利用上下文信息的高分辨率SAR圖像解譯技術研究.pdf

1、高分辨率SAR圖像能夠為環(huán)境監(jiān)測及情報收集提供有力支持,隨著SAR成像技術的快速發(fā)展和偵察頻次的不斷提升,對于高分辨率SAR圖像自動解譯技術的需求日益迫切。在新出現(xiàn)的分米級高分辨率SAR圖像中,地物目標呈現(xiàn)出結構復雜和亮度不均的新特點,使得傳統(tǒng)基于像素的SAR圖像解譯技術不再適用。研究適用于高分辨率SAR圖像的自動解譯技術對于實時決策支持以及自動情報挖掘有著重要的現(xiàn)實意義。
　　本文從人的視覺解譯過程出發(fā),提出了以利用上下文信息為

2、指導思想、以圖像分割為基礎、以案例推理技術為核心的高分辨率SAR圖像解譯系統(tǒng)框架。研究了圖像預處理、圖像分割、目標鑒別與目標提取等關鍵技術,從場景復雜的整幅高分辨率SAR圖像出發(fā),完成了以車輛為感興趣目標的自動化目標檢測與定位。開展的工作主要包括以下幾個方面:
　　首先,研究了高分辨率SAR圖像預處理技術。為了將含有噪聲和缺陷的高分辨率SAR圖像轉(zhuǎn)化為適合自動處理的數(shù)據(jù),進行了基于多項式擬合的方位向衰減校正和基于非局部方法的相干斑

3、抑制工作。前者是一種簡單而魯棒的修正高分辨率SAR圖像缺陷的方法,后者是一種通過利用圖像不同尺度上的空間上下文信息,在保護圖像細節(jié)的同時抑制相干斑噪聲的濾波技術。圖像預處理環(huán)節(jié)增強了圖像質(zhì)量,為后續(xù)的圖像處理工作掃除了障礙。
　　其次,研究了高分辨率SAR圖像分割技術。為了定位高分辨率下以面目標形式存在的感興趣目標并獲得其周圍的上下文信息,必須研究適用于高分辨率SAR圖像的分割方法。通過分析經(jīng)典的水平集分割算法,提出了改進的RSF

4、模型,解決了RSF模型對于初始輪廓的依賴問題;對改進RSF模型進行了多相化推廣并應用于高分辨率SAR圖像分割任務中,最終的分割結果由四類背景分割和二類目標分割融合得到。實驗證明,該方法能夠在大場景的高分辨率SAR圖像中準確地分割出陰影與背景,并得到包括樹木、建筑、車輛在內(nèi)的目標位置。此方法無需調(diào)整參數(shù),魯棒性和實用性較強。
　　再次,研究了高分辨SAR圖像目標鑒別技術。為了解決樣本數(shù)目有限、目標形狀復雜條件下的目標鑒別問題,引入了

5、基于案例推理技術。從人眼視覺解譯過程入手,分析并設計了案例庫數(shù)據(jù)結構、案例匹配規(guī)則和案例庫更新方式等關鍵細節(jié),構建了具有增量學習能力的目標鑒別專家系統(tǒng)。實驗證明,該系統(tǒng)在分割結果合理的前提下,能夠有較鑒別復雜環(huán)境中的樹木、建筑及車輛,在郊區(qū)場景中車輛目標的檢測率可達到85％以上。該系統(tǒng)的推理結構接近于人的思維,且案例庫的管理與維護方便,可以隨時在人機交互條件下進行增量式學習,以解決不斷出現(xiàn)的新問題。
　　最后,進行了高分辨率SAR

6、車輛目標提取方法的研究。為了充分利用高分辨率SAR圖像的細節(jié)信息,在目標鑒別粗定位結果的基礎上進一步挖掘密集車輛目標的姿態(tài)與數(shù)量等關鍵信息,使用形態(tài)學方法提取了車輛目標的“L”形結構特征;使用模板匹配技術同時完成了潛在目標的精細定位和姿態(tài)估計;利用車輛群的上下文信息實現(xiàn)了虛假目標的篩選,得到了以矩形標識的目標提取結果。實驗表明,該方法能夠從密集目標環(huán)境中有效提取車輛目標,在手動選擇目標感興趣區(qū)域的條件下可以達到90%以上的正確提取率和1