clos交叉矩阵组播算法的研究-西安电子科技大学电子工程学院.docVIP

基于模型的SAR图像桥梁目标识别 计算机科学与技术专业 裴得利 指导师 Based on the model of the bridge and support vector machine (SVM), this paper proposes a bridge detection and recognition method in SAR (Synthetic Aperture Radar) image. After that, river contour is obtained using self adapting segment threshold and mathematics morphology method, within which may-be-bridge targets will be searched for. Finally, based on the bridge model, the target that matches the bridge feature will be extracted for texture feature, and this feature will be sent into the trained SVM to make a final decision, obtaining the final result and corresponding information, such as position, angle and size. The test result shows that the method proposed can detect and recognize bridges in SAR image and give corresponding information with high accuracy rate and good real-time performance. [Key Words] SAR image segment detection SVM bridge recognition 一、引言 合成针孔雷达（Synthetic Aperture Radar ,SAR）具有分辨率高，全天时、全天候工作的特点，与可见光、红外传感器比较具有独特的优势和无法替代的作用，被广泛应用于工农业生产、科研和军事等领域。特别是在军事领域，广泛应用于全天候、全天时侦察，动目标显示，雷达成像，实时信息处理等。另一方面，桥梁是典型的人造地物目标，SAR图像中桥梁目标的自动识别在军事可以用于作战指挥、火力打击和打击效果评估等，具有非常重要的意义。 由于SAR图像成像机理的特殊以及斑点噪声的影响，普通光学图像的图像处理和目标识别的经典算法直接应用于SAR图像效果并不一定理想。国内外对于SAR图像中桥梁的识别已经做了很多工作，大都基于桥梁建于河流这一先验知识基础上。总体来说，这些方法可以分为以下三类： 第一类利用河流的灰度特征直接进行阈值分割，然后通过形态学滤波方法细化河流轮廓，在此基础上利用桥梁的灰度特征或者梯度特征进行搜索最终确定桥梁[2,3,6,7]。 第二类是利用多特征形成特征向量再用模糊聚类或者支持向量机分割水域，然后利用在这个区域内辨识桥梁目标[1,5]。 第三类是基于SAR图像和光学图像的融合[2,9,10]。利用两种图像中提供的信息相互补充，综合两者的结果识别目标。 在前人工作基础上提出本文的桥梁识别方法，同样基于桥梁在河流等水域之上这一先验知识，主要有预处理、水体分割、桥梁检测和桥梁识别几个步骤实现。水体分割过程中采用自适应阈值分割和形态学方法提高了算法的适应性，桥梁检测阶段利用桥梁模型消除大部分虚警，使得后面更复杂的运算只对那些最有可能为桥梁的目标进行，提高算法的效率，最后的识别阶段，引入支持向量机以增加桥梁识别的准确率，取得了较好的效果。 二、预处理 SAR图像的一个突出的特点就是存在一种典型乘性噪声，称为“相干斑”(Speckle)噪声，这种噪声是分布目标所固有的，它的存在，掩盖了图像的精细结构，严重降低了图像的质量，为目标识别和图像解释造成困难。因此平滑图像并抑制噪声的预处理是一个不可缺少的过程。目前典型的SAR图像滤波方法有Lee滤波、Frost滤波、Kuan滤波和Gamma MAP滤波等，通过实验比较，本文选择Gamma MAP滤波对SAR图像进行去噪处理。 基于乘性噪声模型，假定地面后向散射系数呈高斯分布，Kuan等人提出最大后验概率算法（Maximum a Posteriori Probability, MAP）。在此基础上，Lopes等人用更符合实际情况的分布模型取代高斯分布，即假设地面目