针对SAR图像目标的精确分割问题,利用非下采样轮廓波变换(NSCT)和Gabor滤波器分别提取图像特征,然后采用脉冲耦合神经网络(PCNN)对目标区域进行增强,提出了一种分割算法.分别对图像进行NSCT分解和Gabor滤波,对NSCT域的高、低频子带系数构造一个特征图,对Gabor滤波的不同尺度构造对应的特征图,对所获取的各个特征图用PCNN进行目标增强,最后对增强的特征图进行合理合并与分割.利用MSTAR SAR数据库中各种干扰强度下的图像进行了实验,结果表明,相比于模糊C均值、马尔可夫随机场等常见的分割算法,所提出的算法分割结果更为准确,同时受噪声干扰更小.
SAR图像 图像分割 非下采样Contourlet变换 Gabor滤波器 特征图 MSTAR图像 SAR image image segmentation Nonsubsampled Contourlet Transform(NSCT) Gabor filter characteristic figure MSTAR image
为实现 MSTAR图像无监督分割，并提高分割精度和计算效率，提出了一种基于 Gabor滤波增强的自适应阈值分割算法。首先利用多尺度、多方向的 Gabor滤波器组对待分割图像进行滤波处理，抑制目标、阴影和背景区域内部的斑噪起伏，同时增强区域间的差异性；在此基础上，通过对增强图像统计特性的分析，给出了灰度阈值计算形式，实现了 MSTAR图像的自适应分割。实验结果表明，本文算法对不同斑噪强度的 MSTAR图像均具有良好的处理效果，在分割精度、计算效率等方面优于传统的 OTSU，以及 FCM、MRF等分割方法。
Gabor滤波器组 图像增强 MSTAR图像 自适应阈值分割 Gabor filter banks image enhancement MSTAR image adaptive thresholding
针对目标监测分析中的SAR图像分割问题，构造了一种基于马尔可夫随机场(MRF)模型和形态学运算的处理方法。首先利用SAR图像邻域空间上的马尔可夫性以及像素灰度的高斯分布模型，以较少的迭代次数实现了SAR图像的初分割; 然后通过形态学运算进行处理，抑制干扰性分割，同时填充目标区域内部空洞，改善分割效果。实验结果显示，该方法可以较好地实现SAR图像目标区域的分割，且处理效率较高，利于实现SAR图像的快速有效分割。
SAR图像分割 马尔可夫随机场模型 形态学运算 TerraSAR-X图像 MSTAR图像 SAR image segmentation MRF model morphological operation TerraSAR-X image MSTAR image
