论文部分内容阅读
随着对地观测技术的快速发展,世界迎来高分辨率遥感的时代。当前,传统光学遥感图像已达亚米级,而星载SAR图像也已突破米级。与此同时,遥感成像的重访周期也大大缩短,使得遥感图像数据在空间维度和时间维度都得到了显著增长。高分辨率遥感越来越广泛地融入并改变人类的生产及生活方式,其所承载的丰富地物及场景信息,在深化人类对客观世界认知的同时,也带来了极大的挑战。一方面,随着遥感图像空间分辨率的提升,遥感数据量几乎呈现爆炸式增长,如何利用计算机对图像进行快速处理,增强有用信息提取的可靠性尤为重要;另一方面,虽然目前人们在传统中低分辨光学遥感图像处理方面已经积累了一些相对成熟的方法,但这些方法对于分辨率达到亚米级的光学遥感图像的适用性往往较差,特别是更难以应用于成像体制完全不同的高分辨SAR图像,从而在很大程度上降低了上述遥感数据的综合应用价值。因此,大力发展以米级和亚米级SAR和光学遥感图像为主的高分辨遥感图像处理与分析技术,是破解当前遥感数据“既多又少”困局的重要途径之一。本文以米级、亚米级分辨率SAR和光学遥感图像为研究对象,对高分辨遥感图像处理与分析的若干关键技术进行深入研究,包括SAR图像斑点噪声抑制、分割、目标检测,以及光学遥感图像雾霾消减等,通过挖掘和利用遥感图像统计特性,针对性地提出若干处理方法,改善高分辨率遥感图像质量,凸显图像及目标局部细节,以利于图像判读与信息提取等后续分析。主要创新点包括:1)提出了一种基于广义引导滤波的高分辨SAR图像斑点噪声抑制方法。首先将线性形式的标准引导滤波拓展为非线性形式的广义引导滤波,并采用贝叶斯非局部均值和最大似然方法,分别估计广义引导滤波的非线性加权核函数与引导图像。实验结果显示,该方法能够有效抑制仿真及实际获取高分辨SAR图像中的斑点噪声,同时具有良好的细节保持能力,主客观评价结果整体优于Frost、Gamma MAP等传统滤波方法,以及BM3D和PPB等主流处理方法。2)提出了一种基于良初始化Chan-Vese模型的高分辨SAR图像分割方法。该方法首先采用Gabor滤波器组对原始图像施以增强处理,然后采用GMM模型对增强图像进行统计建模,进而借助EM算法完成统计预分割,并将分割图像用于Chan-Vese模型的初始化。对车辆、船只,以及人工建筑等扩展目标高分辨SAR图像分割实验结果表明,该方法在分割精度和实现效率方面均优于马尔可夫随机场方法和多尺度水平集等常用方法。3)提出了一种基于情境感知显著性的高分辨SAR图像目标检测方法。该方法通过对高分辨SAR图像统计特性的分析,实现了背景情境的感知,进而在多尺度分解框架下,给出了目标显著性计算方法,并采用自适应阈值法进行显著性图的分割。对MSTAR数据集以及TerraSAR-X等高分辨SAR图像的实验测试表明,该方法在显著性检测方面的准确率和召回率等指标值整体优于GBVS、FT等方法,同时对车辆、建筑及舰船等目标的检测率达97%以上,整体优于CFAR等方法。4)提出了一种基于局部特征分析的高分辨光学遥感图像雾霾消减方法。该方法从高分辨遥感图像和自然图像成像模型差异出发,证明了采用线性模型进行雾霾消减的合理性,进而通过对雾霾图像局部特征的分析,构建了线性模型参数的估计方法。对包含不同场景、不同浓度雾霾的高分辨光学遥感图像的相关实验结果表明,该方法在能够有效增强雾霾图像对比度,在显著消减雾霾的同时,具有良好的局部细节保持能力,主客观评价结果整体均优于多尺度Retinex、DCP等主流处理方法。