极化合成孔径雷达(SAR)图像地物并行分割分类研究与应用

SAR has important applications in the national economy and national defense construction for its many advantages. But for the existence of speckle noise in SAR image, its processing becomes very complex. In addition, with the development of modern remote sensing technology, the data information that SAR can provide increases massively. However, in some fields of SAR application such as disaster monitoring, prevention and disaster relief ,etc., which require that the obtained SAR image data is processed rapidly and accurately. SAR image segmentation and classification is a complex key link in SAR image interpretation, SAR image especially polarimetric SAR image contains more complete back scattering information of ground object targets, providing more powerful data support for detailed analysis of target features. For slow speed, the traditional serial segmentation and classification algorithms are increasingly unable to meet the application requirements of SAR, improving the segmentation and classification speed is very important. In high performance computing, parallel cluster computing has higher performance price ratio and good expansibility, can meet the needs of different large-scale computing problems. Based on parallel computing, in the project, some parallel terrain segmentation classification methods of polarimetric SAR image are studied. Through experiments and applications, the problems of parallel segmentation and classification ,such as the adaptive data partitioning,dynamic　load balance,etc., are discussed, and through the actual application, the parallel performance is optimized to maximize the SAR image parallel segmentation and classification efficiency.

SAR多方面的优势使其在国民经济和国防建设中有着重要的应用，但SAR图像相干斑噪声的存在使其处理工作变得很复杂。另外，随着遥感技术的发展使SAR所能提供的数据信息量呈海量程度增大。然而SAR在灾害监测、预防及救灾等方面的应用则要求对获取的SAR图像数据做出快速而准确的解译。SAR图像分割分类是SAR图像解译中较为复杂的关键环节，SAR特别是极化SAR图像更完整地记录了地物目标后向散射信息，为详尽分析目标特性提供了更有力的数据支持，传统串行分割分类算法因速度慢而日益不能满足SAR的应用要求，加快分割分类速度非常重要。在高性能计算中，并行集群计算具有较高的性价比和良好的可扩展性，可满足不同规模的大型计算问题。本项目基于并行计算，研究极化SAR图像地物并行分割分类方法，通过实验和实际应用探讨并行分割分类中的数据自适应划分、动态负荷平衡等问题，优化并行性能，以最大限度地提高并行分割分类效率。

项目的背景. SAR多方面的优势使其在国民经济和国防建设中有着重要的应用，但SAR图像相干斑噪声的存在使其处理工作变得很复杂。另外，随着遥感技术的发展，SAR所能提供的数据信息量呈海量程度增大。然而SAR在灾害监测、预防及救灾等方面的应用则要求对获取的SAR图像数据做出快速而准确的解译。SAR图像分割分类是SAR图像解译中较为复杂的关键环节，SAR特别是极化SAR图像更完整地记录了地物目标后向散射信息，为详尽分析目标特性提供了更有力的数据支持，传统串行分割分类算法因速度慢而日益不能满足SAR的应用要求，加快分割分类速度非常重要。在高性能计算中，并行集群计算具有较高的性价比和良好的可扩展性，可满足不同规模的大型计算问题。本项目基于并行计算，研究极化SAR 图像地物并行分割分类方法以及探索如何最大限度地提高并行分割分类效率，并开展应用研究。..项目主要研究内容. 基于SAR 在灾害快速监测与预防及救灾等方面的应用需求，研究并行计算在SAR 图像处理中的关键技术――SAR 图像分割分类中的应用，实现快速极化SAR 图像地物分割分类。具体研究内容包括：(1).筛选出一些较好的极化SAR 图像地物分割分类方法并并行化；(2).研究新的有效的极化SAR 图像地物并行分割分类方法；(3).研究如何充分发挥并行系统资源，提高SAR 图像地物并行分割分类并行效率的方法；(4).极化SAR 图像地物并行分割分类方法的实际应用研究。..重要结果. 在极化SAR 图像地物并行分割分类方法与并行效率提高方面进行了一些较为深入的研究，取得了一些成果，主要有：（1） 提出了一种基于小波能量特征和共生灰度矩阵特征的并行SAR 图像分类方法;（2）提出了一种基于小波变换的并行遥感影像融合方法;（3）提出了一种结合极化散射特性和统计特征的全极化SAR图像分类方法;（4）研制的影像快速融合系统及快速融合方法获得了国家发明专利。. 本项目所提出的这些SAR图像分类方法和遥感影像融合方法有效且快速。..实验与分析. 基于所研究的方法在所搭建的并行集群环境下做实验，实验结果表明，所提方法能取得较好的SAR图像分类和遥感影像融合效果，且速度较快，数据规模越大，效率越高。算法的并行性能也受着数据传输时间的影响，提高网络带宽，算法的并行性能发挥得更好。