学位论文 > 优秀研究生学位论文题录展示

SAR图像变化检测及相关技术研究

作　者: 黄勇
导　师: 黄顺吉
学　校: 电子科技大学
专　业: 通信与信息系统
关键词: 变化检测图像特征合成孔径雷达(SAR) SAR图像
分类号: TN957.52
类　型: 博士论文
年　份: 2006年
下　载: 984次
引　用: 5次
阅　读: 论文下载

内容摘要

图像变化检测技术旨在检测不同时间段的同一场景图像之间发生的变化。图像变化检测技术主要依赖于辐射值或局部纹理的变化。这些变化可能是由于地表覆盖的真实变化引起的，或者是由照射角、大气条件、传感器精度。地面湿度等条件变化引起的。变化检测的基本前提是相对于由一些随机因素引起的变化由对象本身变化引起的辐射值或局部纹理的变化是可分的。合成孔径雷达具有全天候、全天时的特点，可方便地获得同一地区不同时间段的图像，于是SAR图像变化检测是它的一个重要应用领域。SAR图像变化检测是遥感技术的主要应用之一，它通过对不同时期图像的比较分析，根据图像之间的差异来得到我们所需要的变化信息。SAR图像变化检测已经应用于很多方面，如对人工检测比较困难的热带雨林、沙漠等自然条件恶劣的地区进行监测，以了解生态环境变化的情况；对农田进行监测，分析农作物生长状况；对军事目标进行监测，了解兵力部署、军事调动等情报；对城区环境进行监控，合理规划城市布局，土地使用的管理和规范，非法占地和违章建筑的监控等。随着研究环境和持续发展相关的许多地物变迁现象都是动态变化过程，随着遥感观测技术及SAR成像技术的发展，获取多波段、多极化、多时段的SAR图像的能力已大大提高，可为这些动态过程问题的研究提供丰富的信息源。但是由于地球系统的开放性、复杂性和不确定性，如何有效地提取所需的信息，揭示出其变化等规律，是当前急需解决的问题，通过对不同时段的多通道(多波段或多极化等)的SAR图像之间的变化检测来获取地表覆盖的变化情况便成为一个日益重要的课题研究方向之一。本文研究了利用合成孔径雷达图像进行变化检测技术及相关技术的研究。研究的内容涉及SAR图像分割、图像分类，图像自动匹配等技术及变化检测技术等。对本文开展的各项研究工作，使用E-SAR图象等数据进行试验及分析验证，所提供的实验结果验和证算法的有效性，并显示了SAR图象在变化检测方面有良好的应用前景。

全文目录

第一章绪论  10-20
  1.1 SAR图像变化检测技术的发展动态  10-14
  1.2 变化检测应考虑的几个问题  14-17
    1.2.1 图像匹配  14
    1.2.2 门限值的选择  14-15
    1.2.3 辐射校正  15
    1.2.4 精度评估与比较  15-16
    1.2.5 随机因素的联合影响  16-17
  1.3 本文所做的工作及贡献  17
  1.4 本文结构安排  17-18
  1.5 试验数据  18-20
第二章 SAR图像特性  20-48
  2.1 合成孔径雷达成像模型  20-24
  2.2 SAR图像的高分辨力特征  24-26
    2.2.1 距离向分辨力  24-25
    2.2.2 方位向分辨力  25-26
  2.3 SAR图像的几何特性  26-27
  2.4 SAR图像的强度特性  27-29
  2.5 SAR图像的统计分布特性  29-31
  2.6 SAR图像的相干斑特性  31-33
    2.6.1 相干斑噪声模型  31
    2.6.2 相干斑噪声的统计特性  31-33
  2.7 SAR图像的相干斑抑制方法  33-47
    2.7.1 Kuan滤波方法  33-35
    2.7.2 Lee滤波方法  35
    2.7.3 最大后验(MAP)概率法  35-36
    2.7.4 相干斑抑制试验  36-47
  2.8 本章小结  47-48
第三章 SAR图像分割与分类  48-79
  3.1 SAR图像分割  48-60
    3.1.1 图像分割的模型  48-49
    3.1.2 图像分割算法  49-51
    3.1.3 SAR图像分割算法  51-60
      3.1.3.1 基于似然差函数的SAR图像分割算法  51-57
      3.1.3.2 基于边缘特征的图像分割  57-60
  3.2 图像分类(IMAGE CLASSIFICATION)  60-78
    3.2.1 SAR图像分类算法  61-68
      3.2.1.1 最小距离分类法  62
      3.2.1.2 Bayes决策的最大似然分类  62-63
      3.2.1.3 子空间分类法  63-64
      3.2.1.4 K-means算法  64
      3.2.1.5 模糊ISODATA分类算法  64-65
      3.2.1.6 Hopfield神经网络的分类方法  65-67
      3.2.1.7 其他分类新技术  67-68
    3.2.2 基于纹理特征的SAR图像分类算法  68-78
      3.2.2.1 SAR图像的特征提取  68-71
      3.2.2.2 图像的统计特征  71
      3.2.2.3 分类器的选择  71
      3.2.2.4 分类后处理  71-72
      3.2.2.5 分类试验结果及结论  72-78
  3.3 本章小结  78-79
第四章 SAR图像匹配  79-98
  4.1 图像匹配的定义  79-83
    4.1.1 图像匹配的概念  79-80
    4.1.2 图像匹配的一般模型  80-81
    4.1.3 相似性度量  81-83
  4.2 图像匹配的一般算法  83-90
    4.2.1 基于图像灰度的图像匹配  83-86
    4.2.2 基于图像特征的匹配方法  86-88
    4.2.3 最小二乘多项式匹配  88-90
  4.3 SAR图像的自动匹配算法  90-98
第五章 SAR图像变化检测  98-123
  5.1 SAR图像变化检测的基本过程  98-100
  5.2 图像的变化检测方法  100-105
    5.2.1 图像差值法  100
    5.2.2 图像比值法  100
    5.2.3 图像回归法  100-101
    5.2.4 主分量法  101
    5.2.5 变化向量法  101-102
    5.2.6 分类比较法  102
    5.2.7 一般方法的试验结果  102-105
  5.3 本文的SAR图像变化检测方法  105-122
    5.3.1 基于图像分割方法  105-111
      5.3.1.1 图像分割  106
      5.3.1.2 图像区域描述的定义及实现  106-107
      5.3.1.3 图像变化检测  107-108
      5.3.1.4 试验结果及分析  108-111
    5.3.2 基于目标分布特性的变化检测方法  111-122
      5.3.2.1 SAR图像的分布模型  112
      5.3.2.2 分布的假设检验  112-113
      5.3.2.3 变化检测  113-118
      5.3.2.4 试验结果  118-122
  5.4 本章小结  122-123
第六章结论与展望  123-125
致谢  125-126
作者攻读博士期间取得的成果  126-127
参考文献  127-135

SAR图像变化检测及相关技术研究

内容摘要

全文目录

相似论文