[4](文献)可见光与SAR图像的特征级融合
特征级与像素级相混合的SAR与可见光图像融合
２ ０ １ ４年 ３月
光 电工 程
Ｏｐｔ ｏ — Ｅｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
Ｖｏ１ ． ４１ Ｎ Ｏ ． ３ Ｍａ ｒ ｃ ｈ． ２０１ ４
文 章编 号 ：１ ０ ０ ３ — ５ ０ １ Ｘ（ ２ ０ １ ４ ） ０ ３ — ０ ０ ５ ５ — ０ ６
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｄｉ ｆ ｅ ｒ ｅ ｎ ｔ ｉ ｍａ ｇ ｉ ｎ ｇ ｍｅ ｃ ｈ ａ ｎ ｉ ｓ ｍ ｏ ｆ Ｓ ｙ ｎ ｔ ｈ ｅ ｔ ｉ ｃ Ａｐ ｅ ｒ ｔ ｕ ｒ ｅ Ｒ ａ ｄ ａ ｒ（ Ｓ Ａ Ｒ ）ａ ｎ ｄ ｖ ｉ ｓ ｉ ｂ ｌ ｅ ｉ ｍａ ｇ ｅ ｓ ｉ ｎ ｔ ｈ ｅ ｇ ｅ ｎ ｅ ｒ ａ ｌ ｆ ｕ ｓ ｉ ｏ ｎ
Ｎｏ ｎ ｓ ｕ ｂ ｓ ａ ｍｐ ｌ ｅ ｄ Ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｌ ｅ ｔ Ｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍ （ Ｎ Ｓ Ｃ Ｔ １ ｔ ｏ ｆ ｕ ｓ ｅ ｔ ｈ ｅ ｉ ｍｐ ｏ ｒ ｔ ａ ｎ ｔ ｏ ｂ ｊ ｅ ｃ ｔ ｉ ｖ ｅ ｉ ｎ ｆ ｏ ｍａ ｒ ｔ ｉ ｏ ｎ ｏ ｆ Ｓ ＡＲ ｉ ｍａ ｇ ｅ ｉ ｎ ｔ ｏ ｖ ｉ ｓ ｉ ｂ ｌ ｅ
析 图像的成像机 理 ，首先在 ＮＳ Ｃ Ｔ融合 框架下 ， 将 Ｓ ＡＲ图像 中重要 的 目标信 息加入到可 见光 图像 中，并尽息；再 结合数 学形态学和多尺度 空间理论 ，提取 源图像 的亮、暗细节特征 ，进行特征 级 融合 ， 得到 亮、暗细节特征显著增 强的融合 图像 。实验 结果表 明， 本文 算法有效 的融合 了 Ｓ Ａ Ｒ 图像的 目标信息，
并增 强 了源图像 的细节特征 ，达到 了较好 的视 觉效果，提 高 了图像 的 目标检 测和 识别能力。 关键词 ：Ｓ ＡＲ ；可见光 图像；ＮＳ Ｃ Ｔ；数 学形 态学；特征融合
基于相位特征的可见光和SAR遥感图像自动配准
第29卷第3期2021年3月Vol.29No.3Mar.2021光学精密工程Optics and Precision Engineering基于相位特征的可见光和SAR遥感图像自动配准孙明超1，马天翔1，宋悦铭1*，彭佳琦2（1.中国科学院长春光学精密机械与物理研究所，吉林长春130033；2.驻长春地区第一军事代表室，吉林长春130022）摘要：针对可见光和SAR遥感图像存在非线性辐射差异和几何差异，加之SAR的斑点噪声，使得可见光和SAR图像配准十分困难的问题。
本文提出了一种基于改进相位一致性的可见光和SAR图像配准方法。
首先，分别计算相位一致性的最大矩和最小矩，将二者叠加，利用Harris算子在叠加图上提取特征点，得到稳定的角点和边缘点作为待匹配的特征点；接着，分别构建相位一致性的方向图和基于多尺度融合的最大幅值索引图，借助于（Histogram of Oriented Gradi⁃ents，HOG）模板，利用相位一致性方向对基于多尺度融合的最大幅值索引图进行投票，建立一种新颖的局部特征描述符；最后，利用欧式距离作为特征向量的度量，计算最近邻比率实现特征匹配，采用快速采样一致性算法剔除误匹配点。
在四组图像数据上的实验结果表明，本算法相比于基于梯度的OS-SIFT算法具有更多的正确匹配点对和更高的匹配精度，正确匹配点数分别提高了11，8，15和11对，均方根误分别提升了57.5%，57.9%，23.5%和58%。
关键词：可见光和SAR图像；辐射差异；图像配准；相位一致性中图分类号：TP394.1；TH691.9文献标识码：A doi：10.37188/OPE.20212903.0616Automatic registration of optical and SAR remote sensingimage based on phase featureSUN Ming-chao1，MA Tian-xiang1，SONG Yue-ming1*，PENG Jia-qi2（1.Changchun Institute of Optics，Fine Mechanics and Physics，Chinese Academy of Sciences，Changchun130033，China；2.First Military Representative office in Changchun，Changchun130022，China）*Corresponding author，E-mail：songym525@Abstract：Optical SAR image registration is highly difficult because of the geometric and nonlinear radia⁃tion differences between optical and SAR remote sensing images，as well as the speckle noise of SAR. Thus，this paper proposes an automatic algorithm，based on phase congruency，to register optical and SAR images.First，the maximum and minimum moments of phase consistency are calculated，and the re⁃sults are superimposed.The feature points are extracted from the superimposed image by the Harris opera⁃tor，and then，the stable corner points and edge points are obtained as the feature points to be matched. Subsequently，the phase-consistent orientation and the maximum amplitude index map，based on multi-scale fusion，are constructed with the help of the HOG template.The maximum amplitude index map 文章编号1004-924X（2021）03-0616-12收稿日期：2020-12-02；修订日期：2021-02-07.基金项目：国家重点研发计划资助项目（No.2017YFC0822402）；国家自然科学基金资助项目（No.61905240）；吉林省重点科技研发项目资助（No.20190303074SF）第3期孙明超，等：基于相位特征的可见光和SAR遥感图像自动配准based on multi-scale fusion is voted using the phase consistency orientation，and a novel local feature de⁃scriptor is established.Finally，Euclidean distance is used as the measure of the feature vector，the nearest neighbor ratio is calculated to realize feature matching，and the fast sampling consistency algorithm is used to eliminate mismatched points.Experimental results on three sets of image data show that the proposed algorithm has more correct matching points and a higher matching accuracy than the gradient-based OS-SIFT algorithm.The number of correct matching points is increased by11，8，15and11pairs，and the root mean square error is increased by57.5%，57.9%，23.5%and58%，respectively.Key words：optical and SAR images；radiation difference；image registration；phase congruency1引言传感器技术的快速发展为对地观测提供了多种手段。
SAR图像处理及地面目标识别技术研究
SAR图像处理及地面目标识别技术研究SAR图像处理及地面目标识别技术研究随着雷达技术的不断发展，合成孔径雷达（SAR）图像处理及地面目标识别技术引起了广泛关注。
SAR是一种主动雷达，它通过发送脉冲信号并接收返回的回波来获取目标的图像信息。
相比于光学影像，在遥感和军事领域，SAR具有天气无关性及全天候工作的优势，可以提供高分辨率、高质量的图像。
然而，由于复杂的雷达物理过程和大量的干扰，SAR图像处理及地面目标识别面临着许多挑战。
SAR图像处理涉及到对原始数据进行预处理和图像增强，以提高图像质量和目标识别的准确性。
预处理包括多普勒校正、多视图融合和地面杂波抑制等步骤。
在SAR图像中，由于目标和地面散射的不同，会引起多普勒频移现象。
多普勒校正可以通过对SAR数据进行频率分析和相位校正，来消除多普勒频移的影响。
多视图融合技术结合了不同角度和视角的SAR图像，可以提供更全面、更丰富的目标信息。
地面杂波抑制是对SAR图像中的背景杂波进行滤波处理，以凸显目标的边缘和细节。
在SAR图像增强中，常用的方法包括滤波、多尺度变换和图像去噪。
滤波是常用的降噪方法，它可以通过去除图像中的高频噪声，使图像更加清晰。
常见的滤波方法有中值滤波、均值滤波和小波变换滤波等。
多尺度变换可以将SAR图像分解为不同尺度的频带，以获取图像的多尺度信息，从而提高目标的识别能力。
图像去噪技术的目的是减少图像中的噪声，以提高目标的清晰度和辨识度。
去噪方法常用的有小波去噪、自适应邻域滤波和非局部平均去噪等。
地面目标识别是SAR图像处理的一个核心任务，它主要包括目标检测、目标分割和目标识别等过程。
目标检测是在图像中找出可能的目标区域，常用的方法有基于像素值、基于纹理和基于形状的目标检测算法。
目标分割是将图像中的目标与背景进行分离，以便更好地进行识别和分析。
目标识别是将分割后的目标与数据库中的目标进行匹配，从而实现目标的自动识别和分类。
目标识别的方法较为复杂，常用的有基于特征、基于模型和基于机器学习的目标识别算法。
基于可见光与红外图像特征融合的目标跟踪
基于可见光与红外图像特征融合的目标跟踪闫钧华;陈少华;许俊峰;储林臻【期刊名称】《中国惯性技术学报》【年(卷),期】2013(000)004【摘要】Aiming at the problem that the accuracy of tracking object is not high when with a single image source, CAMShift(Continuously Adaptive Mean Shift) tracking algorithm is improved by using different characteristics of the tracked target in the visible images and infrared images. Firstly,“color-gradient back projection”is selected as the improved target model in visible image, and“gray-gradient back projection”is selected as the improved target model in infrared image. Then the coefficient of qi which is got by using the improved CAM Shift tracking algorithm in visible images and infrared images respectively is used to judge the effect of the two images tracking. The weights of two images are adjusted adaptively by the coefficient of qi. Finally, the feature fusion image and the location of object are got according to the respective weight. The experimental results show that, for visible and infrared image of 320pixel×240pixel, the object tracking algorithm which is based on feature fusion by visible images and infrared images can get much accurate location of tracking target under complex background in which the accuracy of tracking object is 0.5pixel, and the velocity of tracking object is 30-32 ms/frame.%针对单一图像源下目标跟踪精度不高的问题，利用跟踪状态下的目标存在于可见光与红外图像中的特征对连续自适应均值移动跟踪算法做出改进。
光学图像与SAR图像的配准
异性，那么实现光学和SAR图像的精配准，已经成为光学图像SAR图像配准的难点和关键问题。
2. SAR图像属于斜距投影的相干成像，因此在成像机理、辐射特征及几何特性上与可见光有很大差异，本文对现有的光学图像和SAR图像预处理技术进行了研究。
针对相干成像系统不可避免的存在相干斑噪声对图像的精细结构、可分辨性和可理解性破坏的问题，对传统的Lee滤波器、Kuan滤波器、Frost滤波器、GammaMAP滤波器进行了深入的研究。
3. 对现有的几种灰度图像匹配算法进行分析研究，如快速傅立叶变换（FFT）相位相关法、平均绝对差（MAD）算法、序贯相似性检测（SSDA）算法、归一化互相关（NCC）算法、SIFT特征的图象匹配算法、SURF特征的图象匹配算法等，最后根据其原理和效果寻找一种最适合光学图像与SAR图像配准的方法。
4. 利用RANSAC算法可以消除大部分的误匹配点的特点，所以采用RANSAC 算法对SIFT特征的图象匹配算法进行优化，实验结果说明了该方法大大的提高了匹配的准确率，并且具有该方法具有较好的适用性。
关键词：SAR图像；相干斑噪声；图像配准；RANSAC算法；SIFT特征；SURF 特征目录1 绪论 (3)1.1研究背景及意义 (3)1.2国内外研究现状 (4)2 光学和SAR图像配准方法及特点 (6)2.1图像配准基本理论 (6)2.1.1 图像配准的定义 (6)2.1.2 图像变换模型 (7)2.1.3图像配准方法基本要素 (9)3.光学和SAR图像的预处理 (11)3.1 光学图像预处理 (11)3.2 SAR图像预处理 (12)3.2.1 Lee滤波器 (12)3.2.2 Kuan滤波器 (12)3.2.3 Frost滤波器 (13)3.2.4 Gamma Map滤波器 (13)3.2.5 SAR图像的Otsu单阈值分割 (13)3.3 实验结果与分析 (15)4. 基于灰度图像的匹配算法 (19)4.1快速傅立叶变换（FFT）相位相关算法 (19)4.2 平均绝对差（MAD）算法 (21)4.3 序贯相似性检测（SSDA）算法 (21)4.4 归一化互相关（NCC）算法 (22)4.5 SIFT特征的图象匹配算法 (22)4.6 SURF特征的图象匹配算法 (23)4.7实验结果与分析 (23)5. 基于RANSAC算法优化SIFT特征的图像配准方法 (28)5.1 SIFT算法的简介 (28)5.1.1 SIFT算法的特点 (28)5.1.2 SIFT算法的实现步骤 (29)5.1.3 尺度空间 (30)5.1.4 高斯金字塔 (30)5.1.5 DoG高斯差分金字塔 (32)5.1.6 关键点检测 (34)5.1.7 关键点特征描述 (36)5.2 欧式距离最近邻法395.3 RANSAC算法剔除误匹配点对 (40)5.3.1 RANSAC算法基本原理 (40)5.4 基于RANSAC算法优化SIFT特征的图像配准方法的流程图 (42)5.5 配准精度衡量准则 (43)5.6 实验结果与分析 (44)6. 总结与展望 (47)6.1全文总结 (47)6.2研究展望 (48)致谢 (49)参考文献 (50)1 绪论1.1研究背景及意义（2-4）=0,1,2,3,...,L-1 (3-1)其中，是图像中像素的总和，是当前灰度级的像素个数，L是图像中可能的灰度级总数。
光学与sar融合算法
光学与sar融合算法
SAR（Synthetic Aperture Radar）图像与光学图像的融合方法可以分为频域融合和时域融合两类。
其中，频域融合方法主要包括傅里叶变换、小波变换等，时域融合方法包括基于区域分割的融合、基于特征融合的融合等。
以下是这些融合方法的介绍：- 傅里叶变换法：傅里叶变换法是一种广泛使用的频域融合方法。
它通过将SAR图像和光学图像进行傅里叶变换，将它们转换到频域，然后在频域中进行融合。
该方法的优点是算法简单、速度快，但难以保留地物的空间信息。
- 小波变换法：小波变换法是一种多尺度分析方法，能够提供图像的多尺度分解。
它通过将SAR图像和光学图像进行小波变换，得到不同尺度的分解系数，然后将这些系数进行融合，最后进行反变换得到融合后的图像。
该方法的优点是能够保留地物的空间信息和细节信息，但算法复杂度较高。
- 基于区域分割的融合法：基于区域分割的融合法是一种时域融合方法。
它首先对SAR 图像和光学图像进行区域分割，然后将相同区域的像素进行融合。
该方法的优点是能够充分利用地物的空间信息和颜色信息，但需要解决如何准确地进行区域分割和特征匹配的问题。
- 基于特征融合的融合法：基于特征融合的融合法也是一种时域融合方法。
它首先从SAR图像和光学图像中提取特征，然后将这些特征进行融合。
该方法的优点是能够充分利用地物的特征信息，但需要解决如何准确地进行特征提取和匹配的问题。
基于区域分割和特征融合的算法能够实现SAR图像与光学图像的深度融合，提高遥感图像的质量和实用性。
光学与sar数据融合开展地物识别的步骤 -回复
光学与sar数据融合开展地物识别的步骤-回复光学与SAR数据融合是一种有效的方法，可以提高地物识别的准确性和可靠性。
下面将介绍光学与SAR数据融合开展地物识别的步骤。
第一步：数据获取和预处理在进行光学与SAR数据融合之前，需要获取相应的光学和SAR影像数据。
光学数据通常可以通过航拍、卫星遥感等手段获取，而SAR数据则需要借助合适的传感器进行获取。
获取到的数据需要进行预处理，包括辐射校正、几何校正、大气校正等，以保证数据的可靠性和一致性。
第二步：图像配准光学和SAR数据具有不同的特点和成像原理，因此需要对两者进行准确的图像配准。
图像配准的目的是将光学和SAR数据映射到同一地理坐标系统下，使得它们的空间位置和尺度一致。
常用的图像配准方法包括特征点匹配、相位一致性等。
第三步：数据融合方法选择数据融合是指将光学和SAR数据进行合并，以获得更全面、更准确的地物信息。
常用的光学与SAR数据融合方法包括基于像素级别的融合、基于特征级别的融合和基于决策级别的融合。
根据应用需求和数据特点，选择合适的融合方法进行地物识别。
第四步：特征提取和选择在进行地物识别之前，需要对融合后的数据进行特征提取和选择。
特征提取是指从融合数据中提取出对地物识别有用的信息，如纹理特征、光谱特征等。
特征选择是指从提取的特征中选择最相关、最具代表性的特征，以减少冗余信息和计算复杂度。
第五步：地物分类和识别在特征提取和选择之后，可以利用机器学习算法进行地物分类和识别。
常用的分类算法包括支持向量机（SVM）、随机森林（RF）和人工神经网络等。
通过训练分类器模型，将地物进行分类并进行识别，以得到准确的地物信息。
第六步：结果评估和优化地物识别的结果需要进行评估和优化。
评估可以通过计算混淆矩阵、精确度、召回率等指标来衡量分类结果的准确性和可靠性。
根据评估结果，可以对算法参数和模型进行调整和优化，以获得更好的地物识别效果。
综上所述，光学与SAR数据融合开展地物识别的步骤包括数据获取和预处理、图像配准、数据融合方法选择、特征提取和选择、地物分类和识别，以及结果评估和优化。
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。
面向图像分类的SAR与可见光图像融合
面向图像分类的SAR与可见光图像融合陈磊;杨风暴;王志社;纪利娥【摘要】SAR和可见光图像成像机理不同,图像差异较大,较难取得良好的融合效果.本文直接面向SAR图像分类,在NSCT变换融合框架下,利用遗传算法搜索低频加权系数,高频系数采用空间频率取大规则对SAR和可见光图像进行融合.实验结果表明本文方法获得的融合图像分类效果更好,更加有利于图像识别等后续处理.【期刊名称】《激光与红外》【年(卷),期】2013(043)011【总页数】5页(P1291-1295)【关键词】图像融合;图像分类;NSCT;遗传算法【作者】陈磊;杨风暴;王志社;纪利娥【作者单位】中北大学信息与通信工程学院,山西太原030051;中北大学信息与通信工程学院,山西太原030051;中北大学信息与通信工程学院,山西太原030051;中北大学信息与通信工程学院,山西太原030051【正文语种】中文【中图分类】TP391.411 引言近年来，随着航天技术的迅猛发展，SAR(合成孔径雷达)越来越受到人们的关注，SAR能够穿透云层和雨区，具有全天时、全天候的工作特性，而且SAR还可以深入地表、穿透植被，改变 SAR的波长可以得到植被上层甚至地下的图像信息［1］。
SAR通过物体的几何特性和介电特性得到图像信息，由于不同目标的微波反射特性受频率、反射角和极化方式的影响而不同，使得在SAR图像上呈现较多的地物纹理特征［2］。
而可见光图像对目标的物理和化学属性更为敏感，所以图像主要反映不同地物的轮廓和光谱信息。
因此将SAR图像与可见光图像进行融合，充分利用两者的互补信息，在保持图像纹理信息的同时，尽可能地增加光谱信息，以便于后续的目标识别等。
SAR与可见光图像融合算法，目前主要是基于灰度调制和多分辨率融合框架的。
文献［3］提出基于灰度调制的融合方法，将可见光图像经IHS变换提取的I分量与SAR低频信息的比率进行调制，以加入SAR图像的纹理细节信息。
可见光图像融合算法研究
“可见光图像融合算法研究”资料合集目录一、SAR与可见光图像融合算法研究二、基于多尺度分解红外和可见光图像融合算法研究三、红外与可见光图像融合算法研究四、基于多尺度及显著区域分析的红外与可见光图像融合算法研究五、基于深度学习的红外与可见光图像融合算法研究六、SAR与可见光图像融合算法研究SAR与可见光图像融合算法研究在遥感图像分析中，合成孔径雷达（SAR）和可见光图像各自具有独特的优势。
SAR图像具有穿透性强、对地表覆盖广泛的特点，而可见光图像则具有纹理清晰、颜色丰富的优点。
为了综合利用这两种图像的优点，提出了图像融合的概念。
本文旨在探讨SAR与可见光图像的融合算法。
SAR与可见光图像的融合算法主要包括三个步骤：预处理、融合和后处理。
预处理阶段主要对输入的SAR和可见光图像进行去噪、配准和归一化等操作，以确保它们在空间和灰度级别上的一致性。
融合阶段是算法的核心，常用的融合方法包括基于多尺度变换的方法、基于区域分割的方法和基于深度学习的方法等。
后处理阶段主要对融合后的图像进行优化，包括对比度增强、色彩调整等操作，以提高图像的可视性和分析价值。
多尺度变换是一种广泛用于图像融合的方法，它能够将图像分解为不同的频率分量，并在每个分量上进行不同的融合策略。
例如，基于小波变换的融合方法可以将SAR和可见光图像分别分解为多个高频和低频分量，然后根据一定的融合策略（如取最大值或加权平均）将它们融合在一起。
这种方法能够有效地保留图像的细节信息，提高图像的质量。
区域分割是一种根据图像的局部特征将图像划分为不同区域的方法。
在图像融合中，可以先对SAR和可见光图像进行区域分割，然后将相同区域内的像素进行融合。
常用的区域分割方法包括k-means聚类、水平集方法等。
基于区域分割的融合方法能够有效地保留图像的结构信息，提高图像的可视性。
深度学习是一种通过学习大量数据来自动提取特征的方法。
在图像融合中，可以利用深度学习的方法自动提取SAR和可见光图像的特征，并将它们融合在一起。
一种光学和SAR图像融合实时系统设计
一种光学和SAR图像融合实时系统设计摘要：针对某光电和雷达图像实时融合系统，对融合系统设计进行了概述，并对系统的硬件架构和实时融合处理流程进行了介绍。
最后给出了实时光电雷达融合图像的处理结果。
关键词：光电雷达融合 SAR 可见光/红外A real-time system design for optical and SAR image fusionZhang YulunXi’an Electronic Engineering Research Institute，Xi’an China 710100Abstract:For a real-time fusion system of optoelectronic and radar images, the design of the fusion system is summarized, and the hardware architecture and real-time fusion processing process of the system are introduced. Finally, the processing results of the real-time photoelectric radar fusion image are presentedKeywords: photoelectric radar fusion SAR visible light/infrared1引言SAR图像与光电传感器图像的融合是将相同地区，在不同视角/不同时刻的两种传感器获得的图像进行融合处理，通过特定的融合算法实现特征互补和特征冗余，从而获得比单个传感器更为丰富/更为客观的特征，提高目标识别/目标分类和目标提取和解译的能力。
SAR雷达使用微波成像，具有全天时全天候的特点，不受雨雾，可见光照度的影响，具有一定的穿透能力，能够有效探测各类伪装下的目标。
SAR图像质量评价综述
SAR图像质量评价综述王哲远;李元祥;郁文贤【摘要】由于特殊的成像方式,SAR图像与光学图像相比有许多不同特性,使得如何定量分析其图像质量水平成为难点,并严重影响SAR图像的应用.为此,在广泛文献调研的基础上,该文对SAR图像质量的主客观评价方法以及最新研究进展进行综述,以期更好地指导SAR图像解译工作.客观评价方面,对基本的评价指标进行了全面的归纳与总结,重点介绍以应用适合度为代表的综合客观评价方法,并讨论借鉴可见光、红外图像质量评价的SAR图像评价方法.主观评价方面,对主流的美国国家图像解译度分级标准指标的研究现状进行详细的归纳与总结.最后,分析当前SAR图像质量评价存在的问题,指出了该领域的发展趋势.【期刊名称】《遥感信息》【年(卷),期】2016(031)005【总页数】10页(P1-10)【关键词】合成孔径雷达;图像质量;客观评价;主观评价;NIIRS【作者】王哲远;李元祥;郁文贤【作者单位】上海交通大学,上海200240;上海市智能探测与识别重点实验室,上海200240【正文语种】中文【中图分类】TP753合成孔径雷达(Synthetic Aperture Radar，SAR)作为国际雷达遥感领域的研究热点之一，其图像解译一直比较困难，一方面是因为它有较强的目标方位敏感性，另一方面是因为它的图像质量问题较为特殊。
SAR 图像的质量受两方面因素的影响，一类来自 SAR 系统自身，包括雷达系统、校正系统、成像算法等。
与光学图像不同，SAR图像反映的是物体对于电磁波的后向散射系数，因此具有强烈的斑点噪声，还具有重影、非均匀增益以及运动模糊等特有的质量问题。
另一类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[1]。
SAR图像质量与SAR 图像解译算法的性能紧密相关，不同质量的SAR 图像可相应地完成目标发现、识别、确认和描述等不同级别的解译任务。
因此，对SAR 图像进行质量评价是一项具有重要意义的基础性工作，不但用于确定图像信息的可用性，指定所需解译度的图像质量，便于以解译度为依据进行相关图像的收集与管理，还可以帮助设计与评估未来的SAR 成像系统，评估传感器的性能等。
光学与sar数据融合开展地物识别的步骤
光学与sar数据融合开展地物识别的步骤光学与SAR数据融合是一种将光学图像和合成孔径雷达（SAR）图像相结合的处理方法，旨在综合两种不同传感器数据的优势，以提高地物识别的精确性和可靠性。
本文将介绍光学与SAR数据融合地物识别的步骤，详细讨论每一步的主要内容。
第一步：数据预处理数据预处理是光学与SAR数据融合的第一步。
在这一步骤中，首先需要针对光学和SAR图像进行基本的预处理，以确保它们具有相同的辐射度量单位和定标，这样才能进行后续的数据融合处理。
对于光学图像，常见的预处理步骤包括：1. 几何校正：根据地面控制点或GPS数据进行几何校正，使图像的比例尺与地图的比例尺一致。
2. 大气校正：根据大气传输模型，对图像进行大气校正，去除大气扰动对图像的影响。
对于SAR图像，常见的预处理步骤包括：1. 多视角校正：针对多视角采集的SAR图像，进行多视角校正，以纠正不同视角下图像的几何变形。
2. 辐射定标：利用了解的SAR系统参数，对SAR图像进行辐射定标，得到表征地物背散射特性的SAR幅度数据。
第二步：特征提取特征提取是融合光学和SAR数据的关键步骤。
光学和SAR数据具有不同的物理特性，因此需要针对两种数据类型采用不同的特征提取方法。
对于光学图像，可以采用常用的颜色、纹理和形状等特征来描述地物。
常见的光学图像特征提取方法包括：1. 颜色直方图：通过统计图像中像素在各个颜色通道上的分布情况，提取图像的颜色特征。
2. 灰度共生矩阵（GLCM）：通过统计图像中像素灰度级别之间的关系，提取图像的纹理特征。
3. 形状描述子：通过计算图像中物体的轮廓或边界，提取图像的形状特征。
对于SAR图像，由于其具有独特的背散射特性，常用的特征提取方法包括：1. 斑块性质：根据SAR图像中不同地物的背散射特性，提取不同地物类别的斑块特征。
2. 极化特征：利用SAR图像的极化信息，提取与地物极化属性相关的特征。
3. 任务相关特征：针对不同的地物识别任务，根据任务需求提取相关的特定特征。
可见光与红外图像的特征转换方法研究
可见光与红外图像的特征转换方法研究近年来，随着计算机视觉和图像处理技术的快速发展，可见光和红外图像的特征转换方法备受研究者们的关注。
可见光和红外图像在物理特性和应用领域上存在明显差异，但二者之间存在一定的关联性。
研究如何将可见光和红外图像进行特征转换，可以为军事、安防、医学等领域带来许多潜在应用。
针对可见光与红外图像的特征转换，目前研究主要集中在以下几个方面。
首先，基于图像融合的特征转换方法。
图像融合是将可见光和红外图像融合成一张多模态的图像，以提取出其中的共同特征。
传统的图像融合方法包括像素级融合和特征级融合。
近年来，随着深度学习技术的兴起，基于深度卷积神经网络的图像融合方法得到了广泛应用，能够实现更加精细的特征转换。
其次，基于特征提取的特征转换方法。
该方法通过提取可见光和红外图像的共同特征，来实现两者之间的特征转换。
常用的特征提取方法包括局部二值模式（LBP）、灰度共生矩阵（GLCM）等。
这些方法能够有效地提取图像的纹理、形状等特征，为可见光和红外图像的特征转换提供了基础。
另外，基于生成对抗网络（GAN）的特征转换方法也成为研究热点。
GAN是一种通过训练生成器和判别器来实现图像转换的方法。
通过训练，生成器可以将可见光图像转换成红外图像，或者将红外图像转换成可见光图像。
这种方法能够实现图像的风格迁移，为可见光和红外图像的特征转换提供了一种新的思路。
总之，可见光与红外图像的特征转换方法研究有着广泛的应用前景。
通过特征转换，可以将两种图像之间的信息互相转化，为各个领域的应用提供更多可能性。
未来的研究可以进一步探索更加高效、准确的特征转换方法，并结合实际应用场景进行验证。
希望这些研究能够为相关领域的发展和进步做出贡献。
简析SAR影像和多光谱影像的融合
简析SAR影像和多光谱影像的融合1 概述随着遥感科学的进步，越来越多的传感器被用于地物信息探测。
对同一个地区而言，存在多种分辨率、多种波段、多种传感器和多种平台的海量数据。
相对于一个地区单一的数据源而言，海量数据具有数据量大、冗余性强、来源众多等特点，各种数据对同一地区的信息表达有大量相同之处。
由于不同传感器对地物信息的收集和表达有所差异，影像融合的目的就是根据实际需要，突出感兴趣的信息，对无关信息进行抑制或者去除，从而获得比单一数据源信息量更大，更符合实际需要的新影像。
SAR影像与多光谱影像融合，有以下四种较有代表性的融合方式：1.1 IHS变换融合法该方法可以显著提高影像的纹理特性，但多光谱影像的亮度信息被完全舍弃，光谱失真严重。
1.2 主分量变换融合法该方法相对IHS变换融合法，对融合后影像的光谱特征扭曲较小，而且清晰度和空间分解力有一定提高。
1.3 小波变换融合法相对于前面两种基于空间域的融合方法，该方式具有更好的光谱信息保持能力和细节表现力。
但是由于该方法对多光谱影像的光谱信息带入小波变换运算中，并与SAR影像进行了一定的中和，因此一定程度上仍然损失了影像的光谱特征。
1.4 IHS变换和小波变换结合融合法该方法能够很好地结合IHS变换和小波变换的优点，提高了影像的空间分辨率，保持了影像的光谱特征。
然而小波变换本身方向性有限，不能充分挖掘影像的几何信息。
该方法在对频率域的分解方式选择和融合规则的选择方面，还有一定可提升空间。
本文通过对上述方法的研究，提出了一种基于IHS变换和非向下采样Contourlet变换（NonSubsampled Contourlet Transform，NSCT）的融合算法。
利用IHS变换对多光谱影像进行颜色空间变换，提取多光谱影像的光谱信息（主要存储于H，S分量内），对包含多光谱影像空间信息的I分量，与去噪后的SAR分别进行NSCT变换，获得两者多尺度、多方向上的分量，按照一定的融合规则对各层分量进行融合，再通过NSCT逆变换和IHS逆变换获得融合后影像。
遥感影像的可见光和红外图像融合方法研究
遥感影像的可见光和红外图像融合方法研究摘要：遥感影像融合是将多源遥感影像的信息有机地结合起来，以获取更多、更高质量的地理信息的过程。
其中，可见光和红外图像的融合被广泛应用于军事、气象、农业、环境等领域。
本文对可见光和红外图像融合的方法进行了研究和总结，包括传统的图像融合方法和基于深度学习的图像融合方法，并对未来的研究方向进行了展望。
1. 引言可见光图像和红外图像是遥感数据中常见的两种图像，它们分别捕捉了不同光谱范围内的信息。
可见光图像能够提供地物的几何形状、颜色和纹理等信息，红外图像则能够反映地物的热特性。
将这两种图像进行融合可以充分利用它们的优势，提高遥感图像的分类和识别性能。
2. 传统的图像融合方法传统的图像融合方法主要包括像素级融合和特征级融合两种方法。
2.1 像素级融合像素级融合方法直接将可见光和红外图像的像素进行组合。
其中，加权平均法是最简单的方法，它根据像素的权重将两幅图像进行加权平均得到融合图像。
另外，变换域融合方法如小波变换和主成分分析也得到了广泛应用。
这些方法能够提取图像的频率和相位信息，将两幅图像进行适应性融合。
2.2 特征级融合特征级融合方法通过提取可见光和红外图像的特征，将特征进行融合。
常用的特征包括梯度、边缘、纹理等。
其中，拉普拉斯金字塔和傅里叶谱分析是两种常用的特征级融合方法。
这些方法能够提取图像的边缘和细节信息，对融合结果具有很好的保边性。
3. 基于深度学习的图像融合方法深度学习在图像融合领域取得了显著的成果。
卷积神经网络（Convolutional Neural Network, CNN）是深度学习中最常用的网络结构之一。
将CNN应用于图像融合可以通过学习图像的特征，得到更好的融合效果。
3.1 基于卷积神经网络的图像融合方法基于CNN的图像融合方法主要包括两种：基于生成对抗网络（Generative Adversarial Networks, GANs）和基于编码器-解码器（Encoder-Decoder）的方法。
计算机视觉中的图像融合方法
计算机视觉中的图像融合方法计算机视觉是一门研究如何使计算机“看”的学科，它的应用范围非常广泛，包括图像处理、模式识别、计算机图形学等。
图像融合是计算机视觉领域中的一个重要研究方向，它是将多幅图像或多种数据融合在一起，以获取更多的信息，提高图像的质量和解释能力。
在本文中，将介绍计算机视觉中的图像融合方法。
图像融合的基本概念图像融合是指将来自不同传感器、不同时间或不同空间的多幅图像融合在一起，以产生一个具有更多信息的新图像。
图像融合技术可以用于增强图像的对比度、减少噪声、提高分辨率、增强特定目标的识别能力等。
图像融合的目标是将原始图像中的信息进行最大化利用，以获得更多的有用信息。
图像融合的方法图像融合的方法包括像素级融合、特征级融合和决策级融合。
1. 像素级融合像素级融合是指将多幅图像的像素值进行加权平均或其他数学运算，以获得一个新的图像。
像素级融合是最简单的融合方法，它不考虑图像中的任何特征，只是简单地对像素值进行操作。
由于像素级融合没有考虑到图像的特征，因此它的融合效果通常不太理想。
2. 特征级融合特征级融合是指利用图像中的特征信息进行融合。
特征级融合通常包括特征提取、特征选择、特征融合等步骤。
通过对图像中的特征信息进行提取和融合，可以更好地保留图像中的有用信息，提高融合效果。
3. 决策级融合决策级融合是指通过对多幅图像进行决策，以确定最终融合结果。
决策级融合通常包括分类、聚类、回归等方法，通过对图像进行分析和决策，以获得最终的融合结果。
图像融合的应用图像融合技术在军事、医学、遥感、安防等领域都有着广泛的应用。
在军事领域，图像融合可以用于合成孔径雷达（SAR）图像与光学图像，以获得更全面的目标信息。
在医学影像领域，图像融合可以用于将不同模态的医学影像进行融合，以提高诊断的准确性。
在遥感领域，图像融合可以用于将多源遥感数据进行融合，以获得更准确的地物信息。
在安防领域，图像融合可以用于将可见光图像与红外图像进行融合，以提高目标的检测和识别能力。
面向光学和SAR遥感影像的深度融合模型地物分类研究
面向光学和SAR遥感影像的深度融合模型地物分类研究面向光学和SAR遥感影像的深度融合模型地物分类研究摘要：随着遥感技术的迅速发展，光学遥感和合成孔径雷达（SAR）遥感成为获取地球表面信息的重要手段。
然而，由于光学和SAR影像各自的特点，单一传感器的数据在地物分类中存在一定的局限性，因此深度融合模型成为目前研究的热点。
本文旨在探讨面向光学和SAR遥感影像的深度融合模型在地物分类中的应用研究，通过对比分析不同深度融合模型的优缺点，总结出一种可行的深度融合模型。
一、引言地物分类是遥感应用中的重要任务之一，它对于资源环境管理、自然灾害监测等领域具有重要意义。
光学遥感和SAR遥感是常用的两种遥感影像获取方式。
光学遥感影像具有高空间分辨率、丰富的光谱信息等特点，适用于土地利用、农作物监测等应用场景；SAR遥感影像则具有独立于日照和天候的优势，适用于森林覆盖、城市区域等不同地貌和地物类型的分类。
然而，单一传感器的数据在某些情况下难以满足实际需求，因此深度融合模型成为研究的热点。
二、光学和SAR遥感影像的特点分析光学遥感影像具有高分辨率、高光谱信息、丰富的纹理特征等优点，能够提供详细的地物信息。
但是，光学影像容易受到云、雾、光照等因素的干扰，一定程度上影响地物分类的准确性。
而SAR遥感影像则相对较不受天候、光照等因素的限制，能够获取地物的微小变化，具有较好的穿透能力。
然而，SAR影像由于其图像质量较差（例如斑纹噪声、边缘模糊等），同时往往缺乏光谱信息，导致分类结果不够准确。
三、深度融合模型的研究现状深度融合模型是利用深度学习方法将多源数据进行融合，以提高地物分类的准确性。
目前，常见的深度融合模型包括融合特征提取、融合特征表示和融合特征分类三个步骤。
在融合特征提取方面，可以采用卷积神经网络（CNN）等模型，对光学和SAR影像进行特征提取；在融合特征表示方面，可以采用多层感知机（MLP）、自编码器等模型，将提取到的特征进行表示；在融合特征分类方面，可以采用支持向量机（SVM）、随机森林（RF）等模型，对表示后的特征进行分类。
光sar融合原理
光sar融合原理
光SAR（Synthetic Aperture Radar）融合是将光学遥感和合成孔径雷达技术相结合的一种数据融合方法。
光学遥感主要通过获取地物反射或辐射的电磁波能量来进行地物识别和监测，而合成孔径雷达则利用雷达发射的微波信号与地物相互作用，通过接收回波信号分析地物特征。
光SAR融合原理是将光学遥感图像和合成孔径雷达图像进行配准和融合，以获得更详细、全面的地物信息。
具体步骤包括以下几个方面：
1. 数据获取：同时获取光学遥感图像和合成孔径雷达图像，并确保两种数据在时间和空间上具有一定的重叠。
2. 配准：通过图像配准算法将光学遥感图像和合成孔径雷达图像进行精确对准，保证它们在空间上一一对应。
3. 融合算法：将配准后的光学遥感图像和合成孔径雷达图像进行融合。
常用的融合方法包括基于像素级的直接融合、基于特征提取的融合和基于决策级的融合等。
4. 结果分析：对融合后的图像进行分析和解译，以获取更准确、全面的地物信息。
可以利用融合后的图像进行地物分类、目标检测、地貌分析等应用。
光SAR融合技术可以克服光学遥感和合成孔径雷达各自的局限性，同时利用它们相互补充的特点，提供更丰富的地物信息。
这对于资源环境调查、灾害监测、军事侦察等领域具有
重要意义。
- 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)。
图2 4.114 9 9.536 0 15.071 0 17.184 3 33.576 9 23.329 0 34.237 5 57.423；88
从表 1 中的数据可以看出两个闭合区域的不变矩相似，质 心位置相近，保留图 1 和图 2 中任意一个闭合的边缘。
情况 2 光学图像闭合区域和 SAR 图像开区域，计算质心， 进行轮廓矩匹配，如匹配，则把闭合区域放到最终边缘图。图 3 是 SAR 图像中的一个闭合区域，图 4 是光学图像相近位置上 一个开区域，计算开区域两个端点和质心，在图 3 中找到这两 个端点，图 3 中的闭合区域被这两个端点截取为两部分开区 域，再计算两个开区域的质心，选取与图 4 质心最为相近的那 个开区域。
5 该文算法步骤
（1）用离散 Canny 算法提取光学图像的边缘，用 Ratio 算法 提取 SAR 图像边缘，并细化，用 Hough 变换检测道路；
（2）SAR 图像中的闭合区域，在光学图像中相近位置找闭 合 区 域 ，计 算 它 们 的 不 变 矩 ，如 果 不 变 矩 相 似 ，则 保 留 其 中 一个；
（3η21 -η03）（η21 +η03）[3（η30 +η12） -（η21 +η03） ]
（9）
2
2
准6 =（η20 -η02）（[ η30 +η12） -（η21 +η03） ]+
4η11（η30 +η12）（η21 +η03）
（10）
2
2
准7 =（3η21 -η03）（η30 +η12）（[ η30 +η12） -3（η21 +η03） ]+
2009，45（24） 179
3 轮廓矩
这里先介绍轮廓矩的定义，平面曲线 l 的（p+q）阶矩定义[2]为：
乙 mp，q= xpyqds，（p，q=0，1，2，…）
（12）
其中，ds 为曲线 l 的弧微分。由此 m00 是曲线的弧长。（p+q）阶 中心矩定义为：
乙 νp，q= （x-x0）（p y-y0）qds，p，q=0，1，2，…
1 引言
多传感器图像融合是为克服单一传感器在某些方面的不 足，通过对多源信息的融合获得包含各个源图像特征信息的质 量更好的图像，有利于对特定事件和现象进行定位、识别和解 释。由于光学图像和 SAR 图像成像机理不同，即便配准精确的 图像提取出来的边缘也会出现不重合的情况，这是不可避免 的，不是由特征提取算法导致的，而是两图像中的边缘客观存 在偏差。同一目标的两条边缘，在源图像中就存在微小位移，减 少重复边缘，考虑将一幅图像中连续的边缘（包括闭合的边缘） 作为一个整体，考虑相近位置上与另一幅图像边缘之间的相似 度，用不变矩和轮廓矩计算统计量进行各条边缘的匹配，如果 相似度高，则保留其中任意一条，如果相似度低，则全部保留。
（13）
0 0 其中
x0=
m10 m00
，y0=
m01 m00
是质心坐标。对于数字图像的边缘有：
Σ mpq= xpyq△s x，y
（14）
Σ νpq= （x-x0）（p y-y0）q△s x，y
（15）
其中，△s 是轮廓曲线上两个相邻像素点之间的距离，中心矩 νpq
是平移不变的。为了得到尺度不变性，同样也要引进尺度规范
化矩的定义。与上述基于区域的情况不同的是，这时分母中的
ν0（0 或 m00）的指数是 1+p+q 而非 1+（p+q）/2。
μpq=
νpq =
1+p+q
νpq ，p，q=0，1，2，…
1+p+q
ν00
m00
（16）
最后，为了使轮廓矩不变量具有旋转不变性，只需将尺度规范
化矩式（16）代入式（5）~式（11）。
4 匹配融合
由于获取地物波谱信息的波段范围及成像方式的不同， SAR 图像与可见光图像所得到的信息有很大差异。将 SAR 与 可见光图像融合，可以获得地物的多层次特性，进一步揭示地 物的本质特征[3]。
由于光学图像和 SAR 图像成像机理不同，导致两幅图像 中的边缘客观存在偏差。同一目标的两条边缘，在源图像中就 存在微小位移，考虑将一幅图像中连续的边缘（如闭合的边缘） 作为一个整体，考虑与另一幅图像相近位置上的边缘之间的相 似度，用不变矩和轮廓矩计算统计量进行各条边缘的匹配，如 果 相 似 度 高 ，则 保 留 其 中 任 意 一 条 ，如 果 相 似 度 低 ，则 全 部 保留。
基于上述工作，进一步的研究方向应是改进混合高斯背景 模型的建模过程，加快其收敛速度以及研究使用参数较少的阴 影去除方法移除阴影。
（d）该文方法检测到的阴影 （e）该文方法检测结果 图 1 检测及去阴影后的结果
（a）背景图像 （b）光线突变的待检测图像 （c）检测结果 图 2 光照发生突变的检测结果
图 1 使用分辨率为 144×176 的摄像头，其中（a）为背景图 像，（b）为待检测的图像，（c）为使用文献[8]所述方法检测出的 前景目标，由于图中左上部分为多层书的侧面，颜色变化很大， 摄像头略微晃动就会引起误检。由图 1（c）可见采用文献[8]方 法左上产生了两处误检。（d）为使用 3.4 节所述方法检测出的 球体阴影。（e）为使用该文所述方法检测到的前景，可见该方法 很好地消除了误检，去除了阴影，取得了较好的检测效果。
6 实验
实验用计算机配置为：P4，3.0 G CPU，1 G 内存，用 MAT－
轮廓矩
f1 f2*105 f3*108 f4*108 f5*1015 f6*1010 f7*1028 质心
表 2 轮廓矩数据
图1 0.007 082 8 5.016 5 6.134 3 6.134 3 2.221 5 4.344 8 1.173 7 162.84；20.253
（下转 182 页）
182 2009，45（24）
Computer Engineering and Applications 计算机工程与应用
个混合高斯模型，每一个高斯混合模型的初始权值和方差分别 为 0.2 和 10。权值更新参数为 0.3，均值和方差更新系数为 0.2。 阴影移除实验中 α=0.65，β=0.95，τs、τh 均为 0.3，T=20。实验结 果如图 1 和图 2 所示。
178 2009，45（24）
Computer Engineering and Applications 计算机工程与应用
可见光与 SAR 图像的特征级融合
李璟旭 LI Jing-xu
北京航空航天大学 电子信息工程学院，北京 100083 School of Electronic and Information Engineering，Beihang University，Beijing 100083，China E-mail：freemail@
LAB 编程实现。 情况 1 光学图像闭合区域和 SAR 图像闭合区域相匹配，
计算质心，如匹配，则说明实际有这个目标，则把这个闭合区域 放到最终边缘图。
表 1 不变矩数据
不变矩 ф1 ф2 ф3 ф4 ф5 ф6 ф7 质心
图1 4.163 7 9.577 8 15.326 6 17.179 9 33.672 8 23.315 3 34.465 0 57.214；87.354
（3）SAR 图像中的闭合区域，在光学图像中相近位置如果 没有闭合区域，而有开区域，那么计算开区域两个端点并计算 开区域的质心，在 SAR 图像中的闭合区域取以光学图像中开 区域两个端点为端点，参考质心位置，截取其中的部分边缘，进 行不变矩或轮廓矩计算，如果矩相似则保留闭合区域；
（4）如果 SAR 图像中的边缘在光学图像中不存在，那么则 考虑此边缘在 SAR 图像边缘提取时，即使阈值很高时仍存在， 则保留此边缘。
LI Jing-xu.Optical and SAR images’feature puter Engineering and Applications，2009，45（24）：178-179.
Abstract：Aiming at single sensor’s limitation on spectrum and spatial resolution，this paper uses the technology of multi-sensor fusion，which furthest obtains the information description of target scene.This paper firstly adopts different edge detection to extract the same scene’s optical image and SAR image，obtaining each one’s edge feature image.By adopting the methods of moment in－ variants and contour-based moment to match each edge in the two edge feature images，this paper obtains the clearer and even more complete image. Key words：edge detection；image matching；image fusion