SAR图像处理方法及研究应用前景

1、SAR图像处理方法与研究应用前景SAR图像几何校正2概述2SAR图像的几何特征2SAR 图像几何纠正方法3SAR图像斑点噪声3概述3斑点模型4去除斑点噪声算法比较5相干斑抑制技术的性能评估7SAR图像分类技术7雷达图像分类概述7SAR图像分类传统技术7SAR图像分类新方法8采用新信息、新特征8应用新理论10SAR图像分割11图像分割说明11图像分割方法12SAR图像特征信息提取13特征提取说明13特征提取方法13SAR图像中目标的识别14目标识别说明14目标识别方法14SAR图像融合15图像融合概述15SAR图像融合方法15SAR图像恢复16图像恢复说明16图像恢复方法17SAR图像解译17S

2、AR图像处理存在的问题17图像处理现存的问题17微波遥感有待进一步研究的问题18SAR图像处理新进展19SAR图像研究的应用20引用领域20SAR图像处理研究与应用的前景20SAR图像几何校正概述雷达图像是斜距投影，原始图像的几何失真大，做定量的几何分析比较困难，因此，为了更好地利用雷达图像，必须对此进行几何校正。星载SAR图像通常分为地距产品和斜距产品。地距产品是系统中加入延时补偿装置以实现改正斜距投影，而斜距产品则没有加以改正。地距产品是系统加以延时而产生的，它没有考虑到地形的变换所引起的变形，知识对由于斜视产生的时间延迟加以改正。从某种意义上讲，它破坏了系统成像的几何关系。如果利用构想方

3、程来纠正，纠正的精度较差；如果把它当作中心投影并按多中心投影的几何关系来加以纠正，精度会高一些，这时因为地距产品影像与地形的关系接近于中心投影的几何关系。但是它没有从根本上解决由于斜视对地形变化所产生的影像变化，所有纠正精度不很理想。SAR图像的几何特征 在雷达成像中，目标的位置在方向上按雷达飞行的时序记录成像，而在距离向是按目标反射信息先后来记录成像及斜距成像，因而它有不同于一般光学影像的几何特征。透视收缩：出现在距离向是指图像依比例尺测量距离比实际距离小的特征。收缩的大小随波束入射角的变化而变化，例如山坡这样的目标，即使前、后坡的大小一样，由于透视收缩的原理，使得图像正对波束的一面较窄，而

4、背对波束的一面较宽。定点位移：雷达是距离成像，目标距天线的距离越近，成像则越靠近航迹线，因此，高出地面的物体的影像靠近航迹线，而低于地面的物体的影像原理航迹线。顶点位移的大小同物体的高度和波束的入射角有关。阴影：雷达成像是侧视的，发射的电磁波沿直线传播，因此，高的物体阻挡雷达发射的电磁波，而位于高物体之下的地物不能反射电磁波，不能成像从而形成阴影。阴影的大小跟物体的高度、雷达天线的俯角以及背坡坡角有关。叠掩：多个目标由于斜距相同，它们在影像上具有相同的位置 ，使这点的灰度值很大，这种现象叫做叠掩。SAR 图像几何纠正方法目前已经提出了一些处理方法，如：1）利用SAR的斜距信息和DEM来模拟SA

5、R成像的透视收缩，然后利用TM影像来与之相匹配，最后达到纠正的目的。2）利用DEM和后向散射函数以及卫星辅助数据记录模拟雷达影像并生成DEM地址文件，在模拟影像上给每个像素指定一个地理参考位置，然后进行匹配与重采样，以实现图像的每个像素作必要的坐标变换，生成一种以地面坐标系为标准的新图像。3）方圣辉 舒宁 潘斌在“ERS-1SAR图像的几何处理的研究”中，提供的模式是按照SAR的构象方程，利用星历参数建立的，可以达到很好的纠正精度：（1）利用影像的头文件提供的参数把地距产品转化为斜距产品；（2）利用斜距投影建立纠正数学模型。SAR图像斑点噪声概述成像雷达获得的SAR图像是地物对雷达波散射特性的

6、反映。由于成像雷达发射的是纯相干波，这种信号照射目标时，目标的随机散射信号与发射信号的干涉产生斑点噪声，并使图像的像素灰度值剧烈变化，即在均匀的目标表面，有的像素呈现亮点，有的呈暗点，模糊了图像的精细结构，使图像解译能力降低。SAR图像中的相干斑噪声与数字图像处理中所遇到的噪声有本质的不同，这是因为它们形成的物理过程有本质上的差别。SAR图像中的相干斑噪声是在雷达回波信号中产生的，是包括SAR系统在内所有基于相干原理的成像系统所固有的原理性缺点；而数字图像处理中的椒盐噪声和高斯噪声等式在对照片进行采样、量化、压缩、传输和解码等数字化过程中，以及照片本身在保存过程中的退化所引起的，是直接作用到图

7、像上的。形象地讲，一块均匀场景的SAR图像中，相邻的像素点之间的灰度会围绕着某一均值随机地起伏变化，这种现象成为相干斑现象，这种严重影响SAR图像质量的噪声称为相干斑噪声。SAR相干斑的抑制方法大致可分为三类：第一类是所谓的多视角平均处理方法，即平均几幅由同一合成孔径的不同分段形成的、不相干的SAR图像，以得到相干斑抑制的SAR图像。该方法的缺点是会使图像的空间分辨率降低，并且对斑点也不理想。第二类是空间域的处理方法，即利用图像像素间的空间相干性来对相干斑进行滤波，以抑制相干斑。空域的处理方法常见的有均值滤波器、中值滤波器、J. S. Lee的局部统计滤波器、最小均方误差滤波器、sigmoid

8、滤波器、最大后验和形态滤波器等。空域的方法一般是利用一个滑动窗口，对窗口内的像素进行加权求和以得到窗口中心点的像素灰度值的滤波方法。同样该方法也会降低空间分辨率，使图像变得模糊，但如采用自适应窗口或结合结构检测等则可以部分地减少空间分辨率的降低。第三类是多极化、多频段、多时段的处理方法，该类方法的特点是组合多种因素所包含的信息（包含各因素所含信息以及各种因素之间的联系所呈现出来的信息），综合考虑以期得到更好的相干斑抑制的处理方法。该类方法有Novak和Burl提出的极化白化滤波器(PWF)，在此基础上的导出的用于多视情况的多视加护白化滤波器(MPWF)、J. S. Lee的最优权值滤波器(We

9、ighting Filter)和适量滤波器(Vector Filter)等。斑点模型斑点模型：斑点是由于在一个分辨单元中的小的散射体间的相互干涉形成的。相干斑噪声模型：1）瑞利相干斑模型；2）多视处理相干斑模型；SAR图像斑点噪声大，如果幅度分布式高斯型的，相位分布式均匀的，则像素幅度为瑞利分布。相干的结果可能是增强型的，也可能是削弱型的，这取决于是增强型干涉还是削弱型干涉。雷达图像的质量可主要以图像分辨率来表征，图像分辨率包括空间分辨率和灰度分辨率。空间分辨率包含的方位向和距离向分辨率分别由合成孔径技术和脉冲压缩技术得以实现。图像的灰度分辨率与雷达斑点噪声的特征有密切关系。由于SAR是一种相

10、干成像系统，对分布式目标作相干处理必然产生相干斑(speckle)，它直接影响到图像的分辨率，降低了SAR对目标的探测能力和分析、解译能力。相干斑点噪声是由一个分辨单元内众多散射体的散射波迭加形成的。当图像像素间距与雷达分辨率相当时，噪声功率是非相关的。这种情况下，可以假设相干斑是以一种不相关的乘性噪声，在以后的讨论中都以此假设为前提。针对SAR图像斑点噪声的特殊性，即在小波变换域内图像和斑点噪声的奇异性不同，选取合适的门限在小波域内滤波。去除斑点噪声算法比较去除斑点噪声采用空域滤波算法，如均值滤波、中值滤波、Frost滤波、Lee滤波、Gamma MAP滤波等，同样在频域也进行滤波处理。到2

11、0世纪90年代，已有不少利用极化信息的相干斑抑制算法，代表性的算法有以下几种：1）Zebker等的权功率(span)法，就是将各个极化通道的强度图像直接进行非相干的相加，该方法可得到一定的相干斑抑制效果，并且在视觉上也有较为明显的改进。2）Lee等的最优加权(Optimal Weighting)法，该方法实际上时对span图像的推广，它对各个极化通道强度图像数据进行一定权值的线性组合，并采用最小均方误差准则来约束权值的取值，从而达到减少相干斑的目的，这两个算法的去点都是只利用了各个极化通道的幅度信息，而没有利用相位信息，因此相干斑的抑制效果有限。3）Novak等极化白化滤波(Polari me

12、tric Whitening Filter, PWF)法，Goze和Lopes的最小均方差(Minimum Mean Square Error, MMSE)法以及电子科技大学刘国庆等在PWF基础上提出的多视极化白化滤波(Multi-look Polari metric Whitening Filter, MPWF)法等。这些算法对均匀场景都有较好的效果，但尚需解决极化信息保护、纹理结构特征保护和场景自适应性三大问题。对相干斑的抑制技术大体分两类：成像前的多视平滑预处理技术和成像后的滤波技术。成像后的滤波技术又可分为：1）空间滤波技术；2）频域滤波技术。研究相干斑滤除技术的一个重要方向就是求得需

13、要的灰度分辨率的同时如何保持必要的空间分辨力，因为二者都是SAR图像分析与应用的重要因素，所以着重考虑在滤除斑噪的同时，保持图像的细节信息（纹理、边缘）。（1）刘永昌，张平，严卫东，“小波包域值法去除合成孔径雷达图像斑点噪声”，在一般方法基础上提出了小波包阈值法去除合成孔径雷达图像斑点噪声方法。屈晓荣。（2）“小波分析在SAR图像处理中的应用”提出了基于自适应加权中值滤波前处理的多尺度非线性阈值斑点噪声消除算法和利用Harr小波抑制条纹干扰的算法，取得了很有意义的研究成果。（3）Do和Vetterli提出了一种较小波变换有更好的方向选择性，对二维信号更稀疏的表示方法Contour let变换。

14、Contour let变换有效地保留了图像的几何信息，因而在图像分析应用（去噪、纹理特征提取）较小波变换有了明显的改善。但Contour let变换中的下抽样及上采样操作会产生频谱混淆，使Contour let变换不具有平移不变性。（4）针对Contour let的这些缺陷，Cunha、Zhou和Do提出了具有平移不变性的Contour let变换Non-sub-sampled Contour let变换。Non-sub-sampled Contour let变换(NSTC)由非抽样塔式分解和非抽样方向滤波器组时相，是一种具有平移不变性的多尺度、多方向图像分析方法，能有效地捕捉图像的几何信息。

15、（5）传统的SAR图像斑点噪声的抑制算法有两大类：第一类是基于空间域滤波的Lee滤波、Forest滤波、Gamma MAP滤波。这些标准的滤波器虽然算法简单且对斑点噪声有很强的抑制能力，但无法有效保持图像的边缘信息，易造成边缘的模糊化。第二类是基于小波阈值的去除噪声算法，利用了小波变换的多分辨率特性。但是，小波变换的方向选择性非常有限，且不具有平移不变形。而平移不变形对由滤波器实现的图像多尺度分解而言至关重要，平移不变形的全烧导致了伪吉布斯现象的产生，并且阈值去除噪声方法存在着对小波系数“过扼杀”的倾向，在保持边缘细节方面，效果并不理想，因此小波阈值去除噪声后的重建图像边缘容易产生吉布斯效应，

16、造成图像边缘的损失。（6）小波变换具有多分辨率分析的特点，在时域和频域中都具有表征信号局部特征的能力，是一种时域局部化分析方法，利用小波变换和多分辨率分析发展相干斑抑制新方法是一个很有意义的研究方向。（7）Victor S. Frost等人针对 合成孔径雷达图像提出了一种抑制噪声方法；Victor S. Frost, Josephine Abbott Stiles, K. S. Shanmugan, Application to Adaptive Digital Filtering of Multiplicative Noise. IEEE Trans. On Pattern Analysis

17、 and Machine Intelligence 1982（8）D. T. Kuan等人推导了抑制加性噪声和乘性噪声的滤波器。Darwin T. Kuan, Alexander A. Sawchuk, Timothy C. Strand, Pierre Chavel. Adaptive Noise Smoothing Filter for Images with Signal-Dependent Noise. IEEE Trans. On Pattern Analysis and Machine Intelligence 1985（9）Jong-Sen Lee 提出了适合加性和乘性噪声的滤波

18、器。J. S. Lee, Digital Image Enhancement and Noise Filtering by Use of Local Statistics. IEEE Trans. On Pattern Analysis and Machine Intelligence 1980（10）Armand Lopes根据SAR图像的统计分布特点，提出了MAP（最大后验概率）滤波器。（100）ML降斑、MMSE降斑、MAP降斑、CMAP降斑、模拟退火降斑、相干斑抑制技术的性能评估为了定量或定性地比较各种相干斑滤波技术，我们首先建立一套准则以便对各种滤波技术进行科学的比较。这套准则应包括

19、对相干斑的抑制能力的衡量；对均匀区域均值的保留，即要求滤波具有无偏性；对边缘锐度及细微特征的保护；对强点的保护；纹理特征的保留；对一些应用还需考虑计算效率以及实现的复杂性等。目前被广泛接受的SAR相干斑抑制指标有：（1）对均匀区域，等效视数越大滤波越好；（2）空间分辨率和辐射分辨率损失越小越好；（3）使人的视觉满意；重点考虑的准则：相干斑抑制能力、特这个点的保持性、边缘锐度的保持性、均匀区域的均值保持、相干斑抑制、点，线和边缘的保持、纹理信息的保持。SAR图像分类技术雷达图像分类概述SAR图像分类传统技术和光学图像处理一样SAR图像分类新方法雷达遥感图像分类算法朝着精确、快速的方向发展。发展新

20、的分类技术一般有3种途径：第一，利用从雷达遥感数据中提取的新信息和新特征。如从计划雷达数据中提取任一种极化状态下的后向散射系数、极化度、散射熵、同极化相位差以及从干涉雷达 中提取的相关系数等等；第二，应用新理论。如基于小波理论、分形理论的雷达遥感图像纹理信息提取和基于模糊理论的混合像元分解等等；第三，设计新算法。如何实现这一目标，途径千差万别，但一般从两个方向入手：（1）改进经典算法。由于经典算法有这样或那样的缺点，因对其进行改进是发展分类算法的有效途径，如对最大似然法进行改进；（2）构造新算法。由于经典算法的局限性，针对经典算法暴露出来的一些缺点，重新构造算法也是十分有效的。构造新算法可以完

21、全抛弃旧算法，也可以吸收旧算法的优点，抛弃其缺点，如学习矢量量化神经网络分类算法。采用新信息、新特征传统的SAR图像分类一般利用目标的后向散射强度差别来进行，后来逐渐利用图像的纹理测度信息，一般是灰度共现矩阵GCLM。随着新型城乡雷达技术的发展（极化、干涉、极化干涉），雷达获取目标新信息越来越多，因此，在SAR分类算法发展中，针对不同的分类目的，新信息、新特征的采用变得十分普遍。多波段、多极化信息采用不同微波波段图像，可以对地面上的而目标进行分类。例如不同农作物在不同波段上的变化规律不同，并且在不同的生长期，变化规律也不同，利用这一缺点，可以对农作物进行分类。同样，土壤湿度和表面粗糙度不同，在

22、不同波段上夜能体现出来。因此，采用不同波段的SAR图像进行综合分析，可以获取地面目标的更详细信息。不同极化方式对不同种类的地物及其构造有不同的反应，因此，多极化的SAR图像在对地面目标的分类上夜将提供很好的帮助。极化雷达信息极化雷达以Stokes矩阵（或散射矩阵）形式，记录了地物任意一种极化状态下的散射回波，既有振幅信息，也有相位信息，比常规单极化或多极化雷达包含了更多的地物信息（如任一极化状态下的后向散射系数、极化度、同极化率、交叉极化率、散射熵及同极化相位差等等），它将明显提高定量雷达遥感解决应用问题的能力。极化信息提取能在最大程度上讲不同地物的散射特征以量得形式表现出来，揭示地物的散射差

23、别，为土地覆盖分类、目标识别及目标参数反演提供新的技术方法。如王翠珍等利用极化雷达目标信息分解技术进行岩性分类，获得了很高的分类精度。当前，SIR-C/X-SAR系统可实现这种数据的获取，不久，Envisat和Radarsar-2也将获取多极化干涉数据的能力。因此，利用技术信息进行分类具有很好的应用前景，它将是味蕾广泛应用的数据源。研究极化雷达信息提取与特征选择方法对提高SAR图像分类精度具有重要意义。当前国际上有关此面的研究已经不少，国内由于受数据源的限制，研究极少。干涉雷达信息雷达干涉测量是雷达遥感的一个热点研究领域，数据处理的算法已发展得比较成熟，有待进一步研究完善的是相位解绕技术，以达

24、到工程化应用的要求。干涉测量获得的相干系数可作为独立的参量用于地物分类。出了两次数据获取间的时相变化，相干系数提供了基于地表特性和后向散射系数的信息。干涉测量相干性和后向散射是相对独立的量，包含了互补的专题信息，因此，SAR干涉测量被认为是地表分裂的一种很有前景的手段。极化干涉信息极化分类技术或干涉分裂技术的单独应用，既有它们独特的优势，也存在缺点，如何融合它们的长处。互补不足，这对于高精度、非监督、利用计算机自动分类雷达遥感图像，是最有前景的分类技术。因此，尝试利用技术提取信息和干涉信息进行SAR图像自动分类试验，并对其结合互补使用的可行性进行研究。具有重要意义。同物异谱、异物同谱、混合像元

25、的存在，混淆了地物目标真正的散射特征，甚至有时会出现相互矛盾的结论，因此一直是常规雷达遥感图像分类应用中的难点。新型城乡雷达技术权计划干涉雷达，能够最大限度地提取目标特征后向散射信息和地物信息以及时相信息，结合空间域纹理信息与其他特征机型分类，可以较好地解决同物异谱、异物同谱像元的解译问题，并且通过对极化雷达数据的极化分析，可对混合像元进行计划度分解，将混合像元中不同地物的散射过程分解出来。多时相信息对光学遥感而言，虽然时相信息比较难于获取，但是仍然不乏实例，而对于雷达遥感，SAR具备的全天时全天候获取信息的能力几乎可以满足任何应用的时相要求，多时相信息对于雷达遥感而言，是一种极易获得而又具有

26、重要研究意义的信息。如刘浩、邵芸等将1996年获取的4个时相的Radar sat像用于广东肇庆地区的稻田分类实验，结果表明，多时相Radar sat数据对水稻类型的识别精度较高，而且稻田的轮作规律容易推测出来。其他辅助信息与特征大量的分类实践证明：单一信息作为判据往往不能得理想的分类效果。根据遥感影像人工判读的规律，模式分类往往需要综合许多信息，比如灰度变化、纹理特征、地形信息、多源遥感信息，甚至人文地理信息。因此，综合利用各种信息进行遥感图像分类一直是摇杆应用科学家们探索的方向之一。应用新理论几年来，足多新的数学理论被用于遥感图像分类算法的发展过程中，其中，最常见的是小波理论、分形理论和模糊

27、理论。小波理论小波理论是一种全新的、当前热点研究的数学应用分支之一。它被认为是泛函分析、Fourier分析、样条分析、调和分析和数值分析最完美结合，其应用极为广泛。如何把小波理论应用于遥感数据处理时近年来遥感发展的方向之一。在遥感图像分类中，小波变换一般用来提取图像中的纹理特征，SAR图像分二维正交方向小波分解可得一系列代表不同尺度、不同方向纹理信息的图像。1）胡召玲等作了基于小波纹理信息提取的SAR遥感图像分类技术研究，取得了很好的分类效果。分形理论在图形图像学中，分形理论可以模拟自然景物。利用分形维数来描述图像的纹理特征，能在一定成都上定量地度量各类物体的粗糙度。不同纹理结构具有不同的分形

28、维数，在纹理细密处，灰度起伏较大，分维数值也较大；在纹理平滑处，灰度变换平缓、分维数值较小。1）范湘涛利用从SAR图像上提取的分维数特征进行了广东肇庆地区的水稻精细分类，发现在掺入分维数计算的产生过程作为纹理参量时，分类结果得到了大大的改善，特别是草地与道路被截然分开，水稻与道路的区别也得到增强，从检测的样区可以看出，平均分类精度从86.66%增大到96.19%。由此看来，增加分形纹理参量对土地利用分类有着明显的效果。模糊理论混合像元是分类过程中经常遇到的问题。模糊理论是解决混合像元问题的方法之一。1993年，Helence Caillol等利用模糊随机场进行统计非监督图像分割，他利用新的模糊

29、模型，把分类像元分为两部分，一部分为“硬”部，即纯像元；另一部分为“模糊”部，用来描述混合像元。应用模糊理论进行遥感图像分类的成功实践还有许多，如Du和Lee应用模糊理论进行了分类实验，并取得了良好的效果。设计新算法分层算法、改进的最大似然法、上下文分析法、人工神经网络分类法、空间分裂信息融合法；SAR图像分割图像分割说明目前SAR图像分割技术已经取得了一些研究成果，常用的方法有基于直方图的最优阈值分割算法、基于边缘检测的算法、基于纹理特征分割的算法等等。现有的SAR图像分割算法有应用数据挖掘的海冰分割算法；非监督的基于播送分布的分割算法；优化的边缘检测分割算法；最大似然区域增长分割算法和模拟

30、退火分割算法的组合算法；应用不完全分层马尔科夫随机场图像模型对SAR图像进行分割的算法等等。这些方法有的是由针对性的，有的是基于几何条件的，还有的是基于灰度信息的分割方法。图像分割方法1）纹理分割是基于特征的。描述纹理的特征很多，但目前还没有提出一种纹理特征可以描述所有纹理。经多年研究表明，寻找可以描述任何纹理、可以区分任何纹理的特征是不切实际的。实际中针对不同的应用寻找适合某类纹理的特征，由此得到满意的分割才是切实可行的。在割裂分割方法中，基于算子的特征计算较为简单，但大多方法抗噪声能力差；基于统计的特征计算量大、分割精度差，同样受到噪声的影像；分形模型使用范围较小，只在个别分辨率下有分割纹

31、理的能力，分数维门限值确定困难，分割精度差。基于随机场的模型对大尺寸、灰度级较多的图像分割计算量是很大的；多分辨率小波的纹理特征具有先天的缺点（逐点采样造成的纹理信息不全），很难得到稳定的纹理特征，并且计算量较大；结构法仅适合规则纹理。法国的Roger Fjortoft, Armand Lopes和Philippe Marthon提出了SAR图像中最佳的多边缘检测算法，它们提出针对SAR图像的边缘检测器，这种检测器在随机多边缘模型下以最小均方误差判断是最优的。2）现有二维阈值分割方法大多是在一维Otus和Kapur等阈值分割方法基础上扩展获得的；Sahoo P K等提出二维熵的分割方法，理论上

32、同意了多种基于熵的阈值分割方法。3）图像阈值分割本质上是利用阈值将图像中不同区域按照像素的灰度相似性分类，是一种区域分割的技术，因此该类方法最关心的是区域内像素间的灰度相关性，而非各区域的边缘。相对于二维直方图，阈值分割技术最关心的饿是在对角线附近的概率分布。而远离对角线附近的一方面概率几乎为零另一方面对阈值分割方法本身的贡献较小，计算时完全可以忽略。4）马尔科夫随机场(Markov Random Field, MRF)模型能够很好描述相邻像素之间的信息，该模型还可以与其他模型结合进行图像黑醋栗并且得到了不错的效果，并已经越来越多地应用于SAR图像去办、模糊聚类、图像变换等方面。5）免疫算法是

33、借鉴生命科学中免疫的概念和理论提出的一种优化算法，它继承了遗传算法的优越性，其避免了优化过程中的退化现象。空间矩阵描述了不同区域间的相邻概率。空间矩阵描述了两类之间以及异类之间在空间上的相邻概率，SAR图像地物轮廓清晰，不同形状和物理特征的目标呈现出不同的灰度和纹理特征。即SAR图像有同类像素的相邻概率大于异类像素的相邻概率的特点。SAR图像特征信息提取特征提取说明SAR图像目标的灰度信息是目标识别最直接的信息或特征。在不考虑照射条件和尺寸的条件下，SAR图像目标的灰度信息或灰度特征具有位移不变、旋转布点、放缩布点的三因素不变形。边缘特征提取、纹理特征提取、形状特征提取、方向特征提取、特征提取

34、方法1）法国巴黎高等电信工程学院的Tupin F等人提出了适合贝叶斯框架下检测线性特征的算法。该算法分为两步：第一步，从包含斑点噪的图像中提取线性特征，并作为道路分割的基元。它在作用线性检测器D1和D2后进行两种检测器的融合，从而得路的片段结果。两种检测器都是基于斑点噪声的随机特性。第二步，将路的片断连接成真实的道路，主要采用在路德片断结果中定义马尔科夫随机域，引入道路目标的相关先验知识（路德长度、曲率、是否交叉等），采用模拟退火算法求马尔科夫随机域中的能量极小点，为了提高检测的准确程度，算法中还采用了一些后处理方法。在此算法的基础上，Florence Tupin、Isabelle Bloch

35、和Henri Maitre通过几种结构检测器结论对SAR图像的自动解释做出了贡献，并进一步研究了运用SAR图像和多视角的有效性，对高密度市区道路检测问题。针对道路的描述，论文作者对道路长度、宽度的计算，道路方向、质地的判别进行讨论，给出了相应的算法。2）Mandelbrot首先提出采用分形维数来描述和测量分形的特性。分数维是一个对图像的不规则程度和破碎程度的度量，它包含相应集几何性质的许多信息，反映分形体得比例性质及自相似性。对同一自然景观，分维数大小反映其表面的规则程度和粗糙度，即分形维数越大，对应的图像表面越粗糙；反之，分形维数越小，对应的图像表面越光滑。其灰度图像的分维数反映灰度分布的特

36、征并间接反映出自然表面得某些特性。采用构造影像灰度面的虚拟表面积和体积方法，在小窗口下以单像点为中心逐点计算影像分维数特征图。由于分形表面积是灰度表面复杂程度的一种度量，分维数提取的是图像表面复杂度分布的变化，对雷达图像多噪声、多斑点的特征提取具有较好的效果。3）薛东会，朱耀庭，朱光喜，“基于尺度分维的图像边缘检测方法研究”，提出一种尺度分维数(Scale Fractal Dimension, SFD)的概念，用于描述实际中遇到的分形，指出尺度分维数反映了不同尺度对应的局部分形维数的大小，并提出了一种基于图像纹理特征具有良好抗噪性能的边缘提取方法。SAR图像中目标的识别目标识别说明SAR图像目

37、标识别的主要信息特征可以概括为几何特征和代数特征，具体可分为七个项“形状特征、尺度特征、色调特征、阴影特征、纹理特征、位置布局特征和活动特征，前四项为直接特征，后三项为间接特征。目标识别方法1）美国珀德尤大学电子工程学院爱德华教授针对SAR图像提取多目标提出了一套新方法。该方法中目标检测是基于局部明亮的像素，并通过像素的聚类分析完成。第一步，首先运用基于像素数值反差统计，采用恒定错误预警率，在SAR信号中搜索局部明亮的区域来确定可能的目标。第二步，在上面所获得的数据基础上，使用基于数据空间分布的聚类分析方法将数据集合成组，多个属于同一目标的数据能集合一起形成簇。2）利用Gaussian-Her

38、mit Moment(GHM)作为原始SAR图像的特征，来分割图像以提取有用的目标。其中，奇数阶矩阵可有效增强边缘信息，偶数阶矩阵则增强了目标的有用信息。而且，高斯函数和Hermit多项式的结合使用从一定成都上抑制了噪声，减少了窗口边缘信息的损失。因此本方法能都在分割SAR图像的过程中，降低噪声的同时保留细节信息。3）在合成孔径雷达SAR数字图像处理与识别中，目标物体的边缘特征是目标检测和识别的重要特征。图像的边缘表现为强度的突变。通常我们利用目标物体与复杂背景在目标物体边缘的强度突变，采用边缘检测算法俩崎岖两者之间的交界线。这样的边缘提取方法有很多，诸如Robert、Prewitt、Sobe

39、r、Laplacian等微分算子法。微分算子利用小区域模板进行卷积来近似计算梯度的并行边缘。它们的缺点是产生大量的噪声，给后续的边缘特征提取带来许多困难吧。SAR图像融合图像融合概述通过SAR得到的影像（如Radar sat）往往有较高的分辨率，具有丰富的纹理信息；而TM得到的影像虽然空间分辨率不高，但具有很丰富的光谱信息，适合于分类、变化检测等实际应用。为了有效利用Radar sat和TM两类图像，需要先进行精确的校正和配准。一般首先对两类图像分别借助控制点建立图像与地图之间的坐标关系数学模型，再分别对两类图像进行精校正，然后对校正后的两类图像以少量控制点按多项式方法配准。SAR图像融合方法

40、图像融合可分为：信号级别融合、像素级别融合、特征级别融合和符号级别融合。像素级别图像融合的方法有：逻辑滤波器法、加权平均法、数学形态法、图像代数法、模拟退火法、主成分分析法、金字塔图像融合法、小波变换图像融合法、HIS变换法等。目前遥感图像融合方法较多，主要有LAB变换、IHS变换、线性复合与乘积运算、Brovey变换、小波变换、高通滤波变换(HPF)和主成分分析(PCA)等方法。1）Gram-Schmidt变换是线性代数和多元统计中常用的方法，它通过进行正交化，从而消除冗余信息。Gram-Schmidt变换的主要步骤：（1）使用多光谱低空间分辨率影像对高分辨率波段影像进行模拟。模拟的高分辨率

41、波段影像信息量特性与高粉笔阿女郎全色波段影像的信息量特性比较接近。模拟的高分辨率波段影像在后面的处理中北作为Gram-Schmidt第1分量进行Gram-Schmidt变换；（2）利用模拟的高分辨率波段影像作为Gram-Schmidt变换的第1分量俩对模拟的高分辨率波段影像和低分辨率波段影像进行Gram-Schmidt变换。GSt是GS变换后产生的第T各分量；（3）通过调整高分辨率波段影像的统计值来匹配Gram-Schmidt变换后的第1个分量GS1，以产生经过修改的高分辨率波段影像；（4）将经过修改的高分辨率波段影像替换Gram-Schmidt变换后的第1个分量，产生一个新的数据集；（5）将

42、新的数据集进行反Gram-Schmidt变换，即可产生空间分辨率增强的多光谱影像。2）IHS变换：IHS变换就是RGB坐标系与HIS坐标系之间的变换。具体地说，HIS变换有如下一些作用：（1）可以进行不同分辨率遥感图像的合成显示。（2）可以使合成图像更饱和。（3）可以通过对亮度的滤波增强图像。（4）便于多源数据的综合显示。常用的HIS方案实施流程如下：首先将两幅SAR图像进行去除噪声处理，然后将去噪声后的ERS图像的R、G、B作HIS变换，得到I、H、S，再将RADARSAT图像进行K-L变换，将产生的第一主成分PCA1作为高分辨率图像代替ERS图像的I成分，再用HIS反变换回到RGB坐标系进

43、行假彩色合成。3）改进的HIS方案实施流程与常用的HIS方法不同之处在于：它不是用经过K-L变换的RADAARSAT图像的第一主成分PCA1直接替换ERS图像的I分量，二是将PCA1与I进行基于特征的小波融合后的融合图像作为高分辨率图像来替换I分量。具体操作步骤如下：（1）将RADARSAT图像去噪；（2）把去噪声后的RADARSAT图像进行K-L变换，得到第一主成分PCA1，将PCA1分解到n小波面，通常n取为2或3；（3）把ERS图像的R、G、B通道变换成HIS成分，以获取ERS图像的I,H,S;（4）把PCA1解式中小波面得低频部分进行线性拉伸，然后与高频部分进行小波反变换，再加到I成分

44、上；（5）将ERS图像的H和S与PCA1的I进行假彩色合成。SAR图像恢复图像恢复说明图像恢复方法目前，有两大类SAR图像滤波降噪的方法：基于统计特性的滤波方法和基于小波变换的滤波方法。1）基于统计特性的滤波方法的基本思想是通过采用统计学方法并利用局部的统计信息对地标原有的纹理数据进行估计。估计的准则有多种，如最小军方误差准则(MMSE)，极大似然准则(ML)和最大后验概率准则(MAP)等等。目前已经产生了多种经典的统计滤波算法，如Lee算法，Kuan算法，增强Lee算法，Gamma MAP算法等等。2）统计滤波算法要利用到局部统计特性，因此窗的选择就对滤波的效果起着一定的影像作用。窗函数选得

45、过大则会平滑掉一部分纹理结构，然而窗函数选得过小又会减小噪声的滤除程度。SAR图像解译SAR图像的自动理解与解译，是模拟人类的视觉和分析过程，用计算机来完成SAR图像分析和理解，并最终实现相关信息的获取。SAR图像处理存在的问题 图像处理现存的问题1）基于模型的方法一般对图像的要求较高，对模型比较敏感，在图像与模型不相符时，可能会得不到满意的结果。2）实际生活中，往往对图像处理实时性要求较高，这样对于运算代价较高的一类算法在实际情况中是不现实的。3）图像目标检测是一个信息不足的不确定问题，经典数学方法在解决此类问题难度很大，促使人们寻找一种自动或半自动的图像解译系统。4）如何恰当描述经典数学语

46、言难以描述的先验知识，将是在图像处理领域取得突破的关键所在。5）为了更好解决视觉处理中分割精度与实时性之间的矛盾，人们将多分辨的思想引入其中，但是多分辨思想解决视觉问题的主要困难自傲与高分辨与低分辨层间的信息接口问题，而且多分辨的搜索策略必须依赖于先验知识。6）图像处理方法众多，得到的信息量、价值量参差不齐。缺乏数学方法和多种处理结果的有机融合。微波遥感有待进一步研究的问题地面目标微波特性的研究:遥感图像识别中，主要根据图像特征信号与被识别目标物理量之间的对应关系。在全色像片上，因影像色调的深浅与人眼观察相应目标颜色的暗淡基本一致，所以容易识别目标。在红外彩色像片上，因影像颜色与其相应目标物颜

47、色不一致，所以刚开始人们并不习惯，但掌握了地物反射光谱特性后，利用红外彩色片进行地物分类比全色片更优越。但是，目前对微波与各种目标之间的相互作用的机理研究甚少，对目标的反射、散射、投射、吸收和辐射等特性了解还不够，很难建立图像特征信号与目标之间半经验公式或数学模型，去推知目标的物理特性，从而达到识别目标的目的。因此，还应继续进行大规模的微波遥感试验，在空中、在地面对 各种类型目标进行微波辐射和散射性征测量，为微波遥感器波段和极化方式的选择、以及微波图像的分类和识别打下基础。图像散斑的平滑处理：SAR可以获得分辨率很高的图像。但是，由于散斑的影像，使图像的刻盘独行大大降低。散斑是由于雷达发射相干

48、脉冲经目标作用在图像上产生的相干敏感斑点。目前，一般是采用多视平均算法平滑散斑的影像，但它是以损失地面分辨为代价的。在选择多视数时，必须权衡对地面分辨率的影像。因此，继续研究散斑性质，寻求一种保持分辨率不变的条件下消除来打散斑影像的方法。对于提高雷达图像的判读效果是很重要的。图像的几何纠正和辐射校正：雷达图像一般采用斜距显示（投影），使得=图像比例尺对距底点的距离而变化。高于地面的目标在图像上插死你横透视收缩、叠掩等几何畸变。另外，在透视收缩区和叠掩区域，由于回波信号的叠加，影像色调较亮。因此，必须对雷达图像进行几何校正和辐射（灰度）校正。雷达图像的几何校正，平坦地一般是利用相应地区的地形图采

49、用多项式拟合的方法配准校正；山地一般是利用已有的DEM模拟雷达图像，并与实际雷达图像配准，然后再把实际雷达图像纠正称正射投影。但是如何提高几何纠正的精度和速度，以及透视收缩的影像经几何纠正拉伸后的灰度应如何赋值等问题，还有待进一步研究。SAR图像处理新进展由于分辨率的提高，SAR的数据量呈级数增长，基于人工的信息处理及应用研究（如目标识别）面临很多空难：首先要在大范围区域中，人工判读实现基于SAR图像的地物检测、识别的任务。其任务量之大远远超过人工迅速做出判断的极限，由此带来的主管错误和理解错误不可避免。齐次，SAR图像特殊的成像机理，使得目标对方位角十分敏感，较大的方位角差异将会导致完全不同的SAR图像，使得SAR图像在视觉效果上与光学图像的差异进一步加大，增加了图像解译判断的难度；在此，随着SAR传感器分辨率的不断提高，传感器模式、波段和极化方式的多元化，SAR图像中的目标信息也呈现爆炸性的增长，目标由原来单通道单极化中低分辨率图像上的点目标，变为了具有丰富细节特征和散射特征的面目标，这一方