作者：张艳宁,李映
出版社：电子工业出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
SAR图像处理的关键技术试读：
内容简介
本书是SAR图像处理与解译领域的一本新著，是作者所在团队10余年来在该领域工作的积累。本书在全面总结国内外研究进展的基础上，着重论述了SAR图像噪声抑制和增强、SAR图像和光谱图像的融合、SAR边缘检测、SAR图像分割、SAR图像典型目标包括桥梁、机场跑道、道路的检测以及环境因子分析和SAR图像目标识别。本书侧重于新算法的描述和实例的分析，反映了近年来在SAR图像处理和解译关键技术的最新发展概况，为该领域的深入研究提供了借鉴。
本书可以为信息科学、电子科学、计算机科学与遥感、地球科学等领域的科研人员提供参考，也可以作为相关专业研究生和高年级本科生教学参考书。
未经许可，不得以任何方式复制或抄袭本书之部分或全部内容。
版权所有，侵权必究。
图书在版编目（CIP）数据
SAR图像处理的关键技术/张艳宁，李映编著．—北京：电子工业出版社，2014.1
ISBN 978-7-121-20904-8
Ⅰ.①S… Ⅱ.①张…②李… Ⅲ.①遥感图象－数字图象处理 Ⅳ.①TP751.1
中国版本图书馆CIP数据核字（2013）第146179号
策划编辑：祁玉芹
责任编辑：鄂卫华
印 刷：中国电影出版社印刷厂
装 订：中国电影出版社印刷厂
出版发行：电子工业出版社
北京市海淀区万寿路173信箱 邮编 100036
开 本：787×1092 1/16 印张：23.5 字数：602千字
印 次：2014年1月第1次印刷
定 价：68.00元
凡所购买电子工业出版社图书有缺损问题，请向购买书店调换。若书店售缺，请与本社发行部联系，联系及邮购电话：（010）88254888。
质量投诉请发邮件至zlts@phei.com.cn，盗版侵权举报请发邮件至dbqq@phei.com.cn。
服务热线：010）88258888。前 言PREFACE
合成孔径雷达（Synthetic Aperture Radar，简称SAR）是一种主动式微波遥感器，它利用脉冲压缩技术提高距离分辨率，利用综合孔径原理提高方位分辨率，从而获得大面积的高分辨率SAR图像。和光学、红外等传感器相比，合成孔径雷达成像不受光照、天气条件等的影响，能够对地物目标进行全天时、全天候、高分辨率、大面积的探测。
1957年8月，人类获取了第一张全聚焦SAR图像，标志着SAR发展的真正开始。从此SAR被人们逐步认识，并得到了不断的发展。美国、欧洲、加拿大、俄罗斯和日本等国均发射了SAR卫星。国内在SAR的研究方面虽然起步较晚，但是进步飞速，也取得了令人瞩目的成绩。
经过几十年的发展历程，SAR的成像方法由非聚焦发展到聚焦，处理方式由光学发展到数字，工作模式由单极化发展到多极化，搭载方式由机载发展到星载，分辨率由几十米提高到几十厘米，工作模式由单一条带模式发展到多种成像模式（聚束模式、扫描模式、干涉模式等） 。随着SAR图像分辨率的提高和获取手段的多样化，SAR图像被广泛地应用于军事和民用的各个领域。在军事方面，SAR是直观有效的情报获取手段，常被用于战略战术目标的自动检测和识别；在社会经济方面，SAR在环境监测、资源探测、防灾救灾、气象预报、地理测绘以及海洋科学等领域的应用越来越深入。SAR充分显示了其在对地观测方面的卓越性能，SAR图像的研究和应用是遥感方面最为重要的前沿领域之一。
但是SAR图像处理和解译却比较困难，一方面是因为它有较强的目标方位敏感性，另一方面就是因为它的图像质量问题。SAR图像的质量受两种因素的影响，一种来自SAR系统自身，包括雷达系统、校正系统、成像算法等，存在斑点噪声、阴影、叠掩、透视收缩等几何形变；另一种与地物目标及其所在场景有关，包括目标的几何形状、运动速度、介电常数等。
对SAR图像的处理和解译属于图像处理与理解的范畴，涉及模式识别、图像处理、人工智能及信号处理等众多学科领域。近10年来，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。
本书共分7章，第1章介绍了SAR图像处理及解译的研究背景、意义、研究内容及进展；第2章分析了SAR图像特性及相干斑噪声的特性；第3章论述了SAR图像在空间域、小波域和一些新的噪声抑制和增强方法；第4章给出融合评价准则和基本方法，详细论述了几种基于小波变换的融合新算法；第5章论述了SAR图像目标特征，具体给出了桥梁、港口目标的检测和曲线特征检测方法；第6章详细讨论了基于各种不同方法的SAR图像和纹理图像的分割技术；第7章研究SAR图像的目标检测和自动识别的新方法。
本书是作者在该领域工作的总结，汇聚了西北工业大学陕西省语音与图像信息处理重点实验室集体的智慧。特别感谢赵荣椿教授多年来的培养和教导；感谢所有被引用文献作者的工作；感谢语音与图像信息处理重点实验室全体成员付出的辛勤劳动。
由于作者水平有限，书中难免存在不妥之处，恳请读者批评指正。作 者2013年8月于西北工业大学第1章 绪 论1.1 研究背景及意义
合成孔径雷达（Synthetic Aperture Radar，简称SAR）的产生可以追溯到20世纪50年代初期。1951年6月，美国Goodyear航空公司的Carl Wiley首次将多普勒频率分析用于相干运动雷达，发现通过频率分析可以改善雷达的角分辨率，即“多普勒波束锐化”，这一概念便是SAR最初的思想。与此同时，美国Illinois大学也独立开展了相干雷达实验，不仅通过实验验证了“多普勒波束锐化”概念，而且从理论上证明了合成孔径雷达的原理，并于1953年7月研制成功第一部相干X波段雷达系统，首次获得了非聚焦SAR图像。1953年，美国Michigan大学提出了利用载体运动可将雷达的真实天线综合成大尺寸的线性天线阵列的概念，并派生出了聚焦和非聚焦SAR的工作方式。在军方的资助下，于1957年8月研制出第一个聚焦式光学处理机制合成孔径雷达系统，并获得第一幅全聚焦的SAR图像。至此，SAR得到了广泛的认可，并进入了实用阶段。
20世纪60年代，SAR的光学处理技术得到了全面发展，并开展了多频多极化SAR研究。60年代末，美国Michigan环境研究院研制成功了第一个民用的双频双极化机载SAR系统，主要用于北极海洋冰成像。
70年代，随着电子技术的发展，SAR的数字成像处理成为可能。由于数字成像处理系统具有数据处理灵活、便于各种误差校正、可实时处理等优点，因而它成为SAR处理器的主流。在此基础上，美国在80年代研制成功了一系列的多频、多极化、多入射角的机载SAR系统，如JPL实验室的机载AIRSAR及P3SAR等。此外，其他一些国家也先后开展了机载SAR系统的研究。
随着太空时代的到来，SAR的发展也进入了太空。1978年7月美国宇航局（NASA）发射了海洋卫星（Seasat-A） ，在卫星上首次装载了合成孔径雷达，对地球表面1亿平方公里的面积进行了测绘。此后，一系列星载SAR先后升空。除Seasat-A外，NASA还利用航天飞机分别于1981年11月、1984年10月和1994年4月将SIR-A、SIR-B和SIR-C/X-SAR三部成像雷达载入太空。值得一提的是，美国于1988年发射的军用雷达卫星“长曲棍球” （Lacrosse） ，它可以全天候、全天时地监视地面目标的活动情况，其分辨率为0.3～1米左右，这是到目前为止分辨率最高的星载合成孔径雷达。
中国在SAR的研究方面也取得了可喜的成绩。1979年在中国科学院电子学研究所研制成功了机载SAR原理样机，获得我国第一批雷达图像。1987年完成国家“六五”攻关项目“机载多条带多极化SAR”并装备在中国科学院遥感飞机上。 1990年研制成功SAR机地实时传输系统。1994年完成863项目“机载实时成像器”，从而使机载雷达系统成为我国民用遥感的有效工具。自80年代末以来，国家“863”计划部署了发展星载SAR及相关技术的一系列课题，“星载SAR应用研究”课题探索和开拓了星载SAR的应用前景，为我国星载SAR系统参数的选择提供了理论科学依据。“星载SAR模拟样机研制”是“863”计划重大项目，并已于1988年顺利通过验收。
随着SAR图像的广泛应用，SAR图像处理日益成为SAR技术的研究重点内容之一。一方面，由于SAR是一种侧视成像雷达，所以几何失真很大；另一方面，SAR图像中包含了大量由于成像界面上散射点的相干回波随机干涉而造成的相干斑，它们会极大降低传统的边缘检测、图像分割、目标识别和其他信息扩展技术的有效性。众所周知，光学和红外遥感是利用非相干太阳光照射或利用目标的非相干辐射来获得人眼习惯的图像，而采用相干波照射得到的SAR图像，由于雷达波的相干性，引起了图像的斑点噪声。因而使SAR图像的处理工作变得相当复杂，还有待于进一步艰苦的工作。1.2 SAR图像处理国内外研究现状
自1953年合成孔径雷达的概念被首次提出以来，受到了各国的广泛重视，特别是在以卫星为平台的星载SAR获得巨大的成功以来，更是在世界范围内掀起了发展主动微波遥感对地观测卫星的热潮。近几年来，我国的SAR技术也取得了重大发展，特别是“九五”以来，以飞机为平台的机载SAR正在向工程化和实用化的方向发展，星载SAR的研究也取得了很多成果。
合成孔径雷达不仅能获得高分辨率的雷达图像，而且与可见光成[1][2]像相比有着独特的优势：（1） 具有全天候、全天时的成像特点；（2） 选择合适波长的微波，对地物具有一定的穿透能力，可以[3]对植被覆盖的地面、沙漠或浅水覆盖的地区成像；（3） 不仅可以提供幅度信息，也可以提供相位信息；（4） 雷达图像的分辨率与雷达的工作波长、载机飞行高度、雷达作用距离无关，可以在高空或太空都能有效工作；（5） 采用侧视成像方式，可以对远离航迹的地方成像。
正是由于SAR成像具有以上的优势，SAR图像已经被广泛地应用到各个领域。目前SAR图像处理和解译的研究主要集中在以下几个方面： （1）SAR图像相干斑噪声抑制； （2）SAR图像分割与分类； （3）SAR图像特征提取； （4）SAR图像目标检测； （5）SAR图像与其他传感器图像融合。本文主要介绍SAR图像相干斑噪声抑制和SAR图像与其他传感器图像数据融合两方面的研究现状和发展方向。1.2.1 SAR图像相干斑噪声抑制
相干斑噪声抑制一直是SAR图像处理领域的一个亟待解决的重要问题。相干斑噪声的存在严重干扰了SAR图像的理解和解译，因此该问题受到众多学者和研究人员的高度关注和重视。
到目前为止，根据作用域的不同，SAR图像相干斑噪声抑制的方法主要包括空间域方法、变换域方法和空频结合处理方法。
空间域的滤波方法是最早使用的SAR图像相干斑噪声抑制技术，其中经典的方法有均值滤波、中值滤波等，这些方法虽然能有效地减小相干斑噪声，但有时会模糊掉SAR图像的细节信息。为此，到了80年代，基于局部统计特征的空间域滤波方法得到了迅速的发展，主要[4][5][6][7][5]有Lee滤波及其增强型、Kuan滤波、Frost滤波及其增强型、[8]Gamma MAP滤波等，这些方法主要适用于背景简单、纹理信息不丰富的SAR图像。但是当图像背景复杂并且纹理丰富时，这些方法则会产生过平滑现象，不能很好地保持边缘纹理信息。另外，Crimmins[9][10]提出的几何滤波方法、White提出的迭代滤波方法、Safa等提出的[11]形态学方法，也是SAR图像相干斑噪声抑制的重要分支，这些方法考虑了像素间的结构领域信息，能较好处理相干斑噪声。然而，这类方法并没有利用SAR图像的统计特性，而且计算量较大。
变换域的滤波方法常用的步骤是：①图像的变换；②对变换后的图像系数进行处理；③将处理后的系数进行反变换。小波变换是常用的图像变换方式之一，传统的小波系数处理方法包括软、硬阈值等，这些都只是对小波系数的简单处理。目前基于MAP和MMSE的估计准则的相干斑噪声方法得到了快速的发展。基于MAP估计准则的方法[12]主要有Foucher等人提出的多尺度MAP SAR图像抑噪方法，胡正磊[13]等人提出的以α平稳分布为先验的SAR抑噪方法等；基于MMSE准[14]则的抑噪方法主要有Pižurica等人提出的贝叶斯收缩方法， Argenti[15]等人提出的局部线性MMSE为准则的抑噪方法，我国学者也在这方[16-19]面进行了广泛的研究。
近年来，马尔可夫随机场模型与小波变换相结合，建立小波马尔可夫模型的抑噪方法是[20]
SAR图像相干斑抑噪技术的研究热点，特别是近年来提出的一[21]些新的Markov结构，已被用于SAR图像相干斑抑噪中，并且取得了非常好的抑噪效果，然而存在计算量大、训练算法收敛速度较慢等问题。但总的来说，研究SAR图像变换域系数的统计模型，结合Markov随机场等理论对于SAR图像相干斑噪声抑制研究来说是一个重要研究方向。
同时，随着小波理论的不断发展，平稳小波（Stationary Wavelet Transform，SWT）由于其具有平移不变性，弥补了离散小波变换缺乏平移不变性的缺点，在SAR图像抑噪中得到了迅速的应用[13][15][21][22]。特别是，近年来随着多尺度几何分析的发展，基于多尺度几何分析的SAR图像抑噪方法受到了研究者越来越多的关注和重视，[23][24]其SAR图像抑噪效果，也展示了多尺度几何分析自身的优势。
空频结合处理的SAR图像抑噪方法是近年来人们发展的一种滤波[25]技术，如对小波系数采用Lee滤波或维纳滤波等处理，然后再重建图像。这类方法虽然都取得了较好的抑噪效果，但却并没有考虑实际的相干斑噪声在小波域的分布特性。1.2.2 SAR图像增强
由于SAR图像存在大量的相干斑噪声，通用的图像增强方法在增强图像纹理细节和边缘信息时，会同时增强SAR图像中的噪声信息，加剧了SAR图像的解译困难，因此不适用于SAR图像增强。根据作用域的不同，当前的增强方法主要包括空域方法，变换域方法。
空域方法是最基本的图像增强方法，比较经典的有对比度增强、直方图增强和图像锐化等。对比度增强通过一定的规则逐点修改输入图像的每一个像素的灰度，从而将图像的灰度全局或局部拉伸，它一般分为线性变换和非线性变换两种。直方图增强可以将整体亮度偏暗的图像进行直方图均衡化，也可以将一幅图像的直方图形状调整为与某一图像的直方图相近的形状，从而根据直方图规格化的方法校正传感器和亮度差异引起的变化。图像锐化主要针对模糊的图像，可以对其进行边缘增强，突出目标的边缘和轮廓。
频域增强是变换域增强方法中比较经典的一种，它主要通过某种变换（如傅里叶变换，余弦变换等）将图像从空间域变换到频域，然后对图像的变换系数进行修正，最后逆变换到空域得到增强后的图像。频域增强方法主要包括低通滤波、高通滤波和同态滤波等。
传统的空域增强和频域增强都是对图像的整体进行操作，无法有效地突出局部感兴趣的目标，而且没有考虑到SAR图像的相干斑噪声特性，因此不适于SAR图像的增强。
小波变换是近几年非常流行的一种变换域方法，它广泛应用于图像降噪、增强、分割、压缩、融合、目标检测等领域，取得了良好的处理结果。小波变换将一幅图像分解为大小、位置、方向都不相同的分量系数，然后根据需要将不同位置、不同方向上的某些分量改变其系数的大小，从而拉伸感兴趣的分量系数同时抑制不需要的分量系数，最后进行逆变换，得到小波增强的结果。然而，小波变换“各向同性”的特点使得其在增强过程中，无法兼顾抑制噪声和保留图像的纹理细节这两方面。因此，建立在小波变换基础上的多尺度几何分析方法因为增加了任意的方向性而受到图像处理领域学者们的青睐。Curvelet变换结合了Ridgelet变换的各项异性和Wavelet变换的多尺度特性，在对SAR图像增强的过程中，抑制噪声的同时还有效地保持了图像的边缘信息，从而成为SAR图像增强的一种热点方法。1.2.3 SAR图像融合
随着遥感技术的不断发展，新型传感器不断涌现。不同传感器提供了不同光谱分辨率、不同时间分辨率和不同空间分辨率的遥感图像。与单一传感器图像不同的是，多源遥感图像具有充足的冗余性、互补性和合作性，可以最大限度利用各种图像源提供的信息。因此，多源遥感图像融合是目前研究的热点。
SAR图像作为多源遥感源图像在各个领域中得到了迅速的应用，它不仅具有与可见光、红外图像相同程度的分辨率，而且还是具有全时域、全天候的特点。目前以SAR图像为图源的融合主要包括SAR图像与TM图像的融合、不同波段与不同SAR极化图像的融合、极化[20]SAR图像与超光谱图像的融合。（1） SAR图像与TM图像的融合
专题绘图仪（Thematic Mapper, TM）是1972年美国发射的Landsta4、5号地球观测卫星上搭载的一种多光谱扫描仪，TM图像由于其丰富的多光谱信息而被广泛使用。TM的波谱范围大，工作波段多，每个波段范围较窄，因此谱分辨率较高，但其空间分辨率较低。而SAR图像的主要特征就是具有较高的空间分辨率，因此这两种图像的融合将更好的实现信息的互补。
SAR图像和TM图像融合的主要方法有IHS变换法，PCA变换法，HPF法等。然而这些方法或多或少存在着一些问题。为此，程英蕾等[26]人提出了一种基于小波包变换的SAR图像与TM图像的融合算法，[27]于秀兰等人对于SAR图像和TM图像的不同层次融合进行了分类比较。
近年来随着多尺度几何分析的发展，基于多尺度几何分析的SAR图像与TM图像融合成为研究热点。同时，目前SAR图像和TM图像的融合方法大多运算量较大、复杂度高，不能满足快速或实时融合的需要，因此并行的融合方法也受到了越来越多的重视。（2） 不同波段与不同SAR极化图像的融合
随着合成孔径雷达技术的发展，SAR能提供单极化、多极化和全极化图像，这些图像特点各有所不同，特别是不同波段图像的相关性[28]较小，因此融合不同波段的图像，能使SAR图像达到清晰的效果。但目前这方面的研究还不多见。（3） 极化SAR图像与超光谱图像的融合
超光谱图像具有丰富的纹理信息，而且空间相关性较差，因此，SAR图像与超光谱图像的融合为图像的后续处理提供丰富的纹理信息。特别是随着遥感技术的不断发展，超光谱成像技术的不断推广，SAR图像与超光谱图像的融合也是今后的一个研究方向。1.2.4 SAR图像边缘检测
一般来讲，一个好的边缘检测算法应满足如下要求：①检测精度高；②抗噪能力强；③计算简单；④易于并行实现。其中最根本的问题是解决检测精度与抗噪声能力间的矛盾。从理论上讲，这两者之间存在着相互制约的互变关系，即不确定性原则。
为了有效检测SAR图像边缘，人们提出了许多边缘检测算法。早期的SAR图像的边缘提取源自传统的图像处理技术，如Sobel算子、Laplace算子、Canny算子等各种基于梯度的边缘检测算子被广泛用于SAR图像，但传统的微分算子检测是基于图像具有加性噪声假设的。而SAR图像的噪声是乘性的，梯度算子用于SAR图像边缘检测得到的[29]结果不是恒虚警的，而是随着图像局部强度均值的变化而变化。这样就容易在亮区检测出虚假边缘，而在暗区域则丢失很多真实边缘。为了解决这个问题，必须研究专门针对SAR图像乘性噪声的边缘检测算子。
从20世纪80年代开始，陆续出现了很多种针对SAR图像设计的[30]边缘检测方法，主要可以分为四类：基于单边缘模型的方法、基于多边缘模型的方法、多分辨率的方法以及包括贝叶斯、神经网络、遗传算法在内的其他方法。其中，又以单边缘模型方法中的局部均值比[31][32]方法（Ratio of Average, RoA）及其改进和以广义似然比（Generalized Likelihood Ratio, GLR）为代表的假设检验方法，应用最为广泛。它们的共同特点是在边缘检测过程中都结合了SAR图像的斑点噪声特性，故它们都具有恒虚警性（Constant False Alarm Rate, CFAR） 。但是，它们都是在一个固定尺寸的局部窗口内进行边缘点判断的，所以都是单一尺度的方法。
90年代中后期，随着小波理论的进一步发展，出现了大量的基于小波理论的SAR图像边缘检测方法。这类方法可以得到图像在不同尺度下的灰度突变点，具有极敏感的变焦特征，在不同的分辨率下，反映出图像的不同的结构特征，具有较强的处理突变信号能力。以小波为代表的是以图像的多尺度分析为基础的第三代SAR图像边缘检测算法。
小波理论自身也存在着问题，在高维下不能有效地“表示”图像，[33]这促使人们研究更先进的理论。Contourlet变换和非下采样[34]Contourlet变换（Nonsubsampled Contourlet Transform，NSCT）是近年来新兴起的理论，在高维下相比小波变换具有明显的优势和潜力，其应用的范围也逐渐扩大。Contourlet变换的主要特征是有很好的方向敏感性和各向异性的特点，能够准确地将图像中的边缘信息“捕获”到不同尺度、不同频率的子带中。因此，Contourlet变换在图像增强、去噪等方面取得了比小波变换更好的效果。但由于需要进行上采样和下采样，使Contourlet变换缺乏平移不变性，导致在进行图像处理时会引入Gibbs效应。文献[34]提出了一种具有平移不变性的Contourlet变换，即非下采样Contourlet变换（NSCT） 。该变换通过使用迭代非下采样滤波器组来获得平移不变、多分辨、多方向的图像表示能力，有效表达了图像的纹理特征。1.2.5 SAR图像分割
SAR图像分割一直是SAR图像处理领域的一个热点问题，随着SAR图像分辨率的不断提高及其在军事和民用方面的广泛应用，这方面的研究将更加受到关注。一方面，有效的SAR图像分割结果能为地物的准确解译提供支持；另一方面，SAR图像分割是自动目标检测与识别的基础。到目前为止，针对SAR图像分割已经开展了大量研究，大致可以分为以下四类：
基于阈值的分割方法。Lee和Jurkevich最早提出了用于单视和多[35]视SAR图像分割的多级阈值法， Zaart则通过Gamma分布对SAR图[36]像进行建模，在此基础上进行直方图阈值估计，进而完成分割。
基于边缘检测的分割方法。该方法旨在提取SAR图像中各个目标[37]和区域的边缘，其中，基于SAR图像数学模型的Ratio算法通过假设检验来判断边缘存在与否，研究表明它能较好地克服噪声影响，降低检测的错误率。国内也有学者将Beamlet理论用于SAR图像的边缘
[38]检测，并取得了一定成效。
基于纹理特征聚类的分割方法。该方法通常先对原始SAR图像提取多维纹理特征，然后通过一定的聚类算法对已有特征进行聚类，进而完成对输入SAR图像的分割。其中典型的纹理特征有小波能量特征[39][40][41][42][43]、灰度共生矩阵特征、尺度共生矩阵特征，分形维数特征[44][45]等。相关方面的研究有Kersten等人提出的基于模糊聚类和EM聚[46]类的极化SAR图像分割，Xue等人提出的基于小波特征和灰度特征融合的SAR图像分割等。
基于马尔可夫随机场模型的分割方法。作为概率理论的一个分支，马尔可夫随机场理论刻画了具有某种上下文依赖关系的物理实体所表现出的特性。它是一种有效的随机建模工具，可以有效地捕获像素间的相互约束，从而对各像素间的上下文信息进行描述。[47]
此外，还有Cook提出的基于矩特征的区域融合分割算法，[48][49]Lemarechal等人和Ogor等人提出的基于数学形态学的SAR图像分割方法，等等。然而上述几种SAR图像分割算法都存在着或多或少的缺点：基于阈值的分割方法较为简单，但最易受到相干斑噪声的影响，由于该方法没有考虑SAR图像中的上下文信息，没有对SAR图像中的纹理进行分析，因此分割效果较差；基于边缘检测的分割方法也容易受到相干斑噪声的干扰，而且还存在漏检和误检之间的矛盾，很难达到令人满意的效果；基于纹理特征聚类的SAR图像分割，由于涉及到对SAR纹理特征的提取，可以在一定程度上改善基于灰度阈值分割的效果，但是同样存在特征选择、特征组合和聚类算法选取等问题；基于马尔可夫随机场模型的SAR图像分割，涉及到较多的概率统计知识且模型较复杂。因此当前的研究热点逐渐趋向于结合不同的方法，取长补短，采用更为有效的多种方法结合进行分割。1.2.6 SAR图像目标检测
1. 道路检测
出现得比较早的道路检测方法是Fischler提出来的低分辨率航空[50]图像的道路提取算法。Bazohar和Cooper定义了马尔可夫随机场，并将这种方法用于自动道路目标提取，通过检测局部最大后验概率得[51][18]到道路。郦苏丹等提出了一种两步算法用于从SAR图像中无监督地提取线性特征，进而提取公路的方法，取得了较好的效果，但检测结果很大程度地受前期线性特征检测准确度的限制。M. Mokhtarzade[52]等提出了一种从高分辨率卫星图像中应用神经网络进行道路提取的[53]方法，输入参数中利用到了图像的光谱信息。Miriam Amo等提出了一种区域竞争算法，半自动地从航空图像中提取道路。蒋斌提出了一种基于边缘检测和直线段组织的SAR图像道路提取算法和一种基于模糊聚类和最短路径搜索的SAR图像道路提取算法。
2. 桥梁检测
桥梁是SAR图像中另外一种重要的线性目标。它的检测与识别在[54]军事和民用上都具有重要的意义。Hou biao等先对图像进行滤波、增强和边缘检测后再检测桥梁，此方法获得了较好的分割效果，但存[55]在着伪目标。程辉等对河流区域进行特征提取后，利用SVM训练建模的方法分割河流，最后在分类后的二值图像中按方向累加能量最小[56]准则进行桥梁目标检测，有较强的抗噪性。 Zhengyao Bai等将梯度与比值结合的边缘检测算子与最优阈值选择法相结合进行桥梁检测。
3. 舰船检测
船舶是图像中一种重要的目标。它的检测与监视是世界各国海岸地带国家的传统任务，在民用及公安部门有广泛的应用，如舰船的寻找与救助、渔船监视、非法移民、保卫领土、舰船非法倾倒油污的监[57]视等。种劲松等将舰船检测方法分为四类：双参数CFAR算法、基于K-分布的CFAR算法、多极化检测算法、其他检测算法。田巳睿等[58]将基于SAR图像的舰船检测方法分为两类，一类利用船只目标在SAR图像中的成像机理；另一类方法则是利用运动舰船的尾迹进行检测。
4. 机场跑道检测
机场跑道的检测在军事上具有重要的意义。其检测方法一般分为两类：一是基于灰度特征的检测，二是基于直线特征的跑道检测。应
[59]龙等提出了一种线基元的直线提取算法，并在边缘检测和直线提取[60]算法基础上进行了机场跑道检测。鲍复民等提出了一种基于Radon[61]变换的SAR图像机场跑道的自动识别方法。杨卫东等提出了一种基于假设检验的SAR图像机场跑道自动识别方法，通过迭代分割和形态学滤波提取感兴趣区域，结合Hough变换和线段跟踪连接提取候选跑道，最后采用假设检验方法对机场跑道进行识别。1.2.7 SAR图像目标识别
目前基于SAR图像的目标识别方法已经提出了很多，大多数方法可分为两大类，即统计模式识别方法和基于模型的目标识别方法。基于模板匹配法是统计模式识别方法中最常用的也是最典型的方法，它是将测试样本与由训练样本形成的标准模板按照某种匹配准则完成分类或识别的。而基于模型方法的主要思想是将未知目标特征与目标模型数据库中预测的特征相比较，得出识别结果。
对于SAR目标识别而言，由于SAR目标的表现与目标的方位角有很大关系，因此提取的特征要能够覆盖所有方位条件下目标的变化。基于模板匹配的SAR目标识别需要大量的模板来覆盖所有目标情况，因此需要占用大量的存贮空间，并且匹配计算量较大。基于模型的SAR目标识别方法同样不能保证有效地减少目标模板的数量，同时模型训练的收敛性和计算量也是一个很重要的问题。参 考 文 献
[1] 舒士畏．雷达图像及其应用．北京：中国铁道出版社，1989.
[2] Stofen E R. Overview of Results of Spaceborne Imaging Radar-C, X-band Synthetic Aperture Radar (SIR-C/X-SAR). IEEE Transaction on Geoscience and Remote Sensing, 1995, 33(4): 817 -828.
[3] Pachur H J, Rottinger F. Evidence for a Large Extended Paleolake in the Eastern Sahara as Revealed by Spaceborne Radar Lab Images. Environment of Remote Sensing. 1997, 61: 437-440.
[4] Lee J S. Speckle analysis and smoothing of synthetic radar images. Computer Graphics and Image Processing .1981, 17: 24-32.
[5] Lopes A, Touzi R, Nezry E. Adaptive speckle filtes and scene heterogeneity. IEEE Trans. Geosci. Remote Sense. 1990,28(6):992-1000.
[6] Kuan D T, Sawchuk A A, Strand T C, et al. Adaptive noise smoothing filter for images with signal dependent noise .IEEE Trans . Pattern Analysis and Machine Intelligence. 1985,7(2): 165-177.
[7] Frost V S, Stiles J A, Shanmugan V S, et al. A model for radar images and its application to adaptive digital filtering of multiplicative noise. IEEE Trans . Pattern Analysis and Machine Intelligence, 1982, 4 (2) :157-166.
[8] Lopes A, Nezry E, Touzi T. et al. Maximum a posteriori speckle filtering and first order texture models in SAR images. In: Proc. IGARSS 1990: 2409-2412.
[9] Crimmins T R. Geometric Filter for Speckle Reduction. Applied Optics. 1985, 24(10): 1438-1443.
[10] White R J. A Simulated Annealing Algorithm for SAR and MTI Image Cross-Section Estimation. Proc. SPIE, 1994, 2316: 137-145.
[11] Safa F, Fbuzat G. Speckle Removal on Radar Imagery Based on Mathematical Morphology . Signal Processing. 1989, 16: 319-333.
[12] Foucher S, Benie G B, Boucher J M. Multiscale MAP filtering of SAR images. IEEE trans. Image Process.2001.
[13] 胡正磊，孙进平，袁运能等. 利用α稳定分布的小波域SAR图像将斑算法. 航空学报. 2006, 27(5): 928-933.
[14] Pižurica A, Philips W, Lemahieu I. et al. Despeckling SAR images using wavelets and a new class of adaptive shrinkage estimators. In: Pro. ICIP 2001: 233-236.(21)
[15] Argenti F, Alparone L. Speckle removal from SAR images in the undecimated wavelet domain. IEEE trans. Geosci. Remote Sens. 2002, 40(11): 2363-2374.
[16] 曹正英，夏良正. 基于贝叶斯估计的非平稳SAR图像自适应小波滤波. 宇航学报. 2004, 25(3): 343-345,354.
[17] 张旭，罗建书. 基于自适应收缩因子的SAR图像去噪. 武汉大学学报（工学版） . 2003, 26(3): 102-104.
[18] 郦苏丹，张翠，王正志. 基于小波域隐Markov模型的SAR图像滤波方法. 国防科技大学学报. 2002, 24(6): 58-63.
[19] 武昕达，朱兆达，张弓等. 一种基于小波域隐马尔可夫模型的SAR相干斑抑制算法.中国图像图形学报. 2004, 9(4): 385-390.
[20] 焦李成，王爽，侯彪. SAR图像理解与解译研究进展.电子学报. 2005, 33(12): 2421-2434.
[21] Crouse M S,Nowak R D, Baraniuk R G. Wavelet-based statistical signal Processing using hidden Markov models.IEEE Trans Signal Processing.1998,46(4): 886-902.
[22] Ni W, Guo B L, Liu Y. Speckle reduction algorithm for SAR images using contourlet transform. J. Inform. and Comput. Sci. 2006, 3(1): 83-94.
[23] Argenti F, Bianchi T, Alparone L. Multiresolution MAP despeckling of SAR images based on locally adaptive generalized Gaussian pdf Modeling. IEEE Trans. Image Process. 2006, 15(11): 3385-3379.
[24] 肖磊，隆刚，陈学佺. 基于Curvelet变换抑制SAR图像斑点噪声的方法. 计算机工程. 2006,32(9): 196-198.
[25] Sveinsson J R and Benediktsson J A. Speckle Reduction and Enhancement of SAR Images in the Wavelet Domain [J]. Proc. IGARSS, 1996.
[26] 程英蕾，赵荣椿. 一种基于小波包变换的SAR图像与TM图像融合方法. 西北工业大学学报. 2005, 23(4): 529-533.
[27] 于秀兰，钱国蕙. TM和SAR遥感图像的不同层次融合分类比较.遥感技术与应用. 1999, 14(3): 38-43.
[28] 蒋晓瑜，高稚允，周立伟. 小波变换在多光谱图像融合中的应用. 电子学报. 1997,25(8): 105-108.
[29] Milan Sonka, Vaclav Hlavac, Roger Boyle. Image Processing, Analysis, and Machine Vision, 2nd Edition. Brook/Cole, 2002.
[30] 赵凌君，贾承丽，匡纲要. SAR图像边缘检测方法综述. 中国图像图形学报. 2007, 12(12): 2042-2049.
[31] R.Touzi, A.Lopes, et.al. A Statistical and Geometrical Edge Eetector for SAR images. IEEE Transactions on Geoscience and Remote Sensing. 1988: 26(6): 764-773.
[32] M. R. Zaman, and C. R. Moloney. A Comparison of Adaptive Filters for Edge-preserving Smoothing of Speckle Noise. International Conference on Acoustic Speech and Signal Processing (ICASSP), Minneapolis, Minnesota, USA, 1993.
[33] M. N. Do, M. Vetterli. Contourlets. Beyond Wavelets. J. Stoeckler, G. V. Welland (eds.), Academic press, 2002.
[34] 黄海东，王斌，张立明. 一种基于非降采样Contourlet 变换的遥感图像融合方法[J]. 复旦学报（自然科学版）. 2008, 47(1): 124-128.
[35] Lee J.S., Jurkevich I., Segmentation of SAR images. IEEE Trans. On Geoscience and Remote Sensing, 1989, 27(6): 674-680.
[36] Zaart A.E., Ziou D., Wang S.R. et al., Segmentation of SAR images. Pattern Recognition, 2002, 35: 713-724.
[37] S. S. Ganugapati, and C. R. Moloney. A Ratio Edge Detector for Speckled Images based on Maximum Strength Edge Pruning. International Conference on Image Processing （ICIP）, Washington DC, USA, 1995.
[38] 史勤峰. Beamlet及其在SAR图像边缘检测中的应用. 西北工业大学硕士学位论文, 2006.
[39] Fukuda S., Hirosawa H., A wavelet-Based texture feature set applied to classification of multifrequency polarimetric SAR Images. IEEE Trans. On Geoscience and Remote Sensing, 1999, 37(5): 2282-2286.
[40] Baraldi A., Parmiggian F., An investigation of the texture characteristics associated with gray level co-occurrence matrix statistical parameters. IEEE Trans. On Geoscience and Remote Sensing, 1995, 22(2): 293-303.
[41] Williams N., Vaughan R.A., Texture segmentation of SAR images. In:Proceeding of Progress in Environmental Remote Sensing Research and Applications, 1996,181-187.
[42] Haralick R.M., Statistical and structural approaches to texture. In:Proceeding of IEEE, 1975, 67(5): 786-804.
[43] Anh V.V., Gras F., Tsui H.T., Multifractal description of natural scenes. Fractals 4,1996: 35-43.
[44] 刘文予，朱耀庭，朱光喜. 基于DFBR场图像模型的纹理特征. 模式识别与人工智能, 1992, 5(2): 116-122.
[45] Kersten P.R., Lee J.S. and Ainsworth T.L., Unsupervised classification of polarimetric Synthetic Aperture Radar images using fuzzy clustering and EM clustering. IEEE Trans. On Geoscience and Remote Sensing, 2005, 43(3): 519-527.
[46] Xue X.R., Zeng Q.M., A new method of SAR image segmentation. In:Proc.IGARSS,2005, 4701-4703.
[47] Cook R., MUM segmentation for SAR images. In Proc.SPIE, 1994, 2316:92-103.
[48] Lemarechal C., Fjortoft R., Marthon P. et al., SAR image segmentation by morphological methods. In Proc. SPIE,1998, 3497: 111-121.
[49] Ogor B., Haese-coat V., Ronsin J., SAR image segmentation by mathematical morphology and texture analysis. In Proc. IGARSS, 1996, pp.717-719.
[50] M.A Fischler, J.M Tenenbaum, H.C Wolf, Detection of roads and linear structures in low-resolution aerial imagery using a multisource knowledge integration technique, Computer Graphics and Image Processing, 1981, 15(3): 201-223.
[51] Bazohar, M. and Cooper, D., Automatic finding of main roads in aerial images by using geometric-stochastic models and estimation, IEEE Trans. Pattern Anal. Machine Intell., 1996, 18(7): 707-721.
[52] M. Mokhtarzade, M.J. Valadan Zoej1, Road detection from high-resolution satellite images using artificial neural networks, International Journal of Applied Earth Observation and Geoinformation, 2007, 9(1): 32-40.
[53] Amo, M., Road extraction from aerial images using a region competition algorithm, IEEE Transactions on Image Processing, 2006, 15(5): 1192-1201.
[54] Hou Biao, Li Ying, Jiao Licheng, Segmentation and recognition of bridges in high resolution SAR images, 2001 CIE International Conference on Radar Proceedings, pp. 479 - 482.
[55] 程辉，于秋则，柳健，田金文. 基于SVM的SAR 图像中水上桥梁目标的检测. 宇航学报, 2005, 26(5): 600-605.
[56] Zhengyao Bai, Peikun He, An improved ratio edge detector for target detection in SAR images. Proceedings of the 2003 International Conference on Neural Networks and Signal Processing, 2003, vol. 2, pp. 982-985.
[57] 种劲松，朱敏慧. SAR图像舰船及其尾迹检测研究综述[J]. 电子学报, 2003，31(9): 1356-1360.
[58] 田巳睿，王超，张红. 星载SAR舰船检测技术及其在海洋渔业监测中的应用. 2007, 22(4): 503-512.
[59] 应龙，栾悉道，吴玲达. 高分辨率遥感图像中机场跑道快速检测方法. 小型微型计算机系统, 2006, 27(2): 282-286.
[60] 鲍复民，李爱国，覃征. 合成孔径雷达图像中机场跑道的自动识别. 西安交通大学学报, 2004, 38(2): 1243-1246.
[61] 杨卫东，左峥嵘，张天序. 基于假设检验的SAR图像机场跑道自动识别. 华中科技大学学报（自然科学版）, 2006, 34(2): 11-13.第2章 SAR图像特性及其相干斑噪声特性
由于SAR成像机理与光学图像不同，不同地物在SAR图像中的特性也与光学图像有所差异，且SAR图像存在着相干斑噪声，传统的适用于光学图像的分析算法直接应用于SAR图像处理，效果并不理想。因此，基于SAR成像机理、SAR图像特性、相干斑噪声特性和SAR图像以及目标特性，进行SAR图像分析算法的研究才是行之有效的。
本章对SAR的成像原理和数据特点进行分析，特别是SAR图像的各种特性，包括辐射特性、目标特性、图像获取特性、相干斑噪声模型以及环境因子在SAR图像中表现的信息特点。2.1 SAR图像成像原理和特点
合成孔径成像雷达作为一种高分辨率成像雷达，之所以受到国内外雷达界极大的重视，是因为它可以在能见度极差的气象条件下得到类似光学照相的高分辨率图像。与真实孔径雷达相比较，它们都是用脉冲压缩的测距实现垂直于卫星轨迹方向的空间分辨率，但是SAR采用合成孔径技术，依靠物理上的星载天线，利用多普勒效应获得每个发射脉冲位置上相应的相位历程，经地面相干成像处理实现方位向的高分辨率。2.1.1 SAR成像方式
SAR图像的产生是依靠相干雷达的多普勒效应，而合成孔径则是产生SAR图像的基本物理原理。合成孔径的概念是采用相干雷达系统和单个移动的天线，模拟真实线性天线阵列中所有天线的功能。
先考虑真实线性天线阵列的原理，假设天线阵列由N个天线阵元组成，各阵元到地面目标场中一点P处距离分别为R、 R、 …、 12R，各阵元到P点反射波的传输延时分别为T、 T、 … T，雷达对n12n各阵元接收到的来自点目标P的回波信号进行相加，对该点目标进行成像。如果每个阵元的位置成一定的关系，使接收到的信号有恰当的相位关系，则叠加起来以后，根据波的干涉原理，可以使从某一方向接收到的信号总强度最大，而来自其他方向的信号由于矢量叠加而使总强度很小，这样就形成了一个方向性很好的波瓣图。与真实孔径雷达阵列相似，合成孔径的概念也是将各个阵元的回波信号叠加以形成等效的线性阵列。雷达随着载机的运动，在依次经过的每个位置发射大时间宽带积的线性调频信号，以地面目标场景为成像区域，将接收
试读结束[说明：试读内容隐藏了图片]