基于Shearlet变换域多尺度统计处理的SAR图像结构化信息提取和多时相变化检测

Shearlet变换作为一种新型的图像多尺度几何分析工具，能够对图像中的奇异性信息进行更加准确有效的表示，特别是能够对具有结构化特征的地物目标的奇异性信息进行自适应的最优稀疏表示，因此适合于解决SAR图像结构化信息的提取和面向城市扩展变化监测的多时相变化检测问题。本项目主要研究Shearlet域系数的统计建模和处理以及它们在SAR图像结构化信息提取与多时相变化检测中的应用。在理论上，一方面将建立描述系数之间统计相关性的Shearlet域统计模型，另一方面将针对不同的应用提出相应的Shearlet域系数统计处理方法。在应用上，结构化信息提取方向主要研究如何通过Shearlet域系数统计建模和处理完成SAR图像的边缘检测以及道路网、机场跑道、居民地的检测与提取任务,而变化检测方向主要研究如何利用多时相SAR图像对Shearlet域系数进行处理来解决城市扩展变化的监测和分析问题。

作为一种有效的图像方向性稀疏表示形式，Shearlets能够对图像中的奇异性信息进行更加准确有效的表示，因此有利于对图像中具有结构化特征的地物目标的奇异性特征进行自适应的最优稀疏表示。在这一背景下，在本项目的执行过程中我们开展了多项研究工作。首先，对Shearlet域系数在变换域进行了全面的统计分析，发现在该变换域图像的细节特征被刻画得更加精确，第一执行年度开展了基于Sheartlet变换域多尺度分解和自适应系数阈值化的相干斑噪声抑制和基于Shearlet域统计建模和多尺度融合的多时相SAR图像变化检测两项研究工作，展示了Shearlets在图像细节特征恢复和复杂结构化特征为主导信息的变化检测领域是具有优势的。在第二执行年度，针对海洋区域SAR图像中有实际应用价值的舰船和溢油等小目标检测问题，在视觉选择性稀疏注意机制的启发下，提出一种对SAR图像相干斑噪声具有鲁棒抵抗性能的小目标检测方法。通过实测SAR图像数据进行了验证了所提出方法的合理性和有效性。然后，融入了自顶向下的先验知识，提出了一种基于注意力和粒子滤波的自底向上与自顶向下机制相结合的目标检测方法，有效提高了目标检测和定位的准确性。考虑到Shearlets在表征区域性目标上并不如NSCT有优势，第三年度我们继续开展了变化检测的研究工作，提出了基于NSCT特征聚类的多时相SAR图像变化检测方法，并验证了该方法在检测同质性特性表现突出的变化区域时效果更好。接着，从图像稀疏表达的研究角度，我们提出了基于视觉特性的图像分块压缩感知(BCS)方法，实验证实BCS能够有效的提高重构图像的质量。这种基于视觉特性驱动的BCS稀疏重构方法将对开展从数据驱动的视角实现SAR图像的稀疏表示研究工作具有重要的借鉴意义。然后，我们开展了用于BIS的宽波段MFS信号产生研究工作和面向BIS的基于最小绝对偏差法(LAD)的改进Cole参数提取的研究工作。特别是基于LAD的Cole参数提取方法对于噪声信息和奇异信息均具有良好的抵抗性，比传统的基于最小二乘法的参数提取性能更鲁棒。这种采用LAD法曲线拟合测量数据的思路，将为采用拟合法匹配SAR图像变化检测中差别图的直方图带来积极的借鉴意义。总体上来说，较好地达到了本项目的预期目标。