下载文档原格式
![基于全变分谱聚类的SAR图像分割方法[发明专利]](https://img.taocdn.com/s1/m/0e751032360cba1aa811dae9.png)
专利名称：基于全变分谱聚类的SAR图像分割方法专利类型：发明专利
发明人：缑水平,刘震加,焦李成,朱虎明,刘芳,王爽,徐聪申请号：CN201210066951.X
申请日：20120314
公开号：CN102622756A
公开日：
20120801
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于全变分谱聚类的SAR图像分割方法，主要解决现有谱聚类方法用于SAR图像分割时出现的准确率低和区域一致性差的问题。
其实现过程是：(1)对输入SAR图像进行全变分图像分解；(2)对SAR图像的结构部分提取灰度特征G；(3)对SAR图像的纹理部分提取小波特征T；
(4)用灰度特征G和小波特征T计算总样本集S中任意两点i和j间的相似性W；(5)用从总样本集S中选取的采样样本集S根据逼近的方法，通过采样样本集S来逼近总样本集S谱映射后的特征向量空间，并取前k个最大特征值所对应的特征向量作为降维特征矩阵Y；(6)对降维特征向量矩阵Y进行k-means聚类，输出SAR图像的最终分割结果。
本发明具有分割结果准确率高和区域一致性好的优点，可用于SAR图像目标检测和目标分割与识别。
申请人：西安电子科技大学
地址：710071 陕西省西安市太白南路2号
国籍：CN
代理机构：陕西电子工业专利中心
更多信息请下载全文后查看。
一种基于最小模糊熵遗传算法的SAR图像分割方法
温佳;张兴敢
【期刊名称】《航空兵器》
【年(卷),期】2009(000)001
【摘要】在合成孔径雷达(Synthetic Aperture Radar)自动目标识别中,图像分割的好坏直接影响目标的识别性能.本文在最大模糊熵分割方法的基础上,根据图像目标和背景内部像素灰度值的一致性和集中性,提出了一种新的图像分割隶属度函数,从而得到最小模糊熵分割方法,然后将最小模糊熵作为遗传算法的适应度函数应用于SAR图像,进行全局快速的最优阈值寻找.实验结果表明,由于最小模糊熵的抗噪能力强,将其作为遗传算法的适应度函数后,能够更有效地克服SAR图像中的乘性噪声,分割后的噪声点明显减少,图像目标清晰,分割效果明显优于最大模糊熵分割方法.【总页数】4页(P30-33)
【作者】温佳;张兴敢
【作者单位】南京大学电子科学与工程系,南京,210093;南京大学电子科学与工程系,南京,210093
【正文语种】中文
【中图分类】TP391.41;TN958
【相关文献】
1.一种基于概率配分和最大模糊熵的CT图像分割方法 [J], 龚桂芳;冯成德;羊本勇
2.一种新的基于遗传算法的SAR图像分割方法 [J], 周秋洁
3.一种基于模糊熵和遗传算法的图像分割方法 [J], 彭明生;莫玉龙
4.一种基于自适应最小模糊熵的CT图像分割方法 [J], 龚桂芳;冯成德;张慧;朱艳芳
5.一种基于代价函数和模糊熵的图像分割方法 [J], 王保平;范九伦;谢维信;吴成茂因版权原因，仅展示原文概要，查看原文内容请购买。
基于表征转换机的SAR图像目标分割方法赵晓辉;姜义成;朱同宇【摘要】针对SAR(Synthetic Aperture Radar)图像中的目标分割问题，由于目标与杂波空间模式(像素强度和分布)不同，通过分析图像空间模式的方式可达到分辨目标和杂波并分割目标的目的。
该文基于表征转换机理论提出一种有效的SAR 图像目标分割方法，该算法分析SAR图像中的空间模式，计算其与参考杂波图像的相似程度，最后将与参考杂波相似程度较高的部分消除以达到分割目标的目的，并在衡量相似度部分使用基于累积直方图的自动阈值选取办法。
仿真和实测数据的实验验证了此算法的有效性。
%Differences between the spatial pattern (pixel intensity and distribution) of targets and clutter allow target segmentation to be achieved by analyzing spatial patterns in Synthetic Aperture Radar (SAR) images. This paper thus proposes a target segmentation method for SAR images based on the appearance conversion machine theory. The proposed method analyses the spatial patterns in SAR images and calculates the degree of similarity between the SAR image and the reference clutter images. Subsequently, regions that show high similarity to reference clutter images are erased so that segmentation can be achieved. To evaluate the degree of similarity, we also use an automatic threshold selection method based on the cumulative histogram of the similarity imge. Experimental results using simulation and real data verify the effectiveness of the proposed method.【期刊名称】《雷达学报》【年(卷),期】2016(005)004【总页数】8页(P402-409)【关键词】合成孔径雷达;目标分割;表征转换机;极限学习机【作者】赵晓辉;姜义成;朱同宇【作者单位】哈尔滨工业大学哈尔滨 150001;哈尔滨工业大学哈尔滨 150001;哈尔滨工业大学哈尔滨 150001【正文语种】中文【中图分类】TN958.3引用格式：赵晓辉，姜义成，朱同宇.基于表征转换机的SAR图像目标分割方法［J］.雷达学报， 2016， 5（4）: 402-409.DOI: 10.12000/JR16066.Reference format: Zhao Xiaohui， Jiang Yicheng， and Zhu Tongyu.Target segmentation method in SAR images based on appearance conversion machine［J］.Journal of Radars， 2016， 5（4）: 402-409.DOI:10.12000/JR16066.合成孔径雷达（Synthetic Aperture Radar，SAR）具有全天时、全天候执行遥感监视任务的能力，其可以通过相干积累目标的多次回波得到目标的2维SAR图像［1，2］。
基于Gauss滤波和Euler修复模型的SAR图像去噪王田芳;李浩;温四林;崔成玲【摘要】针对二阶偏微分模型(Total variation,TV)在合成孔径雷达(Synthetic aperture radar,SAR)图像去噪时会产生阶梯效应的问题,结合Euler修复正则项的优点,提出一种基于Euler修复正则项的高阶变分模型应用到图像去噪.为有效求解模型,采用加性算子分裂(Additive operating splitting,AOS)方法进行数值离散.迭代方式为半隐式,克服了显示格式对步长的限制.试验结果表明,仿真实验取得了很好的效果,而对真实的SAR图像,去噪图像会有明显的孤立大颗粒噪声存在,使视觉效果不好.针对此问题,本文又提出一种将Gauss滤波和Euler修复模型相结合的复合模型,数值实验表明,该方法有效地消除了大颗粒噪声,阶梯效应也被有效抑制.【期刊名称】《数据采集与处理》【年(卷),期】2016(031)003【总页数】8页(P562-569)【关键词】SAR图像;Euler弹性修复模型;阶梯效应;加性算子分裂;高阶模型;Guass 滤波【作者】王田芳;李浩;温四林;崔成玲【作者单位】河海大学地球科学与工程学院,南京,211100;河海大学地球科学与工程学院,南京,211100;河海大学地球科学与工程学院,南京,211100;中国矿业大学环境与测绘学院,徐州,221116【正文语种】中文【中图分类】TP391引言合成孔径雷达(Synthetic aperture radar,SAR)的相干成像系统使得获取的合成孔径雷达图不可避免地存在相干斑噪声，这降低了图像质量，影响了对SAR图像的相关处理[1]。
文献[2]针对所获取的实测数据，首先验证了乘性噪声模型比加性噪声相对合理的结论。
国内外学者对SAR噪声去除作了大量的研究[3-8]，其中，文献[3，4]建立在图像的局部统计特性上，去噪后特别容易模糊图像。
2004年6月第26卷 第6期系统工程与电子技术Systems Engineering and E lectronicsJun 12004V ol 126 N o 16收稿日期:2003-04-12;修回日期:2003-11-11。
基金项目:国家自然科学基金(60272049;60372034);国家杰出青年科学基金(60325102)资助课题作者简介:韩萍(1966-),女,副教授,博士研究生,主要研究方向为数字信号处理及模式识别。
文章编号:10012506X (2004)0620734204一种有效的SAR 图像分割与目标识别方法韩 萍,吴仁彪,蒋立辉(中国民航学院通信与信息处理研究所,天津300300)摘 要:在基于模板匹配的合成孔径雷达(synthetic aperture radar ,S AR )目标识别中,一个关键问题就是如何从带有杂波的S AR 图像中将目标正确分割出来,以便形成高质量的模板。
针对这一问题提出了一种基于对数变换的自适应S AR 图像分割方法并将其用于由美国国防高级研究计划署(Defense Advanced Research Project Agency ,DARPA )和空军研究室(Air F orce Research Laboratory ,AFR L )提供的实测S AR 目标图像识别中。
实验结果证明,经有效的目标分割后,不但提高了目标的正确识别率,还有效地提高了对假目标的拒识率,具有良好的鲁棒特性。
关键词:目标分割;模板匹配;合成孔径雷达;目标识别中图分类号:TP391.4;T N911.7 文献标识码:AE fficient SAR image segmentation and automatictarget recognition approachH AN Ping ,W U Ren 2biao ,J I ANGLi 2hui(Institute o f Communications and Information Processing ,Civil Aviation Univer sity o f China ,Tianjin 300300,China )Abstract :In the tem plate 2based S AR (synthetic aperture radar )target recognition ,a key problem is how to segment a target image from a noisy S AR image to form a high quality target tem plate.A sim ple and efficient target segmentation method is proposed and applied to the S AR target recognition.Experimental results with MST AR (m oving and stationary target acquisition and recognition )S AR data sets provided by the US DARPA/AFR L (Defense Advanced Research Projects Agency/Air F orce Research Laboratory )are presented to illustrate the perfor 2mance of the proposed approach.K ey w ords :target segmentation ;tem plate matching ;synthetic aperture radar ;target recognition1 引 言合成孔径雷达在军事领域的主要应用之一就是军事侦察,即发现和识别目标(如机场停机坪,导弹发射架,各种车辆、舰船、飞机等)以及伪装目标的检测与识别,这已成为目前国内外研究的热点课题[1]。
一种基于Gaussian-Hermite矩的SAR图像分割方法
孙莉;张艳宁;李映;马苗
【期刊名称】《西北工业大学学报》
【年(卷),期】2007(025)003
【摘要】图像分割在SAR图像处理中具有很重要的意义.文中提出了一种基于Gaussian-Hermite矩的SAR图像分割方法.该方法针对合成孔径雷达(SAR)图像斑点噪声对现有分割方法带来的影响,利用Gaussian-Hermite矩的不同阶矩并结合SAR图像特征将目标从含噪背景中分割出来.实验部分同时采用了仿真数据和实测SAR数据,通过与小波能量等4种方法的分割结果进行比较,显示出了该方法的有效性.
【总页数】4页(P438-441)
【作者】孙莉;张艳宁;李映;马苗
【作者单位】西北工业大学,计算机科学与工程系,陕西,西安,710072;西北工业大学,计算机科学与工程系,陕西,西安,710072;西北工业大学,计算机科学与工程系,陕西,西安,710072;西北工业大学,计算机科学与工程系,陕西,西安,710072
【正文语种】中文
【中图分类】TP391.2
【相关文献】
1.一种新的基于Graph cuts方法的SAR图像分割模型 [J], 刘光明;孟祥伟;杨祥红;程焕
2.一种新的基于水平集方法的SAR图像分割算法 [J], 刘光明;孟祥伟;陈振林
3.一种基于中心矩特征的SAR图像目标识别方法 [J], 何壸;白研;刘宏伟
4.一种基于空间矩的PCNN图像分割方法 [J], 金文标;沈晶晶;张智丰
5.一种新的基于Graph cuts方法的SAR图像分割模型 [J], 刘光明;孟祥伟;杨祥红;程焕
因版权原因，仅展示原文概要，查看原文内容请购买。
基于正交Gaussian-Hermite矩的立体匹配研究的开题报告一、研究背景在机器视觉领域中，立体匹配是一项重要的任务，它可以通过对场景中不同视角的图像进行匹配，得到场景中物体的3D信息。
立体匹配广泛应用于机器人导航、自动驾驶、虚拟现实等诸多领域。
当前，常见的立体匹配方法包括基于区域的方法、基于特征的方法和基于能量的方法等。
其中，基于能量的方法有一系列成熟的算法，如全局能量最小化算法、基于变分法的能量最小化算法等。
这些方法通常会将多个能量项综合起来，形成一个全局能量函数，并通过优化该函数来实现立体匹配。
然而，由于图像中存在一些不确定性因素，如光照变化、噪声等，这些因素会影响立体匹配的精度和鲁棒性。
为了解决这个问题，研究者们提出了一些技术手段来改善匹配算法的性能，如使用多视角信息、引入先验知识等。
二、研究目的本研究旨在探究一种新颖的基于正交Gaussian-Hermite矩的立体匹配算法，并研究其性能和优化策略。
该算法是一种基于特征的方法，它可以利用正交Gaussian-Hermite矩来描述图像中的信息并进行特征匹配。
具体地，本研究的主要目标包括：1. 设计和实现基于正交Gaussian-Hermite矩的立体匹配算法。
2. 探究算法的性能，并与其他方法进行对比。
3. 研究优化策略，以提高算法的精度和鲁棒性。
三、研究内容本研究的主要内容包括：1. 理论分析：对正交Gaussian-Hermite矩进行理论分析，探究其在立体匹配中的应用。
2. 算法设计：设计并实现基于正交Gaussian-Hermite矩的立体匹配算法。
3. 实验验证：进行实验验证，并与其他立体匹配算法进行对比，探究算法的性能和优劣。
4. 优化策略：研究优化策略，以提高算法的精度和鲁棒性。
优化策略包括数据预处理、参数调整等内容。
四、研究方法本研究采用以下研究方法：1. 理论分析：对正交Gaussian-Hermite矩进行深入理论分析，探究其在立体匹配中的应用。
一种基于Gau ssian2H erm ite矩的SA R图像分割方法α孙 莉,张艳宁,李 映,马 苗(西北工业大学计算机科学与工程系,陕西西安 710072)摘 要:图像分割在SA R图像处理中具有很重要的意义。
文中提出了一种基于Gau ssian2H erm ite 矩的SA R图像分割方法。
该方法针对合成孔径雷达(SA R)图像斑点噪声对现有分割方法带来的影响,利用Gau ssian2H erm ite矩的不同阶矩并结合SA R图像特征将目标从含噪背景中分割出来。
实验部分同时采用了仿真数据和实测SA R数据,通过与小波能量等4种方法的分割结果进行比较,显示出了该方法的有效性。
关 键 词:SA R(Syn thetic A p ertu re R adar),Gau ssian2H erm ite矩,图像分割中图分类号:T P391.2 文献标识码:A 文章编号:100022758(2007)0320438204 合成孔径雷达(Syn thetic A p ertu re R adar, SA R)图像分割是进行自动目标识别及SA R图像信息处理的关键技术,但是SA R图像斑点噪声的存在使得SA R图像分割方法对传统光学图像分割方法提出了严峻的挑战,许多标准的图像分割方法应用于SA R图像很难得到满意的效果。
到目前为止,针对SA R图像的特点,人们提出了许多相应的分割方法,这些方法总体上可分为2种思路:①首先对图像降噪(例如L ee滤波[1]、Gamm a M A P滤波等[2]),然后再进行分割。
这种思路的主要缺点是在降噪过程中,不可避免地导致一定量的目标和结构信息的损失,影响最终的分割效果。
②针对思路①的缺点,有学者提出根据SA R图像中象素的强度信息和结构信息,利用适当的算法在图像分割的过程中抑制斑点[3]。
该算法既保持了图像的结构和分辨率,同时抑制了斑点噪声。
因此,近年来关于SA R图像分割的研究主要集中在第2种思路上[4]。
基于第2种思路,本文提出了一种针对SA R图像分割的新方法。
该方法利用Gau ssian2H erm ite矩(Gau ssian2H erm ite M om en t,GHM)作为原始SA R 图像的特征来分割图像以提取有用的目标,其中,高斯函数和H erm ite多项式的结合使用从一定程度上抑制了噪声,减少了窗口边缘信息的损失。
因此本方法能够在分割SA R图像的过程中,在降低噪声的同时保留细节信息。
1 Gaussi an-Herm ite矩(GH M)1.1 GH M的定义为了更好地表达噪声图像中的局部特征, Shen[5]等人借鉴天文学中对星云的计算方法,提出了具有平滑作用的Gau ssian2H erm ite矩。
该矩区别于以往的几何矩和正交矩均使用正交多项式或者更复杂的正交函数作为变换核,相比而言,Gau ssian2 H erm ite矩产生更少的冗余信息。
假设一个高斯平滑函数g(x,Ρ),其表达式如下g(x,Ρ)=(2ΠΡ2)-1 2exp(-x2 2Ρ2)(1)而对于一维信号S(x)的n阶平滑GHM定义为M n(x,S(x))=∫+∞-∞B n(t)S(x+t)d t n=0,1, (2)2007年6月第25卷第3期西北工业大学学报Jou rnal of N o rthw estern Po lytechn ical U n iversityJune2007V o l.25N o.3α收稿日期:2006206229基金项目:国家自然基金(60472072)、航空基金(05I53076)及中国博士后科学基金(20060401009)资助作者简介:孙 莉(1979-),女,西北工业大学博士生,主要从事图像处理及模式识别的研究。
式中B n =g (t ,Ρ)P n (t Ρ)(3)这里P n (t Ρ)是n 阶尺度H er m ite 多项式函数[6],它的定义为P n (t )=(-1)n exp (t 2)(d nd t n )exp (-t 2)(4)对于二维图像I (x ,y ),它的(p ,q )阶正交GHM 定义为Mp ,q=(x ,y ,I (x ,y ))=∫∫∞-∞G (t ,v ,Ρ) H p ,q (t Ρ,v Ρ)I (x +t ,y +v )d t d v(5)式中,G (t ,v ,Ρ)是二维高斯函数,H p ,q (t Ρ,v Ρ)是二维(p ,q )阶H erm ite 多项式,并且H p ,q (t Ρ,v Ρ)=H p (t Ρ)H q (v Ρ)(6) 从上面的表达式中可以看出,二维正交GHM是相互独立。
对整幅图像的每个象素点取与其相对应的某阶矩值。
然后在整幅图像范围上构建矩图,对不同阶矩可以构建出多个矩图。
1.2 GH M 的性质文献[7]中Shen J 详细地分析了GHM 的特性。
n 阶H er m ite 多项式H n (x )有n 个不同的实数根,那么n 阶Gau ssian 2H er m ite 的基函数G (x ,Ρ)H n (x Ρ)也包含n 个不同的实根,即在空间域有n 个过零点。
因此使用不同阶矩的GHM 能够更有效地分解不同模式的图像。
图1分别描述了一维GHM 的0阶～5阶矩的基函数。
图1 一维GHM 不同阶矩基函数从图中可以看出基函数阶矩增加,它围绕坐标轴扰动的次数也随之增加,因此不同阶矩的GHM 核体现了不同的空间特性。
从GHM 的定义式也可以看出,n 阶GHM 是高斯滤波器n 阶微分的线性组合对信号滤波的结果。
通过对高斯滤波器求不同阶导数,GHM 能提供一种重构正交特性的方法[8],由于以上的特点,GHM 在窗口边界比其它矩更平滑,同时避免窗口边缘的不连续现象。
GHM 对噪声不敏感,抗噪能力强,避免了由于窗函数的不连续导致的外界干扰。
与以往分割方法不同,直接使用GHM 对SA R 图像进行分割,不需要在分割前滤波。
2 基于GH M 的分割2.1 SAR 图像的GH M 能量对1幅二维灰度SA R 图像,将整个图像看成I ,再计算每个象素点的若干阶矩。
用M p ,q (x ,y ,I (x ,y ))表示坐标为(x ,y )的象素点的(p ,q )阶GHM ,G (t ,v ,Ρ)表示方差为Ρ的二维高斯函数,H p ,q (t Ρ,v Ρ)表示二维(p ,q )阶的厄米特多项式,I (x ,y )表示(x ,y )点的灰度值。
则GHM 的计算公式[9]为Mp ,q=(x ,y ,I (x ,y ))=∫∫∞-∞G (t ,v ,Ρ) Hp ,q(t Ρ,v Ρ)I (x +t ,y +v )d t d v (7)式中,p ,q =0,1,2,…。
对图像计算时需要把上述公式转换成离散形式,当选用3×3的高斯模板,则有如下结论Mp ,q(x ,y ,I (x ,y ))=∑Iv =-1∑It =-1G (t ,v ,Ρ) P p ,q (t Ρ,v Ρ)I (x +t ,y +v )(8) 基于GHM 的图像特征,SA R 图像的GHM 能量定义为E p ,q (x ,y )=(M p ,q (x ,y ,I (x ,y )))2(9)式中,I (x ,y )是输入的原始S A R 图像的灰度值,M p ,q (x ,y ,I (x ,y ))表示坐标为(x ,y )的(p ,q )象素点的(p ,q )阶高斯厄米特矩,由于在GHM 的偶阶矩有1个低通滤波项(如图1所示),目标的能量很高而背景(包括噪声)则被减弱,相当于对图像进行滤波的同时提取有用的信息,其对S A R 图像的描述是比较理想的,所以选择偶数阶矩,其中(0,2)、(0,4)主要增强垂直方向信息,(2,0)、(4,0)提取水平方向的信息,将2个方向的信息综合就可以将目标和背景分离出来。
2.2 基于GH M 能量的分割本方法中选用GHM 的M 4,0、M 0.4矩来描述SA R 图像,主要步骤如下:(1)给定大小为M ×N 的SA R 图像I (x ,y ),根据(5)式计算它的(p ,q )阶GHM ,实验结果表明(2,0)、(0,2)、(4,0)、(0,4)的高斯厄米特矩特征效・934・第3期孙 莉等:一种基于Gau ssian 2H erm ite 矩的SA R 图像分割方法果相对其它阶矩在特征的表达方面具有优势,因此,在本文的算法中使用M 2,0、M 0,2、M 4,0、M 0,4。
(2)根据(9)式计算图像的GHM 能量,分别是E 0,2、E 2,0、E 0,4、E 4,0。
(3)将获得的不同阶的GHM 能量求和E (x ,y )=M2,0(x ,y ,I (x ,y ))2+ M0,2(x ,y ,I (x ,y ))2+M 4,0(x ,y ,I (x ,y ))2+ M 0,4(x ,y ,I (x ,y ))2 (4)对GHM 能量取阈值来完成对SA R 图像的分割。
分割算法框图如图2所示。
图2 SA R 图像分割算法框图3 实验结果本文首先对仿真图像进行实验,给原始图像加上方差为0.05的Gamm a 乘性噪声后,分别做GHM 分割、灰度共生矩阵分割、小波能量法分割、广义M R F 分割和信息侧度分割,实验效果如图3所示,错分割率比较由表1所示。
图3 GHM 方法对仿真图像分割的结果表1 5种不同方法对仿真图像的错分割率灰度共生矩阵 %小波能量法 %广义M R F %信息测度法 %高斯厄米特矩 %3.742.062.672.091.48从图3和表1可以看出,GHM 分割方法能够较好地分割出图像中的不同区域,其错分率是小波能量法的71.8%,灰度共生矩阵的39.6%,且区域边缘与真实图像边缘比较接近。
本文进一步对真实SA R 图像进行处理,实验图像为Sandia 实验室提供的Ch ina lake airpo rt 高分辨率SA R 图像,分辨率为3m 。
采用本文的GHM 方法分割图像,结果如图4所示。
从分割结果可以看出,主要道路基本上被完整的分割出来,而且边界保持得比较好,区域间的边界也比较平滑,主要道路附近的细小道路也能被较好的分割出来。
同时,本文方法与小波能量法、灰度共生矩阵分割方法、信息测度分割方法和广义M R F 分割方法等多种方法进行比较,在这些方法中小波能量法、灰度共生矩阵法、广义M R F 能够将大目标较好的分割出来,信息测度分割方法能够提取出图像中的细节目标,其中小波能量分割结果最好。
本文算法在提取主要道路的同时,又能分割出细小的道路。
由此可以看出本文方法对目标和背景灰度相近的SA R 图像有较好的分割效果。
图4 SA R 图像分割后结果比较・044・西北工业大学学报第25卷4 结 论本文介绍了一种新的基于Gau ssian 2H erm ite 矩的SA R 图像分割方法。
