遥感图像恢复方法研究论文

遥感图像恢复方法研究论文（精选9篇）

遥感图像恢复方法研究论文 篇1

遥感图像是通过亮度值或像素值的高低差异及空间变化而表示不同地物的差异, 如不同类型的植被、土壤、岩石及水体等, 这是我们区分不同影像地物的物理依据。遥感图像分类就是利用计算机对遥感图像中各类地物的光谱信息和空间信息进行分析, 选择特征, 并用一定手段将特征空间划分为互不重叠的子空间, 然后将图像中的各个像素划归到各子空间。遥感图像分类特征是反映地物光谱信息和空间信息, 并可用于遥感图像分类处理的变量, 如多波段图像的每个波段都可作为特征, 多波段图像的各种处理结果也以作为分类的特征空间构成一个特征向量。

1.遥感图像分类原理简介

遥感图像分类的理论依据是:遥感图像中的同类地物在相同的条件下 (纹理、地形、光照及植被覆盖等) , 应具有相同或相似的光谱信息特征和空间信息特征, 从而表现出同类地物的某种内在相似性, 即同类地物像素的特征向量将集群在同一特征空间区域; 而不同的地物其光谱信息和空间信息特征不同, 将集群在不同的特征空间区域。由于地物的成分、性质、分布情况的复杂性和成像条件, 以及一个像素或瞬时视场里往往有两种或多种地物的情况, 即混合像素, 使得同类地物的特征向量不尽相同, 而且使得不同地物类型的特征向量之间的差别不都是截然相反的。

遥感图像分类方法可分为非监督分类和监督分类。非监督分类是在没有先验类别知识的情况下, 根据图像本身的统计特征及自然点群的分布情况划分地物类别的分类处理, 它并不需要具体地物的已知知识, 可更好地获取目标数据内在的分布规律, 主要方法有:K均值分类 (K-means) 、ISODATA方法。

监督分类是一种常用的精度较高的统计判决分类, 它是在已知类别的训练场地上提取各类训练样本, 通过选择特征变量、确定判别函数或判别规则, 把图像中的各个像元划归到各个给定类的分类方法。其主要步骤包括:选择特征波段;选择训练区;选择或构造训练分类器;对分类精度进行评价。主要方法有:平行六面体分类 (Parallelepiped) 、最小距离分类 (Minimum Distance) 、马氏距离分类 (Mahalanobis Distance) 、最大似然分类 (Maximum Likelihood) 、人工神经网络分类法等。

2.案例分析

本文以呼和浩特市地区7个波段组成的TM影像为原始数据, 以波段5、4、3模拟真彩色RGB合成, 选取凉城县岱海区域做分类实验, 以确定该区域土地覆盖应采取的分类方法。

2.1遥感影像的目视解译。

在利用ENVI进行监督分类之前, 首先在ArcGIS中进行遥感影像的矢量化操作, 利用目视解译画出各类地物的边界, 并统计其面积, 以此评定各种分类方法的分类精度。

2.2遥感图像的平行六面体法、最小距离法、马氏距离法、最大似然法分类。

采用ENVI软件监督分类模块进行平行六面体法、最小距离法、马氏距离法、最大似然法分类, 分类时训练区相同, 以比较不同分类方法的精度。分类后对原始分类图像进行聚类、过滤、去除后处理工作, 并采用总体分类精度、Kappa系数 (结果略) 评定分类精度, 发现最大似然法分类精度最高。图1~图4为四种方法原始与后处理分类图像。

2.3遥感图像的人工神经网络分类。

2.3.1在ENVI主菜单中 选择Classification→Supervised→Neural Net Classification, 弹出Classification Input File对话框, 选择分类影像shilianghua.tif。点击“OK”打开Neural Net Parame- ters对话框, 如图5所示。

2.3.2参数设置 :Select Classes from Regions:单击Select All Items按钮, 选择全部的训练样本。

Activation:选择活化函数。备选函数为对数 (Logistic) 和双曲线 (Hyperbolic) 函数, 此处选择对数函数;Training Threshold Contribution:输入训练贡献阈值 (0~1) 。该参数决定了与活化节点级别相关的内部权重的贡献量, 它用于调节节点内部权重的变化, 训练算法交互式地调整节点间的权重和节点阈值, 从而使输出层和响应误差达到最小。将该参数设置为0, 不会调整节点的内部权重, 适当调整节点的内部权重可以生成一幅较好的分类图像, 但是如果设置的权重太大, 对分类结果就会产生不良影响, 此值需多次试验选择;Training Rate:设置权重调节速度 (0~1) 。参数值越大则训练速度越快, 但也增加摆动或者使训练结果不收敛;Training Momentum: 输入一个0~1的值。该值大于0时, 在“Training Rate”文本框中键入较大值不会引起摆动, 该值越大, 训练的步幅越大, 该参数的作用是促使权重沿当前方向改变;Training RMS Exit Criteria: 指定RMS误差为何值时训练应该停止。RMS误差值在训练过程中将显示在图表中, 如图6所示。当该值小于输入值时, 即使没有达到迭代次数, 训练也会停止, 然后开始分类;Number of Hidden Layers:所用隐藏层的数量。要进行线性分类, 键入值为0 (没有隐藏层) , 不同的输入区域必须与一个单独的超平面线性分离。要进行非线性分类, 输入值应该大于或等于1, 当输入的区域并非线性分离或需要两个超平面才能区分类别时, 必须拥有至少一个隐藏层才能解决这个问题, 两个隐藏层用于区分输入空间, 空间中的不同要素不临近也不相连;Number of Training Iterations:输入用于训练的迭代次数。这里选默认值1000;Min Output Activation Threshold:输入一个最小输出活化阈值。如果被分类像元的活化值小于该阈值, 在输出的分类中, 该像元将被归入未分类 (unclassified) 中。

2.3.3输入文件输出路径 , 单击“OK”执行分类 , 分类结果如图7所示。

2.4五种遥感图像分类方法比较。

将目视解译、平行六面体、最小距离、马氏距离、最大似然及神经网络分类法统计的面积进行对比, 结果如图8所示。

将五种分类结果与目视解译的结果求差, 可看出神经网络分类结果与目视解译结果最为接近。差值图如图9所示。神经网络分类精度比最大似然法高, 且高于其他三种分类方法。

3.结语

如何提高遥感影像的分类精度, 一直是关注的热点。本文通过对五种监督分类方法的对比分析, 发现人工神经网络土地利用分类与实际情况最接近, 分类精度最高。最大似然法次之, 两者分类精度皆高于平行六面体、最小距离法、马氏距离法分类方法。

人工神经网络与传统分类方法相比, 有其明显优点。

一方面, 神经网络方法没有对数据分布特征的任何假设前提。它不考虑数据是正态分布或是不连续分布, 可以在特征空间上形成任意边界的决策面, 并在每次迭代过程中动态调节决策区域, 显示统计方法强大的稳定性和优越性。神经网络的监督分类和标准的统计监督分类非常相似。主要区别在于 训练和分类在实现的细节上。神经网络的训练过程和最大似然法计算均值和方差类似。所不同的是, 最大似然法的均值和方差只计算一次, 而神经网络法采用迭代算法, 直到计算结果和实际结果的差异满足要求。

另一方面, 神经网络方法是非线性的, 同传统分类方法相比较, 它可以处理复杂的数据集, 识别精细的模式, 且能利用多源数据, 将潜在的信息提取出来。

当然, 目前每种方法都有分类的局限性, 没有哪一种是绝对最好的。因此必须针对具体问题, 灵活应用, 综合应用多种分类方法, 将来必有更新的理论与方法提高遥感影像分类精度。

遥感图像恢复方法研究论文 篇2

1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。答：监督分类：

1、最大似然法；

2、平行多面体分类法:这种方法比较简单，计算速度比较快。主要问题是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；

3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。

非监督分类：

1、ISODATA；

2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。

基于张量秩校正的图像恢复方法 篇3

关键词：图像恢复；张量奇异值分解；张量秩校正；张量近似点算法

中图分类号：TP751 文献标识码：A

文章编号：1674-2974（2016）10-0148-07

Abstract：Tensor-based restoration of medical images and video images was studied with limited samples. On the basis of the theory of tensor singular value decomposition （t-SVD）， a tensor rank-correction model （CRTNN） was proposed to correct the tensor nuclear norm minimization model （TNN）. A two-stage rank correction method is given as follows： the first stage is used to generate a pre-estimator by solving the TNN model， and the second stage is to solve the CRTNN model to generate a high-accuracy recovery by the pre-estimator. A tensor proximal point algorithm was proposed to solve the CRTNN model and the TNN model， making it possible to calculate tensor directly in the real field. The convergence of the algorithm was proved in theory. Numerical experiments of medical images and video images verify the efficiency of the proposed model and method. The experiment results show that tensor rank-correction model and method can achieve higher-accuracy recovery.

Key words：image restoration；t-SVD； tensor rank-correction model； tensor proximal point algorithm

随着电子技术和成像技术的发展，从医学图像到遥感图像，从导弹精确制导，到人脸识别及指纹识别再到具有视觉功能的智能机器人，人类活动的方方面面都会产生或涉及到大量的高维图像.高维图像已经成为一种重要的多媒体形式，广泛存在于人们的日常生活中.图像在形成，传输和记录的过程中受多种因素的影响，图像的质量会有所下降，典型表现为色彩模糊和有噪声干扰等.这一降质的过程被称为图像的退化.图像恢复的目的就是尽可能地恢复退化了的高维图像的本来面目.

传统的图像处理方法是基于向量和矩阵的表示形式，往往破坏了这些数据的原始空间结构，在分析过程中不能够很好地刻画这些数据的本质和充分挖掘其内部特性.张量作为向量和矩阵表示的高阶推广，能够更好地表达高阶数据复杂的本质结构，已被广泛应用于计算机视觉与图像、人脸识别、医学图像和统计信号处理等研究领域中[1-6].

高维图像数据往往具有低维属性，张量完备化问题就是利用张量数据的低秩结构，是一种在有限样本或测量数据下最小化张量的秩的优化问题.最小化张量的秩是NP难问题，通常的处理方法有：1）将张量转化成矩阵，然后求解矩阵完备化问题[7]；2）用特殊的张量分解方法来分解张量，如CANDECOMP/PARA-FAC（CP）分解，Tucker分解等方法.

由于矩阵的核范数是矩阵秩的紧的凸逼近，因此对矩阵完备化问题的求解一般是将其转化为矩阵核范数最小化问题求解.对矩阵核范数最小化问题的求解有近似点算法（PPA）[8]，交替方向方法（ADM），加速近似梯度方法（APG）[9].虽然低秩矩阵完备化问题得到很好发展，但张量完备化问题研究还很不完善.不同于矩阵秩只有一种定义，张量秩有多种定义.传统上主要有两种张量秩的定义，CP秩和Tucker秩，它们分别是基于CP分解和 Tucker分解的.将张量展开成矩阵，利用展开矩阵性质近似逼近张量的秩，是常用的处理方法.例如：Gandy[2]等用各片分别展开矩阵的核范数的和作为张量秩的近似逼近；Liu[5]等进一步将各片分别展开矩阵的核范数通过加权来近似张量的秩，并提出了HaLTRC算法求解该松弛模型（TSN）.然而这两种逼近方法并不是张量秩函数的最紧的凸逼近[7].

Kilmer等[10]基于快速傅里叶变换可以将块循环矩阵对角化的思想，提出了张量奇异值分解（T-SVD）方法，使得张量可以在傅里叶变换下实现快速分解.基于T-SVD， Semerci等[6]提出张量核范数概念，对于3阶张量，利用张量核范数近似逼近张量的秩，建立了张量核范数最小化模型（TNN），构建了交替方向方法（ADMM）求解该模型，并应用于多线性数据的图像压缩和恢复，通过对比，TNN逼近比TSN逼近效果更好.但是该文没有给出ADMM方法的收敛性结果，文中的ADMM算法一部分在实数域上计算，一部分在复数域上计算.与以往模型不一样，TNN模型的目标变量是定义在复数域即傅里叶域内的矩阵，约束变量是定义在实数域的.因此，根据这个问题的特点，设计更加有效的具有收敛性的优化算法，是亟需解决的一个问题.另外，文献[11]指出，矩阵核范数在某些情况下不是矩阵秩的最紧凸逼近，如对角元素被高度样本化，则矩阵核范数最小化模型求解低秩恢复问题的能力就会高度弱化，而矩阵核范数是张量核范数（TNN）的二阶形式.本文针对以上两个问题开展研究，主要贡献有两个：一是提出了张量秩校正模型（CRTNN）和两阶段张量秩校正方法，二是构建了张量近似点算法，用于求解CRTNN模型和TNN模型，从理论上证明了该算法的收敛性.仿真实验验证了本文所提出模型和方法的有效性.结果显示，在医学图像以及视频图像的恢复问题中，张量秩校正方法能够取得更高的恢复精度.

图1为医学图像和视频图像原始图像.图2，图3分别为医学图像和视频图像在样本率为20%（即有效信息只有20%）的情况时用TSN模型，TNN模型，CRTNN模型视觉恢复效果对比，从图2，图3的PSNR值对比和视觉恢复效果对比中，可以发现本文提出的CRTNN模型能得到更好的恢复效果.

图4分别为医学图像和视频图像在TSN模型，TNN模型，CRTNN模型下对不同样本率得到的相对误差曲线对比.从中可以明显看出：本文提出的张量秩校正方法对不同的样本率得到的恢复图像的相对误差曲线都是最低的，表明本文提出的CRTNN模型能够取得更高精度的恢复效果.

5 结 论

针对高维图像恢复问题，本文提出了张量秩校正模型和两阶段张量秩校正方法，并提出了求解张量秩校正模型的张量近似点算法，从理论上分析了该算法的收敛性.仿真结果验证了本文所提出模型和方法的有效性，结果表明，张量秩校正方法模型能够取得更高的恢复精度.能否将该模型和算法推广到四阶及以上的图像恢复问题？这个问题值得进一步研究.

参考文献

[1] ELY G， AERON S， MILLER E L. Exploiting structural complexity for robust and rapid hyper spectral imaging [C]//Proceedings of IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）， 2013：2193-2197.

[2] GANDY S， RECHT B， YAMADA I. Tensor completion and low-n-rank tensor recovery via convex optimization [J]. Inverse Problems， 2011， 27（2）： 025010.

[3] HAO N H， KILMER M E， BRAMAN K， et al. Facial recognition with tensor-tensor decompositions [J]. SIAM Journal on Imaging Sciences， 2013， 6（1）： 437-463.

[4] KILMER M， BRAMAN K， HAO N，et al. Third-order tensors as operators on matrices： A theoretical and computational framework with applications in imaging [J]. SIAM Journal on Matrix Analysis and Applications， 2013， 34（1）：148-172.

[5] LIU J， MUSIALSKI P， WONKA P， et al. Tensor completion for estimating missing values in visual data [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2013， 35（1）： 208-220.

[6] SEMERCI O， HAO N， KILMER M E，et al. Tensor-based formulation and nuclear norm regularization for multienergy computed tomography [J]. IEEE Transaction on Image Processing， 2014， 23（4）： 1678-1693.

[7] MU C， HUANG B， WRIGHT J，et al. Square deal： Lower bounds and improved relaxations for tensor recovery [C]//Proceedings of the 31st International Conference on Machine Learning （ICML-14）， 2014， 32（1）： 73-81.

[8] HE B S， YUAN X M， ZHANG W X.A customized proximal point algorithm for convex minimization with linear constraints [J]. Computational Optimization and Applications， 2013， 56（3）： 559-572.

[9] TOH K C， YUN S. An accelerated proximal gradient algorithm for nuclear norm regularized least squares problems [J]. Pacific Journal of Optimization， 2010， 6（3）： 615-640.

[10]KILMER M E， MARTIN C D. Factorization strategies for third-order tensors[J]. Linear Algebra and its Applications， 2011， 435（3）：641-658.

[11]MIAO W， PAN S， SUN D. A rank-corrected procedure for matrix completion with fixed basis coefficients [J]. Math. Programming，2016，159（1）：289-338.

[12]ZHANG Z， ELY G， AERON S，et al. Novel methods for multilinear data completion and de-noising based on tensor-SVD [C]// In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， 2014， 3842-3849.

基于复杂网络的遥感图像检测研究 篇4

近年来, 青岛附近海域在每年的6月到8月份频繁爆发赤潮灾害, 赤潮是一种草绿色藻体, 管状膜质, 丛生, 主枝明显, 分枝细长, 高可达1米, 基部以固着器附着在岩石上, 生长在中潮带滩涂, 石砾上严重影响了沿海渔业和旅游业的发展, 浒苔的爆发主要是由于全球气候变化、水体富营养化等原因。

本文基于复杂网络理论提出一种新的使用社团发现的办法在遥感图像中的赤潮检测和识别方法。

1 国内外研究现状

复杂网络能够表达许多真实世界复杂系统的自然结构, 近年来, 许多不同的科学领域产生兴趣关注这些网络的统计特征的研究[1]。尽管许多计算机视觉的论题可以用复杂网络技术建模, 但这仍然是有待探索的领域, 这方面的参考文献很少。涉及复杂网络的研究可以定义为图论和统计机制之间的交集, 这赋予该领域真正的多学科性质。关于复杂网络理论的第一次研究可以再文献Flory[1]、Rapoport[5]以及Erdos和Renyi[6]中看到。

复杂网络变得如此流行的主要原因之一是它实际表示任何自然结构的灵活性、一般性, 包括那些拓扑性质动态变化的。事实上, 每个离散的结构例如列表、树、网络和图像都可以恰当的被表示为一个图。考虑到这些, 各种研究如何把一个问题用复杂网络来描述, 接着分析它的拓扑性质及特征提取。一些应用用这些描述符来区别不同的类别, 因而产生了许多图像识别的技术。

文献中许多文章将真实结构描述为复杂网络, 在文献[1]中, 复杂网络被用来做文本建模, 实验结果显示, 网络参数和文本质量之间有很强的相关性。

在文献[5]中, 纹理特征问题用复杂网络表示, 节点表示像素点, 像素点之间的相似性映射为节点之间的连接。可以看到, 不同类型的纹理变现出不同的节点度分布。传统的网络连通性量度被使用为了得到特征向量, 特征向量可以用来纹理描述和分类。

本文的思想与上述相关的文章类似, 集中于纹理模式识别。由于人类交流的重要性, 在未来几年, 图像描述和分析以及复杂网络提供了一个有希望 (有挑战) 的研究机遇。

2 基于模块度的社团发现算法

基于模块度优化的社团发现算法, 也就是优化模块度Q值的一部分算法。Q值是由Newman在2004年的论文“Fast Algorithm for Dectecting Community Structure in Networks”中提出的 (也就是FN算法) 。通过优化Q值来提高模块度是这类算法的主要思路, 在此基础上, 本文又划分了三个类别: (1) 采用聚合思想, 也就是分层聚类中的自底向上的作法。典型算法有Newman快速算法 (FN算法) 、CNM算法 (Finding Local Community Structure in Networks) 和MSG-MV算法 (Multistep Greedy Algorithm Identifies Community Structure in RealWorld and Computer-Generated Networks) 等。 (2) 采用分裂思想, 也就是分层聚类中自顶向下的方法。代表当然就是Newman的GN算法, 但是GN的复杂度实在是高了些, 所以Newman之后提出的一种谱方法 (Modularity and Community Structure in Networks) 。 (3) 直接寻优法, 这类算法的两个代表EO算法 (Community Detection in Complex Networks Using External optimization) 和整数规划方法, 但是一些基于遗传算法和蚁群的智能划分方法也属于此类。但是在2007年的论文“Resolution Limit in Community”中认为基于Q值的优化方法无法处理粒度小于一定程度的网络, 虽然后续跟进了一些优化的算法, 但是此类方法在处理真实网络时还是很难反映真实的社团结构。

3 本文复杂网络模型的建立

本文中将选定的遥感图像的每个像素点p (B1, B2, B3) (其中B1, B2, B3分别代表遥感图像中像素点p对应的三个波段值) 抽象为一个节点i, 节点i和j之间连边是否连边取决于一个本文定义的相似度, 这个相似度就是根据像素点之间不同的波段值B1, B2, B3来计算任意两个像素点之间的欧式距离, 即

由此构建相似度矩阵

用这个dij来作为阈值衡量节点i和j是否连边, 如果dij小于等于所选阈值那么就在节点i和j进行连边, 否则就没有连边, 这样就将一幅遥感图像转化为了一个无权无向的复杂网络模型G (V, E) 。其中V就是像素点即节点的集合, E就是节点之间连边的集合。

设定不同的阈值就会得到不同的复杂网络模型, 那么得到的社团结构也就不同, 那么如何选取阈值成了一个将一幅遥感图像转化成一个复杂网络模型的关键问题。

4 提出阈值选取的两种方法

4.1 反复测算法

对选定区域的遥感图像计算dij得到一个取值范围[dmin, dmax], 在这个区间内从dmin到dmax以步长为1选取阈值, 即阈值可选为为dmin, dmin+1, dmin+2, …, dmax, 不同的阈值对应不同的复杂网络模型, 然后针对这些复杂网络进行社团划分, 本文所采用的社团划分方法是Newman的针对大规模网络的基于模块度的CNM算法。

在这里本文提出两个指标来作为衡量阈值选取的好坏的标准, 设集合A为匹配到的赤潮节点集合, 集合B为社团划分检测到的赤潮节点集合, 集合C为实际的赤潮节点集合, rate为覆盖率, 即匹配到的赤潮节点个数与社团划分检测到的赤潮节点个数之间的比值,

P为精确度, 即实际的赤潮节点个数与社团划分检测到的赤潮节点个数之间的比值,

当覆盖率最高精确度也最高的情况下对应的阈值就是用来做社团划分最好的阈值选择。

实验结果:本文选取了一块区域的遥感图像 (图1) 为例, 图像中包含1862个像素点, 针对本图像用第2部分中提到的复杂网络建模的方法建立复杂网络模型, 计算节点之间的相似度的取值区间在[1, 60], 采用CNM算法对每一个复杂网络模型进行社团划分, 得到如表1的结果

由表1可以看出, 在阈值选取过小的情况下, 网络连边过于稀疏, 网络中存在多个连通片, 所以划分出的社团个数较多, 只有在阈值取到[5, 59]的时候可比较符合实际情况的划分出两个社团。

计算不同阈值情况下的覆盖率rate和精确度p, 得到结果如图2 (覆盖率) 图3 (精确度) :

由图2和图3可以看出, 在阈值的取值范围内, 覆盖率都在93%以上, 而精确度却在阈值取37的时候达到最大值65%, 因此可以通过计算不同阈值情况下的覆盖率和精确度来确定阈值在选37的时候最好, 也就是在阈值为37的时候进行社团划分得到的结果最接近实际情况, 如下图4:

4.2 抽样计算阈值法

在遥感图像中选取一定数量的海洋图像的像素点S (B1i, B2i, B3i) 和赤潮像素点C (B1j, B2j, B3j) 来计算一个平均阈值:

根据第2部分中的相似度矩阵, 取值小于等于阈值的保留, 大于阈值的取为0, 建立复杂网络模型, 然后利用Newman的针对大规模网络的基于模块度的CNM算法进行社团划分。

实验结果如图5。

5 结论

赤潮灾害是近年来在黄海及渤海海域爆发的影响较大的海洋灾害, 利用遥感图像, 对赤潮灾害进行监测和治理是非常有必要的, 本文提出一种新的利用复杂网络社团发现的方法, 对遥感图像进行处理, 以此检测出遥感图像中可能为赤潮的区域, 为赤潮灾害的监测和治理提供有力的依据。

本文所采用的是Newman的针对大规模网络的基于模块度的CNM算法, 然后提出了两种确定阈值的方法: (1) 反复测算法, (2) 抽样计算法;在反复测算法中提出了两个衡量社团划分好坏的指标: (1) 覆盖率, (2) 精确度, 以此作为确定阈值的指标。最后得出了一种可以再遥感图像中利用复杂网络的方法, 检测出图像中有用信息的可行方法。

摘要：本文提出一种新的利用复杂网络理论处理遥感图像的方法 , 对遥感图像进行复杂网络建模, 然后对复杂网络模型划分社团, 本文所采用的是Newman的针对大规模网络的基于模块度的CNM算法, 然后提出了两种确定阈值的方法: (1) 反复测算法, (2) 抽样计算法;在反复测算法中提出了两个衡量社团划分好坏的指标: (1) 覆盖率, (2) 精确度, 以此作为确定阈值的指标, 最后得出了一种可以再遥感图像中利用复杂网络的方法, 检测出图像中有用信息的可行方法。

关键词：赤潮,遥感图像,复杂网络,社团发现

参考文献

[1]Yueguo Zhang, Lili Dong, A Complex Network-Based Approach for Interest Point Detection in Images[J], 2012.

[2]邵峰晶, 孙仁诚, 李淑静.多子网复合复杂网络及其运算研究[J].复杂系统与复杂科学.

[3]邵峰晶.多子网复合复杂网络[C]//第13届海峡两岸资讯技术研讨会.2012.

[4]隋毅.多子网复合复杂网络模型及其相关性质的研究[J].青岛大学, 2012.

[5]Yueguo Zhang, Lili Dong, Jianhua Li.A complex network-based approach to estimating the number of people in video surveillance[J].2013.

[6]Rozniza Ali, Bo Jiang, Mustafa Man, Amir Hussain.Classification of Fish Ectoparasite Genus Gyrodactylus SEM Images Using ASM and Complex Network Model[J].2014.

[7]汤亚波, 刘晓军, 徐守时.一种遥感图像海上船舶多级自适应聚类分割方法[J].计算机应用, 2005, 9.

数字遥感图像清晰度评价研究 篇5

随着数字遥感成像技术的快速发展, 各应用领域对图像质量的要求也在不断提高, 图像清晰度逐步成为判定图像质量水平的重要指标[1]。然而, 当前图像清晰度客观评价方法还不够成熟, 开展通用的图像清晰度客观评价方法研究, 实现大规模数字图像的快速评判, 对处理和应用遥感图像具有十分重要的意义。

图像清晰度的评价方法通常可以分为两类:一是相对清晰度评价, 即对不同模糊程度的同一图像, 评价其清晰程度, 主要反映图像随模糊程度逐渐变化表现出的单调性和一致性等特征;二是绝对清晰度评价, 即能够对不同模糊程度的各种图像内容进行评价, 主要反映与图像内容无关的图像清晰程度判定结果。

近年来, 有代表性的图像清晰度评价方法有边缘检测法、频谱函数法、熵函数法等[2,3,4]。这些方法主要在一定程度上反映图像相对清晰度评价结果, 难以实现图像绝对清晰度评价。本文在对现有方法分析研究基础上, 结合遥感图像的特点, 提出一种基于边缘对比度的评价方法, 能够较好地实现对不同遥感图像内容的清晰度评价。

1 当前图像清晰度评价的常用方法

数字图像的评价过程可以表述为将图像转化为代表明暗程度的数字矩阵, 运用各种图像清晰度评价函数, 经计算分析实现清晰度量化评价。目前大多数图像清晰度评价测量方法是进行图像边缘检测、频谱分析或者整体信息熵的计算, 与之相对应的结果是, 图像细节越丰富, 对比度越高, 图像越清晰。

1.1 边缘检测法

根据边缘检测原理, 准确聚焦的成像系统图像清晰, 有较锐利的边缘[5];系统离焦时, 高频分量减小, 图像边缘相对平滑。边缘检测法可根据图像特征选择不同算子, 通过计算和分析图像灰度梯度来评价图像的清晰度:

式中:Sx和Sy是由各种边缘检测算子 (如Sobel或Prewitt算子) 得到的x和y方向上的图像灰度梯度[6]:

式中:fx和fy是x和y方向上的灰度差。

1.2 频谱函数法

根据图像频谱分析原理, 聚焦图像具有清晰的轮廓, 包含的高频分量多[7]。频谱函数通过统计图像的高频分量, 达到评价图像清晰度的目的。这种方法可以基于傅里叶变换、拉普拉斯变换或者小波变换, 其中小波变换函数可以将图像高频和低频信息分离, 更便于对图像进行分析和评价。因此, 基于小波变换的高通滤波器目前被更多地研究应用于图像清晰度评价。该方法首先应用小波函数获得图像的高频信息:

式中:f (x, y) 为图像坐标x和y处像素灰度值;*表示卷积运算;H0表示高通滤波器。

进而, 对整幅图像的高频信息的能量进行累加即得到最终的评价结果:

1.3 熵函数法

由于聚焦的清晰图像和离焦的模糊图像之间信息含量不同, 通过对数字图像的信息熵进行计算, 便可用于图像清晰度评价。

式中:E (f) 表示图像能量;J (f) 表示图像熵。根据香农信息理论, 熵越大信息量越大, 即当E (f) 一定时, J (f) 越大, 则图像越清晰。

上述评价方法虽然能够在一定条件下表达图像清晰度, 但还分别存在一些不足, 如边缘检测法抗噪声能力较差, 熵函数法灵敏度不高, 频谱函数法计算量很大等。通过分析比较, 本文选择在边缘检测法的基础上, 融合图像对比度分析方法, 开展了基于边缘对比度的图像清晰度评价方法研究。

2 基于边缘对比度评价方法

2.1 图像边缘特征

图像边缘是指图像局部特性的不连续性, 如灰度级的突变、纹理结构的突变等。边缘广泛存在于目标与目标、物体与背景、区域与区域之间, 它是图像分割处理所依赖的重要特征。数字图像的边缘通常表现为灰度的阶跃不连续, 即图像灰度突然从一个值变化到另一个值, 在实际图像中阶跃边缘图像是较少见的, 由于空间分辨率、图像传感器、系统聚焦程度等原因, 会使不同模糊程度阶跃边缘变成斜坡边缘, 即它们的灰度变化不是瞬间的, 而是跨跃一定的距离。

为表示不同模糊程度的图像边缘特性, 可以利用下式求出灰度梯度[8]:

式中:f (x, y) 为图像坐标x和y处像素灰度值。对图像边缘的法向梯度值进行统计, 即可用于对比反映图像的清晰程度。

2.2 确定边缘位置和法线方向

将图像按照式 (8) 进行梯度计算, 进而以1×3的窗口按水平和竖直方向, 分别在梯度值确立的区域中移动, 对窗口内的梯度求和, 每个像素点计算两个方向的值, 扫描一遍后, 即可得到具有最大梯度的边缘位置W (x, y) 和边缘法线方向:

2.3 边缘对比度评价过程

对于图像边缘来说, 像素间对比度越高, 清晰度越高[9]。因此, 在确定图像边缘的基础上, 进行对比度量化分析, 即可确定图像的清晰度:

式中:d (x, y) 为选定区域的对比度;max[fΔ (x, y) ]和min[fΔ (x, y) ]分别为该区域内像素的灰度最大值和最小值[10]。

依据确定的图像边缘相关信息, 在W (x, y) 位置沿图像边缘法线方向各左右各取10个点, 共21个点, 灰度值分别为fi, i=-10, -9, …, 10。以1×3的窗口沿边缘法线方向移动, 计算窗口内像素对比度di, i=-9, -8, …, 9。进而将各对比度值由大到小排序, 提取最大对比度值dmax, 并对排在前面的3个对比度取平均值μ。通过获取dmax和μ这两个参数反映图像边缘达到的最高对比度特征。

基于远距离遥感成像目标能量传递损失明显, 图像的灰度差相对较小, 以及人对图像的主观视觉分辨与对比度的关系, 把dmax的阈值定为0.15, μ的阈值定为0.1。当dmax>0.15, 并且μ>0.1, 则认为图像视觉上感觉轮廓清晰, 满足清晰度要求。

3 实验数据

选取由清晰到模糊的两组不同目标遥感图像, 如图1所示, 分别按本文方法对各图像进行清晰度评价计算, 结果见表1。

根据图1与表1的数据对照分析, 评价计算所得结果与人的视觉对图像清晰度是相符的, 图1中A1的评价值最大且超过了设定的阈值, 从相对清晰度而言最清晰, 并达到了期望的清晰度要求。其他图像中, 只有图1中B1基本达到设定的清晰度要求, 其余图像均不满足要求。通过对取得的图像清晰度量化结果对比分析, 能够为及时调整成像设备的聚焦精度或进行图像清晰化处理提供有益的参考。

4 结论

本文提出的基于边缘对比度遥感图像清晰度评价方法, 具有单调性、一致性等特点, 既能够对相同遥感图像内容不同模糊程度进行对比评价, 也能在一定程度上对不同遥感图像内容清晰程度进行客观评价, 能够准确、高效判断大规模数字图像的质量, 对促进成像设备的发展及提升图像处理水平, 获取满足要求的高清图像, 具有重要的应用价值。

参考文献

[1]陈亮, 李卫军, 谌琛, 等.数字图像清晰度评价函数的通用评价能力研究[J].计算机工程与应用, 2013, 49 (14) :152-155.

[2]崔作龙, 徐长松.图像清晰度的量化测量探究[J].实验技术与管理, 2012, 29 (5) :49-51.

[3]李峰, 陈志刚, 储金宇, 等.图像清晰度检测方法[J].计算机工程与设计, 2006, 27 (9) :1545-1547.

[4]徐贵力, 刘小霞, 田裕鹏, 等.一种图像清晰度评价方法[J].红外与激光工程, 2009, 38 (1) :180-184.

[5]王欣, 安志勇, 杨瑞宁, 等.基于图像清晰度评价函数的CCD摄像机自动调焦技术研究[J].长春理工大学学报, 2008, 31 (1) :11-14.

[6]张亚涛, 吉书鹏, 王强锋, 等.基于区域对比度的图像清晰度评价算法[J].应用光学, 2012, 33 (2) :293-299.

[7]刘昶, 王玲.基于小波的离焦模糊图像清晰度判定[J].计算机应用与软件, 2008, 25 (7) :239-240.

[8]范媛媛, 沈湘衡, 桑英军, 等.基于对比度敏感度的无参考图像清晰度评价[J].光学精密工程, 2011, 19 (10) :2485-2493.

[9]倪军, 袁家虎, 吴钦章, 等.基于边缘特征的光学图像清晰度判定[J].中国激光, 2009, 36 (1) :172-176.

遥感图像恢复方法研究论文 篇6

如何应用遥感技术对辽阔的草原进行有效的分类, 在很短的时间内就能得出草资源的利用和变化情况, 这是相关草原专家们一直努力的方向。但是在遥感信息获取手段已经取得巨大进步的今天, 遥感技术的核心难点仍然是遥感影像解译技术。政府和相关部门将利用解译的结果采取相应的措施对草资源进行合理的利用, 但是, 传统的解译方法和技术在一定程度上存在着缺限, 这就需要研究人员在现有技术的基础上进一步地深入探讨好的方法和技术, 为政府和业界提供信息平台。

1 常规解译方法概述

1.1 目视解译

目视解译就是根据作业人员的经验和知识, 即根据样本的图像特征和空间特征 ( 形状、大小、阴影、纹理、图型、位置和布局) , 与多种非遥感信息资料相结合, 按照应用目的运用生物地学等相关规律, 采用对照分析的方法, 进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理, 从而识别图像上的目标, 并定性定量的提取目标的形态、构造功能、性质等信息的技术过程。因此, 目视解译需要解译人员具备图像解译方面的背景知识。这就是专业知识, 地理区域知识和遥感系统知识。而且需要有实地调查的经验, 通过实地考察来判断解译的结果是否准确[1]。目前, 目视解译是遥感图像解译最基本的解译方法, 也是最常用的方法。

目视解译分类方法的应用主要是通过遥感图像与各种辅助资料 (地形图、专题图、各种气象水文资料等) 的结合, 进行人工判读之后, 手工编绘各种专题图。早期的遥感应用主要是采取这种方法。现在随着计算机技术和遥感图像处理技术的发展而形成了人机交互目视解译方法, 它通过计算机对遥感图像进行各种增强缩放和变换后, 判读人员根据建立的解译标志, 直接用鼠标沿图像特征边缘准确的勾绘出地类界限, 从而达到地物分类。陈宁强等运用遥感处理软件, 对人机交互式土地资源遥感解译的条件过程及主要特点做了探索性研究;张松岭、杨邦杰等人提出了基于GIS的耕地遥感监测人机交互式图像解译系统;中国科学院遥感所在长期科技攻关的基础上制成了遥感图像人机交互判读系统, 可较好地满足区域规划、管理和决策以及遥感农情速报、遥感专题制图等多方面的需要, 在高新技术产业化方面具有广阔的发展应用前景和显著的社会经济效益。

1.2 计算机分类

计算机分类是计算机支持下的智能化识别技术, 是计算机软件通过分析和计算地物光谱辐射的相似程度, 将相似的图斑进行归类, 以达到区分遥感图像中多种地物的目的。计算机分类方法包括非监督分类和监督分类。

1.2.1 非监督分类

非监督分类也称为聚类分析或点群分析。即在图像中搜寻, 定义其自然相似光谱集群组的过程, 它不必对图像地物获取先验知识, 仅依靠图像上不同类地物光谱 (或纹理) 信息进行特征提取, 再统计特征的差别来达到分类的目的, 最后对已分出的各个类别的实际属性进行确认。所谓非监督, 是指人们事先对分类过程不施加任何的先验知识, 而仅凭遥感图像地物的光谱特征的分布规律, 随其自然地进行盲目的分类;其分类的结果, 只是对不同类别达到了区分, 但在联机过程中并不确定类别的属性;其类属是通过事后对各类光谱响应曲线进行分析, 以及与实地调查数据相比较后确定的[2,3]。

非监督分类不需要更多的先验知识, 方法简单, 且具有一定的精度。但是传统的非监督分类算法存在着分类精度较低, 分类结果比较粗糙等缺点。例如Kmeans算法、isodata算法等。严格说来, 分类效果的好坏需要经过实际调查来检验。当光谱特征类能够和唯一的地物类型相对应时, 非监督分类可取得较好的效果。但是, 在实际工作中, 地物类型对应的光谱特征类差异很小时, 非监督的效果就不如监督的效果好。特别由于同谱异质、同质异谱以及混合像元等现象的存在, 非监督的结果不如监督的令人满意。因此, 非监督适用于图像中的类已知且特别规则和做大概的分类。

1.2.2 监督分类

监督分类又称训练分类法, 即用被确认类别的样本像元去识别其它未知类别像元的过程, 它就是在分类之前通过目视判读和野外调查, 对遥感图像上某些样区中图像地物的类别属性有了先验知识, 作业人员按照由应用目的制订的分类系统;对每一种类别选取一定数量的训练样本, 计算机计算每种训练样区的统计或其它信息, 同时用这些种子类别对判决函数进行训练, 使其符合于对各种子类别分类的要求, 随后用训练好的判决函数去对其它待分数据进行分类。使每个位像元和训练样本作比较, 按不同的规则将其划分到和其最相似的样本类, 以此完成对整个图像的分类。

与非监督分类相比, 训练场地的选择是监督分类的关键, 训练场地要求有代表性, 训练样本的选择要考虑到地物光谱特征, 样本数目要能满足分类的要求, 判别函数有效。与非监督分类相比, 监督分类有一定的优势, 但也往往造成较多的错分、漏分情况, 使分类精度不高。

2 常规解译方法存在的问题

2.1 目视解译方法的局限性

目视解译法一直是草原图像解译工作最常用的方法, 但还存在一些问题。解译者的知识和经验在识别判读中起主要作用, 难以实现对海量空间信息的定量化分析, 费事费力, 工作效率低;主观因素作用大, 容易产生误判;目视解译劳动强度大, 人很易疲劳。在疲劳时进行图像解译, 精度往往会下降, 表现为解译勾绘的图斑细度达不到制图要求;在目视解译时, 很难综合较多的因素。所以, 容易出现片面解译的情况;对于人机交互式解译, 尽管它是对遥感原始数据的计算机处理, 速度快, 数据处理方式灵活多样, 但是它的整个处理过程多是以人机交互式进行的, 各种处理往往离不开人工判读或人的经验与知识的介入[4,5]。

2.2 计算机分类的缺点

2.2.1 监督分类

(1) 分类系统的确定、训练样本的选择, 均人为主观因素较强, 分析者定义的类别也许并不是图像中存在的自然类别, 导致多维数据空间中各类别间并非独一无二, 而是有重叠;分析者所选择的训练样本也可能并不代表图像中的真实情形; (2) 由于图像中同一类别的光谱差异, 如同一森林类, 由于森林密度、年龄、阴影等的差异, 其森林类的内部方差大, 造成训练样本并没有很好的代表性; (3) 训练样本的选取和评估需花费较多的人力、时间; (4) 只能识别训练样本中所定义的类别, 若某类别由于训练者不知道或者其数量太少未被定义, 则监督分类不能识别。

2.2.2 非监督分类

(1) 它产生的光谱集群组并不一定对应于分析者想要的类别, 因此分析者面临着如何将它们和想要的类别相匹配的问题实际上很少有一对一的对应关系。 (2) 分析者很难对产生的类别进行控制。因此其产生的类别也许并不能让分析者满意。 (3) 图像中各类别的光谱特征会随时间、地形等变化, 不同图像之间以及不同时段的图像之间的光谱集群组无法保持其连续性, 从而使其不同图像之间的对比变得困难。

2.3 遥感图像不共享

目前草原遥感图像一般都掌握在少数单位、少数人手里, 这对研究此方面的科学工作者以及学生造成了很大的不便, 也极大地阻碍了信息和数据的共享。因此, 随着现代信息技术的发展以及我国要求在越来越多的领域达到信息共享, 这就迫切要求建立有关草原遥感图像的共享平台。

基于常规的图像解译方法, 在实际的遥感图像解译工作中, 人们常常要参考一幅或多幅基础图来进行解译, 比如参考地形图、土地利用图、前人制作的草地类型图等等, 来协助判读和解译, 这样有利于提高解译的效率和准确度。但是, 在实际应用中参考和对照另外一幅图时, 存在一个突出的不方便之处, 即遥感图像的色调、纹理和图斑不易与基础图对应, 通常是把两幅图 (基础图和图像) 摆在计算机屏幕的左右两边来对照和参考, 或者一幅放在工作台上, 另一幅显示在计算机上, 对比和参照时非常麻烦, 给解译工作带来很大的不便, 且解译的效率不高。尤其是当遥感图像和基础图的比例尺及投影不同时, 要把两个图的不同点或区域很好地对应起来有很大的困难。在目视解译或计算机监督分类时, 都存在这样的问题。

3 结论

尽管目视解译方法中存在许多缺陷, 当前, 由于计算机自动识别的精度不够高, 目视判读仍然是草原遥感应用中一种不可缺少而又行之有效的方法。近年来, 随着遥感技术和计算机技术的不断发展, 专家系统、神经网络、模糊技术和数学形态等一些原来实现困难的新方法也在遥感图像分类中发挥作用, 虽然这些新方法比传统的方法在分类精度上有明显提高, 可也存在一定的不足。为了进一步提高分类精度, 综合利用各种信息进行遥感图像分类势在必行。

在常规方法存在的问题下, 试想应用地理信息系统的原理, 利用现代信息技术和软件技术, 将经过假彩色合成或单波段的遥感影像, 按地理坐标、投影、分辨率, 与基础图件 (如草地类型图、地形图) 完全在空间上叠加, 并显示在计算机屏幕上。这样一来, 两个图层上的每一个点、每一个图斑、每一个区域都会完全一一对应。解译人员通过控制上层影像的透明度, 可以同时看到两个图层在空间上的叠合情况, 很容易进行两个图层间图斑的对比和分析。经过把遥感影像的色斑与基础图的图斑 (斑块) 作对比和参照分析, 可方便、高效地进行目视解译, 可较准确地得出解译结果。同时, 叠加后的遥感影像可以用来验证基础图件的准确性。例如:河流的形状、湖泊的轮廓等。

影像解译工作是遥感监测工作中的一项重要工作, 多年来研究人员在影像和基础图对比分析工作中花费了很多的时间和精力。该项研究所提出的方法从理论上将充分应用现代网络技术、地理信息系统原理、软件技术, 改进现有方法的局限之处;在实践上要突破常规方法, 将遥感技术和地理信息系统技术有机地融合, 可为遥感解译工作带来极大的方便, 不仅大大地提高解译效率和精度, 同时也可为广大解译工作者提供信息共享平台, 便于推进和实现遥感影像的共享使用。

此外, 如果该项研究成功, 不仅可以应用到农业遥感应用研究, 甚至可以推广应用到其它学科领域的遥感应用研究。因此, 该项研究具有重要的理论意义和现实意义, 对实现我国的“数字农业”也具有实际意义。

摘要：草地类型的分布及变化是草原工作者很重要的研究内容, 对于较大面积的草地, 应用卫星遥感技术监测和划分草地资源的类型是当今草原学科发展的一个重要方向。应用遥感技术进行草地分类常用的方法有2种:目视解译法和计算机自动分类。简述了草原遥感影像常规解译方法及其存在的问题。并基于常规方法存在的不足, 试提出研究一种辅助草原遥感影像解译的半透明叠加法。

关键词：草原,解译,遥感

参考文献

[1]赵英时.遥感应用分析原理与方法[M].北京:科学出版社, 2003.

[2]傅肃性.遥感专题分析与地学图谱[M].北京:科学出版社, 2002.

[3]孙家柄.遥感原理与应用[M].武汉:武汉大学出版社, 2002.

[4]Li Jing.The Dynamic Monitoring of Grassland Resourcesand Grazing Ecosystem by Remote Sensing and GIS[D].Beijing:Beijing University, 1996.

[5]李博.中国北方草地畜牧业动态监测研究[M].北京:中国农业科技出版社, 1993.

遥感图像恢复方法研究论文 篇7

关键词：地震灾区,地质安全,环境恢复,遥感影像,作用

地震是指地壳在快速释放能量的过程中造成振动，产生地震波的一种自然现象，多是由板块之间的相互挤压碰撞造成的。地震不仅会造成严重的经济损失和大量的人员伤亡，还会对土地资源以及区域范围内的生态环境产生显著影响，因此，在地震灾区，做好生态环境的恢复工作，在预防次生灾害的同时，为灾后重建奠定良好的基础，是非常重要的。

1 地震灾区地质安全遥感影像特征识别

只要是记录各种地物电磁波大小的影像都可以称为遥感影像，而相对于遥感技术，遥感影像主要是指航空拍摄以及卫星相片。在我国，有超过60%的国土位于地震烈度6度以上的地区，一旦发生地震，带来的损失是难以估量的。同时，地震对于灾区土地资源的影响是极其巨大的，结合典型的遥感影像特征识别，可以将其分为四个不同的方面，一是导致地形地貌的变化以及地表植被的破坏，如山体滑坡、断面崩塌、地面开裂、塌陷等；二是导致区域内建筑的损坏和倒塌，通信线路中断，供水、供电、供气系统瘫痪，甚至可能引发毒气泄漏、环境污染和火灾等次生灾害；三是交通线路中断，地震对于道路的影响包括路面开裂、错位、塌陷，桥梁倾斜、倒塌，隧道堵塞等；四是影响水利工程的稳定和安全，造成大坝的倒塌，引发水灾，进而带来更加严重的损失[1]。

2 基于遥感影像的地震灾区环境恢复及灾后规划

2.1 环境影响评估

2.1.1 地貌和植被

地震不仅会导致震源深处的地层构造变动，还会引发局部地形地貌的改变，如山体滑坡、地面塌陷等。如果地震发生在平原地区，会造成道路的中断，桥梁的扭曲变形甚至坍塌，而如果地震发生在山区，会引发一系列的次生灾害，如山体滑坡、泥石流等，进而导致河道堵塞、村镇掩埋等问题，带来严重的经济损失和人员伤亡。同时，地震引发的地表变动还会造成植被的严重破坏，影响区域内的自然生态环境，其可能造成的影响是难以估量的。

2.1.2 建筑破坏

虽然当前多数建筑在设计施工时都考虑到了防震问题，也设置了一系列的减震抗震措施，但是如果地震的强度超出了设防烈度，则同样会导致建筑的破坏。以2008年的汶川地震为例，过于强烈的地震使得建筑中的抗震措施变得形同虚设，灾区内几乎超过90%的建筑开裂和倒塌，导致人员被掩埋，电力线路、燃气线路等破坏，引发火灾等次生灾害，同时化工厂和医院中的化学物质泄漏，加剧了人畜的死伤，而为了应对这些问题而投放的杀毒剂则带来了相应的环境污染和生态破坏[2]。

2.1.3 交通阻断

地震对于交通运输设施的破坏几乎是毁灭性的，路面的崩塌、桥梁的断裂、码头的损毁和机场的破坏，全面阻断了交通，使得外界的救援无法及时到达灾区，严重影响了救灾进度。同样以汶川地震为例，其本身特殊的地理位置加上地震造成的交通阻断，使得救援工作几乎无法展开，甚至只能冒着危险徒步进入，一些专业救生设备和救援物资无法进入，进一步加剧了地震造成的伤亡。

2.2 灾后环境恢复

基于遥感影像技术，结合GIS、GIS和RS的“3S技术”，能够实现对于地震灾区的遥感观测，通过对比地震发生前后灾区的变化，了解受灾情况，从而为抢险救灾工作和灾后环境恢复提供了良好的数据支撑。在对救援方案进行确定时，应该结合遥感影像得到的信息，分析灾区当前的交通运输能力，判断道路的破坏情况，从而选择最佳的救援路线以及救援设备，确保救援工作的快速有效展开；根据建筑物的损坏情况以及损坏范围，可以大致计算出受灾人数以及伤亡情况，对救援所需的各种设备、药品以及物资等进行预备，避免出现物资短缺影响救援的问题；根据通信设施以及其他基础设施的受损情况，可以确定一些必需的临时性应急保障措施，如供电、供水等，保障灾区民众的正常生活，为后续救援工作奠定良好的基础；另外，根据河道的堵塞情况以及水工建筑的破坏情况，可以指定紧急的疏导方案和应急抢修方案，避免出现洪涝灾害，加剧受灾情况[3]。

在地震灾区的环境恢复和重建过程中，应用遥感影像技术，可以对灾区在地震发生前后的土地资源地质特性进行判读，分析其生态环境承载力，从而确保土地资源规划的合理性和科学性。

3 结语

总而言之，地震灾害是难以准确预报的，因此想要减轻地震灾害，只能通过强化抗震措施和提升救灾效率。在地震灾区救援工作以及后续的环境恢复与重建过程中，应用遥感影像技术，能够提供准确可靠的数据信息，确保各项工作的顺利展开，做到科学合理的规划与生态环境恢复。

参考文献

[1]薛东剑,张东辉,何政伟,张雪峰.多源遥感影像融合技术在地质灾害调查中的应用[J].遥感技术与应用,2011,26(5):664-669.

[2]李雯,黎恒明,陈翼飞.遥感影像在地震灾区地质安全与环境恢复中的作用[J].资源节约与环保,2015,(5):179.

遥感图像恢复方法研究论文 篇8

因为不同区域的路况差别较大,降雨局部的不均匀分布也容易形成较大的差异,造成降水模型很难根据不同区域的差异进行动态调整,这就给传统的降水信号的准确传递带来了难度,从而降低了不同区域的积水深度测控结构的准确性。

为了避免上述缺陷,提出了一种基于最小二乘法的道路积水深度报警测量方法。在海量遥感图像中,利用最大熵方法提取与道路积水相关的遥感图像,为道路积水深度报警测量提供基础数据。利用最小二乘法,进行道路积水深度报警测量[4]。实验结果表明,这种算法能够避免由于不同区域路况差别较大造成的不同区域的积水深度测控结构不准的缺陷,提高了大范围降雨中道路积水深度报警测量的准确性。

1 道路积水深度报警测量原理

1.1 道路积水深度报警测量相关理论

在大范围降雨中,对道路积水深度进行报警测量,需要提取不同区域的道路信号,建立积水深度测控模型,从而实现大范围降雨中道路积水深度报警测量[5,6]。其步骤如下所述:

设置采集的道路信号是aj,道路宽度是B,信号采集点的空间位置是(xj,yj),不同区域的路况差异系数是χ,那么利用式(1)能够建立道路积水深度测控模型。

根据式(1),能够建立道路积水深度测控模型,从而得到在(xj,yj)处的道路积水深度。利用下述公式,能够计算道路积水深度报警测量残差系数:

1.2 传统算法的弊端

由于不同区域的路况差别较大,降雨局部的不均匀分布也容易形成较大的差异,造成降水模型很难根据不同区域的差异进行动态调整,这就给传统的降水信号的准确传递带来了难度,从而降低了不同区域的积水深度测控结构的准确性。根据公式(1)能够得知,不同区域的路况差异系数增大将造成计算得到的道路积水深度增大,根据公式(2)能够得知,道路积水深度增大,将造成道路积水深度报警测量残差系数增大,结果失准。

2 道路积水深度报警测量方法

道路积水深度报警测量方法,是交通领域需要研究的核心问题。利用传统算法进行道路积水深度报警测量,无法避免由于不同区域路况差别较大造成的不同区域的积水深度测控结构不准的缺陷,导致道路积水深度报警测量的准确性降低。因此,提出了一种基于最小二乘法的道路积水深度报警测量方法。

2.1 道路积水遥感图像提取

利用最大熵方法,能够在采集的遥感图像中,提取出道路积水区域的图像,将其作为道路积水深度报警测量的基础数据。采集的道路积水区域遥感图像如图1所示。

道路积水遥感图像的灰度值介于0至255之间,利用式(3)能够计算遥感图像中的像素分布系数。

设置遥感图像中道路积水区域的初始阈值是U=U0,利用式(4)能够计算背景区域像素的熵均值。

利用式(5)能够计算道路积水区域的像素的熵均值:

利用式(6)能够计算道路积水区域的像素灰度均值和方差取值:

利用式(7)能够分别计算背景区域的灰度分布密度和道路积水区域的灰度分布密度:

利用式(8)通过运算能够获取类内方差和类间方差的取值。

设置理想阈值是U=U',利用式(9)能够提取道路积水区域遥感图像。

根据上面阐述的方法,能够利用最大熵方法,提取道路积水区域遥感图像,提取各种信号为道路积水深度报警测量提供基础数据。

2.2 道路积水深度报警测量

在大范围降雨区域中,道路积水区域的空间位置能够用(xj,yj)(j=1,2,…,n)进行描述,该降雨空间能够用η=span{γ1,γ2,…,γn}进行描述,利用下述公式能够计算积水深度测量误差平方差:

在式(10)中:

上述最小二乘法,在道路积水区域,深度报警测量的点是(xj,yj)(j=1,2,…,n),该区域几何中心点的空间坐标是Q0(x0,y0),指定点的积水深度是s,利用下述公式能够描述道路积水区域深度报警测量位置与几何中心点之间的距离。

因为式(11)中包含根号,求解过程比较复杂,因此需要对其进行简化处理,从而能够得到式(12)。

在式(11)、式(12)中,(x,y)∈{(xj,yj)|j=1,2,…,n},因此,能够得到式(13)。

因此,能够利用式(14)对道路积水深度进行报警测量。

根据式(14)能够得到大范围降雨中道路积水指定点(xj,yj)处的深度s,设置道路积水深度测量警戒阈值是s1,强降雨警戒阈值是s2,则利用下述公式能够判别是否需要报警:

根据上面阐述的方法能够得知,可以在海量遥感图像中,利用最大熵方法提取与道路积水相关的图像,为道路积水深度报警测量提供基础数据。利用最小二乘法,进行道路积水深度报警测量。

3 实验结果分析

因为不同区域的路况差别较大,降雨局部的不均匀分布也容易形成较大的差异,造成降水模型很难根据不同区域的差异进行动态调整,这就给传统的降水信号的准确传递带来了难度,从而降低了不同区域的积水深度测控结构的准确性。

为此,提出了一种基于最小二乘法的道路积水深度报警测量方法。在海量遥感图像中,利用最大熵方法提取与道路积水相关的图像,为道路积水深度报警测量提供基础数据。利用最小二乘法,进行道路积水深度报警测量。实验结果表明,这种算法能够避免由于不同区域路况差别较大造成的不同区域积水深度测控结构不准的缺陷,提高了道路积水深度报警测量的准确性。

为了验证本文算法的有效性,需要进行一次实验。分别利用不同方法进行道路积水深度报警测量。实验过程中使用的样本数据如表1所示。

利用支持向量机算法进行大范围降雨中道路积水深度报警测量,得到的结果如图2所示。

利用遥感图像差值算法进行大范围降雨中道路积水深度报警测量,得到的结果如图3所示。

利用积水深度测控模型进行大范围降雨中道路积水深度报警测量,得到的结果如图4所示。

利用最小二乘法进行大范围降雨中道路积水深度报警测量,得到的结果如图5所示。

在上述四幅图像中,横轴是道路积水区域面积,纵轴是道路积水深度报警测量残差系数。根据上述四个图像能够得知,利用最小二乘法进行道路积水深度报警测量,能够避免由于不同区域路况差别较大造成的不同区域积水深度测控结构不准的缺陷,提高了道路积水深度报警测量的准确性。对实验过程中的相关数据进行整理分析,能够得到表2。

根据表2能够得知,利用最小二乘法进行道路积水深度报警测量,获取的结果准确性最高。

4 结束语

本文提出了一种基于最小二乘法的道路积水深度报警测量方法。在海量遥感图像中,利用最大熵方法提取与道路积水相关的图像,为道路积水深度报警测量提供基础数据。利用最小二乘法,进行道路积水深度报警测量。实验结果表明,这种算法提高了道路积水深度报警测量的准确性。

摘要：研究大范围降雨中道路积水深度的准确测量问题。由于不同区域的路况差别较大,降雨局部的不均匀分布也容易形成较大的差异,造成降水模型很难根据不同区域的差异进行动态调整,这就给传统的降水信号的准确传递带来了难度。造成不同区域的积水深度测控结构不准。为此,提出了一种基于最小二乘法的道路积水深度报警测量方法。在海量遥感图像中,利用最大熵方法提取与道路积水相关的图像,为道路积水深度报警测量提供基础数据。利用最小二乘法,进行道路积水深度报警测量。实验结果表明,这种算法提高了大范围降雨中道路积水深度报警测量的准确性。

关键词：道路积水深度,最大熵,报警测量

参考文献

[1]夏召强,冯晓毅,彭进业.基于边缘与深度特征的感兴趣区域检测技术.计算机仿真,2009;7:248—251

[2]周亦鹏.基于双目视觉的深度图立体匹配算法研究改进.计算机测量与控制,2008;9:53—56

[3]王培强.超声探伤样块沟槽深度的测量和不确定度评定.中国计量,2012;4:86—92

[4]熊斓晖,王元庆.共轴立体视觉深度测量.现代电子技术,2012;6:45—48

[5]唐为刚.深度探讨城市建筑规划竣工测量实施方法.科技资讯,2011;2:28—31

遥感图像恢复方法研究论文 篇9

关键词：可见光图像,舰船目标检测,检测特征,Contrast box滤波,目标验证

1 引言

在可见光遥感成像过程中,不同的海面波浪状况对光照的反射能力不同,同时受天气条件、太阳照射角度及成像传感器曝光控制的影响,使可见光遥感图像的亮度、对比度等信息存在很大变化,表现出以下特点:1)海面背景具有不稳定性:海面背景平均亮度存在起伏,其高频信息在幅度上受海浪、航迹的影响变化很大。2)舰船目标灰度表现不确定:受光照、舰船表面涂层的影响,可见光舰船目标在亮度上可能高于或低于海面背景亮度,分别称为舰船的白极性表现和黑极性表现。目前,国内外舰船目标检测研究大都集中于SAR、IR数据[1,2],针对宽覆盖可见光遥感图像的舰船目标检测算法相对较少。文献[3]通过对窗口图像直方图进行分解和曲线拟合,判断窗口内是否存在舰船目标以及目标的黑、白极性,但该方法在检测过程中只利用了目标的灰度统计特性,没有考虑目标的空间结构信息,并且直方图形状与图像内容的联系也不具有确定性。文献[4]基于灰度形态学对比度方法在海面背景比较平稳的情况下表现很好,但对于海面有浪、尾迹的情况和舰船的黑极性问题并不能够处理。针对上述问题,本文提出了一种新的可见光遥感图像舰船目标检测方法:利用窗口灰度标准差作为目标检测特征,消除海面背景亮度变化的影响,并且使目标与背景保持了很好的可区分性;在图像二维检测特征平面上通过Contrast box滤波检测获取疑似目标位置信息,同时利用了背景特征的统计特性和目标的空间结构信息。实验表明,该方法能有效抑制海面亮度变化和背景杂波的影响,对不同极性的舰船目标均能获得满意的检测结果。

2 Contrast box滤波

Contrast box滤波算法最早应用于红外图像中的陆上车辆检测,其改进算法后来被用于SAR图像中的舰船目标检测[5]。Contrast box定义一个目标窗口和一个背景窗口,分别表示为T和B,如图1。

算法在目标窗口T中计算图像的灰度均值µT,在对应的背景窗口B中计算灰度均值µB和灰度标准差δB。利用窗口B灰度统计特征µB、δB的组合公式确定局部自适应阈值。常用检测准则为

K为常数,用来控制检测虚警率,通常K取1.25能够以概率满足检测要求[6],满足上述准则认为是疑似目标点。窗口B、T组合按准则(1)在图像中滑动滤波完成疑似目标点检测,图像中多个相邻的疑似目标点组成一个疑似目标区域。

Contrast box滤波方法基于高斯分布假设对背景数据进行统计,利用了图像中目标灰度与背景灰度的局部统计相关性,能够适应背景杂波的变化。但是,准则(1)假定图像中目标灰度值一定高于背景灰度,这对于SAR图像舰船目标是成立的,然而在可见光图像中,舰船目标存在黑、白极性问题,海面背景亮度变化较大并且受海浪、航迹等因素干扰,简单用Contrast box滤波进行舰船检测会造成很大的漏警和虚警。

3 基于标准差特征平面Contrast box滤波的舰船目标检测方法

在计算机视觉中,物体识别系统一般包括四个部分:特征检测器、假设生成、假设验证和模型库[7]。其中特征检测器负责选择有效的物体检测特征;假设生成根据检测特征为每一个疑似物体分配置信概率,最后结合先验物体模型对疑似物体集合进行假设验证。本文提出的可见光遥感图像舰船目标检测算法按照这种划分方式可分为检测特征平面建立、Contrast box滤波舰船检测、舰船先验特征模型、疑似舰船目标验证四个组成部分,算法流程如图2所示。

3.1 检测特征平面建立

可见光图像中表现为黑、白两种极性的舰船目标在灰度上相对于海面背景呈非对称分布,其中黑极性舰船与背景灰度相对接近。在海面背景亮度变化的情况下,直接利用灰度作为检测特征不能对目标与背景进行有效区分。可见光图像中海面灰度近似呈高斯分布,灰度分布范围很窄,表现为较小的灰度方差。有目标存在的局部区域灰度存在跃变,分布范围变大,产生较大的局部灰度方差,如图3(b)所示。

通过对大量舰船图像实验分析得出,灰度标准差能很好的描述这种灰度上的统计变化,可以作为检测特征将舰船目标与海面背景区分开。灰度图像上的一个局部区域用它的灰度标准差来描述,整个灰度图像用一个由标准差特征点组成的二维平面来表征。灰度图像X(i,j)的二维标准差特征平面D(m,n)的创建可以通过滑动窗口统计的方式完成,计算方法如下:

其中:W代表特征统计窗口,S为滑动步长。利用标准差代替灰度作为检测特征,特征平面上的变化与海面背景平均亮度无关,在保留目标相对于背景灰度变化信息的同时消除背景亮度变化影响。舰船目标检测问题可转化为在标准差特征平面D(m,n)上寻找局部极大值区域问题。图3(a)、(c)分别为一局部区域舰船图像及其标准差特征平面,可以看出目标在特征平面上具有很好的可区分性。

3.2 Contrast box滤波舰船检测

可见光遥感图像的辐照范围很广,不同的区域,海面波浪复杂状况不同,反映在标准差特征平面上不同区域的起伏程度不同。因此检测特征平面上的不同局部区域需要不同的目标检测阈值,若在特征平面上用全局阈值分割获取疑似目标点,许多局部相对明显的变化会被湮没在全局统计过程中,造成漏警。同样,分类器方法中克服数据不平衡性的预处理过程也会带来信息的丢失。

本文通过Contrast box滤波比较局部范围内前景与背景特征数据的相对统计变化,自适应确定局部目标检测阈值,实现疑似舰船目标在特征平面上的定位。Contrast box滤波基于背景特征数据统计的检测准则能够很好的克服平面上由杂波引起的噪声点的干扰。由于舰船在图像中的姿态、方向任意,目标窗口T与背景窗口B均选为正方形。窗口T的设置与感兴趣舰船在一定分辨率图像中的统计大小相关。为保证背景窗口覆盖足够充分的背景特征数据,取窗口B为窗口T面积的4~16倍。特征平面中滤波得到的疑似目标点设为1,其余为0。每一个疑似目标点代表舰船空间结构的一部分,连通的疑似目标点组成一个疑似目标区域,如图4(a)中白色区域所示。每一个疑似目标区域在空间上与灰度图像上一个目标区域相对应,实现目标在灰度图像中的定位。空间结构信息的利用能够更准确地定位舰船目标、提取特征去除虚警。

3.3 舰船先验特征模型

舰船模型是抽象的特征描述矢量,结合先验数据的训练结果来去除疑似目标集合中的虚假目标。根据特征优选原则,所选目标特征量应有很好的可区分性,计算量小且具有位移、旋转不变性。

根据舰船外形上的规定性,可以选取舰船长度l、长宽比r和面积a作为特征量;由于舰船几何上近似表现为简单凸多边形,可选用紧致度c、矩形度f两个区域形状描述特征。区域紧致度c的定义如下:

其中lborder代表目标区域的边界长度。紧致度c与目标区域的边界复杂性相关;矩形度f定义为目标区域面积与目标区域的最小外接矩形面积的比值;利用这两个特征可有效去除海浪和云边界处产生的形状不规则的虚警。组合上述目标特征量构造一个5维的目标特征矢量V(l,r,a,c,f)对舰船目标进行表达。

3.4 疑似舰船目标验证

进一步对检测到的疑似舰船目标集合进行验证,将特征平面上的疑似目标位置信息映射到灰度图像,在灰度图像上提取特征去除虚警。首先,在检测特征平面上计算每个疑似目标区域的最小面积外接矩形Ri(p 1,p2,p3,p4),pk为矩形四个顶点,如图4(a)中矩形所示。然后,将iR顶点按照空间对应关系映射回灰度图像,完成图像中目标定位并通过图像旋转获取疑似目标灰度子图,如图4(b);对子图分割获取疑似目标区域,如图4(c);针对目标区域提取验证特征矢量Vi(l,r,a,c,f)。最后结合舰船先验特征模型,用决策树算法对疑似目标集合分类,去除云、海浪等引起的虚假目标,输出最终检测结果。

4 实验结果及分析

检测模型中参数的设置及优化对目标检测具有重要的意义,本文以SPOT-5卫星2.5 m分辨率遥感图像为数据进行实验,分析特征统计窗口W、目标窗口T、背景窗口B的设置对目标检测的影响。随机选取200个不同海面背景下的舰船目标,所选图像海域面积累计超过350 km2。其中,白极性舰船数目为123,暗极性舰船数目为77,有49个目标航行中带有尾迹,图像中舰船大小变化从16 pixels×7 pixels到122 pixels×15pixels。实验中窗口W、T步长各取为窗口长度的一半,同时保持窗口B与T的大小相关性,用长度比B/T表达。

首先设定模型中窗口B与T的长度比B/T=2(数据量比值为4),当参数W∈{6,8,10,12,14,16},T∈{2,4,6,8}时,实验目标检测率PD与虚警率PFA如表1中数据所示。

由表1数据可以看到:模型中W的变化对目标检测率的影响较大,检测率随W的增大先逐渐升高,在12、14时相对稳定,然后缓慢降低;在W设置相同的情况下,检测率受T的变化影响不明显,当T为4、6时检测效果相对较好。下面进一步考察参数B/T的变化对舰船检测效果的影响,根据对表1数据的分析结果,选取W∈{12,14},T取值范围同上,当B/T∈{2,3,4}时目标检测结果如表2中数据所示。

由表2数据看出:T变化,长度比B/T=2时,检测效果相对优于其他设置;并且W取14时检测效果好于12。综上,当模型参数W=14,T=6,B/T=2时,在虚警率相等的前提下目标检测效果最好:检测率99.5%,虚警率5%。下面是以此参数设置为检测模型,结合本文算法步骤给出的一个完整实例。

图5(a)是一幅SPOT-5可见光遥感图像,大小为1 275 pixels×635 pixels。图中海面存在均匀波浪,海面亮度较高,有舰船3艘,其中2艘表现为白极性,1艘为黑极性,均带有清晰可辨的尾迹。利用本文算法模型创建的二维检测特征平面如图5(b)所示,平面中存在3处明显的局部极大区域,中间幅值较小的尖峰区域与图5(a)中黑极性舰船相对应,由于船身亮度与海面接近而在标准差平面中的起伏相对较小,但在其局部区域范围内却很显著。受舰船尾迹的影响,特征平面中左侧局部范围内起伏较大。

图6为通过Contrast box滤波并结合目标空间结构信息在灰度图像上疑似舰船目标定位和虚警去除后的结果(圆圈标示疑似目标定位结果,矩形标示最终检测结果)。两处由尾迹引起的虚假目标区域在目标验证过程中被成功剔除,最终3艘舰船都被正确检测,没有产生虚警。

文献[4]形态学对比度检测方法首先利用灰度形态学滤波对图像进行平滑,然后对背景进行消解,在消解后图像上进行目标检测。图7是用文献[4]方法进行舰船检测的局部结果图像,对应图5(a)中左上黑、白极性两舰船区域,图中白色像素为检测到的目标点。可以看到该方法没能消除图像中海浪的影响,留下大片的海浪斑点。舰船目标的结构信息在消解过程中存在丢失,黑极性舰船由于与背景相对接近而受到消解,在检测过程中很难与残留的海浪斑点区分开,在检测过程产生漏警。

图8(a)为另一幅大小为1 150 pixels×750 pixels的可见光卫星图像。图中海面存在轻微波浪,有舰船5艘,均呈现黑极性特点,但部分目标中船身局部表面灰度高于海面背景灰度。在模型参数设置相同的情况下,目标检测结果如图8(b)。结果显示,本文方法对于船身表面灰度存在变化的目标仍能实现准确的定位。

5 结论

针对可见光遥感图像,本文提出了一种基于标准差特征平面Contrast box滤波的舰船目标检测方法。在检测过程中充分利用了目标的灰度统计特性和目标的空间结构信息,相对于其他检测算法,能够很好的处理可见光遥感图像中舰船的黑、白极性问题并且不受海面背景亮度变化的影响。实验证明,本文算法目标检测准确率高并具有较强的鲁棒性。在中高分辨率可将光图像中,舰船目标具有更加精细的特征表现,对检测到的舰船进行自动类型识别是下一步研究的重点。

参考文献

[1]种劲松,朱敏慧.SAR图像舰船及尾迹检测研究综述[J].电子学报,2003,31(9):1356-1360.CHONG Jin-song,ZHU Min-hui.Survey of the Study on Ship and Wake Detection in SAR Imagery[J].Acta Electronica Sinica,2003,31(9):1356-1360.

[2]温佩芝,史泽林,于海斌,等.基于小波变换的海面背景红外小目标检测方法[J].光电工程,2004,31(4):38-41.WEN Pei-zhi,SHI Ze-lin,YU Hai-bin,et al.Wavelet transform-based detection method for small IR target in sea background[J].Opto-Electronic Engineering,2004,31(4):38-41.

[3]储昭亮,王庆华,陈海林,等.基于极小误差阈值分割的舰船自动检测方法[J].计算机工程,2007,33(11):239-242CHU Zhao-liang,WANG Qing-hua,CHEN Hai-lin,et al.Ship Auto Detection Method Based on Minimum Error Threshold Segmentation[J].Computer Engineering,2007,33(11):239-242.

[4]肖利平,曹炬,高晓颖.复杂海地背景下的舰船目标检测[J].光电工程,2007,34(6):6-10.XIAO Li-ping,CAO Ju,GAO Xiao-ying.Detection for ship in complicated background of sea and land[J].Opto-Electronic Engineering,2007,34(6):6-10.

[5]David Casasent,Wei su,Deepak Turaga.SAR Ship Detection Using New Conditional Contrast box Filter[C]//SPIE Conference on Algorithm for Synthetic Aperture Radar Imagery.Orlando,Florida,1999:274-284.

[6]Knut Eldhuset.An Automatic Ship and Ship Wake Detection System for Spaceborne SAR Images in Coastal Regions[J].IEEE Transactions on Geoscience and Remote sensing,1996,34(4):1010-1019.