SAR图像特征数据提取与SAR图像分割研究

摘要

随着合成孔径雷达（SAR：Synthenic Aperture Radar）图像的信息越来越多，怎么样更好的利用合成孔径雷达所提供的图像信息以及新的技术理论，来实现合成孔径雷达图像特征准确提取以及精确解译，是合成孔径雷达图像在军事目标跟踪和识别上的瓶颈问题。合成孔径雷达图像具有很多不同于普通光学图像的特征：比如较大的动态范围、严重的斑噪声以及丰富的纹理信息等。由于分形特征在合成孔径雷达图像的处理中具有描述纹理粗糙度、抗斑噪声能力以及与人的视觉感知相一致等特点，所以分形理论依靠自身独特的描述图像方式，为合成孔径雷达图像处理开辟了新的途径。形特征中的分形维数(Fractal Dimension，FD)，是描述图像分形特征中非常有用的工具，根据差分盒维数中空盒子的影响，我们用概率的计算方法提出一种基于分形布朗模型的真实差分盒维数算法，在最大的程度上减少了空盒子对分形维数计算所产生的影响。通过研究灰度的空间相关特性来描述纹理的一种常用的方法，就叫灰度共生矩阵，同时也是我们怎样利用好纹理信息在合成孔径雷达图像处理上的重要方面。
　　本文以大量实验分析了影响合成孔径雷达图像灰度共生矩阵（GLCM）的距离、窗口大小等因素，确立了提取合成孔径雷达图像灰度共生矩阵特征的因素的大小，并针对过大窗口提取较小分辨率合成孔径雷达图像时造成图像信息损失的缺点，设计了一种利用动态滑动窗口提取灰度共生矩阵特征，有效的减少了信息损失的缺点情况发生。根据光学的图像分割方法在处理合成孔径雷达图像时往往得不到很好的结果。提取合成孔径雷达图像纹理特征与分形特征后，本文分析总结了合成孔径雷达图像分割的主要算法，实现了一种基于灰度共生矩阵特征的模糊C均值合成孔径雷达图像分割算法。该算法结合灰度共生矩阵特征与合成孔径雷达图像灰度值征，利用模糊C均值聚类（Fuzzy cluster method，FCM）算法对特征值进行聚类实现了对合成孔径雷达图像的分割。在论文最后完成了利用分形维数的合成孔径雷达图像分割，实验证明了这两种方法的有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 课题背景及意义

1.2 国内外研究现状

1.3 论文研究内容及章节安排

第二章 合成孔径雷达图像的特性分析

2.1 合成孔径雷达成像机理

2.2 合成孔径雷达图像基本特性

2.3 合成孔径雷达图像的特征提取

2.4 本章小结

第三章 合成孔径雷达图像分形特征和特征提取

3.1 分形理论

3.2 合成孔径雷达图像边缘特征提取算法

3.3 合成孔径雷达图像分形维数计算方法

3.4 分形维数特征在合成孔径雷达图像处理中的应用

3.5 本章小结

第四章 合成孔径雷达图像纹理特征与特征提取

4.1 纹理的定义

4.2 合成孔径雷达图像纹理分析方法

4.3 关于灰度共生矩阵的合成孔径雷达图像纹理特征提取

4.4 本章小结

第五章 合成孔径雷达图像分割

5.1 图像分割的方法

5.2 合成孔径雷达图像分割方法

5.3 基于模糊C均值的合成孔径雷达图像分割方法

5.4 基于分形理论的合成孔径雷达图像分割

5.5 本章小结

第六章 结 论

致谢

参考文献