未读消息消息

店铺

我的订单收藏

拍卖

拍卖交易我的竞拍收藏

我的好友资金账户

客服 |

帮助中心 9:00-20:30 在线留言

客服电话

010-89648155

服务时间

客服咨询 8:00-21:00

纠纷处理 9:00-21:00

图书审核 9:00-18:00

监督与建议

请选择

手机孔网

SAR图像处理技术研究

SAR图像处理技术研究

分享

作者: 薛笑荣

出版社: 科学技术文献出版社

出版时间: 2017-10

版次: 1

ISBN: 9787518931002

定价: 38.00

装帧: 其他

开本: 16开

纸张: 胶版纸

分类: 工程技术

13人买过

合成孔径雷达（SAR）具有全天时、全天候的高分辨成像能力，在国民经济和国防建设中有着非常重要的应用。但是，SAR成像的特点决定了SAR图像几何失真较大且含有大量被称为相干斑的乘性噪声，这使得传统的图像处理技术很难应用。基于此，本书基于SAR图像处理方面的研究工作和该领域一些专家的相关工作，介绍了SAR图像相干斑噪声抑制、SAR图像边缘提取、SAR图像分割分类、SAR图像目标识别、极化SAR图像处理与并行SAR图像处理等一些SAR图像处理关键方法技术。
  SAR图像相干斑噪声的存在使SAR图像的解译工作变得相当复杂，因此研究SAR图像的信号和噪声分布特性对于SAR图像的各项处理工作显得格外重要。用小波分析的方法研究了SAR图像信号和噪声在频域中的分布特性，并在SAR图像滤波中得以验证。
  基于以上SAR图像相干斑噪声的分布特性的研究，并分析现有的图像空间滤波算法，研究提出了一种相干斑滤除方法——基于小波变换的SAR图像噪声滤波方法。将该方法用于SAR图像去噪取得了较好的效果。
  在含噪SAR图像边缘提取方面，提出了3种方法：①基于小波变换的SAR图像边缘提取。首先用基于结构信息的统计滤波方法对SAR图像进行滤波，然后根据小波变换具有多分辨分析的特性，并结合模糊中值滤波、阈值化处理及微分梯度算子对SAR图像进行边缘提取。②基于分形的SAR图像边缘提取。首先用小波变换方法对SAR图像进行滤波，然后依据所计算的基于区域自选的多尺度分形维数进行边缘检测。③基于支撑矢量机（SVM）的SAR图像边缘提取。利用含噪SAR图像中边缘点与非边缘点在邻域一致性、方向性和结构性的不同，运用一个三维特征向量描述边缘点，并采用SVM方法实现对边缘点的提取。实验结果表明，对于SAR图像来说，本书中所提出的边缘检测方法优于Robert算子、Sobel算子、Canny算子等传统边缘检测算子。本书同时对所提出的方法从算法性能、效率方面进行了分析比较，并给出了各自的适用范围。
  在SAR图像分割分类方面，提出了6种方法：①基于瑞利（Rayleigh）分布和模糊技术的SAR图像分割方法。该方法基于SAR图像灰度级分布模型，并结合像素灰度和区域信息，提取目标灰度隶属度信息作为特征，然后通过无监督聚类方法对SAR图像进行分割。②基于小波变换的SAR图像分割方法。在该方法中，用于SAR图像分割的特征向量由图像小波纹理特征和滤波后的灰度组成。③基于分形特征的SAR图像分割方法。该方法基于分形理论并结合了SAR图像的特点。④基于模糊神经网络的SAR图像分割方法。该方法将所提取的SAR图像的灰度共生矩阵特征和滤波后的灰度组成特征向量，用模糊神经网络对SAR图像进行分割。⑤基于树型小波和灰度共生矩阵的SAR图像分类方法。该方法将图像的空间域和频域特征相结合。⑥利用小波尺度共生矩阵和灰度共生矩阵的SAR图像分类方法。该方法将反映图像纹理的动态和静态信息特征相结合。实验结果表明，本书所提出的SAR图像分割分类方法是有效的。本书同时对所提出的分割分类方法从算法性能、效率方面进行了分析比较，并给出了各自的适用范围。
  在SAR图像目标识别方面，提出了基于SVM的SAR图像目标识别方法。该方法首先对样本SAR图像进行预处理；然后提取目标区域的不变矩特征并计算灰度均值，将其组成特征向量训练SVM分类器；*后用训练好的SVM分类器对要识别的SAR图像进行目标识别。用该方法对一些含有桥梁和坦克的SAR图像进行目标识别取得了较好的结果。
  在极化SAR图像分类方面，提出了一种基于极化特征并结合邻域信息的统计特征的全极化SAR数据的无监督分类方法。在该方法中，计算了极化SAR图像的极化特征：H（熵）、α（散射角）、A（各向异性度）和SPAN（极化总功率）。还在极化总功率图像上计算了空间统计特征：4个灰度共生矩阵特征。将极化特征和空间统计特征相结合，对极化SAR图像进行分类。实验表明，该算法能更好地保持极化SAR图像的纹理和细节，其分类结果优于传统的极化SAR图像分类方法。
  在高性能计算中，并行集群计算系统具有较高的和良好的可扩展性，可以满足不同规模的大型计算问题，因此日益受到重视。本书将并行计算引入SAR图像处理中，以提高速度。针对SAR图像处理中计算量大的关键环节，并结合并行计算，提出了一种SAR图像并行分类方法和一种SAR图像并行边缘检测方法，通过实验验证了它们的有效性及较高的效率。通过SAR图像并行处理的研究和实验，本书也对影响图像并行处理的一些因素进行了分析，并给出了一些提高SAR图像并行处理性能的措施。
  本书的工作得到了笔者的博士生导师赵荣椿教授、张艳宁教授，笔者的博士后合作导师曾琪明教授和笔者在美国公派访学时的合作导师Liping Di教授的许多指点和帮助，以及导师们的实验室的多位同门的帮助，在此一并感谢。本书还参考了许多国内外相关资料，对这些文献的作者们也表示感谢。在本书的撰写过程中，也得到了笔者的家人和工作单位的领导与同事，以及笔者的一些朋友的支持和帮助，在此也表示感谢。鉴于笔者的专业水平有限及时间仓促，书中不足之处在所难免，敬请读者和同行批评指正，笔者会将读者的反馈作为进一步提高研究质量的动力。
内容简介:
合成孔径雷达（SAR）具有全天时、全天候的高分辨成像能力，在国民经济和国防建设中有着非常重要的应用。但是，SAR成像的特点决定了SAR图像几何失真较大且含有大量被称为相干斑的乘性噪声，这使得传统的图像处理技术很难应用。基于此，本书基于SAR图像处理方面的研究工作和该领域一些专家的相关工作，介绍了SAR图像相干斑噪声抑制、SAR图像边缘提取、SAR图像分割分类、SAR图像目标识别、极化SAR图像处理与并行SAR图像处理等一些SAR图像处理关键方法技术。
  SAR图像相干斑噪声的存在使SAR图像的解译工作变得相当复杂，因此研究SAR图像的信号和噪声分布特性对于SAR图像的各项处理工作显得格外重要。用小波分析的方法研究了SAR图像信号和噪声在频域中的分布特性，并在SAR图像滤波中得以验证。
  基于以上SAR图像相干斑噪声的分布特性的研究，并分析现有的图像空间滤波算法，研究提出了一种相干斑滤除方法——基于小波变换的SAR图像噪声滤波方法。将该方法用于SAR图像去噪取得了较好的效果。
  在含噪SAR图像边缘提取方面，提出了3种方法：①基于小波变换的SAR图像边缘提取。首先用基于结构信息的统计滤波方法对SAR图像进行滤波，然后根据小波变换具有多分辨分析的特性，并结合模糊中值滤波、阈值化处理及微分梯度算子对SAR图像进行边缘提取。②基于分形的SAR图像边缘提取。首先用小波变换方法对SAR图像进行滤波，然后依据所计算的基于区域自选的多尺度分形维数进行边缘检测。③基于支撑矢量机（SVM）的SAR图像边缘提取。利用含噪SAR图像中边缘点与非边缘点在邻域一致性、方向性和结构性的不同，运用一个三维特征向量描述边缘点，并采用SVM方法实现对边缘点的提取。实验结果表明，对于SAR图像来说，本书中所提出的边缘检测方法优于Robert算子、Sobel算子、Canny算子等传统边缘检测算子。本书同时对所提出的方法从算法性能、效率方面进行了分析比较，并给出了各自的适用范围。
  在SAR图像分割分类方面，提出了6种方法：①基于瑞利（Rayleigh）分布和模糊技术的SAR图像分割方法。该方法基于SAR图像灰度级分布模型，并结合像素灰度和区域信息，提取目标灰度隶属度信息作为特征，然后通过无监督聚类方法对SAR图像进行分割。②基于小波变换的SAR图像分割方法。在该方法中，用于SAR图像分割的特征向量由图像小波纹理特征和滤波后的灰度组成。③基于分形特征的SAR图像分割方法。该方法基于分形理论并结合了SAR图像的特点。④基于模糊神经网络的SAR图像分割方法。该方法将所提取的SAR图像的灰度共生矩阵特征和滤波后的灰度组成特征向量，用模糊神经网络对SAR图像进行分割。⑤基于树型小波和灰度共生矩阵的SAR图像分类方法。该方法将图像的空间域和频域特征相结合。⑥利用小波尺度共生矩阵和灰度共生矩阵的SAR图像分类方法。该方法将反映图像纹理的动态和静态信息特征相结合。实验结果表明，本书所提出的SAR图像分割分类方法是有效的。本书同时对所提出的分割分类方法从算法性能、效率方面进行了分析比较，并给出了各自的适用范围。
  在SAR图像目标识别方面，提出了基于SVM的SAR图像目标识别方法。该方法首先对样本SAR图像进行预处理；然后提取目标区域的不变矩特征并计算灰度均值，将其组成特征向量训练SVM分类器；*后用训练好的SVM分类器对要识别的SAR图像进行目标识别。用该方法对一些含有桥梁和坦克的SAR图像进行目标识别取得了较好的结果。
  在极化SAR图像分类方面，提出了一种基于极化特征并结合邻域信息的统计特征的全极化SAR数据的无监督分类方法。在该方法中，计算了极化SAR图像的极化特征：H（熵）、α（散射角）、A（各向异性度）和SPAN（极化总功率）。还在极化总功率图像上计算了空间统计特征：4个灰度共生矩阵特征。将极化特征和空间统计特征相结合，对极化SAR图像进行分类。实验表明，该算法能更好地保持极化SAR图像的纹理和细节，其分类结果优于传统的极化SAR图像分类方法。
  在高性能计算中，并行集群计算系统具有较高的和良好的可扩展性，可以满足不同规模的大型计算问题，因此日益受到重视。本书将并行计算引入SAR图像处理中，以提高速度。针对SAR图像处理中计算量大的关键环节，并结合并行计算，提出了一种SAR图像并行分类方法和一种SAR图像并行边缘检测方法，通过实验验证了它们的有效性及较高的效率。通过SAR图像并行处理的研究和实验，本书也对影响图像并行处理的一些因素进行了分析，并给出了一些提高SAR图像并行处理性能的措施。
  本书的工作得到了笔者的博士生导师赵荣椿教授、张艳宁教授，笔者的博士后合作导师曾琪明教授和笔者在美国公派访学时的合作导师Liping Di教授的许多指点和帮助，以及导师们的实验室的多位同门的帮助，在此一并感谢。本书还参考了许多国内外相关资料，对这些文献的作者们也表示感谢。在本书的撰写过程中，也得到了笔者的家人和工作单位的领导与同事，以及笔者的一些朋友的支持和帮助，在此也表示感谢。鉴于笔者的专业水平有限及时间仓促，书中不足之处在所难免，敬请读者和同行批评指正，笔者会将读者的反馈作为进一步提高研究质量的动力。

查看详情

相关分类

工业技术矿业工程金属学与金属工艺机械、仪表工业能源与动力工程原子能技术电工技术电子与通信化学工业轻工业、手工业建筑水利工程

SAR图像处理技术研究

八五品

郓城荣耀文化传媒有限公司

上海市宝山区

平均发货19小时成功完成率94.39%

￥4.00

券

100减20

立即购买加入购物车
SAR图像处理技术研究

八五品

郓城荣耀文化传媒有限公司

上海市宝山区

平均发货19小时成功完成率94.39%

￥5.00

券

100减20

立即购买加入购物车
SAR图像处理技术研究

八五品

郓城荣耀文化传媒有限公司

上海市宝山区

平均发货19小时成功完成率94.39%

￥5.50

券

100减20

立即购买加入购物车