编辑点评：徐恩惠SAR图像处理技术与SARscape实践研究
于SAR图像处理方面的研究工作和该领域一些专家的相关工作，介绍了SAR图像相干斑噪声抑制、SAR图像边缘提取、SAR图像分割分类、SAR图像目标识别、极化SAR图像处理与并行SAR图像处理等一些SAR图像处理关键方法技术。
图片预览
SAR特性介绍
与光学遥感相比，SAR具有如下特性：全天候，不受云雾雪的影响，雨的影响有限全天时，主动感系统
对地表有一定的穿透能力，与土壤含水量有关，依赖于波长
-对植被有一定的穿透能力，依赖于波长和入射角
-高分辨率，分辨率与距离无关独特的辐射和几何特性
-干涉测量能力
-多极化观测能力
SAR图像处理技术
雷达数据基本处理与分析
数据输入、多视、配准、滤波、地理编码、正射纠正等分类、目标识别、定量分析等InSAR&DInSAR处理技术
-DEM提取
-变形监测
SAR时序分析&干涉叠加技术
-永久散射体-PS-小基线-SBAS
PolSAR&Pol-InSAR处理技术
一极化信号分析
sar图像整体特点
1，SAR图像是斜距图像，方位向和距离向分辨率不一致（距离向分辨率较高，例如2m*3m），斜距图像上近距离被压缩（光学图像是远距离被压缩）。
2、SAR图像特有的几何特点（如透视、收缩、倒置、盲区、斜距显示的图像近距离压缩等）
加大了SAR图像解译难度。
3，SAR图像固有的相干斑噪声使得目标边缘模糊、清晰度下降，也造成SAR图像解译采用完全不同的方法。
4、俯仰角度和方位角变化时，SAR图像会表现出较大的差异。需要结合具体的观测参数对SAR图像进行判读。
5、存在多次反射效应、虚假现象、多普勒频移等。
什么是SAR图像
合成孔径雷达（SAR）具有全天时、全天候的高分辨成像能力，在国民经济和国防建设中有着非常重要的应用。但是，SAR成像的特点决定了SAR图像几何失真较大且含有大量被称为相干斑的乘性噪声，这使得传统的图像处理技术很难应用。基于此，本书基于SAR图像处理方面的研究工作和该领域一些专家的相关工作，介绍了SAR图像相干斑噪声抑制、SAR图像边缘提取、SAR图像分割分类、SAR图像目标识别、极化SAR图像处理与并行SAR图像处理等一些SAR图像处理关键方法技术。
SAR图像相干斑噪声的存在使SAR图像的解译工作变得相当复杂，因此研究SAR图像的信号和噪声分布特性对于SAR图像的各项处理工作显得格外重要。用小波分析的方法研究了SAR图像信号和噪声在频域中的分布特性，并在SAR图像滤波中得以验证。
基于以上SAR图像相干斑噪声的分布特性的研究，并分析现有的图像空间滤波算法，研究提出了一种相干斑滤除方法——基于小波变换的SAR图像噪声滤波方法。将该方法用于SAR图像去噪取得了较好的效果。
在含噪SAR图像边缘提取方面，提出了3种方法：①基于小波变换的SAR图像边缘提取。首先用基于结构信息的统计滤波方法对SAR图像进行滤波，然后根据小波变换具有多分辨分析的特性，并结合模糊中值滤波、阈值化处理及微分梯度算子对SAR图像进行边缘提取。②基于分形的SAR图像边缘提取。首先用小波变换方法对SAR图像进行滤波，然后依据所计算的基于区域自选的多尺度分形维数进行边缘检测。③基于支撑矢量机（SVM）的SAR图像边缘提取。利用含噪SAR图像中边缘点与非边缘点在邻域一致性、方向性和结构性的不同，运用一个三维特征向量描述边缘点，并采用SVM方法实现对边缘点的提取。实验结果表明，对于SAR图像来说，本书中所提出的边缘检测方法优于Robert算子、Sobel算子、Canny算子等传统边缘检测算子。本书同时对所提出的方法从算法性能、效率方面进行了分析比较，并给出了各自的适用范围。
在SAR图像分割分类方面，提出了6种方法：①基于瑞利（Rayleigh）分布和模糊技术的SAR图像分割方法。该方法基于SAR图像灰度级分布模型，并结合像素灰度和区域信息，提取目标灰度隶属度信息作为特征，然后通过无监督聚类方法对SAR图像进行分割。②基于小波变换的SAR图像分割方法。在该方法中，用于SAR图像分割的特征向量由图像小波纹理特征和滤波后的灰度组成。③基于分形特征的SAR图像分割方法。该方法基于分形理论并结合了SAR图像的特点。④基于模糊神经网络的SAR图像分割方法。该方法将所提取的SAR图像的灰度共生矩阵特征和滤波后的灰度组成特征向量，用模糊神经网络对SAR图像进行分割。⑤基于树型小波和灰度共生矩阵的SAR图像分类方法。该方法将图像的空间域和频域特征相结合。⑥利用小波尺度共生矩阵和灰度共生矩阵的SAR图像分类方法。该方法将反映图像纹理的动态和静态信息特征相结合。实验结果表明，本书所提出的SAR图像分割分类方法是有效的。本书同时对所提出的分割分类方法从算法性能、效率方面进行了分析比较，并给出了各自的适用范围。
在SAR图像目标识别方面，提出了基于SVM的SAR图像目标识别方法。该方法首先对样本SAR图像进行预处理；然后提取目标区域的不变矩特征并计算灰度均值，将其组成特征向量训练SVM分类器；*后用训练好的SVM分类器对要识别的SAR图像进行目标识别。用该方法对一些含有桥梁和坦克的SAR图像进行目标识别取得了较好的结果。
在极化SAR图像分类方面，提出了一种基于极化特征并结合邻域信息的统计特征的全极化SAR数据的无监督分类方法。在该方法中，计算了极化SAR图像的极化特征：H（熵）、α（散射角）、A（各向异性度）和SPAN（极化总功率）。还在极化总功率图像上计算了空间统计特征：4个灰度共生矩阵特征。将极化特征和空间统计特征相结合，对极化SAR图像进行分类。实验表明，该算法能更好地保持极化SAR图像的纹理和细节，其分类结果优于传统的极化SAR图像分类方法。
在高性能计算中，并行集群计算系统具有较高的和良好的可扩展性，可以满足不同规模的大型计算问题，因此日益受到重视。本书将并行计算引入SAR图像处理中，以提高速度。针对SAR图像处理中计算量大的关键环节，并结合并行计算，提出了一种SAR图像并行分类方法和一种SAR图像并行边缘检测方法，通过实验验证了它们的有效性及较高的效率。通过SAR图像并行处理的研究和实验，本书也对影响图像并行处理的一些因素进行了分析，并给出了一些提高SAR图像并行处理性能的措施。
本书的工作得到了笔者的博士生导师赵荣椿教授、张艳宁教授，笔者的博士后合作导师曾琪明教授和笔者在美国公派访学时的合作导师Liping Di教授的许多指点和帮助，以及导师们的实验室的多位同门的帮助，在此一并感谢。本书还参考了许多国内外相关资料，对这些文献的作者们也表示感谢。在本书的撰写过程中，也得到了笔者的家人和工作单位的领导与同事，以及笔者的一些朋友的支持和帮助，在此也表示感谢。鉴于笔者的专业水平有限及时间仓促，书中不足之处在所难免，敬请读者和同行批评指正，笔者会将读者的反馈作为进一步提高研究质量的动力。
SAR图像处理技术与SARscape实践pdf版截图
Comments