基于多模型融合的SAR图像目标轮廓提取方法

合集下载

基于多分类器融合的SAR图像自动目标识别方法系统电子2008

第30卷　第5期系统工程与电子技术Vol.30　No.52008年5月Systems Engineering and Electronics May 2008文章编号:10012506X (2008)0520839204收稿日期:2007201219;修回日期:2007203228。

基金项目:教育部长江学者和创新团队支持计划(IR T0645);国家自然科学基金(60772140);国防预研项目资助课题作者简介:胡利平(19792),女,博士研究生,主要研究方向为合成孔径雷达图像处理及目标识别。

E 2mail :fox_plh @基于多分类器融合的SAR 图像自动目标识别方法胡利平,刘宏伟,吴顺君(西安电子科技大学雷达信号处理国家重点实验室,陕西西安710071) 摘　要:给出一种内存需求小、计算复杂度低且性能较好的合成孔径雷达自动目标识别(SAR A TR )方法。

先对原始图像预处理获得目标及阴影,然后提取目标和阴影的形状描述子以及基于极化映射提取目标及阴影的形状特征、目标的强度分布特征,最后基于平均准则融合分类器对目标进行分类。

基于美国运动和静止目标获取与识别(MSTAR )计划录取的数据的实验结果表明,所提融合的分类器可获得比单个分类器好的识别性能,并且利用阴影信息可大大提高识别性能。

关键词:合成孔径雷达;自动目标识别;形状描述子;极化映射;多分类器融合中图分类号:TN 958 文献标志码:AR adar target recognition based SAR image and classif iers f usionHU Li 2ping ,L IU Hong 2wei ,WU Shun 2jun(N ational L ab.of Radar S i gnal Processing ,X i dian Univ.,X i ’an 710071,China ) Abstract :A SAR A TR met hod characterized wit h low memory requirement ,low comp utational complexity and good recognition performance is proposed.Firstly ,smoot hed target and shadow images are segmented via SAR image pre 2processing.Secondly ,shape information of target and it s shadow ,intensity distributed informa 2tion of target are extracted based on polar mapping ,and shape descriptors of target and it s shadow are also ex 2tracted.Finally ,SAR target s are classified by t he combined classifier based on t he average rule.Experimental result s based on t he MSTAR (moving and stationary target acquisition and recognition )data show t hat t he com 2bined classifier can obtain much better performance t han t he individual classifiers ,moreover ,t he inclusion of t he shadow feat ures result s is a significant improvement in recognition performance.K eyw ords :synt hetic apert ure radar ;automatic target recognition ;shape descriptors ;polar mapping ;clas 2sifiers fusion0　引　言合成孔径雷达(synthetic aperture radar ,SAR )成像不受天气、光照等条件限制,可对感兴趣的目标进行全天候、全天时的侦察,广泛应用于军事和遥感领域。

SAR图像自动目标提取方法研究

SAR图像自动目标提取方法研究SAR图像自动目标提取方法研究随着合成孔径雷达（Synthetic Aperture Radar，SAR）技术的发展与应用，SAR图像在军事目标识别、地理信息系统、城市规划等领域展现出了巨大的潜力。

然而，由于SAR图像具有复杂背景、低分辨率和目标信息不明显等特点，使得SAR图像目标提取成为一个具有挑战性的问题。

针对SAR图像目标提取问题，许多研究人员致力于开发有效的自动目标提取方法。

这些方法可以帮助人们从SAR图像中准确、快速地提取出感兴趣的目标区域，提高目标识别和分类的准确性。

在SAR图像目标提取中，背景和目标之间的对比度较低是一个关键问题。

为了解决这个问题，一种常用的方法是通过增强图像对比度来提高目标的可见性。

例如，自适应对比度增强算法（ACE）通过自适应地调整图像的对比度，使目标能够更好地与背景区分开来。

此外，自适应加权区域增长算法（AWRG）根据像素点的灰度值和局部邻域的信息来判断像素点是否属于目标。

除了对比度增强之外，图像分割是SAR图像自动目标提取的另一个关键环节。

分割的目的是将SAR图像分成若干个连通的目标区域，以便于进一步提取和识别。

常用的图像分割方法包括基于阈值的分割、区域生长法和基于纹理的分割等。

基于阈值的分割方法通过选取合适的灰度阈值将图像分割成背景和目标两个部分。

而基于区域生长法则将具有相似特征的像素点合并成一个连通区域。

基于纹理的分割方法则利用图像中目标的纹理特征进行分割。

除了对比度增强和图像分割之外，特征提取也是SAR图像目标提取的一个重要环节。

特征提取的目的是从SAR图像中提取出与目标相关的信息。

常用的特征提取算法包括灰度共生矩阵（GLCM）、小波变换和主成分分析等。

灰度共生矩阵通过计算图像中灰度级别之间的统计分布来描述目标的纹理特征。

小波变换则能够提取出图像中的局部空间频率特征。

主成分分析则通过降维的方式提取出图像中最关键的特征。

最后，目标的分类和识别是SAR图像自动目标提取的最终目标。

基于几何特征信息融合的SAR图像目标识别

第2期
许志飞等: 基于几何特征信息融合的 SAR 图像目标识别
65
往往都有伴随编队运动, 在 SAR 图像上编队特征也呈现出几何的形状, 因此将编队特征也归纳进来。 2. 1 目标方位角目标方位角是指目标主轴与雷达视线在地面投影之间的夹角。目前关于 SAR 目标方位角估计的方法主要有包络矩形旋转估计法、目标主轴法以及 Radon 和 Hough 变换估计法。不论是哪种方法, 对 SAR 目标方位角的估计都有其局限性。目前最新的研究是采用方位角综合估计法, 并且充分利用目标的相关信息, 而不是单纯从图像的角度对目标的方位角进行估计 , 从而减少了目标方位角估计的误差。 2. 2 目标面积以目标区域象素总数作为目标面积 , 不仅最简单, 而且也是对区域面积的无偏和一致的最好估计。目标的面积 S: S= i j f ( i , j ) ( 1) 2. 3 2. 4 最大长度与最大宽度即目标最小外接矩形 ( Minimum Enclosing Rectangle, MER) 的长度和宽度。长宽比长宽比定义为 MER 的长与宽之比。长宽比对于目标分类识别具有重要作用。MER 的长轴即目标的主轴。MER 的确定 , 目前还没有固定成熟的方法。这里采取一种新算法求其最小外接矩形: ( 1) 根据目标检测阶段得到的目标方位角把图像旋转一定的角度, 使其主轴与 Y 轴平行; ( 2) 扫描图像 , 把最外沿的 4 个点找出来 , 即横坐标最大最小的点和纵坐标最大最小的点 ; ( 3) 根据确定的 4 个点, 做目标轮廓的切线, 切线相交 , 即为最小外接矩形。 2. 5 平均长度与平均宽度 ( 1) 平均长度 = 扫描所得目标区域象素总数/ 扫描的列数。 ( 2) 平均宽度 = 扫描所得目标区域象素总数/ 扫描的行数。 2. 6 目标内部象素的平均亮度与方差

复杂背景下基于图像融合的运动目标轮廓提取算法

ｐｒｒｎｃｆｅｔａｔｎｉｕｈｓｔａｉｎａｍｏｉｅｔｏａｅｎｔｅｐｎｉｌｆｆａｓｓｂｒｃｉｎｗａｒｓｎｅ．ｅｆｍａｅｏｘｒｃｉｎｓｃｉｔ，ｄｆｄｍｅｈｄｂｓｄｏｈｒｃｐｅｏｍｅｕｔｔｓｐｅｅｔｄｏｏｕｏｉｉｒａｏＦｒｔｒ — ｌｒｎｓｎｅｅｏａｌｖａｅｔｅＧａｓｏｓ．Ｓｃｎｌ，ａｍａｉｍａｉｎｅｒｔｈｅｈｌａｕｌｓｄｔｉｌｐｅｆｔｉｇｗａｅｄｄｔｅｉｔｕｓｎｉｓｙｉｅｌｈｅｅｏｄｙｘｍｕｖｒａｃａｉｔｒｓｏｄｖｅｗｆｕｅｏｏｌｓ
ＨＥＷｅ — ｕ，ＬｉｇｉｈａＩＰｎ，ＷＥｕｍｅ，ＹＥＢＮＹ — ｉｏ
（ｏｅｅｏｐｏｌｔｎｎｉｅｎ，Ｃｏｇｉｎｅｉ，Ｃｏｑｎ０００ｈｎ）ＣｌｇＯｔｅｃｏｉＥｇｎｒｇｈｎｑｇＵ＆ｍ￣ｈｎｉ４０３，Ｃｉｌｆｅｒｃｅｉｎｇｇａ
Ａｌｏｉｍｆｅｔａｔｇｍｏｉｇｏｊｃｉｏｅｔｇｒｔｏｘｒｃｉｖｎｂｅｔｓｈｕｔｈｎｌｅ
ｂａｅｎｒｍｅｆｉｎｕｄｅｏｐｅｃｇｏｄｓｄｏｆａｕｓｏｎｒｃｍｌｘｂａｋｒｕｎ
的。受背景复杂性的影响，当背景灰度和运动目标的灰度相近时，取的运动目标易产生空洞，提某些部位无法完全恢复。根据帧差法的基本原理，出了一种针对复杂背景的运动目标检测、廓提取方提轮

基于D-S证据理论的多特征融合SAR图像目标识别方法

基于D-S证据理论的多特征融合SAR图像目标识别方法童涛;杨桄;李昕;叶怡;王寿彪【摘要】针对应用单特征SAR图像进行目标识别准确率低的问题,提出了一种将支持向量机(support vector machine,SVM)和D-S证据理论(Dempster-Shafer,D-S)相结合的多特征融合SAR图像目标识别方法.该方法在对SAR图像预处理的基础上,提取目标的纹理、Hu不变矩和峰值特征,并分别以这3类单特征的SVM分类结果作为独立证据,构造基本概率指派,通过D-S证据的组合规则进行融合,并根据分类判决门限给出最终的目标识别结果.将该方法用于SAR图像上的3类目标识别,识别率达95.5％,表明该方法是一种有效的SAR图像目标识别方法.【期刊名称】《国土资源遥感》【年(卷),期】2013(025)002【总页数】5页(P37-41)【关键词】SAR图像;D-S证据理论;支持向量机(SVM);纹理特征【作者】童涛;杨桄;李昕;叶怡;王寿彪【作者单位】空军航空大学航空航天情报系,长春 130022;空军航空大学航空航天情报系,长春 130022;空军航空大学训练部,长春130022;空军航空大学航空航天情报系,长春 130022;空军航空大学航空航天情报系,长春 130022【正文语种】中文【中图分类】TP751.10 引言应用合成孔径雷达(synthetic aperture radar，SAR)图像进行目标识别是SAR图像处理和模式识别领域的研究热点之一。

国内外学者对SAR图像目标自动识别方法进行了大量的研究和探索，但是大都只侧重于对单一特征的研究［1－2］。

受SAR传感器俯仰角和方位角等变化因素的影响，基于纹理、灰度及投影空间等单特征目标识别方法的准确率低、稳定性差;而综合利用多特征SAR图像的目标识别方法，虽然已经取得了一定成果，并在一定程度上改善了目标识别效果，但并没有实现多特征的有效融合，从而导致特征空间的复杂度和分类器的维数过高，影响了目标识别的精度和效率。

基于多尺度算法的SAR图像细节提取技术研究

基于多尺度算法的SAR图像细节提取技术研究1. 引言合成孔径雷达（Synthetic Aperture Radar, SAR）图像是一种用雷达成像目标的高分辨率图像。

由于其不受天气条件限制、具有全天候能力和大场景覆盖范围等特点，被广泛应用于军事侦查、资源调查、环境监测等领域。

然而，SAR图像的细节信息提取一直是SAR图像处理中的重要问题之一。

随着图像处理技术的发展，基于多尺度算法的SAR图像细节提取技术逐渐成为研究的热点。

2. SAR图像细节提取的意义SAR图像细节信息包含了目标的纹理、边缘等特征，对于目标的分类、识别和目标检测等应用具有重要的意义。

传统的SAR图像细节提取方法主要包括小波变换、多分辨率分解、边缘检测等。

然而，传统方法在细节保持和抑制噪声方面存在一定的局限性，且对于不同尺度的细节信息提取效果不尽如人意。

3. 多尺度算法及其应用于SAR图像细节提取的优势多尺度算法是指在不同尺度下对信号或图像进行分析和处理的算法。

常见的多尺度算法包括小波变换、多尺度分解、多尺度滤波等。

在SAR图像细节提取中，多尺度算法具有几个优势：3.1 细节信息的保持多尺度算法能够在不同尺度下对SAR图像进行细分，将不同尺度的细节信息分别处理，从而更好地保持原始图像中的细节信息。

这对于细节信息的提取具有重要意义。

3.2 抑制噪声SAR图像中常常包含有噪声，传统的SAR图像细节提取方法通常难以有效抑制噪声的干扰。

多尺度算法能够在细节提取的过程中对噪声进行滤波，从而提高了细节提取的准确性。

3.3 适应不同尺度的细节信息提取SAR图像中的细节信息往往具有不同的尺度。

通过多尺度算法，可以适应不同尺度的细节提取，从而得到更全面、精确的细节信息。

4. 多尺度算法在SAR图像细节提取中的应用4.1 小波变换小波变换是一种时间-频率分析方法，能够将信号按不同频率成分进行分解和处理。

在SAR 图像细节提取中，小波变换可以将不同尺度的细节信息分离开来，提高细节信息的提取效果。

基于多方向小波模糊融合的SAR图像边缘提取

ｔｅｒｌｔｎｈｐｂｔｅｔｉｃｌｄｅｇａｓｉｆｒｔｎａｄｔｅｍｕｕｌｓｐｌｍｅｔｏｌｉｉｅｔｎｈｅａｉｓｉｅｗｅｎｍｕｌｓａｅｅｇｒｄｎｏｍａｉｎｈｔａｕｐｅｎｆｍｕｔ— ｒｃｉｏ－ｏｄｏ
维普资讯
２００６年ｌ０月
西安电子科技大学学报（自然科学版）
ＪＯＵＲＮＡＬ０ＦＸＩＡＮＵＮＩＤＩＶＥＲＳＩＴＹ
０Ｃ．０６ｔ２０
第３３卷
第５期
Ｖｏ．３Ｎｏ１３．５
基于多方向小波模糊融合的ＳＡＲ图像边缘提取
ＥｄｅｅｔａｔｏｎＳｇｘｒｃｉｎｉＡＲｍａｅｓｎｇｍｕｔｄｒｃｉｎｗａｅｅｉｇｓｕｉｌｉｉｅｔ０ｖｌｔ
ａｄｆｚｙｆｓｏｎｕｚｕｉｎ
ＷＬａ，ＳＥＮ。ＬＩ，ＹｎＨＢｏ。ＡＯｉｓｅｇＧｕ — ｈｎ
ｅｇｒｄｎｏｍａｉｎＥｘｅｉｎａｅｕｔｈｗｔａｈｒｐｓｄａｇｒｔｍａｕｐｅｓｎｉｎｄｅｇａｓｉｆｒｔ．ｏｐｒｍｅｔｌｒｓｌｓｓｏｈｔｔｅｐｏｏｅｌｏｉｈｃｎｓｐｒｓｏｓａｄｅｐｅｅｖａｄｅｆｅｔｖｌ，ａｄｔａｈｕｅｄｅａｅｐｅｉｅｐｓｔｎｎｎｉｔｃｏｔｕ．ｒｓｒｅｗｅｋｅｇｓｅｆｃｉｅｙｎｈｔｔｅｆｓｄｅｇｓｈｖｒｃｓｏｉｏｓａｄａｎａｔｃｎｏｒｉＫｅｏｄ：ｙＷｒｓｍｕｔｄｒｃｉｎｗａｅｅｒｎｆｒ；ｕｚｎｅｒｌｅｇｓｆｓｏＳＡＲｍａｅｌ－ｉｅｔｖｌｔｔａｓｏｍｆｚｙｉｔｇａ；ｄｅｕｉｎ；ｉｏｉｇｓ

基于多模型联合学习的SAR目标检测和识别方法研究

基于多模型联合学习的SAR目标检测和识别方法研究基于多模型联合学习的SAR目标检测和识别方法研究随着合成孔径雷达（Synthetic Aperture Radar, SAR）技术的不断发展，SAR图像在目标检测和识别领域的应用越来越广泛。

SAR目标检测和识别一直是遥感图像处理的热点问题之一，传统的方法通常会受到目标的复杂背景、强噪声等因素的干扰，导致检测和识别的准确率较低。

为了解决这一问题，近年来出现了多模型联合学习的方法，通过将多个不同模型的结果进行融合，提高目标检测和识别的准确性和稳定性。

首先，我们需要对SAR图像进行预处理，以减小噪声对目标检测和识别的影响。

常见的预处理方法包括均值滤波、中值滤波和小波去噪等。

这些方法能够有效地降低图像中的噪声，提高后续分析的可靠性。

接下来，我们可以基于不同的模型来进行SAR目标检测和识别。

常见的模型包括传统的图像处理算法、深度学习模型和卷积神经网络（Convolutional Neural Networks, CNN）等。

每个模型都有其独特的优点和适用场景，因此，利用多模型联合学习的方法可以充分发挥各个模型的优势。

在进行SAR目标检测时，我们可以使用传统的图像分割算法来提取目标的边缘信息。

这些算法可以将SAR图像中的目标与背景分离开来，为后续的识别任务提供准确的目标区域。

此外，我们还可以利用深度学习模型进行目标检测。

深度学习模型可以自动学习目标的特征表示，能够更加准确地检测出目标。

在进行SAR目标识别时，我们可以使用卷积神经网络来进行特征提取和分类。

卷积神经网络具有强大的特征学习能力，可以自动从SAR图像中学习到目标的特征表示，进而进行目标分类。

通过将多个不同的卷积神经网络结果进行融合，可以提高目标识别的准确率和稳定性。

最后，我们可以将目标检测和识别的结果进行融合。

常见的融合方法有加权平均和投票等。

通过将不同模型的结果进行融合，可以进一步提高目标检测和识别的准确性和稳定性。

基于多方向小波模糊融合的SAR图像边缘提取

基于多方向小波模糊融合的SAR图像边缘提取
吴艳;沈博;廖桂生
【期刊名称】《西安电子科技大学学报（自然科学版）》
【年(卷),期】2006(023)005
【摘要】合成孔径雷达图像通常带有较强的相干斑噪声,传统的边缘检测算法难以兼顾噪声抑制,检测边缘的完整性和定位的准确性.针对合成孔径雷达自身的特点,利用多方向小波变换各尺度间边缘梯度信息的关联及各方向上边缘梯度信息的互补,提出一种将小波变换的多方向多尺度与模糊积分相结合的边缘特征提取算法.这种算法能在有效克服斑点噪声影响的同时保留弱边缘,融合边缘比较完整,边缘定位准确.
【总页数】5页(P691-695)
【作者】吴艳;沈博;廖桂生
【作者单位】西安电子科技大学,雷达信号处理重点实验室,陕西,西安,710071;西安电子科技大学,电子工程学院,陕西,西安,710071;西安电子科技大学,电子工程学院,陕西,西安,710071;西安电子科技大学,雷达信号处理重点实验室,陕西,西安,710071【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于小波变换的SAR图像边缘提取新方法研究 [J], 薛笑荣;张艳宁;赵荣椿;陈祎
2.基于小波边缘提取和脊线跟踪技术的SAR图像河流检测算法 [J], 胡正磊;孙进平;
袁运能;毛士艺
3.基于多孔多方向小波的SAR图像正则化超分辨重构 [J], 王强;彭国华;徐华楠
4.基于多方向小波变换及形态学重构的SAR图像边缘检测 [J], 周树道;王敏;刘志华;梁妙元;叶松
5.多方向小波变换高分影像边缘提取 [J], 李军军;曹建农;廖娟;程贝贝
因版权原因，仅展示原文概要，查看原文内容请购买。

基于多特征-多表示融合的SAR图像目标识别

基于多特征-多表示融合的SAR图像目标识别张新征;谭志颖;王亦坚【期刊名称】《雷达学报》【年(卷),期】2017(6)5【摘要】针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标识别问题,该文提出了一种基于多特征-多表示学习分类器融合的识别算法.首先,该算法提取了SAR图像3种特征,包括主成分(Principle Component Analysis,PCA)特征,小波变换特征和2维切片Zernike矩(2-Dimension Slice Zernike Moments,2DSZM)特征.然后,将测试样本的3类特征分别输入稀疏表示分类器和协同表示分类器进行预分类,得到6个预测标签.对6个预测标签进行分类器融合,得到最终的识别决策.实验中研究了3种不同的分类器融合算法,实验结果表明利用贝叶斯决策融合得到了最佳的识别性能.基于多特征-多表示学习分类器融合的方法集成了多特征的鉴别能力,也融合了稀疏和协同表示的分类性能,实现优势互补,有效提高了识别精度.基于Moving and Stationary Target Acquisition and Recognition (MSTAR)公开发布的SAR目标数据库的实验验证了该方法的有效性.【总页数】11页(P492-502)【作者】张新征;谭志颖;王亦坚【作者单位】重庆大学通信工程学院重庆 400044;重庆大学通信工程学院重庆400044;重庆大学通信工程学院重庆 400044【正文语种】中文【中图分类】TN959【相关文献】1.基于D-S证据理论的多特征融合SAR图像目标识别方法 [J], 童涛;杨桄;李昕;叶怡;王寿彪2.基于多特征联合稀疏表示的SAR舰船目标识别方法 [J], 聂丰英3.基于稀疏表示和多特征融合的SAR图像识别 [J], 徐英;谷雨;彭冬亮4.典型多特征决策融合方法及在无人机SAR图像目标识别中的应用 [J], 马梓元;龚华军;王新华;刘禹5.基于稀疏表示和多特征融合的SAR图像识别 [J], 徐英;谷雨;彭冬亮因版权原因，仅展示原文概要，查看原文内容请购买。

基于融合边缘检测的SAR图像线性特征提取算法

基于融合边缘检测的SAR图像线性特征提取算法
安成锦;杜琳琳;王卫华;陈曾平
【期刊名称】《电子与信息学报》
【年(卷),期】2009(031)006
【摘要】该文基于合成孔径雷达(SAR)图像低信噪比的特点,设计了一种基于融合边缘检测的线性特征提取算法.首先采用融合Canny算子及ROA算子得到边缘点,然后利用Radon变换得出线基元,最后根据启发式连接的思想连接了由于噪声引起的直线断裂.实测SAR图像的实验结果表明,该文提出的线性特征提取方法能够准确描述SAR图像的线性结构,可应用于自动目标识别和景象匹配等方面.
【总页数】4页(P1279-1282)
【作者】安成锦;杜琳琳;王卫华;陈曾平
【作者单位】国防科技大学ATR重点实验室,长沙,410073;国防科技大学ATR重点实验室,长沙,410073;国防科技大学ATR重点实验室,长沙,410073;国防科技大学ATR重点实验室,长沙,410073
【正文语种】中文
【中图分类】TP753
【相关文献】
1.基于边缘检测的SAR图像平行线特征提取算法 [J], 朱昌盛;关键;周伟;何东亮
2.基于特征融合的HJ-1-C SAR图像道路特征提取算法 [J], 陆萍萍;杜康宁;禹卫东;王宇;邓云凯
3.SAR图像局部非线性分布特征及提取算法 [J], 管涛;于浩杰
4.一种基于小波变换的SAR图像多尺度边缘检测融合算法 [J], 廖增为;宋建社;张宪伟;雍燕
5.基于伪极傅里叶变换和ROA融合的SAR图像边缘检测算法 [J], 史思琦;甘露因版权原因，仅展示原文概要，查看原文内容请购买。

基于多特征联合的高分辨率SAR图像机动目标快速获取

基于多特征联合的高分辨率SAR图像机动目标快速获取高贵;蒋咏梅;张琦;匡纲要;李德仁
【期刊名称】《电子学报》
【年(卷),期】2006(034)009
【摘要】提出了一种高分辨率SAR图像机动目标快速获取方法.该方法首先利用SAR图像中的对比度信息采用CFAR检测以确定图像中潜在目标区域的位置,然后提取每一个潜在目标区域的尺寸特征、形状特征以及对比度特征进行基于投票机制的目标鉴别,从而滤除自然杂波虚警以及部分人造杂波虚警.实测数据的结果证明了该方法的有效性.
【总页数】5页(P1663-1667)
【作者】高贵;蒋咏梅;张琦;匡纲要;李德仁
【作者单位】国防科技大学电子科学与工程学院,湖南长沙,410073;国防科技大学电子科学与工程学院,湖南长沙,410073;国防科技大学电子科学与工程学院,湖南长沙,410073;国防科技大学电子科学与工程学院,湖南长沙,410073;武汉大学,湖北武汉,430079
【正文语种】中文
【中图分类】TN957
【相关文献】
1.高分辨率SAR图像机动目标纹理特征提取与分析 [J], 李禹;刘军;计科峰;粟毅
2.基于多特征-多表示融合的SAR图像目标识别 [J], 张新征;谭志颖;王亦坚
3.一种高分辨率SAR图像快速目标检测算法 [J], 张翠;邹涛;王正志
4.基于多尺度特征的高分辨率SAR图像机动目标识别 [J], 刘爱平;付琨;张利利;尤红建;刘忠
5.基于Multi-Path RefineNet的多特征高分辨率SAR图像道路提取算法 [J], 陈立福; 刘燕芝; 张鹏; 袁志辉; 邢学敏
因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

优良的输入信息。
关键词：合成孔径雷达；目标轮廓提取；活轮廓模型；多模型融合；ＧＯ分布
中图分类号：ＴＰ７５１．１文献标识码：Ａ文章编号：０２５８ — ７９９８ｆ２０１３）０９ — ００８５ — ０４
Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｍｅｔｈｏｄｏｆｔａｒｇｅｔｃｏｎｔｏｕｒｅｘｔｒａｃｔｉｏｎｂａｓｅｄｏｎａｃｔｉｖｅｃｏｎｔｏｕｒｍｏｄｅｌａｎｄｍｕｌｔｉ —ｍｏｄｅｌｆｕｓｉｏｎ．ＯｎｔｈｅｂａｓｉｓｏｆＢａｌｌｏｏｎｍｏｄｅｌ，ａｎｉｍｐｒｏｖｅｄａｃｔｉｖｅｃｏｎｔｏｕｒｍｏｄｅｌ，ｗｅｉｎｃｏｒｐｏｒａｔｅＧＯｓｔａｔｉｓｔｉｃａｌｄｉｓｔｉｂｒｕｔｉｏｎ，ｒｅｇｉｏｎａｌｓｔａｔｉｓｔｉｃｓｂａｓｅｄ
基于多模型融合的ＳＡＲ图像目标轮廓提取方法
王沛，周鑫，王从庆，叶永强（南京航空航天大学自动化学院，江苏南京２１００１６）
摘要：提出一种基于参数活动轮廓模型的多模型融合的合成孔径雷达ＳＡＲ（ＳｙｎｔｈｅｔｉｃＡｐｅｒｔｕｒｅＲａｄａｒ）图像目标轮廓提取方法，即在活动轮廓模型Ｂａｌｌｏｏｎ中引入新兴统计分布模型ＧＯ分布、基于区域的统计活动轮廓模型和多边缘检测算子模型，获得了一种新的目标轮廓提取方法。基于ＭＳＴＡＲ项目的真实ＳＡＲ图像的实验结果表明，本文所提出的方法能准确地获得ＳＡＲ图像目标轮廓，可用于执行实际的ＳＡＲ图像轮廓提取任务，为后续的ＳＡＲ图像自动识别和特征级图像融合等任务提供了较为
Ｍｕｌｔｉ－ｍｏｄｅｌｆｕｓｉｏｎｂａｓｅｄｔａｒｇｅｔｃｏｎｔｏｕｒｅｘｔｒａｃｔｉｏｎｉｎＳＡＲｉｍａｇｅｒｙ
ＷａｎｇＰｅｉ，ＺｈｏｕＸｉｎ，ＷａｎｇＣｏｎｇｑｉｎｇ，ＹｅＹｏｎｇｑｉａｎｇ
（ＣｏｌｌｅｇｅｏｆＡｕｔｏｍａｔｉｏｎＥｎｇｉｎｅｅｉｒｎｇ，ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＡｅｒｏｎａｕｔｉｃｓａｎｄＡｓｔｒｏｎａｕｔｉｃｓ，Ｎａｎｊｉｎｇ２１００１６，Ｃｈｉｎａ）
ａｃｔｉｖｅｃｏｎｔｏｕｒｍｏｄｅｌ，ａｎｄｍｕｌｔｉ－ｅｄｇｅｄｅｔｅｃｔｉｏｎｏｐｅｒａｔｏｒｍｏｄｅｌ，ｔｏｏｂｔａｉｎａｎｅｗｔａｒｇｅｔｃｏｎｔｏｕｒｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄ．ＴｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｉｓａｐｐｌｉｅｄｔｏｔｈｅｒｅａｌＳＡＲｉｍａｇｅｆｒｏｍＭＳＴＡＲｐｒｏｇｒａｍ，ａｎｄｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｔａｒｇｅｔｃｏｎｔｏｕｒｉｓａｃｃｕｒａｔｅｌｙｅｘｔｒａｃｔｅｄ．Ｓｏ，ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｍａｙｂｅｕｓｅｄｉｎＳＡＲｉｍａｇｅｉｎｔｅｒｐｒｅｔａｔｉｏｎｆｏｒｔｈｅｔａｓｋｏｆｅｘｔｒａｃｔｉｎｇｔａｒｇｅｔｃｏｎｔｏｕｒｓｔｏｐｒｏｖｉｄｅｅｘｃｅｌｌｅｎｔｉｎｐｕｔｉｎｆｏｒｍａ — ｔｉｏｎｏｒｆｔｈｅｓｕｂｓｅｑｕｅｎｔｔａｓｋｓｉｎＳＡＲｉｍａｇｅｉｎｔｅｒｐｒｅｔａｔｉｏｎｌｉｋｅａｕｔｏｍａｔｉｃｉｄｅｎｔｉｆｉｃａｔｉｏｎａｎｄｆｅａｔｕｒｅ —ｌｅｖｅｌｉｍａｇｅｆｕｓｉｏｎ，ｅｔｃ．