SAR图像处理的关键技术

张艳宁是西北工业大学教授，院长作者所在课题组在国家“九五”、“十五”、“十一五”国防预研项目，国家自然科学基金面上项目（60472072、60873086），高等学校博士学科点专项科研基金（20040699034、20070699013），陕西省自然科学基金（2001X25、2004F05、2006F05），航空科学基金（04I53070、05I53076），国防科技重点实验室基金（51431020204HK0302）以及黄委会治黄专项课题（2004SZ01-04）的资助下，面向SRA图像应用，结合课题组对智能信息处理理论方面的研究成果，对SAR图像相干斑抑制和增强、边缘提取、目标检测、地物分类、自动目标识别和复杂图像融合、分割等方面展开了大量的工作，进行了较为深入、系统的研究，开辟了SAR图像处理与解译研究的新思路，并取得了一定的研究成果，培养博士后、博士、硕士50余名，获陕西省科学技术二等奖。撰写本书旨在论述SAR图像处理与解译新近的研究进展，除了介绍一些经典的方法外，书中主要结合作者所在课题组多年来的研究成果，详细论述了SAR图像智能处理与解译方法，希望能引起更多研究者的关注。

第1章 绪论 1

1.1 研究背景及意义 1

1.2 SAR图像处理国内外研究现状 2

1.2.1 SAR图像相干斑噪声抑制 2

1.2.2 SAR图像增强 3

1.2.3 SAR图像融合 4

1.2.4 SAR图像边缘检测 4

1.2.5 SAR图像分割 5

1.2.6 SAR图像目标检测 6

1.2.7 SAR图像目标识别 7

参考文献 7

第2章 SAR图像特性及其相干斑噪声特性 11

2.1 SAR图像成像原理和特点 11

2.1.1 SAR成像方式 11

2.1.2 SAR图像成像特点 13

2.2 SAR图像特性 14

2.2.1 SAR图像空间分辨特性 14

2.2.2 SAR图像辐射特性 15

2.2.3 SAR图像极化特性 16

2.2.4 SAR图像几何特性 17

2.2.5 SAR图像噪声特性 19

2.2.6 SAR图像目标特性 19

2.3 相干斑噪声的产生机理和仿真模型 20

2.3.1 相干斑噪声的产生机理 20

2.3.2 相干斑的数学仿真模型[4,5,6] 21

2.4 相干斑噪声的统计特性和模型 23

2.4.1 单极化情况下相干斑噪声的统计特性[8,9] 24

2.4.2 多极化情况下相干斑噪声的统计特性[3,9] 25

2.4.3 Pearson系统 27

2.4.4 SAR图像后向散射强度模型[12] 30

2.4.5 系统热噪声的影响 33

参考文献 33

第3章 SAR图像噪声抑制和增强 35

3.1 去噪方法的性能评价标准 35

3.2 空间域噪声抑制方法 36

3.2.1 均值滤波 36

3.2.2 中值滤波 37

3.2.3 Sigma滤波 37

3.2.4 Lee滤波及其增强型算法 37

3.2.5 Kuan滤波及其增强型算法 39

3.2.6 Frost滤波及其增强型算法 39

3.2.7 Gamma MAP滤波 40

3.2.8 自适应窗口的Kuan滤波 41

3.2.9 仿真实验与分析 43

3.3 小波域噪声抑制方法 47

3.3.1 小波变换和多分辨分析 47

3.3.2 小波硬、软阈值滤波 52

3.3.3 基于小波系数统计特性的阈值滤波 53

3.3.4 基于双树复数小波变换的SAR图像滤波 55

3.3.5 实验结果与分析 59

3.4 结合Curvelet和Wavelet变换的SAR图像去噪 62

3.4.1 平稳小波变换 62

3.4.2 Curvelet变换 63

3.4.3 基于Curvelet变换和Wavelet变换的图像抑噪 66

3.4.4 实验结果与分析 67

3.5 基于平稳树状小波变换和贝叶斯估计的SAR图像噪声抑制 70

3.5.1 平稳树状小波变换 70

3.5.2 贝叶斯小波估计 72

3.5.3 比值边缘检测算子 73

3.5.4 仿真结果 74

3.6 基于稀疏表示和字典学习的SAR图像去噪 75

3.6.1 基于MCA的稀疏表示和分解 75

3.6.2 基于K-SVD算法的字典学习 77

3.6.3 基于稀疏表示和字典学习的SAR图像去噪 79

3.6.4 实验结果与分析 80

3.7 多波段多极化SAR图像信息压缩与滤波算法 84

3.7.1 极化原理和经典多极化SAR滤波方法 84

3.7.2 主成分分析（PCA） 86

3.7.3 核主成分分析（KPCA） 87

3.7.4 基于KPCA的多频率多极化SAR图像滤波 89

3.7.5 实验结果与分析 90

3.8 基于ME-curvelet变换和PSO的自适应SAR图像增强 93

3.8.1 ME-Curvelet变换 93

3.8.2 改进的增益函数 94

3.8.3 基于改进的PSO算法的参数优化 96

3.8.4 基于ME-Curvelet和PSO算法的SAR图像自适应增强 99

3.8.5 实验结果与分析 100

参考文献 107

第4章 SAR图像与光谱图像的融合 111

4.1 经典的融合效果评价准则 111

4.1.1 基于信息量的评价 112

4.1.2 基于统计特性的评价 113

4.1.3 基于相关性的评价 114

4.1.4 基于梯度值的评价 114

4.2 多传感器图像融合主要方法 114

4.2.1 基于不同彩色空间的融合方法 115

4.2.2 数学合成技术的融合方法 120

4.2.3 多分辨率融合方法 122

4.2.4 基于统计理论的图像融合方法 129

4.3 基于保真小波图像融合方法 131

4.3.1 融合准则选取 132

4.3.2 保真小波融合方法（HFWT） 135

4.3.3 实验结果与分析 137

4.4 基于多小波变换的图像融合方法 138

4.4.1 连续多小波变换 139

4.4.2 多小波的特性 139

4.4.3 多元多分辨分析 140

4.4.4 多小波的分解与重构 141

4.4.5 基于离散多小波变换的图像融合方法 142

4.4.6 实验结果与分析 143

4.5 基于小波包变换的图像融合 145

4.5.1 小波包变换 145

4.5.2 基于区域能量的融合规则 148

4.5.3 基于小波包方向自适应（WPT-SAO）的融合方法 150

4.5.4 实验结果与分析 150

4.6 基于区域统计特征的特征级图像融合 153

4.6.1 特征级图像融合原理 153

4.6.2 SAR图像分割 154

4.6.3 光学图像的边缘提取 156

4.6.4 基于区域长轴线的融合特征提取 157

4.6.5 实验结果与分析 157

参考文献 159

第5章 SAR图像边缘检测 163

5.1 经典的多尺度边缘检测方法 163

5.1.1 Marr – Hildreth算子 163

5.1.2 Canny算子 164

5.1.3 Canny算子的几种改进 165

5.2 基于小波的多尺度边缘检测 169

5.2.1 传统的小波边缘检测方法 169

5.2.2 小波域尺度自适应的边缘检测 170

5.3 基于多尺度几何分析的边缘检测 183

5.3.1 基于Wedgelet的边缘检测 183

5.3.2 基于Beamlet的边缘检测 187

5.3.3 实验结果与分析 198

5.4 多尺度边缘检测技术在SAR图像上的应用 200

5.4.1 SAR图像的恒虚警边缘检测方法 201

5.4.2 多尺度方法在SAR图像边缘检测中的应用 202

5.5 基于自适应免疫遗传算法的SAR图像边缘检测 204

5.5.1 自适应免疫遗传算法（AIGA） 205

5.5.2 基于AIGA的SAR图像边缘检测 209

参考文献 218

第6章 SAR图像分割 221

6.1 图像分割概述 221

6.1.1 图像分割的定义 221

6.1.2 图像分割应用及评价[1] 221

6.2 基于马尔可夫随机场的SAR图像分割 222

6.2.1 马尔可夫随机场（MRF） 222

6.2.2 MRF在图像分割中的应用 227

6.2.3 基于简化马尔可夫随机场（SMRF）模型的SAR图像快速分割算法 232

6.2.4 基于多纹理特征SMRF的SAR图像分割 240

6.2.5 基于耦合马尔可夫随机场（CMRF）模型的纹理图像分割方法 256

6.3 基于模糊神经网络的SAR图像分割 266

6.3.1 模糊神经网络的结构 266

6.3.2 模糊神经网络的学习算法 267

6.3.3 模糊神经网络初始参数的选择 268

6.3.4 具体分割步骤 268

6.3.5 分割结果 269

6.4 基于Gaussian-Hermite矩的SAR图像分割 269

6.4.1 引言 269

6.4.2 Gaussian-Hermite矩的定义 270

6.4.3 Gaussian-Hermite矩的性质 272

6.4.4 Gaussian-Hermite矩的能量特征 278

6.4.5 基于Gaussian-Hermite矩能量的SAR图像分割 280

6.4.6 实验结果与分析 281

6.5 基于Dirichlet过程混合模型的SAR图像分割方法 286

6.5.1 基于贝叶斯统计推理的非参数估计 287

6.5.2 Dirichlet过程混合模型（DPMM） 289

6.5.3 基于DPMM的聚类方法 293

6.5.4 基于DPMM的SAR图像分割 296

6.5.5 基于多尺度DPMM的SAR图像分割 305

参考文献 311

第7章 SAR图像目标检测和识别 315

7.1 基于快速Beamlet变换的SAR图像桥梁检测 315

7.1.1 快速Beamlet变换 315

7.1.2 基于快速Beamlet变换的SAR图像桥梁检测 317

7.1.3 实验结果与分析 323

7.2 基于图像高维奇异性分析的SAR图像带状目标检测 325

7.2.1 基于线奇异性分析的带状目标检测 325

7.2.2 二维基Beamlet变换 328

7.2.3 基于二维基Beamlet变换的SAR图像带状目标检测 332

7.3 SAR图像环境因子的检测 340

7.3.1 水域检测 340

7.3.2 耕地和果园检测 341

7.3.3 林地检测 342

7.3.4 居民地检测 343

7.3.5 梯田检测 345

7.3.6 淤地坝检测 346

7.4 SAR图像两个典型小流域环境因子专题分析 347

7.4.1 Flevoland地区环境因子分析 347

7.4.2 合阳地区环境因子分析 349

7.5 基于KSVD和PCA的SAR图像目标特征提取和识别 352

7.5.1 KSVD方法 352

7.5.3 基于KSVD和PCA的特征提取方法 355

7.5.4 基于KSVD和PCA的SAR图像识别 356

7.6 基于LPSO训练算法的模糊多类SVM的SAR图像目标识别 357

7.6.1 引言 357

7.6.2 模糊多类SVM 358

7.6.3 线性LPSO算法（LPSO） 360

7.6.4 用于模糊多类SVM训练的ILPSO算法 361

7.6.5 基于LPSO训练算法的模糊多类SVM的SAR目标识别 362

参考文献 363