SAR图像处理技术与SARscape实践pdf版免费版|百度网盘下载

编辑点评：许恩辉SAR图像处理技术与SARscape实践研究

该领域部分专家对SAR图像处理的研究工作及相关工作，介绍了SAR图像中的斑点噪声抑制、SAR图像中的边缘提取、SAR图像的分割与分类、SAR图像中的目标识别、极化SAR图像处理SAR图像处理的一些关键方法和技术，如并行SAR图像处理。

图片预览

SAR 特征简介

与光学遥感相比，SAR具有以下特点：全天候、不受云雾雪影响、全天降雨影响有限、主动传感系统

对地表有一定的穿透能力，与土壤含水量有关，取决于波长

-对植被有一定的穿透能力，取决于波长和入射角

- 高分辨率，与距离无关的分辨率独特的辐射和几何特性

-干涉能力

-多极观测能力

SAR图像处理技术

雷达数据的基本处理和分析

数据输入、多视、配准、滤波、地理编码、正射校正等InSAR&DInSAR处理技术，分类、目标识别、定量分析等

-DEM提取

-变形监测

SAR时序分析与干扰叠加技术

-永久散射-PS-小基线-SBAS

PolSAR&Pol-InSAR处理技术

单极化信号分析

sar图像的总体特征

1、SAR图像是斜距图像，方位角和距离方向的分辨率不一致（距离方向的分辨率更高，如2m*3m），斜距图像压缩为短距离（光学图像被长距离压缩）。 ）。

2、 SAR图像独特的几何特征（如透视、收缩、倒置、盲区、斜距显示图像的近距离压缩等）

增加SAR图像判读的难度。

3、 SAR图像固有的散斑噪声使目标边缘模糊，清晰度下降，这也导致了SAR图像的解译方法完全不同。

4、当俯仰角和方位角发生变化时，SAR图像会呈现出很大的差异。 SAR图像需要结合具体的观测参数进行解释。

5、有多重反射效应、虚假现象、多普勒频移等。

什么是 SAR 图像

合成孔径雷达（SAR）具有全天候、全天候高分辨率成像能力，在国民经济和国防建设中有着非常重要的应用。然而，SAR成像的特点决定了SAR图像具有较大的几何畸变，并含有大量相干散斑的相乘性噪声，使得传统的图像处理技术难以应用。在此基础上，本书介绍了SAR图像中的散斑噪声抑制、SAR图像中的边缘提取、SAR图像的分割与分类、SAR图像中的目标识别、极化SAR图像。 SAR图像处理的一些关键方法和技术，如处理和并行SAR图像处理。

SAR 图像中散斑噪声的存在使得 SAR 图像的解释变得相当复杂。因此，研究SAR图像的信号和噪声分布特征对于SAR图像的各种处理任务非常重要。采用小波分析的方法研究了SAR图像信号和噪声在频域的分布特征，并在SAR图像滤波中进行了验证。

基于以上对SAR图像中散斑噪声分布特征的研究，分析现有图像空间滤波算法，提出一种散斑滤波方法，即基于小波变换的SAR图像噪声滤波方法。该方法在SAR图像去噪中取得了较好的效果。

在噪声SAR图像的边缘提取方面，提出了三种方法：（1）基于小波变换的SAR图像边缘提取。首先通过基于结构信息的统计滤波方法对SAR图像进行滤波，然后小波变换具有多分辨率分析的特点，结合模糊中值滤波、阈值化和差分梯度算子提取SAR图像的边缘. ②基于分形的SAR图像边缘提取。首先通过小波变换方法对SAR图像进行滤波，然后根据计算得到的基于区域自选择的多尺度分形维数进行边缘检测。 ③ 基于支持向量机（SVM）的SAR图像边缘提取。利用噪声SAR图像中边缘点与非边缘点在邻域一致性、方向性和结构上的差异，采用三维特征向量描述边缘点，采用SVM方法提取边缘点。实验结果表明，对于SAR图像，本书提出的边缘检测方法优于传统的Robert算子、Sobel算子、Canny算子等边缘检测算子。本书还从算法性能和效率等方面对提出的方法进行了分析和比较，并给出了各自的适用范围。

在SAR图像分割与分类方面，提出了六种方法：①基于瑞利分布和模糊技术的SAR图像分割方法。该方法基于SAR图像灰度分布模型，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，然后采用无监督聚类方法对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。该方法以分形理论为基础，结合SAR图像的特点。 ④ 基于模糊神经网络的SAR图像分割方法。该方法将提取的SAR图像的灰度共生矩阵特征和滤波后的灰度级组成一个特征向量，通过模糊神经网络对SAR图像进行分割。 ⑤ 基于树小波和灰度共生矩阵的SAR图像分类方法。该方法结合了图像的空间和频域特征。 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。该方法结合了反映图像纹理的动态和静态信息特征。实验结果表明，本书提出的SAR图像分割与分类方法是有效的。本书还从算法性能和效率等方面对提出的分割和分类方法进行了分析和比较，并给出了各自的适用范围。

在SAR图像目标识别方面，提出了一种基于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，形成特征向量训练SVM分类器；最后将训练好的SVM分类器用于识别SAR待识别图像进行目标识别。一些包含桥梁和坦克的SAR图像已被用于目标识别并取得了良好的效果。

在极化SAR图像分类方面，提出了一种基于极化特征结合邻域信息统计特征的全极化SAR数据无监督分类方法。该方法计算极化SAR图像的极化特性：H（熵）、α（散射角）、A（各向异性度）和SPAN（总极化功率）。在极化总功率图像上还计算了空间统计特征：4个灰度共生矩阵特征。极化SAR图像是通过结合极化特征和空间统计特征来分类的。实验表明，该算法能较好地保留极化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很高的可扩展性，可以满足不同规模的大规模计算问题，因此越来越受到重视。本书将并行计算引入 SAR 图像处理以提高速度。针对SAR图像处理中计算量大的关键环节，结合并行计算，提出了并行SAR图像分类方法和SAR图像并行边缘检测方法，并通过实验验证了其有效性和高效性。本书通过对SAR图像并行处理的研究和实验，分析了影响图像并行处理的一些因素，并给出了提高SAR图像并行处理性能的一些措施。

本书的工作得到了作者博士生导师赵荣春教授、张燕宁教授，作者博士后联合导师曾启明教授，作者共同导师狄丽萍教授的多次指点和帮助。实验室很多同事的帮助，对此也心存感激。本书还参考了许多国内外相关资料，在此向这些文献的作者表示感谢。在本书的写作过程中，我也得到了作者家人、单位领导和同事以及作者部分朋友的支持和帮助。我也想在这里表达我的感激之情。鉴于作者专业水平有限，时间仓促，本书的不足之处在所难免，欢迎广大读者和同行批评指正。