-24 2019-05-24 基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法 Pending CN110223311A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910438285.XA CN110223311A (zh) 2019-05-24 2019-05-24 基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910438285.XA CN110223311A (zh) 2019-05-24 2019-05-24 基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法

Publications (1)

Publication Number Publication Date
CN110223311A true CN110223311A (zh) 2019-09-10

Family

ID=67818103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910438285.XA Pending CN110223311A (zh) 2019-05-24 2019-05-24 基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法

Country Status (1)

Country Link
CN (1) CN110223311A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112558066A (zh) * 2020-10-30 2021-03-26 西南电子技术研究所（中国电子科技集团公司第十研究所） 双极化sar图像系统
CN113378766A (zh) * 2021-06-25 2021-09-10 南通大学 一种基于合成孔径雷达的海上大规模风力发电站监测系统
CN113587941A (zh) * 2020-05-01 2021-11-02 华为技术有限公司 高精度地图的生成方法、定位方法及装置
CN114429453A (zh) * 2021-12-31 2022-05-03 中国人民解放军国防科技大学 散射机理驱动的极化合成孔径雷达图像人造目标提取方法
CN115019180A (zh) * 2022-07-28 2022-09-06 北京卫星信息工程研究所 Sar图像舰船目标检测方法、电子设备及存储介质
US20230289940A1 (en) * 2022-03-14 2023-09-14 International Business Machines Corporation Computer analysis of remotely detected images for image identification

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106340028A (zh) * 2016-09-18 2017-01-18 中国人民解放军国防科学技术大学 基于相似性检验的极化sar图像边缘检测方法
CN108805028A (zh) * 2018-05-05 2018-11-13 南京理工大学 基于电磁强散射点的sar图像地面目标检测与定位方法
CN109375189A (zh) * 2018-12-25 2019-02-22 杭州世平信息科技有限公司 基于交叉散射模型的极化雷达遥感图像城区目标分解方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106340028A (zh) * 2016-09-18 2017-01-18 中国人民解放军国防科学技术大学 基于相似性检验的极化sar图像边缘检测方法
CN108805028A (zh) * 2018-05-05 2018-11-13 南京理工大学 基于电磁强散射点的sar图像地面目标检测与定位方法
CN109375189A (zh) * 2018-12-25 2019-02-22 杭州世平信息科技有限公司 基于交叉散射模型的极化雷达遥感图像城区目标分解方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEI WANG等: "Enhanced edge detection for polarimetric SAR images using a directional span-driven adaptive window", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 *
项德良: "SAR/PolSAR图像建筑物信息提取技术研究", 《中国博士论文全文数据库》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113587941A (zh) * 2020-05-01 2021-11-02 华为技术有限公司 高精度地图的生成方法、定位方法及装置
CN112558066A (zh) * 2020-10-30 2021-03-26 西南电子技术研究所（中国电子科技集团公司第十研究所） 双极化sar图像系统
CN112558066B (zh) * 2020-10-30 2023-08-18 西南电子技术研究所（中国电子科技集团公司第十研究所） 双极化sar图像系统
CN113378766A (zh) * 2021-06-25 2021-09-10 南通大学 一种基于合成孔径雷达的海上大规模风力发电站监测系统
CN114429453A (zh) * 2021-12-31 2022-05-03 中国人民解放军国防科技大学 散射机理驱动的极化合成孔径雷达图像人造目标提取方法
CN114429453B (zh) * 2021-12-31 2023-11-14 中国人民解放军国防科技大学 散射机理驱动的极化合成孔径雷达图像人造目标提取方法
US20230289940A1 (en) * 2022-03-14 2023-09-14 International Business Machines Corporation Computer analysis of remotely detected images for image identification
CN115019180A (zh) * 2022-07-28 2022-09-06 北京卫星信息工程研究所 Sar图像舰船目标检测方法、电子设备及存储介质
CN115019180B (zh) * 2022-07-28 2023-01-17 北京卫星信息工程研究所 Sar图像舰船目标检测方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110223311A (zh) 基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法
CN103824084B (zh) 基于sdit和svm的极化sar图像分类方法
CN102567977B (zh) 一种基于小波的红外偏振图像自适应融合方法
CN107589412B (zh) 一种基于极化功率矩阵特征值的昆虫特征参数反演方法
CN109740475A (zh) 一种遥感图像地面场景分类方法
Li et al. A new approach to detect ground clutter mixed with weather signals
CN107688169B (zh) 一种基于极化功率矩阵行列式的昆虫特征参数反演方法
Golbon-Haghighi et al. Ground clutter detection for weather radar using phase fluctuation index
CN109901130A (zh) 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法
CN103870842B (zh) 结合极化特征和分水岭的极化sar图像分类方法
Dabboor et al. A new likelihood ratio for supervised classification of fully polarimetric SAR data: An application for sea ice type mapping
Ozdarici et al. A comparison of SAR filtering techniques on agricultural area identification
Peter et al. Application of a Bayesian classifier of anomalous propagation to single-polarization radar reflectivity data
CN105954739A (zh) 一种知识辅助的非参量恒虚警检测方法
CN106056115B (zh) 一种非均匀背景下的红外小目标检测方法
CN112462367B (zh) 一种基于极化合成孔径雷达的车辆检测方法
Zhang et al. Superpixelwise likelihood ratio test statistic for PolSAR data and its application to built-up area extraction
CN110223312A (zh) 一种基于剪切波的sar图像边缘检测方法
Refice et al. On the use of anisotropic covariance models in estimating atmospheric DInSAR contributions
CN108710816B (zh) 一种基于概率融合的极化sar图像建筑物检测方法
Shen et al. HoMeNL: A homogeneity measure-based NonLocal filtering framework for detail-enhanced (Pol)(In) SAR image denoising
CN102495407B (zh) 一种极化合成孔径雷达图像相似度的表征方法
CN112698330B (zh) 基于比值对数积的极化sar图像非局部均值方法
CN112950492B (zh) 基于自适应各向异性扩散的全极化sar图像去噪方法
CN106204664B (zh) 基于sar-lark特征的sar舰船目标检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190910