sar圖像分割演算法研究

❶ 請教dirichlet 做圖像分割,圖像數據如何處理

傳統的合成孔徑雷達(SAR)圖像參數化有限模型都有其特定的物理背景或者數學假設,很難准確估計SAR圖像中各地物的密度分布,為了解決這一問題,提出一種基於非參數化無限混合模型的SAR圖像分割方法,該方法利用Dirichlet過程對SAR圖像進行建模,進一步採用非參數化Bayes模型分割包含復雜地物目標的SAR圖像。Dirichlet分布作為一種基於分布的分布可以確定不同類別的先驗概率,由樣本估計出密度函數來描述圖像,從而可以更精確地分割各類地物。該演算法在模擬圖像與真實SAR圖像上進行了比對測試,實驗結果驗證了Dirichlet過程混合模型SAR圖像分割演算法的有效性和穩健性。

❷ sar 高分辨成像 條帶分割處理么

合成孔徑雷達（SAR）的點目標模擬
一。 SAR原理簡介
合成孔徑雷達（Synthetic Aperture Radar ，簡稱SAR）是一種高解析度成像雷達技術。它利用脈沖壓縮技術獲得高的距離向解析度，利用合成孔徑原理獲得高的方位向解析度，從而獲得大面積高解析度雷達圖像。
SAR回波信號經距離向脈沖壓縮後，雷達的距離解析度由雷達發射信號帶寬決定： ，式中 表示雷達的距離解析度， 表示雷達發射信號帶寬， 表示光速。同樣，SAR回波信號經方位向合成孔徑後，雷達的方位解析度由雷達方位向的多譜勒帶寬決定： ，式中 表示雷達的方位解析度， 表示雷達方位向多譜勒帶寬， 表示方位向SAR速度。
二。 SAR的成像模式和空間幾何關系
根據SAR波束照射的方式，SAR的典型成像模式有Stripmap（條帶式），Spotlight（聚束式）和Scan（掃描模式），如圖2.1。條帶式成像是最早研究的成像模式，也是低解析度成像最簡單最有效的方式；聚束式成像是在一次飛行中，通過不同的視角對同一區域成像，因而能獲得較高的解析度；掃描模式成像較少使用，它的信號處理最復雜。
圖2.1：SAR典型的成像模式
這里分析SAR點目標回波時，只討論正側式Stripmap SAR，正側式表示SAR波束中心和SAR運動方向垂直，如圖2.2，選取直角坐標系XYZ為參考坐標系，XOY平面為地平面；SAR距地平面高h，沿X軸正向以速度V勻速飛行；P點為SAR的位置矢量，設其坐標為（x,y,z）； T點為目標的位置矢量，設其坐標為 ；由幾何關系，目標與SAR的斜距為：
（2.1）
由圖可知： ；令 ，其中 為速度，s為慢時間變數（slow time），假設 ，其中 表示SAR的x坐標為 的時刻；再令 ， 表示目標與SAR的垂直斜距，重寫2.1式為：
（2.2）
就表示任意時刻 時，目標與雷達的斜距。一般情況下， ，於是2.2式可近似寫為：
（2.3）
可見，斜距是 的函數，不同的目標， 也不一樣，但當目標距SAR較遠時，在觀測帶內，可近似認為 不變，即 。
圖2.2：空間幾何關系 （a）正視圖 （b）側視圖
圖2.2（a）中， 表示合成孔徑長度，它和合成孔徑時間 的關系是 。（b）中， 為雷達天線半功率點波束角， 為波束軸線與Z軸的夾角，即波束視角， 為近距點距離， 為遠距點距離，W為測繪帶寬度，它們的關系為：
（2.4）
三。 SAR的回波信號模型
SAR在運動過程中，以一定的PRT（Pulse Repitition Time,脈沖重復周期）發射和接收脈沖，天線波束照射到地面上近似為一矩形區域，如圖2.2（a），區域內各散射元（點）對入射波後向散射，這樣，發射脈沖經目標和天線方向圖的調制，攜帶目標和環境信息形成SAR回波。從時域來看，發射和接收的信號都是一時間序列。
圖3.1：SAR發射和接收信號
圖3.1表示SAR發射和接收信號的時域序列。發射序列中， 為chirp信號持續時間，下標 表示距離向（Range）；PRT為脈沖重復周期；接收序列中， 表示發射第 個脈沖時，目標回波相對於發射序列的延時；陰影部分表示雷達接收機采樣波門，采樣波門的寬度要保證能罩住測繪帶內所有目標的回波。
雷達發射序列的數學表達式為：
（3.1）
式中， 表示矩形信號， 為距離向chirp信號的調頻斜率， 為載頻。
雷達回波信號由發射信號波形，天線方向圖，斜距，目標RCS，環境等因素共同決定，若不考慮環境因素，則單點目標雷達回波信號可寫成：
（3.2）
式中， 為點目標的雷達散射截面， 表示點目標天線方向圖雙向幅度加權， 表示載機發射第n個脈沖時，電磁波在雷達與目標之間傳播的雙程時間， ，代入3.2式
（3.3）
3.3式就是單點目標回波信號模型。其中， 為chirp分量，它決定距離向解析度， 為doppler分量，它決定方位向解析度。
距離向變數 遠大於方位向變數t（典型相差 量級），於是一般可以假設SAR滿足「停——走——停」模式，即SAR在發射和接收一個脈沖信號中間，載機未發生運動。為了理論分析方便，稱 為慢時間變數（slow time），稱t為快時間變數（fast time）於是，一維回波信號可以寫成二維形式，正交解調去除載波後，單點目標的回波可寫成：
（3.3）
圖3.2：單點目標回波二維分布示意圖
在方位向（慢時間域）是離散的， ，其中V是SAR的速度， 是0時刻目標在參考坐標系中的x坐標。為了作數字信號處理，在距離向（快時間域）也要采樣，假設采樣周期為Tr,則 ，如圖3.2，方位向發射N個脈沖，距離向采樣得到M個樣值點，則SAR回波為一 矩陣

❸ 什麼是光學圖像什麼是SAR圖像它們的區別是什麼成像機制有什麼差異在圖像分割上有什麼不同

1、是什麼:

光學圖像是採用光學攝影系統獲取的以感光膠片為介質的圖像，通常指可見光和部分紅外波段感測器獲取的影像數據。

SAR圖像由SAR（合成孔徑雷達）系統產生，這是一種主動式的對地觀測系統，可安裝在飛機、衛星、宇宙飛船等飛行平台上，全天時、全天候對地實施觀測、並具有一定的地表穿透能力。

2、區別（信息，解析度，成像機制）:

包含信息方面：光學圖像通常會包含多個波段的灰度信息，以便於識別目標和分類提取。而SAR圖像則只記錄了一個波段的回波信息，以二進制復數形式記錄下來；但基於每個像素的復數數據可變換提取相應的振幅和相位信息。

解析度方面：SAR影像解析度相對較低、信噪比較低，所以SAR影像中所包含的振幅信息遠達不到同光學影像的成像水平；但其特有的相位信息是其他感測器所無法獲取的，基於相位的干涉建模也是SAR的主要應用方向。

成像機制差別：光學影像通常採用中心投影面域成像或推帚式掃描獲取數據；而SAR處於信號處理的需要（合成孔徑過程，這里就不展開討論了）不能採用垂直向下的照射方式而只能通過測視主動成像方式發射和接受面域雷達波，並通過信號處理（聚焦、壓縮、濾波等）手段後期合成對應於地面目標的復數像元。

3、在圖像分割上的不同：

單一SAR影像的相位信息基本沒有統計特徵，只有振幅信息可用於目標識別和分類等應用。振幅信息深受雜訊的影響，加之SAR影像特有的幾何畸變（疊掩、透視收縮、多路徑虛假目標等）特徵。光學圖像在信息量和統計上更易進行圖像分割。

(3)sar圖像分割演算法研究擴展閱讀：

SAR技術：

合成孔徑雷達 ，是利用合成孔徑原理，實現高分辨的微波成像，具備全天時、全天候、高分辨、大幅寬等多種特點，最初主要是機載、星載平台，隨著技術的發展，出現了彈載、地基SAR、無人機SAR、臨近空間平台SAR、手持式設備等多種形式平台搭載的合成孔徑雷達，廣泛用於軍事、民用領域。

合成孔徑雷達依次發送電磁波，雷達天線收集，數字化，存儲反射回波，供以後處理。隨著發送和接收發生在不同的時間，它們映射到不同的位置。接收信號的良好有序的組合構建了比物理天線長度長得多的虛擬光圈。這就是為什麼它被稱為「合成孔徑」，賦予它作為成像雷達的屬性。

參考資料：網路-光學圖像，網路-SAR

❹ MATLAB實現基於熱擴散方程的圖像去噪

提出了一種利用規則化各向異性熱擴散方程SAR圖像分割的橋梁檢測演算法。該演算法在Perona和Malik提出的各向異性熱擴散方程的基礎上構造了一個新的擴散函數，利用數值逼近理論，得到一個新的規則化擴散模型，用此模型對圖像初始分割的最大後驗概率矩陣進行多尺度各向異性平滑，得到圖像中河流的精確分割結果，最後在分割後的圖像中按累加方向能量最小准則進行橋梁目標檢測。真實數據實驗結果表明，該方法能有效地抑制強斑點雜訊，快速、精確地檢測出SAR圖像橋梁目標，同時保持橋梁的結構信息

❺ 楊學志的主要論著

[1] X. Z. Yang, K. W. Wu and Y. M. Tang,A New Metric for Measuring Structure-Preserving Capability of Despeckling of SAR Images, ISPRS Journal of Photogrammetry and Remote Sensing, 2014.
[2] X. Z. Yang, M. Ye, X. Wu and Z. Yang, Structure-Preserving Bilateral Filtering For PolSAR Data. Proc. of IEEE Int』l Conf. on Image Processing, 2014.
[3] X. Z. Yang and D. A. Clausi，Evaluating SAR Sea Ice Image Classification Using Edge-Preserving Region-Based MRFs, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing（JSTARS）, vol. 5, no. 5, pp. 1383-1393, 2012.
[4] X. Z. Yang, L. Jia, Despeckling Structural Loss(DSL): A New Metric for Measuring Structure Preserving Capability of Despeckling Algorithms, Proceedings of the 7th IAPR Workshop on Pattern Recognition in Remote Sensing(PRRS, in
conjunction with ICPR), Nov, 2012.
[5] X. Z. Yang and D. A. Clausi, Structure-preserving speckle rection of SAR images using nonlocal means filters. Proc. of IEEE Int』l Conf. on Image Processing (ICIP 09), pp. 2985-2988, Cairo, Egypt, 2009.(oral presentation)
[6] X. Z. Yang and D. A. Clausi, SAR sea ice image segmentation using an edge-preserving region-based MRF. Proc. of IEEE Int』l Conf. on Image Processing (ICIP 09), pp. 1721-1724, Cairo, Egypt, 2009.
[7] X. Z. Yang, D. Yang and J. Shen, On the selection of ICA features for texture classification. Proc. of the Sixth International Symposium on Multispectral Image Processing and Pattern Recognition, vol. 7496, pp. 74960S-1 - 74960S-7, 2009.
[8] X. Z. Yang and D. A. Clausi, SAR sea ice image segmentation based on edge-preserving watersheds. Proc. of the 4th Canadian Conference on Computer and Robot Vision (CRV 07). Montreal, Canada, pp. 426-431, 2007.
[9] X. Z. Yang, G. K. H. Pang and N. H. C. Yung, Robust fabric defect detection and classification using multiple adaptive wavelets, IEE - Vision, Image and Signal Processing, vol. 152, issue 6, pp. 715-723, 2005.
[10] X. Z. Yang, G. K. H. Pang and N. H. C. Yung, 「Discriminative training approaches to fabric defect classification based on wavelet transform」, Pattern Recognition, vol. 37, issue 5, pp. 889-899, May, 2004.
[11] X. Z. Yang, G. K. H. Pang and N. H. C. Yung, 「Discriminative fabric defect detection using adaptive wavelet」, Optical Engineering - The Journal of SPIE, vol. 41, no. 12, pp. 3116-3126, 2002.
[12] X. Z. Yang, G. K. H. Pang and N. H. C. Yung, 「Fabric defect detection using adaptive wavelet」, Proceedings of the 26th IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Salt Lake City, Utah, USA, vol. 6, pp. 3697-3700, 2001.
[13] Y. M. Tang and X. Z. Yang, Symmetric implicational method of fuzzy reasoning, International Journal of Approximate Reasoning, vol. 54, no. 8, pp. 1034-1048, 2013.
[14] 楊學志, 劉燦俊. 採用SRRG-MRF的SAR海冰圖像分割演算法. 遙感學報, 2014.
[15] 李琴潔, 楊學志. 採用區域Gamma混合模型的SAR圖像分割. 遙感學報, 2014.
[16] 楊學志，左美霞，郎文輝，張晰，孟俊敏，採用散射特徵相似性的極化SAR圖像相干斑抑制，遙感學報, vol. 16, no. 1，pp. 105-110, 2012.
[17] 郎文輝,王建社,楊學志,王庚中. 使用多指數模型的SAR海冰圖像偏差場校正. 遙感學報, vol. 15, no. 1，pp. 163-172, 2011.
[18] 郎文輝, 常燦燦, 楊學志, 張傑, 孟俊敏. ScanSAR模式海冰圖像的分割, 遙感學報, 2014.
[19] 郎文輝, 磨玲, 楊學志, 張傑, 孟俊敏. 寬觀測帶SAR圖像入射角效應量化研究與校正. 遙感學報, 2013.
[20] 楊學志，徐勇，方靜，盧潔，左美霞. 結合區域分割和雙邊濾波的圖像去噪新演算法.中國圖象圖形學報，vol. 17, no. 1, pp. 40-48，2012.
[21] 楊學志，田曉梅，方靜，盧潔. 引入紋理相似性的紡織品圖像增強. 中國圖象圖形學報，vol. 17, no. 2, pp. 169-177，2012.
[22] 盧潔，楊學志，郎文輝，左美霞，徐勇. 區域GMM聚類的SAR圖像分割. 中國圖象圖形學報，vol. 16, no. 11, pp. 2088-2094，2011.
[23] 鍾瑩, 楊學志. 採用結構自適應塊匹配的非局部均值去噪演算法. 電子與信息學報, 2013.

❻ 《SAR圖像處理技術與SARscape實踐》pdf下載在線閱讀全文，求百度網盤雲資源

《SAR圖像處理技術與SARscape實踐》網路網盤pdf最新全集下載:
鏈接：https://pan..com/s/1OsWJSfKEu1bSYh8GjyBAQA

❼ 基於粒子群的圖像分割國內外研究現狀

圖像分割是圖像理解的基礎,也是圖像分析的關鍵步驟。資料顯示,在分割過程中使用的先驗知識越多,演算法的精度越高,分割能力越強,但分割的速度變慢。本文針對圖像閾值分割的魯棒性及分割速度問題,研究基於圖像灰度閾值的快速分割技術和方法。 主要工作為綜合利用灰色理論、小波變換、模糊理論、模式識別、熵及直方圖等概念,構造新的閾值分割模型,提高分割質量;另一方面,採用20世紀我國學者開始關注的群體智能演算法,通過其高效、並行尋優能力來優化分割模型,提高分割速度。 主要研究成果包括: (1)將遺傳演算法、小波變換、圖像二維熵和灰色理論相結合,提出一種基於二維灰熵模型的快速SAR圖像分割方法。理論分析和實驗結果表明,與傳統Abutaleb分割方法相比,該方法魯棒性好且分割速度明顯加快。 (2)將Tsallis熵運用到圖像閾值分割,利用粒子群優化演算法的並行尋優能力,提出一種基於灰色Tsallis熵的SAR圖像快速分割方法。該方法較傳統的圖像分割方法更具靈活性,且分割速度較快。 (3)將模糊理論與狄色關聯分析理論相結合,提出一種基於灰色模糊熵的SAR圖像快速分割方法。該方法彌補了傳統模糊分割方法對雜訊敏感的缺陷,魯棒性增強,而且經粒子群優化演算法的優化後,分割速度提高。 (4)研究了模式識別理論中的Fisher判別准則函數,並以之作為圖像閾值的選取准則,提出基於Fisher准則和灰色後處理的快速圖像分割方法。該方法一方面降低了邊界區域信息對分割結果的影響,一方面藉助粒子群優化演算法提高了閾值的搜索速度,減少了分割時間。

❽ 跪求sar圖像海洋油膜特徵圖像分割演算法matlab代碼。哪位好心人個我傳一個。我郵箱[email protected]

我教你一個音頻特徵提取的例子，你好好學學：
%% 該代碼為基於帶動量項的BP神經網路語音識別
%% 清空環境變數
clc
clear

%% 訓練數據預測數據提取及歸一化

%下載四類語音信號
load data1 c1
load data2 c2
load data3 c3
load data4 c4

%四個特徵信號矩陣合成一個矩陣
data(1:500,:)=c1(1:500,:);
data(501:1000,:)=c2(1:500,:);
data(1001:1500,:)=c3(1:500,:);
data(1501:2000,:)=c4(1:500,:);

%從1到2000間隨機排序
k=rand(1,2000);
[m,n]=sort(k);

%輸入輸出數據
input=data(:,2:25);
output1 =data(:,1);

%把輸出從1維變成4維
for i=1:2000
switch output1(i)
case 1
output(i,:)=[1 0 0 0];
case 2
output(i,:)=[0 1 0 0];
case 3
output(i,:)=[0 0 1 0];
case 4
output(i,:)=[0 0 0 1];
end
end

%隨機提取1500個樣本為訓練樣本，500個樣本為預測樣本
input_train=input(n(1:1500),:)';
output_train=output(n(1:1500),:)';
input_test=input(n(1501:2000),:)';
output_test=output(n(1501:2000),:)';

%輸入數據歸一化
[inputn,inputps]=mapminmax(input_train);

%% 網路結構初始化
innum=24;
midnum=25;
outnum=4;

%權值初始化
w1=rands(midnum,innum);
b1=rands(midnum,1);
w2=rands(midnum,outnum);
b2=rands(outnum,1);

w2_1=w2;w2_2=w2_1;
w1_1=w1;w1_2=w1_1;
b1_1=b1;b1_2=b1_1;
b2_1=b2;b2_2=b2_1;

%學習率
xite=0.1
alfa=0.01;

%% 網路訓練
for ii=1:10
E(ii)=0;
for i=1:1:1500
%% 網路預測輸出
x=inputn(:,i);
% 隱含層輸出
for j=1:1:midnum
I(j)=inputn(:,i)'*w1(j,:)'+b1(j);
Iout(j)=1/(1+exp(-I(j)));
end
% 輸出層輸出
yn=w2'*Iout'+b2;

%% 權值閥值修正
%計算誤差
e=output_train(:,i)-yn;
E(ii)=E(ii)+sum(abs(e));

%計算權值變化率
dw2=e*Iout;
db2=e';

for j=1:1:midnum
S=1/(1+exp(-I(j)));
FI(j)=S*(1-S);
end
for k=1:1:innum
for j=1:1:midnum
dw1(k,j)=FI(j)*x(k)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+e(4)*w2(j,4));
db1(j)=FI(j)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+e(4)*w2(j,4));
end
end

w1=w1_1+xite*dw1'+alfa*(w1_1-w1_2);
b1=b1_1+xite*db1'+alfa*(b1_1-b1_2);
w2=w2_1+xite*dw2'+alfa*(w2_1-w2_2);
b2=b2_1+xite*db2'+alfa*(b2_1-b2_2);

w1_2=w1_1;w1_1=w1;
w2_2=w2_1;w2_1=w2;
b1_2=b1_1;b1_1=b1;
b2_2=b2_1;b2_1=b2;
end
end

%% 語音特徵信號分類
inputn_test=mapminmax('apply',input_test,inputps);

for ii=1:1
for i=1:500%1500
%隱含層輸出
for j=1:1:midnum
I(j)=inputn_test(:,i)'*w1(j,:)'+b1(j);
Iout(j)=1/(1+exp(-I(j)));
end

fore(:,i)=w2'*Iout'+b2;
end
end

%% 結果分析
%根據網路輸出找出數據屬於哪類
for i=1:500
output_fore(i)=find(fore(:,i)==max(fore(:,i)));
end

%BP網路預測誤差
error=output_fore-output1(n(1501:2000))';

%畫出預測語音種類和實際語音種類的分類圖
figure(1)
plot(output_fore,'r')
hold on
plot(output1(n(1501:2000))','b')
legend('預測語音類別','實際語音類別')

%畫出誤差圖
figure(2)
plot(error)
title('BP網路分類誤差','fontsize',12)
xlabel('語音信號','fontsize',12)
ylabel('分類誤差','fontsize',12)

%print -dtiff -r600 1-4

k=zeros(1,4);
%找出判斷錯誤的分類屬於哪一類
for i=1:500
if error(i)~=0
[b,c]=max(output_test(:,i));
switch c
case 1
k(1)=k(1)+1;
case 2
k(2)=k(2)+1;
case 3
k(3)=k(3)+1;
case 4
k(4)=k(4)+1;
end
end
end

%找出每類的個體和
kk=zeros(1,4);
for i=1:500
[b,c]=max(output_test(:,i));
switch c
case 1
kk(1)=kk(1)+1;
case 2
kk(2)=kk(2)+1;
case 3
kk(3)=kk(3)+1;
case 4
kk(4)=kk(4)+1;
end
end

%正確率
rightridio=(kk-k)./kk

❾ 陝西師范大學計算機科學學院的承擔科研

高性能保密計算演算法與協議研究 國家自然科學基金-->面上項目 李順東 33 2011/1/1 2013/12/31
偏微分和微分-差分系統的對稱及其對稱約化的准確、可信計算 國家自然科學基金-->面上項目 姚若俠 28 2011/1/1 2013/12/31
基於擴展模糊自動機的組合Web服務驗證方法研究 國家自然科學基金-->青年項目 雷麗暉 20 2011/1/1 2013/12/31
數據挖掘中交互特徵選擇演算法研究 陝西省科技廳項目-->自然科學基礎研究計劃項目 裘國永 2 2010/1/1 2011/12/31
基於粒子群優化的PPI網路新型聚類演算法研究 陝西省科技廳項目-->自然科學基礎研究計劃項目 雷秀娟 2 2010/6/1 2012/12/31
基於粗糙集理論的蝗災發生預測方法研究 陝西省科技廳項目-->自然科學基礎研究計劃項目 謝娟英 3 2010/1/1 2011/12/31
不確定環境下的無線多媒體感測器網路數據傳輸新機制研究 國家自然科學基金-->面上項目 王小明 32 2010/1/1 2012/12/31
儲糧鑽蛀害蟲聲信息檢測與特徵識別研究 國家自然科學基金-->面上項目 郭敏 28 2010/1/1 2012/12/31
生物視覺啟發的自適應窗口目標跟蹤技術研究 教育部項目-->博士點基金 李良福 3.6 2010/1/1 2012/12/31
基於擴展模糊自動機的Web服務自動組合研究與實現 教育部項目-->博士點基金 雷麗暉 3.6 2010/1/1 2012/12/31
基於視覺注意機制的自適應窗口目標跟蹤技術研究 教育部項目-->中國博士後科學基金 李良福 10 2010/1/1 2011/12/31
不確定環境下的無線多媒體感測器網路數據傳輸新機制研究 教育部項目-->留學回國人員科研啟動基金 王小明 3 2010/1/1 2011/12/31
現代網路信息安全及其故障診斷技術研究 陝西省科技廳項目-->自然科學基礎研究計劃項目 吳振強 3 2010/1/1 2011/12/31
基於人體生理信號的駕駛疲勞檢測方法的研究 陝西省科技廳項目-->自然科學基礎研究計劃項目 艾玲梅 2 2010/1/1 2011/12/31
不確定環境下的計算模型與計算理論研究 國家自然科學基金-->面上項目 李永明 32 2009/1/1 2011/12/31
基於灰色理論的SAR圖像分割及其效果評價方法研究 國家自然科學基金-->青年項目 馬苗 18 2009/1/1 2011/12/31
基於視頻序列的三維人體結構及運動重建技術研究 國家自然科學基金-->青年項目 劉侍剛 20 2009/1/1 2011/12/31
不確定環境下的自動機理論及其應用研究 教育部項目-->博士點基金 李永明 6 2009/1/1 2011/12/30
基於非定標圖像序列的非剛體三維結構及運動重建技術研究 教育部項目-->博士點基金 劉侍剛 3.6 2009/1/1 2011/12/30
基於信號分解理論的非參數基函數特徵提取方法研究 陝西省科技廳項目-->自然科學基礎研究計劃項目 范虹 2 2009/1/1 2010/12/30
非線性系統對稱性的自動推理及其應用研究 陝西省科技廳項目-->自然科學基礎研究計劃項目 姚若俠 3 2009/1/1 2010/12/30
互聯網上不良圖像的識別與過濾方法研究及應用 陝西省科技廳項目-->工業公關 王映輝 5 2009/1/1 2011/12/30
普適計算環境下的分布式模糊自適應訪問控制理論及關鍵技術研究 國家自然科學基金-->面上項目 王小明 28 2008/1/1 2010/12/1
基於灰色理論的SAR圖像分割方法研究 陝西省科技廳項目-->自然科學基礎研究計劃項目 馬苗 3 2008/1/1 2009/12/1
用數據挖掘研究地震餘震預報與綜合評判 陝西省科技廳項目-->攻關計劃 李順東 5 2008/7/1 2010/12/31
儲糧害蟲活動聲特徵及其資料庫 陝西省教育廳項目 郭敏 2 2008/1/1 2010/6/1
基於非定標視頻序列的三維人臉結構及運動重建技術研究 教育部項目-->中國博士後科學基金 劉侍剛 5 2008/8/18 2009/12/31
基於統計模型的海上艦艇目標識別與跟蹤研究 教育部項目-->中國博士後科學基金 李良福 3 2008/1/1 2010/1/1
基於模式識別和高分辨遙感影像的河流水質檢測研究 國家自然科學基金-->面上項目 汪西莉 38 2007/1/1 2009/12/1
保密計算服務的演算法、模型與性能評價研究 國家自然科學基金-->面上項目 李順東 25 2007/1/1 2009/12/31
面向普適計算的模糊自適應訪問控制研究 教育部項目-->重點項目 王小明 8 2007/1/1 2009/12/1
面向普適計算模糊訪問控制研究 陝西省科技廳項目-->自然科學基礎研究計劃項目 王小明 2 2007/1/1 2008/12/31
格上拓撲學及其在不缺定特性的形式化研究中的應用 國家自然科學基金-->面上項目 李永明 25 2006/1/1 2008/12/31
網路偽裝協同安全模型研究 國家自然科學基金-->青年項目 何聚厚 25 2006/1/1 2008/12/31
基於數據融合的超聲與非聲醫學圖像信息識別研究 陝西省科技廳項目-->自然科學基礎研究計劃項目 郭敏 1.5 2006/1/1 2008/12/31
基於數字城市的嵌入式旅遊服務與決策信息系統設計 陝西省科技廳項目-->社發公關 曹菡 2 2006/1/1 2007/12/31

❿ 在圖像處理中什麼是SAR

按感測器採用的成像波段分類,光學圖像通常是指可見光和部分紅外波段感測器獲取的影像數據.而SAR感測器基本屬於微波頻段,波長通常在厘米級.
可見光圖像通常會包含多個波段的灰度信息,以便於識別目標和分類提取.而SAR圖像則只記錄了一個波段的回波信息,以二進制復數形式記錄下來；但基於每個像素的復數數據可變換提取相應的振幅和相位信息.振幅信息通常對應於地面目標對雷達波的後向散射強度,與目標介質、含水量以及粗糙程度密切相關；該信息與可見光成像獲得的灰度信息有較大的相關性.而相位信息則對應於感測器平台與地面目標的往返傳播距離,這與GPS相位測距的原理相同.
由於SAR影像解析度相對較低、信噪比較低,所以SAR影像中所包含的振幅信息遠達不到同光學影像的成像水平；但其特有的相位信息是其他感測器所無法獲取的,基於相位的干涉建模也是SAR的主要應用方向.
在成像模式方面,光學影像通常採用中心投影面域成像或推帚式掃描獲取數據；而SAR處於信號處理的需要（合成孔徑過程,這里就不展開討論了）不能採用垂直向下的照射方式而只能通過測視主動成像方式發射和接受面域雷達波,並通過信號處理（聚焦、壓縮、濾波等）手段後期合成對應於地面目標的復數像元.
單一SAR影像的相位信息基本沒有統計特徵,只有振幅信息可用於目標識別和分類等應用.正如前面所說,振幅信息深受雜訊的影響,加之SAR影像特有的幾何畸變（疊掩、透視收縮、多路徑虛假目標等）特徵,個人認為仁兄若是想在圖像分割領域做探討的話,可以直接忽略掉SAR影像了.