SAR图像处理技术研究
作者：薛笑荣 著
出版时间：2017年版
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；最后用训练好的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。
目录
第1章 绪论
1.1 SAR简介
1.2 SAR技术的国内外发展现状和未来
1.3 研究工作来源、研究背景及研究意义
1.4 主要內容
第2章 sAR图像相干斑噪声抑制
2.1 SAR图像特征
2.1.1 SAR成像简介
2.1.2 SAR图像辐射特征
2.1.3 SAR图像几何特征
2.1.4 SAR图像噪声特征
2.1.5 SAR图像目标特征
2.2 SAR图像噪声空间分布特性
2.2.1 相干斑噪声的产生机制
2.2.2 多视处理和等效视数
2.2.3 相干斑噪声的仿真模型
2.2.4 相干斑噪声的统计特性
2.3 SAR图像噪声小波域分布特性的研究
2.3.1 SAR图像的小波变换
2.3.2 信号和噪声的奇异性讨论
2.3.3 相干斑噪声的小波变换特性
2.4 传统滤波
2.4.1 中值类滤波
2.4.2 均值类滤波
2.4.3 统计类滤波
2.5 基于结构信息检测的空间域统计SAR图像滤波方法
2.5.1 点目标检测
2.5.2 边界检测
2.5.3 线性体检测
2.5.4 方法实现
2.5.5 方法分析
2.5.6 实验结果与结论
2.6 基于小波变换的SAR图像噪声滤波算法
2.6.1 SAR图像小波滤波思想
2.6.2 基于小波变换的SAR图像噪声滤波方法的基本步骤
2.6.3 实验结果与结论
2.6.4 本节SAR图像滤波方法与2.5 节SAR图像滤波方法的比较
2.7 小结
第3章 SAR图像边缘提取
3.1 基于空间域的微分算子边缘提取方法
3.2 基于恒虚警概率的比值边缘提取方法
3.2.1 梯度边缘检测算子的虚警概率
3.2.2 比值边缘检测算子的恒虚警概率
3.2.3 比值边缘检测算子的判决门限
3.3 基于指数平滑滤波器的比值边缘提取方法
3.3.1 多边缘模型
3.3.2 基于指数平滑滤波器的比值边缘提取方法
3.3.3 实验结果与结论
3.4 基于小波变换的SAR图像边缘提取新方法
3.4.1 SAR图像的滤波处理
3.4.2 图像的小波变换及其模
3.4.3 模图像滤波
3.4.4 阈值化处理和边缘检测
3.4.5 本节小结
3.5 基于分形理论的SAR图像边缘检测
3.5.1 相干斑噪声抑制
3.5.2 SAR图像的分形边缘检测
3.5.3 边缘检测准则
3.5.4 实验结果与结论
3.6 基于支撑矢量机的SAR图像边缘检测方法
3.6.1 含噪SAR图像边缘特征提取
3.6.2 基于支撑矢量机的边缘检测方法
3.6.3 实验结果与结论
3.7 4种SAR图像边缘提取方法的比较
3.8 小结
第4章 SAR图像分割分类
4.1 基于灰度信息的SAR图像分割
4.1.1 基于Rayleigh分布的最小误差分割方法
4.1.2 基于Rayleigh分布和模糊技术的SAR图像分割
4.2 基于边缘信息的SAR图像分割
4.2.1 分水岭算法的思想
4.2.2 基于形态滤波器的分水岭算法
4.2.3 区域合并算法
4.2.4 基于边缘信息的SAR图像分割方法
4.3 基于纹理信息的SAR图像分割方法
4.3.1 基于灰度共生矩阵的SAR图像分割
4.3.2 基于纹理频谱的SAR图像分割
4.3.3 基于自动的多分辨率分析的SAR图像分割
4.3.4 基于傅立叶功率谱的自适应四叉树SAR图像分割方法
4.3.5 基于小波变换的SAR图像分割
4.3.6 基于分形理论的SAR图像分割
4.3.7 基于灰度共生矩阵和模糊神经网络的SAR图像分割
4.4 基于统计特征的SAR图像分类
4.4.1 基于树型小波能量特征和灰度共生矩阵特征的SAR图像分类
4.4.2 利用小波尺度共生矩阵和灰度共生矩阵的SAR图像分类
4.5 本章SAR图像分割分类方法的比较
4.6 小结
第5章 SAR图像目标识别
5.1 SAR图像目标识别概述
5.1.1 SAR目标所具有的特点
5.1.2 已经提出的研究方法
5.2 不变矩特征提取
5.2.1 规则矩
5.2.2 矩不变量
5.3 基于SVM的分类技术
5.3.1 两类问题
5.3.2 多分类问题
5.4 基于SVM的SAR图像目标识别
5.5 小结
第6章 极化SAR图像处理
6.1 极化SAR图像分类技术发展
6.1.1 极化SAR图像分类技术概述
6.1.2 极化SAR图像无监督分类技术发展现状
6.2 基于极化特征和空间域特征的极化SAR图像分类
6.2.1 极化SAR图像无监督分类技术发展现状
6.2.2 极化SAR图像的极化特征
6.2.3 极化SAR图像分类方法的主要步骤
6.2.4 实验结果与结论
6.2.5 小结
第7章 并行SAR图像处理
7.1 SAR图像并行处理研究背景与研究意义
7.2 并行SAR图像边缘检测方法
7.2.1 含噪SAR图像边缘特征提取
7.2.2 本章SAR图像边缘检测串行算法与并行算法流程
7.2.3 实验结果与结论
7.3 并行SAR图像分类
7.3.1 小波能量特征
7.3.2 SAR图像分类串行方法与并行方法思想
7.3.3 实验结果与结论
7.4 SAR图像并行处理效率分析
7.4.1 本章实验中组成并行系统的各台机器的性能及网络带宽
7.4.2 本章并行SAR图像边缘检测方法的实验数据
7.4.3 本章并行SAR图像分类方法的实验数据
7.4.4 实验结果与结论
7.4.5 提高并行效率的措施
7.5 小结
第8章 总结与展望
8.1 总结
8.2 展望
参考文献
