论文部分内容阅读
合成孔径雷达（SyntheticAperture Radar, SAR）通过发射宽频带信号来获取高的距离分辨率，并利用长的合成孔径来获取横向高分辨，从而获得大面积的高分辨率SAR图像。SAR具有全天候、远距离和极强的穿透力等特点并能在恶劣环境下以很高的分辨率提供地面信息。因此，SAR在地球科学、水文科学和生态科学等领域的作用越来越重要。然而，在SAR系统中，相干斑的存在使得后续基于SAR图像的理解及解译存在着很大的困难。因此，根据SAR图像中的观测值准确地估计图像真实的雷达散射截面积（Radar Cross Section, RCS）一直是SAR图像预处理的一个重要的研究课题。近些年来，根据未降斑处理或者已预降斑处理后的SAR图像，进行SAR图像的分割和后续的变化检测也一直受到雷达信号处理领域的广泛关注。在本论文中，我们对SAR图像的降斑预处理技术，以及后续的SAR图像分割技术和两时相SAR图像变化检测技术进行了系统地研究，并提出了一系列实际有效的SAR图像降斑方法、SAR图像分割方法和两时相SAR图像的变化检测方法，主要研究成果为：1.提出了基于各向异性高斯窗和SURE准则的非局部SAR图像降斑方法。针对传统空域非局部均值（Non-local means, NLM）方法在SAR图像相干斑抑制中存在相似区域提取不足和方向信息捕获不足的问题，提出了一种基于各向异性高斯方向窗和史蒂文无偏风险估计（Stein’s unbiased risk estimation, SURE）准则融合的非局部均值算法。该方法利用多个不同方向的各向异性高斯窗来匹配SAR图像的局部空间几何结构，比传统的方形窗能更好地保护SAR图像中的方向性结构。然后，采用比率测度测量策略来衡量两个图像块的相似程度。最终，结合Stein’s无偏风险估计（SURE）准则来融合不同方向的各向异性高斯窗的非局部平均结果。文中针对多幅测试SAR图像进行了对比实验，实验结果表明：提出的方法在有效抑制SAR图像相干斑的同时很好地保留了SAR图像的几何结构信息，为后续的SAR图像理解与解译奠定了良好的基础。2.提出了基于自适应各向异性高斯方向窗的非局部三维Otsu图像空域门限分割方法。针对传统三维最大类间方差（3D-Otsu）门限分割方法中的滤噪性能和小目标保持性能的不足，提出了一种基于各向异性自适应高斯方向窗的3D-Otsu门限分割的新方法。新方法对3D-Otsu的邻域窗口设置方法做了改进，使用中心点的局部平稳特征来自适应地确定邻域各向异性高斯方向加权窗口的尺寸大小、尺度和滤波方向。然后基于非局部多方向相似度测量，从而更有效地捕捉图像中的模式冗余。最终，结合像素点灰度值、加权均值、加权中值构建三维直方图，从而基于最大类间方差计算门限矢量并进行分割。该方法有着更好的门限分割效果，并具有更好的滤噪性能和小目标保持性能。3.提出了非下采样Brushlet域的基于灰度共生概率和模糊C均值聚类的SAR图像分割方法。针对传统小波变换域SAR图像分割存在边缘保持和方向分辨率较差的不足，提出了一种在非下采样Brushlet变换域提取图像灰度共生概率特征的新方法。该方法在Brushlet的不同方向系数块中利用自适应窗口的高斯方向窗提取灰度共生概率特征，有效地解决了实际操作中的最优窗口尺寸的选取问题，并利用压缩感知来对冗余的特征进行压缩，降低了聚类复杂度。最后使用模糊C均值聚类，得到分割结果。该方法与其它对比方法相比在边缘保持和方向分辨上有明显优势，获得了更好的分割结果。4.提出了基于非下采样Brushlet系数和谱聚类集成的SAR图像分割方法。针对传统小波变换能量系数对边缘保持和方向分辨率较差的不足以及单一谱聚类算法对尺度参数敏感的不足，提出了一种基于非下采样Brushlet变换和谱聚类集成算法的SAR图像分割方法。解决了传统谱聚类算法对尺度参数敏感以及小波域系数特征的方向分辨能力的不足的问题。该方法比传统的随机单尺度参数的谱聚类方法的性能有所改进，并且避免了单一谱聚类中的尺度参数选择问题。分割性能相对于传统的算法有明显优势，并且对图像的边缘和方向性细节保持得较好。5.提出了基于非下采样Brushlet和SURE-LET准则SAR图像变化检测方法。针对传统空域两时相SAR图像变化检测存在相邻像素间相似特征捕捉和方向分辨率较差的不足以及SAR图像相干斑噪声建模的困难，提出了一种基于Stein’s无偏风险估计（SURE）阈值线性展开（linear expansion of threshold, LET）和非下采样Brushlet变换的SAR图像二维最大类间方差（2D-otsu）变化检测方法。该方法基于两幅SAR图像的差异图，结合非下采样Brushlet域的各向异性局部高斯非线性加权均值计算和空域最小化均方误差的线性组合来获取相干斑噪声抑制后的均值特征，并结合差异图的灰度特征最终实现变化区域的检测。非下采样Brushlet变换解决了小波角分辨率的问题，可获得各个方向、频率和位置的方向纹理的精确定位。SURE-LET方法不必为原始差异图像假设统计模型，并使得算法仅解决一个线性方程系统，快速而有效。该方法在SAR图像变化检测中优于传统的算法，并且由于非下采样Brushlet变换和各向异性高斯方向窗的引入，能够在变化区域检测的同时很好地保留纹理边缘等细节信息。