設(shè)計(jì)關(guān)鍵詞輸入中文關(guān)鍵詞

摘 課題背景及意 課題背 研究意 國內(nèi)外研究現(xiàn)狀及分 GIS國內(nèi)外研究現(xiàn) SAR國內(nèi)外研究現(xiàn) 多源數(shù)據(jù)融合國內(nèi)外研究現(xiàn) 國內(nèi)外研究現(xiàn)狀評 本文的主要工作及結(jié) 第2章基于先驗(yàn)知識的SAR圖像目標(biāo)特征提 SAR圖像目標(biāo)特征提取存在的問 目標(biāo)特征提 SAR圖像中農(nóng)田目標(biāo)的提 SAR圖像中水域目標(biāo)的提 本章小 第3章SAR與GIS配準(zhǔn)融合技 圖像配準(zhǔn)的概 圖像配準(zhǔn)的一般方 GIS信息 GIS信息庫結(jié)構(gòu)[E.Shapefiletechnicaldescription[J].AnWhitePaper, GIS數(shù)據(jù)轉(zhuǎn)換技 基于修正的SURF圖像配準(zhǔn)技 SURF圖像配準(zhǔn)算 基于修正的SURF配準(zhǔn)算 實(shí)驗(yàn)驗(yàn)證與結(jié)果分 SAR與GIS配準(zhǔn)融合技術(shù)的應(yīng)用實(shí) 本章小 第4章SAR圖像變化檢測技 變化檢測的概 變化檢測對本文的重要意 常用的變化檢測算 基于模糊綜合貼近度的變換檢測算 實(shí)驗(yàn)結(jié)果及對比分 本章小 結(jié) 致 參考文 附 第一章課題背合成孔徑（Syntheticrtured,S）是主動(dòng)式的一種，能夠向自由空間輻射電磁波，并通過接收到的回波形成圖像。與普通的光學(xué)相機(jī)及紅外探測裝置相比，SAR對于環(huán)境的適應(yīng)能力更強(qiáng)，可以極大降低天氣和光線對探測結(jié)果的干擾，而且對于地面的植被、空中的云層及霧氣具有一定的性2]。除此之外，SR圖像中豐富的紋理信息也是其他SR圖像的信噪比降低，而且在成像過程中，由于成像機(jī)理的原因，也不可避免的造成幾何形變甚至疊掩、頂?shù)椎怪玫热毕輀3]。雖然目前已經(jīng)出現(xiàn)了可以解決部SR能很快取代在用設(shè)備。很顯然，多源數(shù)據(jù)融合技術(shù)會很好的彌補(bǔ)這方面的不足。而SRIS的融合便是其中很重要的部分。GIS，系統(tǒng)GIS信息庫。GIS數(shù)據(jù)庫中包含準(zhǔn)確的地理位置、地物分類、目標(biāo)特征甚至目標(biāo)實(shí)景圖像等信息[4]SAR圖GIS庫的滯后性使得地物的變化并不更新，使得區(qū)域的描述和當(dāng)前的真實(shí)信息存在一定研究意前面已經(jīng)介紹了合成孔徑（SAR）與地理信息系統(tǒng)數(shù)據(jù)（GIS數(shù)據(jù)庫）的優(yōu)缺點(diǎn)，我們從比較中可以看出，SARGIS都擁有自己獨(dú)特的優(yōu)SARSAR圖像特SAR圖像中的模糊或隱藏的地物目標(biāo)，在軍事目標(biāo)識別和精確打擊方面具有重要意義，大大提升現(xiàn)有合成孔徑的應(yīng)SAR圖像，可以獲取地物目標(biāo)的GISGIS的GIS數(shù)據(jù)庫的實(shí)用價(jià)值。SARGIS信息庫的配準(zhǔn)融合技術(shù)具體來說有以下幾GIS信息可以提高SAR利用SAR圖像識別地物目標(biāo)時(shí)，主要通過其灰度信息及紋理特征進(jìn)SAR圖像中的相干斑噪聲使得圖像的灰度信息及紋理信息都會SAR圖像上對需要的目標(biāo)進(jìn)行快速的粗定位，生成感區(qū)，之后在感區(qū)內(nèi)進(jìn)行精確提取。這樣，一方面可以提高目SAR圖像中進(jìn)行檢測，從而避免GIS信息庫與SARSAR圖像地物目標(biāo)的分辨力GIS信息庫是一個(gè)極其豐富的數(shù)據(jù)庫，數(shù)據(jù)庫的數(shù)據(jù)來源于航空航天遙感、紙質(zhì)地圖數(shù)字化、合成孔徑、近景攝影測量及手工測繪等多個(gè)方面[6]SAR圖像中點(diǎn)目標(biāo)的提取是很的，而且某些線目標(biāo)提取也很容易相干斑噪聲的影響。SARGIS前文已經(jīng)提到，GIS數(shù)據(jù)庫的信息來源很多來源于手工測量，這就導(dǎo)GIS數(shù)據(jù)庫無法進(jìn)行及時(shí)的更新，從而在利用上不具有實(shí)時(shí)性，對其應(yīng)用范圍的拓展具有一定的局限性。合成孔徑（SAR）作為GIS數(shù)SAR的GIS數(shù)據(jù)庫的更新提供部分信息。不僅如此，SAR圖像的變總之，SARGISGISGIS的發(fā)展得益于40、50年代計(jì)算機(jī)科學(xué)的進(jìn)步，使得匯總、處理大量數(shù)據(jù)成為可能。在國外，GIS2060也成立了很多GIS研究的相關(guān)組織。例如城市和區(qū)域信息系（URISA（CGDSP系統(tǒng)（NASIS）等。20世紀(jì)60年代讓人們開始關(guān)注GIS這個(gè)全新2070年代是計(jì)算機(jī)迅速發(fā)展的階段，此時(shí)計(jì)算機(jī)開始進(jìn)入小規(guī)模集成電路階段，運(yùn)算速度達(dá)到106~108次/為GIS大量數(shù)據(jù)的錄入、、檢索提供可能。這個(gè)時(shí)期被稱為鞏固時(shí)期，主要研究成果有USGS研制的地理信息提取和分析系統(tǒng)、明尼蘇達(dá)研制的土地管理系統(tǒng)，20世紀(jì)70年代GIS逐步開始實(shí)用。20世紀(jì)80年代，計(jì)算機(jī)的發(fā)展迎來了，超大規(guī)模集成電路的出GIS技術(shù)也得到了空前的發(fā)展。軟件和硬件上的發(fā)展讓GIS開始進(jìn)入實(shí)用化階段。1988年，SmallWorld公司成立，標(biāo)志著國外的GIS技術(shù)開始商業(yè)化。在現(xiàn)階段，的國家已經(jīng)開始探索并利用GIS與遙感信息進(jìn)行融合，，1974研究起步較晚，但是從1980年開始，我國開始加大對GIS相關(guān)研究的投入，從發(fā)展歷史看，我國的GIS技術(shù)與國外依然存在較大的差距。70年代，我國開始出現(xiàn)此學(xué)科，而國外已經(jīng)出現(xiàn)了基于RS的GIS，并出現(xiàn)了相關(guān)的商業(yè)公司。在的機(jī)構(gòu)中，GIS技術(shù)的使用率達(dá)到了84%，GIS數(shù)據(jù)甚至為海外中的軍事行動(dòng)提供了轟炸依據(jù)[8]。SAR國內(nèi)外研究現(xiàn)20世紀(jì)50年代，開始出現(xiàn)合成孔徑（SAR）的相關(guān)概念及理論研究。1953年7月伊大學(xué)的Sherwin等人利用機(jī)載X波段相干脈沖得到了一幅實(shí)驗(yàn)性的SAR圖像。1957年，在軍方的支持下，經(jīng)過四年的努力，Michigan大學(xué)成功得到了世界上第一幅完全聚焦的條帶式正側(cè)視SAR圖像。1967GreenbergSAR的構(gòu)想，Greenberg認(rèn)為星載SAR飛行高度高、測繪帶寬，適合對地大面積成像。70年代后期，宇航局（NASA）成功發(fā)射了全球的第一個(gè)裝配有合成孔徑的——Seasat-a，該的飛行高度為800km，測繪帶寬達(dá)到了100km.這也標(biāo)志這SAR的發(fā)展開始進(jìn)入太空時(shí)代，此后前、歐洲、、等國家和地區(qū)都擁有了自己的星載SAR。其中前在1987年發(fā)射的“COSMOS-1870252年，是當(dāng)時(shí)唯一一部能夠長期工作的空間SAR。SAR憑借其在環(huán)境適應(yīng)能力的卓越表現(xiàn)，得到了各國的高度重視。目前已經(jīng)工作的星載SAR系統(tǒng)有航天局的SIR-A和SIR-B、前的Almaz-1、歐洲多國聯(lián)合研制的ERS-1和ERS-2、的JERS-1和ALOS、德國的TerraSAR-X和意大利的COSMO-SkyMed。其中TerraSAR-X和COSMO-Sky1米[9]SAR方面起SAR圖像的信息，更好的為民生多源數(shù)據(jù)融合國內(nèi)外研究現(xiàn)自主進(jìn)行信息綜合處理。在開始的階段，的Landsat利用多個(gè)不紀(jì)90年代以來，隨著科學(xué)技術(shù)的進(jìn)步，我們已經(jīng)可以利用遙感、地理信息系統(tǒng)（GIS、合成孔徑（SAR）等技術(shù)獲取各種探測數(shù)據(jù)。數(shù)據(jù)融合的數(shù)據(jù)來源更加豐富。的TI公司將紅外成像與微光成像圖像相融戰(zhàn)環(huán)境[10]。之后軍方又在F-16戰(zhàn)斗機(jī)上進(jìn)行了嘗試，將紅外、激光和光學(xué)相機(jī)得到的圖像進(jìn)行融合，為提供更為豐富的信息，提高的研究，其羅斯的米里設(shè)計(jì)局設(shè)計(jì)的米-28戰(zhàn)斗直升機(jī)的數(shù)據(jù)融合系統(tǒng)更是將主動(dòng)、紅外傳感器、可見光機(jī)以及夜間可視儀等組成了一個(gè)整體，使整體具備了更為驚人的能力與環(huán)境適應(yīng)能力[12]。國內(nèi)對數(shù)據(jù)融合的研究起步較晚，還處于狀態(tài)。1980年起，國內(nèi)才開始目標(biāo)的理論研究工作，但是受制于數(shù)據(jù)獲取不夠豐富，進(jìn)展較為緩慢。近年起，國內(nèi)SAR成像、光學(xué)成像、高光譜成像等技術(shù)都完善，而我國在這方面還鮮有。利用數(shù)據(jù)融合技術(shù)對SAR圖像進(jìn)行必要補(bǔ)充，提高SAR的軍事能力和空中監(jiān)測能力是我國當(dāng)前的一項(xiàng)SAR圖像的融合并發(fā)揮互補(bǔ)優(yōu)勢，是多源數(shù)據(jù)融合中的一項(xiàng)新的內(nèi)容。從目前公開的文章中看，GIS與各類遙感數(shù)據(jù)的融合已經(jīng)有一些研究。國內(nèi)外已的文章對GIS輔助的山區(qū)流邊界獲取、GIS約束的海岸線提取[13]等做了相關(guān)論述，但是相關(guān)研究資SARSAR系統(tǒng)的信SAR的觀測數(shù)據(jù)實(shí)現(xiàn)地面測繪、軍事偵察以及預(yù)測是我們關(guān)心的首要問題。但是當(dāng)前對SAR數(shù)據(jù)的利用主GIS數(shù)據(jù)為引導(dǎo)，充分挖掘SAR圖像數(shù)據(jù)有用信息，建立SAR圖像的智能GIS-SAR數(shù)據(jù)融合GIS技術(shù)發(fā)展的迫切需求。先前時(shí)SAR圖

當(dāng)前時(shí)SAR圖更新格轉(zhuǎn)更新格轉(zhuǎn)變化檢特征圖與 變化檢 引導(dǎo)目標(biāo)提數(shù)據(jù)庫1.3.1本文主要研究三個(gè)方面的內(nèi)容，分別為基于先驗(yàn)知識的SAR圖像目標(biāo)提取技術(shù)研究、SARGIS配準(zhǔn)融合技術(shù)研究以及SAR圖像變化檢本文第一部分為緒論，主要對課題的研究背景、意義、國內(nèi)外研究現(xiàn)狀進(jìn)行介紹，并概述本文的結(jié)構(gòu)及主要內(nèi)容。SAR緣、紋理等，為SARGIS配準(zhǔn)做準(zhǔn)備。SARGIS配準(zhǔn)融合技術(shù)及應(yīng)用。對于不同元數(shù)據(jù)GIS矢量數(shù)據(jù)格式轉(zhuǎn)換技術(shù)、SARGIS配準(zhǔn)技術(shù)，并驗(yàn)證了兩者配準(zhǔn)融合后對SAR圖像中目標(biāo)提取的引導(dǎo)作用。于很多方面，比如軍事打擊評估、變化檢測、引導(dǎo)目標(biāo)提取等。但是GIS的信息庫具有滯后性，并不發(fā)現(xiàn)地形或者地貌的變化。而SAR圖像的時(shí)效性剛好解決了這一問題，因此SAR圖像的變化檢測技術(shù)對于SAR與GIS的配準(zhǔn)融合具有重要的意義。第2章基于先驗(yàn)知識的SAR圖像目標(biāo)特征提合成孔徑（SAR）不同于光學(xué)圖像，它是通過主動(dòng)發(fā)射電磁波并接收回波信號進(jìn)行成像。SAR圖像的分辨率相比于可見光圖像較低，并且SAR成像都是側(cè)視，使得目標(biāo)的外形、輪廓都發(fā)生了較大的形變。SAR圖像中的目標(biāo)SAR圖像中的農(nóng)田和水域目SAR是不同于光學(xué)成像的一種成像方式，SAR圖像包含其他圖再適用或者精度不高，SAR圖像目標(biāo)的提取存在一些問題需要解決。方位角的不同也會造成目標(biāo)的散射系數(shù)不一樣，使得同類別的目標(biāo)在SR常用的閾值分割法不再適用。SR圖像的圖像噪聲較大，其中最主要的是相干斑噪聲。相干斑噪聲在所有的SR圖像中均表現(xiàn)為顆粒狀的亮斑[14]2.1.1所示，對于均勻的水域，在沒有相干斑噪聲時(shí)，水域在圖像中應(yīng)該表現(xiàn)低亮度區(qū)域并且成面狀分布，而且灰度值較為均勻；但是相干斑噪聲的存在會使灰度值變得不再均勻，在水域區(qū)域中存在顆粒狀的白斑，顯然這對目標(biāo)的提取是不利的。2.1.1相干斑噪聲對SAR一般來說，合成孔徑都是正側(cè)視成像，這種成像方式會使圖像存在迎坡縮短、疊掩、頂?shù)椎怪玫痊F(xiàn)象[15]，這就對圖像中目標(biāo)的提取帶來了新的問題。SAR圖像中并不是用，在圖像的配準(zhǔn)融合過程中，特征點(diǎn)的選取是至關(guān)重要的一步。隨著SAR成像技術(shù)的進(jìn)步，成像質(zhì)量越來越來，分辨率有了很大的提高，有些已經(jīng)達(dá)到了亞米級。這就意味著圖像上呈現(xiàn)了的細(xì)節(jié)，如果直接在SAR圖像中提取特征點(diǎn)，很容易受到圖像中的細(xì)節(jié)和相干斑噪聲的影響，為了降低影響，盡可能提高匹配精度，須提取目標(biāo)特征，在特征圖中尋找特征點(diǎn)。所以，SAR圖像中的目標(biāo)檢測是配準(zhǔn)融合之前至關(guān)重要的步驟，本章感的目標(biāo)為農(nóng)田和水域。SAR問題來SAR紋理特征：紋理特征能夠反映地物在灰度上周期性變化的規(guī)律，農(nóng)田的紋理特征主要包含紋波、斑紋以及受到其他地物影響而出現(xiàn)的不規(guī)則紋理。對于集聚排列的農(nóng)田塊，它們的顏色、形狀都會形成明顯的紋理特征[16]。光譜特征：由于農(nóng)田上的作物會隨著季節(jié)的變化而改變，其表現(xiàn)出來形狀特征：農(nóng)田在SAR圖像中表現(xiàn)為較為清晰的邊緣，一般為相對規(guī)SAR圖像中農(nóng)田特征的提取方法可分為：基于光譜特征的閾值分割法農(nóng)田是典型的面目標(biāo)，對面目標(biāo)的提取也包含很多算法。形態(tài)學(xué)算法需要確立一個(gè)點(diǎn)，要么依賴于人工要么需要其他算法的參與；基于光常用算法介因?yàn)檗r(nóng)田在SAR圖像中表現(xiàn)的光譜特征較為均勻，迭代自組織數(shù)據(jù)（1）（2）計(jì)算SAR（3）聚類中心的距 迭代次數(shù)迭代次數(shù)結(jié)計(jì)算類均高等人提出了一種基變換和分水嶺分割的高分辨率遙感圖.2所示：通過對圖像進(jìn)行對比增強(qiáng)，并將圖圖平滑濾噪聲抑小波變平滑近圖像梯平滑濾噪聲抑小波變平滑近圖像梯度計(jì)區(qū)域標(biāo)分割結(jié)Canny緣檢邊緣連改進(jìn)的區(qū)合并算分水嶺分圖像重這種方法雖然能夠?qū)⑥r(nóng)田主體分割出來，但是受較大，尤其基于分水嶺分割及紋理特征分析的農(nóng)田提取算.1圖像預(yù)處分水嶺分割算法處理結(jié)果較為細(xì)致，但是很容易受到SAR圖像相干相干斑噪聲在SAR成像過程中不可避免產(chǎn)生，相應(yīng)的抑制算法也出一般，所以在SAR圖像濾波中很少使用。就目前來說，SAR圖像濾波中常用的幾種濾波器主要有：Lee濾波及其增強(qiáng)型、Frost濾波及其增強(qiáng)型。Lee濾波Le濾波假設(shè)的噪聲模型是完全發(fā)育的斑點(diǎn)乘性噪聲模型，認(rèn)為先驗(yàn)均值和方差都能夠根據(jù)在均勻的局部區(qū)域內(nèi)計(jì)算的均值和方差確定。Le濾波是一種以最小均方誤差（SE）為準(zhǔn)則不斷優(yōu)化的線形濾波器濾波算法。在濾波過程中，濾波器會在圖像中的每個(gè)像素上逐步移動(dòng)，其對應(yīng)的局部統(tǒng)計(jì)量也會隨著濾波器位置的不同有不同。假設(shè)濾波器窗口大小為（2m+1，2n+1計(jì)算濾波器窗口內(nèi)的各個(gè)像素的局部平均灰度gij，gij代表濾波器中心像素(i,j)的均值。g(i,j)g (2m1)(2n

jmg(k,kjml

式(2-計(jì)算濾波器窗口內(nèi)的各個(gè)像素的局部平均標(biāo)準(zhǔn)差ijij代表濾波器中心像素(i,j)的均值。(i,j) (2m1)(2n

jm(k,kjml

式(2-計(jì)算Lee濾波

gijgij(1k)

式(2-其中，gij代表濾波后的值，k為值，由式(2-4)計(jì)2g2(i,k 式(2-Lee濾波器對靠近邊緣或點(diǎn)目標(biāo)的同質(zhì)區(qū)域像素濾波效果不太理想，Lee又提出了一種基于邊緣檢測的自適應(yīng)濾波算法。改進(jìn)算法的思想被稱Lee濾波[22]，它是通過重新定義中心像素的鄰域，以提高對中心像素的參數(shù)估計(jì)的準(zhǔn)確度。假設(shè)窗口大小為77，處理過程如下：將77的窗口分為九個(gè)小窗口，每個(gè)小窗口大小為33，可以看出9小窗口之間是存在相互部分的。圖.2表示出了這9個(gè)小區(qū) .27*79計(jì)算各個(gè)小窗口的均值。并利用小窗口的均值構(gòu)造33的均值矩陣種邊緣模板進(jìn)行計(jì)算，選擇計(jì)算結(jié)果絕對值的方向?yàn)檫吘壏絒23][24] 0 1 0 0 0 0 .3四種33梯度模板（分別為90135045重新估計(jì)局域均值和方差，從而重新估計(jì)中心像素的均值和方差。一 .3對于90M23

M21

，則模板為(1a)，否則為對于135M13

M31

，則模板為(1b)，否則為對于0M32M22M12M22，則模板為(1c)，否則為對于45M11Frost濾

M33

（2dSARSAR圖像進(jìn)行較好的濾波。Frost濾波器的沖激響應(yīng)為雙邊指數(shù)函數(shù)，通?？梢越茷長ee濾波器類似，濾波器的各項(xiàng)參數(shù)都是根據(jù)滑動(dòng)窗口大小確定的[25]。假設(shè)濾波器的窗口大小為nn，F(xiàn)rost濾波的具體步驟如下所計(jì)算滑動(dòng)窗口的均值gij與方差 ngij g(k,nk1l

式(2- nnnk1l

(k,

式(2-計(jì)算平滑窗口中的各個(gè)對應(yīng)像素的權(quán)重Mijexp(AijTij

式(2-其中，A g2，T表示平滑窗口內(nèi)中心像元到期鄰像元的絕對 計(jì)算Frost濾波值

gijg(k,l)Mij

式(2-k1l k1lg(k,l)為(kl處的灰度值Mij.3所示。 圖.3(a)為原圖，圖間為農(nóng)田部分，圖像左部為水體，其他區(qū)域?yàn)榇迩f;(b)為Lee濾波結(jié)果;(c)為精致Lee濾波結(jié)果;(d)為Frost濾波由實(shí)驗(yàn)的結(jié)果對比可以發(fā)現(xiàn)，精致Lee濾波器在靠近邊緣或者點(diǎn)目標(biāo)的區(qū)域?yàn)V波比Lee濾波器濾波的更充分，效果更好，但是邊緣保持都不是很好。而Frost濾波器濾波效果雖然與精細(xì)Lee濾波相比稍差，但是其邊緣完整且圖像信息損失較少，而且實(shí)現(xiàn)起來簡單，運(yùn)算量比精致Lee小，所以綜合考慮，本文使用Frost濾波器對圖像進(jìn)行預(yù)處理。改進(jìn)的分水嶺分分水嶺的概念來源于地形學(xué)，指的就是將區(qū)域劃分成兩個(gè)不同的水系。在圖像處理中，圖像看作被水覆蓋的地貌，而其中的每個(gè)像素的灰度值代表這一點(diǎn)的高程，“集水盆”的邊界我們稱為分水嶺，這里的集水盆是指圖像中的局部極小值及其影響的區(qū)域[27]。三維地貌模型如圖2..1..4所示。.4分水嶺三維模型標(biāo)內(nèi)部信息以及區(qū)域合并等處理，都能夠大大降低過分割帶來的影響。形態(tài)學(xué)處提高圖像的對比度，有利于將農(nóng)田目標(biāo)與村莊等復(fù)雜背景的灰度值差距變大，方便之后對圖像進(jìn)行二值化處理。對二值化圖像進(jìn)行形態(tài)算，本文主要包括“去除小面積”—“形態(tài)學(xué)標(biāo)記圖像中極大值點(diǎn)，對目標(biāo)區(qū)域進(jìn)行增強(qiáng)處理。可以將背景與目標(biāo)區(qū)域分開，從而盡可能的降低了背景對目標(biāo)提取的影響。區(qū)域合假設(shè)I0為分水嶺分割后的圖像，它被分割成N個(gè)小區(qū)域Ri(Si,Gii12NSiGii個(gè)區(qū)域的大小和平均灰度值。k,l，構(gòu)造代價(jià)函數(shù)MergeCost:MergeCost

GG

式(2-找到灰度值為Gi的區(qū)域在分水嶺分割后的圖像中的位置，將其記錄到新的矩陣I1中（矩陣大小和圖像I0一樣，將該區(qū)域所有的像素灰度值1；查找灰度值為Gi的區(qū)域的鄰域位置。以55的模板對I1進(jìn)行膨脹運(yùn)算I2I2I1則代表了灰度值為Gi的區(qū)域鄰域的位查找灰度值為Gi的區(qū)域的鄰域像素的灰度值。因?yàn)榉炙畮X分割后的圖0，因此(I2I1I0就表示了灰度值為Gi的區(qū)域鄰域所有像素的灰度值。代入到代價(jià)函數(shù)MergeCost對相鄰區(qū)域進(jìn)行判定這種方法雖然可以對圖像進(jìn)行合并，但是需要認(rèn)為設(shè)定合并閾值，另外分水嶺分割的結(jié)果存在很多的過分割區(qū)域，所以這種算法的計(jì)算量是很大的。本文采用的方式是對所有的邊緣進(jìn)行處理，將邊緣與周圍的環(huán)境灰度值設(shè)為相同。經(jīng)過這樣處理之后，小塊區(qū)域都合并成了大塊區(qū)域，但是存在很多的誤分割。這主要是由于復(fù)雜的背景噪聲引起的，尤其是當(dāng)農(nóng)田與村莊同時(shí)出現(xiàn)的時(shí)候，村莊的復(fù)雜性加劇了農(nóng)田提取的難度。但是本文通過研究發(fā)現(xiàn)，農(nóng)田區(qū)域的紋理較為均勻，而村莊等影響農(nóng)田提取的目標(biāo)紋理復(fù)雜，兩者的紋理存在較大的差異。所以，在分水嶺分割的基礎(chǔ)上，本文創(chuàng)新性的將紋理特征引入到目標(biāo)提取中?；诨叶裙采仃嚨募y理特征提相比于光學(xué)圖像，SAR圖像擁有更為豐富的紋理信息，不同的地物粗糙程moment（contrastmomentASM素越集中于主對角線，表示圖像的灰度越均勻。ASM能量定義為：ASMP(i,j|d,i,圖像的紋理越細(xì)膩，ASM

式(2-CON(ij)2P(i,j|d,

式(2-ENTP(i,j|d,)logP(i,j|d,i,

式(2-COR(ix)(jy)P(i,j|d,i,

x

式(2-

xiP(i,j|d,)

yjP(i,j|d,) x(ix)2P(i,j|d,)

(j)2P(i,j|d, 大小為MN的圖像I0灰度級有L個(gè)，則計(jì)算量大致為MNL2。對于一個(gè)大小為512512，灰度級L=256的圖像，大致需要運(yùn)行1.71010次，可效的圖像紋理，經(jīng)過實(shí)驗(yàn)本文確定的灰度級為16個(gè)，窗口大小設(shè)置為1515。紋理提取的步驟如下：生成SAR圖像的灰度共生矩陣。在0、45、90和135四個(gè)方向上分別采用1515的窗口和16級灰度的方式計(jì)算灰度共生矩陣，構(gòu)成GLCM矩陣（大小為16164（ASM（CON（COR，每個(gè)量都是包含0、45、90和135四個(gè)方向的值，進(jìn)而構(gòu)成一個(gè)16維向量ASMENT,CON,CORT對圖像中的每個(gè)像素都進(jìn)行如上步驟，形成了一個(gè)大小MN16的矩模糊C均值聚模糊C均值聚類（FCM）又稱為模糊ISODATABezdek提出nxjj12n)c指標(biāo)達(dá)到最小的原則求出每個(gè)類的聚類中心。FCMminJU,c1,...,cc

式(2-其中，JU其中，JU,c,...,cJ m2 2

cix

jcuij為向量xj對第i類的隸屬度ij0,1，且ij1j12n，即1,cii的中心，m為模糊權(quán)值。JUc1cc1n，求得式(2-14)達(dá) JU,c1,...,cc,1,...,nJU,c1,...,ccjuijnij jj nij j

式(2-cncn

md2

ui1j

j

其中，j(j1,2,...,n)為日乘子。對各個(gè)輸入量求偏導(dǎo)，得到使FCM目標(biāo)函數(shù)達(dá)到最小值的條件為mijcj

式（2-mij

k

j1

d d c2 具體實(shí)現(xiàn)FCM開開輸入聚類類別結(jié)計(jì)結(jié)計(jì)算代價(jià)函.4FCMc隸屬度矩陣U初始化。其中的元素ij0~1c計(jì)算初始聚類中心ciij及相關(guān)參數(shù)代入到式(2-16)中，得到初始的計(jì)算代價(jià)函JUc1ccJUc1ccTJUc1cc利用(2-17)重新計(jì)算ij，繼續(xù)從第二步運(yùn)行參照重實(shí)驗(yàn)結(jié)果與分.3(a).5 .5(a)為原始圖像，中間較為均勻的是農(nóng)田，左下角灰度較大的為水域，其余區(qū)域?yàn)榇迩f;(b)為形態(tài)學(xué)處理之后的結(jié)果，主要為了凸顯目標(biāo)區(qū)域;(c)利用分水嶺分割后的結(jié)果;(d)為區(qū)域合并的結(jié)果，抑制分水嶺的過分割問題;(e)為紋理聚類結(jié)果，白色像素為農(nóng)田可能出現(xiàn)的區(qū)域，黑色為農(nóng)田不可能出現(xiàn)的區(qū)域(f)參照結(jié)果分析SAR圖像農(nóng)田的提取目標(biāo)研究的較少，只有高提取了一種基于分水嶺分割的農(nóng)田提取算法，盡管采用區(qū)域合SAR問題來在SAR成像系統(tǒng)中，由經(jīng)驗(yàn)知識可知，由于水體在微波范圍內(nèi)的發(fā)射率低，在SAR圖像中表現(xiàn)為低亮度區(qū)域并且成面狀分布，與周圍環(huán)境有較SAR圖像水體特征提取方法的研究已經(jīng)趨于成熟。單一方法常用算法介ISODATA文農(nóng)田目標(biāo)提取中進(jìn)行了詳細(xì)的介紹，它在水域的分割算法中也有著應(yīng)用，它的意思為迭代自組織數(shù)據(jù)分析技術(shù)。ISODATA在每一次的運(yùn)算中，并不會像K-mean聚類那樣每調(diào)整一個(gè)樣本所屬的類別就別劃分之后，再進(jìn)行計(jì)算。這樣，ISODATA聚類法不僅完成了對樣本的聚Ostu法的水域分割Ostu法的中文名字為“大津法”20世70年代末提出來的，和閾值分割法不同的是，大津法的分割閾值是不斷對于圖像I0，假設(shè)T為目標(biāo)與背景的分割閾值，目標(biāo)所在的像素個(gè)數(shù)占整個(gè)圖像大小的比例為W0，灰度值的平均值為G0;背景所在的像素個(gè)數(shù)占圖像大小比例為W1，灰度值的平均值為G1。由式(2-18)可以計(jì)算得到整個(gè)圖像的灰度平均值G：

式(2-TT為分割的

G2WG

式(2-Ostu在圖像的成像質(zhì)量比較好的場景下分割效果較好，但是當(dāng)圖像噪聲較基于支持向量機(jī)(SVM)的學(xué)習(xí)分類方.6所示，主要步驟包括：樣本特征檢測與合并；SAR圖像特征檢測；支持向量機(jī)的特征分類。圖像重整體特合并的本特水域樣本2特水域樣本1特.6SAR所謂支持向量機(jī)（SVM，其英文全稱為SupportVectorMachine，從名字可線性可分最優(yōu)分類 M{(xy|i12nxRny{12}}，y代表該點(diǎn) 類別類別類別.7

W,

b0，它需要滿足兩點(diǎn)

b

i1,2,...,

式(2-利用日法求出分類面的參數(shù)WWay*i

式(2-b*

W*,X

式(2- a*a*a*a*XX （SV線性不可分最優(yōu)分類的，即不存性可分的最優(yōu)分類面。為了解決該問題，Cortes提出了一種方法，即在式(2-20)中引入了非負(fù)松弛量i0,i12n容錯(cuò)分的分類面稱為線性軟間隔分類面，式(2-20)yiW,支持向量機(jī)

b1i

i1,2,...,

式(2-上述兩部分講的 性可分與不可分兩種情況下，如何求得線性的，支持向量機(jī)的方式就是求非線性分類面的法。的核函數(shù)主要有多項(xiàng)式核、徑向基核與Sigmoid核。所以，同線性分節(jié)。支持向量機(jī)的網(wǎng)絡(luò)結(jié)構(gòu)[38].7所示。.7.7

x1,x2xn為原始數(shù)據(jù)Kx1xKx2xKxNx為映射空間y1a1yNaN y為決策輸出ysignyiaiKxixb （Linear，KX,YXY與之相匹配 函數(shù)為

式(2-ffXya*i

X

式(2-（Quadratic與之匹配 函數(shù)為

KX,YXY

式(2- fXyiaiXYc

式(2-function，RBFKX,Yexp

2XX

式(2-支持向量機(jī)分類的流支持向量機(jī)的訓(xùn)輸入樣本Xiyi,i12nXiC1,yi1XiC2,yi1 n求解最優(yōu)化問題 日乘子a*a*,a*,...,a* n選擇樣本的一個(gè)支持向量，求解最優(yōu)化分類面的偏移量利用訓(xùn)練好的支持向量機(jī)分輸入待分類數(shù)據(jù)（或圖像Ni fXya*kXXi

式(2-根據(jù)判別函數(shù)輸出輸出的類別，規(guī)則為xi

ifsgnfXxC

elsesgnfX

式(2- .7輸入包含兩類數(shù)據(jù)的樣本利用db4小波對圖像進(jìn)行紋理特征提取，得到近似分量、水平細(xì)節(jié)分量、垂直細(xì)節(jié)分量及對角細(xì)節(jié)分量cAcHcVcD對每個(gè)樣本構(gòu)造能量特征矩陣EAEHEHED合并樣本特征矩陣，并利用徑向基核函數(shù)對支持向量機(jī)進(jìn)行訓(xùn)開輸入含兩數(shù)據(jù)的樣合并樣本特征矩支持向量機(jī)分類，對分類結(jié)果開輸入含兩數(shù)據(jù)的樣合并樣本特征矩支持向量機(jī)分核函支持向量機(jī)分核函數(shù)訓(xùn)徑向利結(jié)實(shí)驗(yàn)結(jié)果預(yù)分本文采用省確山縣的薄山水庫的SAR圖像，分別采用大津（SAVM 圖 (a)為水域原圖，為省確山縣的薄山水庫(b)為大津（Ostu）(c)誤分割的無語主要集中在水域?qū)挾容^窄的區(qū)域，水域的是條河流，Ostu卻將河流其周圍的環(huán)境誤認(rèn)為水域，而漏提取了水域中間的島嶼。本文使用SARVM法進(jìn)行提取，常見的支持向量機(jī)算法是直接對圖像的灰度Ostu法及基于灰度的支持向量機(jī)法，是一個(gè)較為適盡可能提高匹配精度，須提取目標(biāo)特征，在特征圖中尋找特征點(diǎn)。第3SARGIS配準(zhǔn)融合圖像配準(zhǔn)（imageregistration）指的是將同一區(qū)域不同條件得到兩個(gè)或上個(gè)世紀(jì)，隨著SAR技術(shù)、遙感技術(shù)等的發(fā)展，對地觀測更加豐富，不同時(shí)間的圖像之間的配準(zhǔn)，主要用于尋找圖像中變化的部分。應(yīng)用的例子主要有病變檢測、運(yùn)動(dòng)檢測以及自然的評估等。不同來源的圖像之間的配準(zhǔn)，主要是為了融合不同圖像的信息，使圖像信息更為豐富。應(yīng)用的例子有SR與高分辨遙感圖像融合，提高SR圖像的分辨率。角點(diǎn)匹配法的變化較大的點(diǎn)。常用的檢測方法是Harris算子，Harris算子檢測速度較HarrisI，Harris算子如下：I 2Ix

Harris

式（3-2I I2 y I1i,jI2i,j i1jI i1jI1i,j2 i1jI2i,j2

式（3-基于特征的匹配方法元選特征選特征選元選特征選特征選搜策選擇配基匹結(jié)模型數(shù)求重采特征集特征集待配準(zhǔn)圖參考圖3.1參考圖SURF匹配算法為基礎(chǔ)，研究SARGIS信息基于修正的SURFGIS信息對SAR圖像目標(biāo)提取的作用。GISGIS數(shù)據(jù)庫異常復(fù)雜，按照地物目標(biāo)的不同，將空間數(shù)據(jù)劃分為若干個(gè)圖層，每個(gè)圖層中同一類地物目標(biāo)，其數(shù)據(jù)格式為shape格式。因此，SARGIS屬于不同源數(shù)據(jù)，為了進(jìn)行配準(zhǔn)，首先需要進(jìn)行數(shù)據(jù)轉(zhuǎn)換，GIS的矢量數(shù)據(jù)轉(zhuǎn)換為圖像文件。GISIS信息庫中的地理信息是通過ShpFile文件的，而ShpFile文件并不是一個(gè)文件，而是由三個(gè)文件組成，分別為主要文件（themain索引文件（theindexfile）F文件（thedEfile。其中主要文件的后綴格式為.hp，主要記錄著地理信息中的位置坐標(biāo)；索引文件的后綴格式為.hx，主要用來記錄每個(gè)圖元的在主文件中的位置。數(shù)據(jù)的結(jié)構(gòu)如3.2所示。水域水域GIS數(shù)道路...農(nóng)田......3.2GIS因?yàn)镚IS數(shù)據(jù)庫關(guān)于目標(biāo)的形狀信息只在主要文件（.shp）中，所以此處我們只需對shp文件的結(jié)構(gòu)進(jìn)行解析，就可以將矢量圖像轉(zhuǎn)化為像素型的圖像。主要文件（.shp）的數(shù)據(jù)結(jié)構(gòu)如表3.1所示，主要文件（.shp）中的每一條信息成為記錄，每一個(gè)記錄不僅包含記錄頭（recordheadercontents3.1所示。3.1…3.2位數(shù)數(shù)據(jù)類數(shù)據(jù)排0~3大4-11大GIS點(diǎn)目標(biāo)是將點(diǎn)目標(biāo)的位置進(jìn)行記錄，定義的數(shù)據(jù)結(jié)構(gòu)如下所示{DoubleX//XcoordinateDoubleY//Y}{//Bounding//numberof//totalnumberof//indexoffirstpointin//pointsforall}{ //Bounding //numberof //totalnumberofpoints //indexoffirstpointinpart points //pointsforallparts}GIS數(shù)據(jù)轉(zhuǎn)換技在上小節(jié)中，詳細(xì)介紹了.shpGIS信息庫中的矢量信息轉(zhuǎn)化為圖像格式的數(shù)據(jù)，只需要對.shp文件進(jìn)行即可。1).shp文件后，提取文件記錄內(nèi)容中的坐標(biāo)信息生成坐標(biāo)數(shù)建立適度的空間坐標(biāo)系，然后根據(jù)數(shù)組中各個(gè)點(diǎn)的坐標(biāo)值在坐標(biāo)系中標(biāo)注點(diǎn)的位置在標(biāo)注點(diǎn)或連接點(diǎn)的過程中根據(jù)地物目標(biāo)的不同選擇不同的與之對應(yīng)的顏色，以此區(qū)分同類與異類目標(biāo)將標(biāo)注或連接生成的結(jié)果保存為TIF格式的圖像文SURFSARGISSAR圖像中的地物目標(biāo)進(jìn)行了提取，能夠比GIS圖像是SAR圖像中GIS圖像進(jìn)行特征匹配是一種有效的匹配策SURF圖像配準(zhǔn)算本文使用SURF特征點(diǎn)檢測算法[44]實(shí)現(xiàn)SARGIS圖像的特征匹配。SURF算法的主要優(yōu)點(diǎn)有：對旋轉(zhuǎn)、亮度變化、和尺度收縮保持不變的特性具有仿射不變特性，能夠?qū)崿F(xiàn)邊緣圖像的配準(zhǔn)不關(guān)心圖像的內(nèi)容信息，具有良好的普適性提取信息豐富，匹配精度高點(diǎn)方向確尋點(diǎn)方向確尋找匹配描述子生求變換參點(diǎn)定建立尺度空1、

的圖

3.3SURFSURF中的點(diǎn)檢測使用的是近似Hessian矩陣，Hessian矩陣的定LxxX, LxyX,HX,

X,

LX,

式(3-LX,

2g其中，

表 二階偏

在X(x,y)處于圖像ILyyX,LxyX,定義類似3.4I中的Xx,yIX表示，該(3-4)IixjIXIi,ji0j

式(3-3.43.4A、B、C、D四個(gè)點(diǎn)圍成的S區(qū)域，該區(qū)域的灰度值為：x2SABCDgi,jSASBSCSDix1jy1

式(3-其中g(shù)ij代表圖像i,j處的灰度值SA、SBSC和SD分別代表A、B、C、D四點(diǎn)處的積分圖像值。（2）確定點(diǎn)方在點(diǎn)周圍，以半徑為6S（S為建立的尺度空間的尺度）的圓形區(qū)4SHaarxy向的響應(yīng)。Haar小波3.5所示。--3.5Haar在半徑為6S的點(diǎn)鄰域內(nèi)，利用函數(shù)對各個(gè)相應(yīng)進(jìn)行，函數(shù)的方差2S。點(diǎn)的方向的確定是選取點(diǎn)周圍所有Haar小波相應(yīng)之和達(dá)3最大的時(shí)候，對應(yīng)的方向。具體做法如圖3.6所示，讓一個(gè)半徑 的3形以點(diǎn)為中心進(jìn)行旋轉(zhuǎn)，每旋轉(zhuǎn)一個(gè)角度就計(jì)算該扇形內(nèi)所有小波相 OO圖3.6點(diǎn)方向確定的滑動(dòng)（3）點(diǎn)的描點(diǎn)的描述主要是利用點(diǎn)周圍的子區(qū)域?qū)aar小波的相應(yīng)進(jìn)行描述的，具體來說，就是將點(diǎn)周圍的尺寸為20S的正方形鄰域劃分為4Haar小波響應(yīng)，利用子塊區(qū)域內(nèi)所有的dx、dy、dx和dy構(gòu)造特征向量Vdxdydxdy，所有子區(qū)域的向量連接起來就得到了點(diǎn)描述子。（4）rod

式(3-其中，ND代表最近鄰（nearestdistance，NDD代表次近鄰（nextnearestdistanceifrod

式(3-基于修正的SURF配準(zhǔn)算SURFGISSAR圖像進(jìn)行配準(zhǔn)時(shí)，往往出現(xiàn)誤匹配點(diǎn)，直接影響兩幅圖像的配準(zhǔn)效果，需要利用隨機(jī)抽樣一致性算法（RANSAC）3.7方向確描述子方向確描述子生特征點(diǎn)定建立尺度空1、去除誤匹配尋找匹配去除誤匹配尋找匹配3.7基于修正的SURFRANSAC的英文全稱為“RandomSampleConsensus200次，找到擁有最少“局外點(diǎn)”的解。從理論上講，經(jīng)過n次訓(xùn)練，所做的假設(shè)正確的概率為：ipHiscorrect11pri可以計(jì)算出，當(dāng)n200

式(3-文修正方法的有效性，利用上述SAR圖像提取的水域結(jié)果和GIS圖像，分別利用SURF方法和本文 3.8(a)為SAR圖像;(b)GIS3.9為兩組實(shí)驗(yàn)的結(jié)果，SURF算法的主要優(yōu)點(diǎn)有：1）對旋轉(zhuǎn)、亮度變化、和尺度收縮保持不變的特性；2）3）不關(guān)心圖像的內(nèi)容信息，具有良好的普適性；4）提取SURF3.9a)為采用SURF算法得到的特征點(diǎn)，可以看到存在一些誤匹配點(diǎn)b)SARGIS3.10GIS數(shù)據(jù)轉(zhuǎn)換。GIS數(shù)據(jù)庫異常復(fù)雜，按照地物目標(biāo)的不同，將空間數(shù)據(jù)劃分為若干個(gè)圖層，每個(gè)圖層中同一類地物目標(biāo)，其數(shù)據(jù)格式為shape格式。為了能夠?qū)AR圖像的目標(biāo)提取提供引導(dǎo)，需要將GISSAR圖像進(jìn)行配準(zhǔn)。為了進(jìn)行配準(zhǔn)，首先需要進(jìn)行數(shù)據(jù)轉(zhuǎn)換，GIS的矢量數(shù)據(jù)轉(zhuǎn)換為圖像文件。基準(zhǔn)目標(biāo)選取。SR圖像的相干斑噪聲會使信噪比下降，為了保證配準(zhǔn)的精度，需要對基準(zhǔn)目標(biāo)進(jìn)行選擇，一般選擇面積較大、輪廓清晰、受噪聲影響較小的目標(biāo)，比如湖泊、河流等。圖像配準(zhǔn)技術(shù)。SR在成像過程中會產(chǎn)生存在幾何形變，這就給圖像的配準(zhǔn)帶來了一定的難度，需要配準(zhǔn)方法對旋轉(zhuǎn)、拉伸及剪切變換等具有一定的不變性。傳統(tǒng)的基于角點(diǎn)的方法不能滿足配準(zhǔn)的需要，而近年來出現(xiàn)的快速匹配算法（SF）具有較好的幾何不變性，本處采用SF算法對SRIS圖層圖像進(jìn)行配準(zhǔn)。GIS引導(dǎo)提取技術(shù)。利用基準(zhǔn)目標(biāo)完成了SAR圖像與GIS數(shù)據(jù)的配準(zhǔn)，利用我們感的目標(biāo)所在的圖層與配準(zhǔn)后的SAR圖像進(jìn)行融合，即可將GIS的數(shù)據(jù)“套合”在SAR圖像上。通過套合，我們就可以得到“感目標(biāo)”在SAR圖像的大致位置，從而完成了粗定位。進(jìn)而可以利用相應(yīng)的目標(biāo)提取算法，完成感目標(biāo)的提取。GIS數(shù)GIS數(shù)中劃定目標(biāo)出現(xiàn)的可可疑區(qū)域內(nèi)進(jìn)行目標(biāo)提配準(zhǔn)后SAR圖利用基準(zhǔn)目標(biāo)進(jìn)SURF配準(zhǔn)，求變換參的GIS數(shù)據(jù)圖目圖提SAR圖3.10GIS與SAR道路是SR圖像中常見的目標(biāo)，在圖像中外形為長條狀，寬度有限，曲率變化小，具有連續(xù)性，可形成有規(guī)則的道路網(wǎng)。因?yàn)槠鋵挾容^窄，所以很容易受到相干斑噪聲的印象，從而使得道路的提取難度加大。GISSAR圖像的目標(biāo)提取的引導(dǎo)作用，選擇道路為感興GISSARGISSAR3.7(a)為使用的SAR圖像，(b)GIS數(shù)據(jù)轉(zhuǎn)換成的圖像。無GIS引導(dǎo)的道路提取技術(shù)主要過程為：首先利用道路檢測算子得到利用最小代價(jià)函數(shù)法連接線基元[4647]。3.11n*n3域：A、B、CNAAAAAAAAACCCCCBBBBBACBACBACBACBACBAACAACACBCBBCBBCAACAABCABBCBBC3.11道路檢測算子09045135引入GIS信息的算法則是利用上文的配準(zhǔn)結(jié)果，將GIS圖像中的道路圖層信息疊加到SAR3.123.12GIS信息的SAR3.13所示，可以看出，GIS信息的引入極大降低了提取的錯(cuò)誤率，而且從表3.3中可以看出，所用的時(shí)間比無GIS信息的提取方法少。所以，GISSARSAR 3.13道路檢測結(jié)果.(a)GIS信息引導(dǎo)的道路提取結(jié)果;(b)3.3無有020沒有GIS引導(dǎo)的提取之所以存在這么多的虛警，是因?yàn)榈缆返臋z測是水域的邊緣和道路表現(xiàn)較為類似的特征，所以帶來了較多了錯(cuò)誤。GIS信GIS信息與提取到的目標(biāo)的信息進(jìn)行對比，如果在GIS顯示存在目標(biāo)的范圍內(nèi)，沒有檢測到目標(biāo)，會自適應(yīng)的改變某GISGIS第四部分介紹了傳統(tǒng)的SURF算法，并在此基礎(chǔ)上，采用相位一致性原SARGIS配準(zhǔn)技術(shù)在目標(biāo)提取中的引導(dǎo)作用，尤其是對SAR圖像難以提取的目標(biāo)更具有優(yōu)勢。第4章SAR圖像變化檢測技前文介紹了基于先驗(yàn)知識的SAR圖像目標(biāo)檢測算法和SAR圖像與GIS配準(zhǔn)融合算法的研究，而且還利用SAR與GIS的配準(zhǔn)算法，成功利用GISSAR圖像中目標(biāo)的提取，提高了目標(biāo)提取的精度和速度。但是地面的場景不是一成不變的，SAR圖像的成像周期較短，可以很快獲得這些GIS信息庫是由人工更新的，有些甚至需要人工去測量來更新信息庫，這就給SAR與GIS的配準(zhǔn)效果帶來了潛在的不可靠性，因此GIS信息庫的更新必不可少。利用同一地區(qū)不同時(shí)間的SAR圖像，可以GIS信息庫更新有著重要的作用，也常常用于自然監(jiān)測和軍事打擊效果評估等方面。變化檢測較為公認(rèn)的定義是由Snihg次觀測就是同一地區(qū)不同時(shí)間的SAR圖像?！傲孔儭?，同樣的例子還有森林的生長也是“量”的變化。而質(zhì)的變化的因?yàn)楹樗难蜎]而存在“質(zhì)”的變化。通?！百|(zhì)”的變化較為明顯，而“量”的4種：檢測是否發(fā)生變化、檢測變SAR圖像的變化檢測根據(jù)這幾個(gè)內(nèi)容也會進(jìn)行分類，具體的算法將在常SARRl為原始地物，其中l(wèi)I1I2為t1、t2兩個(gè)時(shí)間的SAR圖像，則該過程可以用下面兩個(gè)映射描述：

:Rl

RlRqCx

if(I2I1)

式(4-圖像校SAR圖像SAR圖像校SAR圖像SAR圖像圖像配相干斑抑步生成變化區(qū)域步生成變化區(qū)域變差異配準(zhǔn)后圖像配準(zhǔn)后圖像變化檢圖像校正主要是降低SAR圖像產(chǎn)生的幾何畸變，主要思路為：首先需要明確是何種幾何形變，確定使用的校正和結(jié)構(gòu)，并利用一些控制點(diǎn)求出中的參數(shù)，并驗(yàn)證校正的有效性，最后進(jìn)行重采樣。變化檢測的流程主要是利用不同時(shí)間的SAR圖像，構(gòu)造變化差異圖，4.1所示。4.1I2極易受到噪確定合適的降低相干斑結(jié)果成非正確定合適的建立回歸方降低環(huán)境干回歸方程建回歸方程的建立和閾值既然代數(shù)運(yùn)算的方法存在較多的缺陷，肯定會想到在變換域中進(jìn)行處4.2進(jìn)行了匯總與比較。4.2 變換SAR圖像進(jìn)行算法，比如基于馬爾可夫鏈的變化檢測算法、基于廣義模型（GKIT）馬爾可夫鏈變化[51][52]檢測算法主要思路為：利用比值法得到變化差基于廣義模型的變化檢測算法[53][54]主要是構(gòu)造一個(gè)自適應(yīng)的分SAR被越來越廣泛的應(yīng)用到軍事和民用領(lǐng)域，SAR圖像變化檢測則是一個(gè)SAR應(yīng)用的一個(gè)新領(lǐng)域。其對損害、水災(zāi)范圍、城鎮(zhèn)變SAR圖像中變化GIS數(shù)據(jù)的更新也是一個(gè)重要的參考。本文采用基于模糊貼近度的變化檢測算法。為簡單起見，圖像T1、T2是經(jīng)過配準(zhǔn)后的等大圖像，算4.2所示。像T1Frost構(gòu)模構(gòu)模糊差異雙邊濾結(jié)FCM聚4.2對于某地I0t1時(shí)刻所成的圖像I1t2時(shí)刻形成的圖像I2，且兩幅圖像已經(jīng)經(jīng)過配準(zhǔn)，那么如果利用差值法構(gòu)造差異圖DI(differentimageDI)，則DI(i,j)I2(i,j)I1(i,

式(4-I2(i,jI1(i,jI2I1在(i,j對于某地I0t1時(shí)刻所成的圖像I1t2時(shí)刻形成的圖像I2，且兩幅圖像已經(jīng)經(jīng)過配準(zhǔn)，那么如果利用比值法構(gòu)造差異圖DI(differentimageDI)，則DI(i,j)I2(i,j)I1(i,

i1,2,...m;j1,2,...,

式(4-I2(i,jI1(i,jI2I1在(i,jSAR圖像的相干斑噪聲為乘性噪聲模型，因此比值法可以有效地抑制DI的值很大，比值法構(gòu)造的差異圖就DI(i,j)10logI2(i,j)I1(i,

i1,2,...m;j1,2,...,

式(4-minI1i,j,I2i,jDI(i,j)xNi, ,i1,2,...,m;j1,2,...,n

式(4-xNi,j

maxI1i,j,I2i,j

Ni,j表示位置i,j周圍的一個(gè)鄰域，將鄰域的像素構(gòu)成的集視為模糊向量，用式(4-4)DI的值越小，說明i,j處的像元越接近變化類。雙邊濾的。如式(4-5) gi,j

k,lfk,lwi,j,k,l

式(4-wi,j,k,k其中，權(quán)重系數(shù)wi,jk,l為wi,j,k,ld(i,j,k,l)r(i,j,k,l)d(i,jk,l為定義域核函數(shù)，其表達(dá)式如式(4-8)r(i,jk,l為

式(4- ik2jl2d(i,j,k,l)exp

式(4-d dfifi,jfk,lr(i,j,k,l)exp

式(4-r rFCM聚有很多無關(guān)的信息，因此，我們采用FCM聚類算法對差異圖進(jìn)行分類，突顯出變化的區(qū)域。FCM聚類算法在農(nóng)田的提取中已經(jīng)進(jìn)行了詳細(xì)的介紹，SARGISSARGIS配準(zhǔn)之后，GISSARGISGIS信息4.3SAR圖像進(jìn)行檢測。噪聲很大，要求算法對噪聲要求有一定的性。圖4.4為分別采用模糊 圖4.3圖(a)、(b)為ERS-2獲得的Bern地區(qū)1999年4月和1999年5SAR圖像，(c)為圖像中實(shí)際變化的參考圖像；圖(d)、(e)為越南紅河某區(qū)域年月日和年824SAR圖像，(f)為圖像中實(shí)際變化的參考圖像；圖(g)、(h)為入?？?008年6月18日和2009年6月19日的SAR圖像，(i)為實(shí)際變化的參考圖像 MRF4.4圖(a)為模糊貼近度法對三幅圖像的檢測結(jié)果；圖(b)MRF算法的影響太大，所以在“入?？凇盨AR圖像中檢測出的變化為一片點(diǎn)，而有一定的能力，比主成分分析法及基于馬爾可夫鏈的檢測算法適用總結(jié)和展SARGIS配準(zhǔn)融合技術(shù)，在軍事、民用等各個(gè)方面都有著重要SARSAR圖像變化檢測技查閱大量文獻(xiàn)，了解多源數(shù)據(jù)融合的國內(nèi)外研究現(xiàn)狀，了解SARGIS配準(zhǔn)融合技術(shù)的意義和難點(diǎn)。文獻(xiàn)涉及圖像處理，目標(biāo)檢測、模式識別、GIS信息庫、數(shù)據(jù)結(jié)構(gòu)等。在基于先驗(yàn)知識的SAR圖像目標(biāo)提取中，創(chuàng)新性地提出了基于SURF算法的基礎(chǔ)上，采用相位一致性原理對匹配點(diǎn)進(jìn)利用同一地區(qū)不同時(shí)間的SAR圖像，采用基于模糊貼近度的檢測GIS信息庫更新有著重要的作用，也常常用于自然監(jiān)測和軍事打擊效果評估等方面。SARGISGIS圖像和SAR圖像本身由SAR和GIS首先最需要感謝的是我的導(dǎo)師教授，沒有教授的耐心指導(dǎo)和嚴(yán)格要求，不會如此順利的完成，感謝教授在我迷惑的時(shí)候，總是能夠給我正確的道路。更需要感謝的我的父母，他們在身后默默地鵬飛、學(xué)長，感謝同學(xué)在道路提取中提供指導(dǎo)的。一路走來，參考文[1]周.圖像配準(zhǔn)技術(shù)研究[D].西安:西安電子科技大學(xué),[2].合成孔徑技術(shù)發(fā)展研究[J].探測與定位,2011(4):58-[3]宋晶晶,.基于三維多項(xiàng)式模型的機(jī)載SAR圖像幾何校正研[J].第十七屆中國遙感大 集,[4].地理信息系統(tǒng)(GIS)發(fā)展史及前景展望[D].中國地質(zhì)大學(xué)(北京),2011.[5]，楊桄，，，.基于GIS的軍事目標(biāo)專題研究[J].測繪與空間地理信息.2012，35(11)：28-31.[6].淺談地理信息系統(tǒng)數(shù)據(jù)的來源和質(zhì)量[J].中國西部科技,7(5):29-[7]ChristopherB.Jones.GeographicalInformationSystemandComputerCartography.AddisonWesley,1997[8].地理信息系統(tǒng)的應(yīng)用現(xiàn)狀和發(fā)展趨勢分析[J].河北農(nóng)業(yè)科學(xué),2009,13(1):140-142.[9].合成孔徑成像技術(shù)研究[D].中國院(電子),[10]楊，的影像融合技術(shù)[J].國外動(dòng)態(tài).[11].多源圖像融合的目標(biāo)識別研究[D]..:大學(xué),[12].SAR圖像水域分類方法的研究[D].長安大學(xué)攝影測量與遙感學(xué)朱俊杰,,,等.GIS數(shù)據(jù)約束的海岸帶SAR圖像多尺度分割[J].應(yīng)用科學(xué)學(xué)報(bào),2013(1):79-83.Goodman,J.W.Somefundamentalpropertiesofspeckle.J.Opt.Soc.Am,1976,66(11):1145-1150SAR圖像去噪與分割算法的研究[J].西安：西安電子科技大電路與系統(tǒng)學(xué)科.遙感技術(shù)現(xiàn)狀及其在林業(yè)中的應(yīng)用[J].林業(yè)資源管理200450-,.基于高分辨率影像數(shù)據(jù)的耕地信息提取應(yīng)用研究[J].河北遙感,2009(4):11-13.高,泉,,等.高分辨率遙感圖像耕地地塊提取方法研究[J].光譜學(xué)與光譜分析,2009,29(10):2703-2707..基于分割的紋理分類農(nóng)田信息提取[J].閩江學(xué)院學(xué)報(bào)31(2):132-,,,等.國家尺度耕地變化驅(qū)動(dòng)力的定量分析方法[J].農(nóng)業(yè)工程學(xué)報(bào),2005,21(4):56-60.LeeJS.Refinedfilteringofimagenoiseusinglocalstatistics[J].Computergraphicsandimageprocessing,1981,15(4):380-389.LeeJS,GrunesMR,BoernerWM.PolarimetricpropertypreservationinSARspecklefiltering[C].OpticalScience,EngineeringandInstrumentation'97.InternationalSocietyforOpticsandPhotonics,1997:楊大海,.基于極化矢量相似系數(shù)的極化Lee濾波改進(jìn)算法信息工程大學(xué)學(xué)報(bào)201011(006737-,,.Boxcar濾波器和極化RefinedLee濾波器對極化SAR分類精度影響的評估[J].影像技術(shù),2011,5:012.,.SAR圖像相干斑抑制研究進(jìn)展[J].ComputerEngineeringandApplications,2013,49(20)..一種改進(jìn)的SAR影像斑點(diǎn)噪聲抑制方法[J].地理信息世界,2008,6(1):73-76.熊立志.基于分水嶺算法的遙感影像過分割問題的研究[D].太原科技大學(xué),2012.,,.一種改進(jìn)分水嶺算法在高速高精度貼片機(jī)視覺檢測中的應(yīng)用[J].電子技術(shù)應(yīng)用,2005,7:9-11.，楊云霞.基于分水嶺變換的圖像分割方法.太原師范學(xué)院學(xué)報(bào)2008(4):132-FanW,ChaoW,HongZ.ResidentialareainformationextractionbycombiningairborneSARandopticalimages[C].GeoscienceandRemoteSensingSymposium,2004.IGARSS'04.Proceedings.2004IEEEInternational.IEEE,2004,4:2568-2570.HaralickRM,ShanmugamK,DinsteinI.TexturalFeaturesforImageClassification[J].IEEETransactionsonSystems,ManandCybernetics,1973,SMC-3(6):610-621.BezdekJC.PhysicalinterpretationoffuzzyISODATA[J].IEEETRANSACTIONSONSYSTEMSM