sar图像分割算法研究

❶ 请教dirichlet 做图像分割,图像数据如何处理

传统的合成孔径雷达(SAR)图像参数化有限模型都有其特定的物理背景或者数学假设,很难准确估计SAR图像中各地物的密度分布,为了解决这一问题,提出一种基于非参数化无限混合模型的SAR图像分割方法,该方法利用Dirichlet过程对SAR图像进行建模,进一步采用非参数化Bayes模型分割包含复杂地物目标的SAR图像。Dirichlet分布作为一种基于分布的分布可以确定不同类别的先验概率,由样本估计出密度函数来描述图像,从而可以更精确地分割各类地物。该算法在模拟图像与真实SAR图像上进行了比对测试,实验结果验证了Dirichlet过程混合模型SAR图像分割算法的有效性和稳健性。

❷ sar 高分辨成像 条带分割处理么

合成孔径雷达（SAR）的点目标仿真
一。 SAR原理简介
合成孔径雷达（Synthetic Aperture Radar ，简称SAR）是一种高分辨率成像雷达技术。它利用脉冲压缩技术获得高的距离向分辨率，利用合成孔径原理获得高的方位向分辨率，从而获得大面积高分辨率雷达图像。
SAR回波信号经距离向脉冲压缩后，雷达的距离分辨率由雷达发射信号带宽决定： ，式中 表示雷达的距离分辨率， 表示雷达发射信号带宽， 表示光速。同样，SAR回波信号经方位向合成孔径后，雷达的方位分辨率由雷达方位向的多谱勒带宽决定： ，式中 表示雷达的方位分辨率， 表示雷达方位向多谱勒带宽， 表示方位向SAR速度。
二。 SAR的成像模式和空间几何关系
根据SAR波束照射的方式，SAR的典型成像模式有Stripmap（条带式），Spotlight（聚束式）和Scan（扫描模式），如图2.1。条带式成像是最早研究的成像模式，也是低分辨率成像最简单最有效的方式；聚束式成像是在一次飞行中，通过不同的视角对同一区域成像，因而能获得较高的分辨率；扫描模式成像较少使用，它的信号处理最复杂。
图2.1：SAR典型的成像模式
这里分析SAR点目标回波时，只讨论正侧式Stripmap SAR，正侧式表示SAR波束中心和SAR运动方向垂直，如图2.2，选取直角坐标系XYZ为参考坐标系，XOY平面为地平面；SAR距地平面高h，沿X轴正向以速度V匀速飞行；P点为SAR的位置矢量，设其坐标为（x,y,z）； T点为目标的位置矢量，设其坐标为 ；由几何关系，目标与SAR的斜距为：
（2.1）
由图可知： ；令 ，其中 为速度，s为慢时间变量（slow time），假设 ，其中 表示SAR的x坐标为 的时刻；再令 ， 表示目标与SAR的垂直斜距，重写2.1式为：
（2.2）
就表示任意时刻 时，目标与雷达的斜距。一般情况下， ，于是2.2式可近似写为：
（2.3）
可见，斜距是 的函数，不同的目标， 也不一样，但当目标距SAR较远时，在观测带内，可近似认为 不变，即 。
图2.2：空间几何关系 （a）正视图 （b）侧视图
图2.2（a）中， 表示合成孔径长度，它和合成孔径时间 的关系是 。（b）中， 为雷达天线半功率点波束角， 为波束轴线与Z轴的夹角，即波束视角， 为近距点距离， 为远距点距离，W为测绘带宽度，它们的关系为：
（2.4）
三。 SAR的回波信号模型
SAR在运动过程中，以一定的PRT（Pulse Repitition Time,脉冲重复周期）发射和接收脉冲，天线波束照射到地面上近似为一矩形区域，如图2.2（a），区域内各散射元（点）对入射波后向散射，这样，发射脉冲经目标和天线方向图的调制，携带目标和环境信息形成SAR回波。从时域来看，发射和接收的信号都是一时间序列。
图3.1：SAR发射和接收信号
图3.1表示SAR发射和接收信号的时域序列。发射序列中， 为chirp信号持续时间，下标 表示距离向（Range）；PRT为脉冲重复周期；接收序列中， 表示发射第 个脉冲时，目标回波相对于发射序列的延时；阴影部分表示雷达接收机采样波门，采样波门的宽度要保证能罩住测绘带内所有目标的回波。
雷达发射序列的数学表达式为：
（3.1）
式中， 表示矩形信号， 为距离向chirp信号的调频斜率， 为载频。
雷达回波信号由发射信号波形，天线方向图，斜距，目标RCS，环境等因素共同决定，若不考虑环境因素，则单点目标雷达回波信号可写成：
（3.2）
式中， 为点目标的雷达散射截面， 表示点目标天线方向图双向幅度加权， 表示载机发射第n个脉冲时，电磁波在雷达与目标之间传播的双程时间， ，代入3.2式
（3.3）
3.3式就是单点目标回波信号模型。其中， 为chirp分量，它决定距离向分辨率， 为doppler分量，它决定方位向分辨率。
距离向变量 远大于方位向变量t（典型相差 量级），于是一般可以假设SAR满足“停——走——停”模式，即SAR在发射和接收一个脉冲信号中间，载机未发生运动。为了理论分析方便，称 为慢时间变量（slow time），称t为快时间变量（fast time）于是，一维回波信号可以写成二维形式，正交解调去除载波后，单点目标的回波可写成：
（3.3）
图3.2：单点目标回波二维分布示意图
在方位向（慢时间域）是离散的， ，其中V是SAR的速度， 是0时刻目标在参考坐标系中的x坐标。为了作数字信号处理，在距离向（快时间域）也要采样，假设采样周期为Tr,则 ，如图3.2，方位向发射N个脉冲，距离向采样得到M个样值点，则SAR回波为一 矩阵

❸ 什么是光学图像什么是SAR图像它们的区别是什么成像机制有什么差异在图像分割上有什么不同

1、是什么:

光学图像是采用光学摄影系统获取的以感光胶片为介质的图像，通常指可见光和部分红外波段传感器获取的影像数据。

SAR图像由SAR（合成孔径雷达）系统产生，这是一种主动式的对地观测系统，可安装在飞机、卫星、宇宙飞船等飞行平台上，全天时、全天候对地实施观测、并具有一定的地表穿透能力。

2、区别（信息，分辨率，成像机制）:

包含信息方面：光学图像通常会包含多个波段的灰度信息，以便于识别目标和分类提取。而SAR图像则只记录了一个波段的回波信息，以二进制复数形式记录下来；但基于每个像素的复数数据可变换提取相应的振幅和相位信息。

分辨率方面：SAR影像分辨率相对较低、信噪比较低，所以SAR影像中所包含的振幅信息远达不到同光学影像的成像水平；但其特有的相位信息是其他传感器所无法获取的，基于相位的干涉建模也是SAR的主要应用方向。

成像机制差别：光学影像通常采用中心投影面域成像或推帚式扫描获取数据；而SAR处于信号处理的需要（合成孔径过程，这里就不展开讨论了）不能采用垂直向下的照射方式而只能通过测视主动成像方式发射和接受面域雷达波，并通过信号处理（聚焦、压缩、滤波等）手段后期合成对应于地面目标的复数像元。

3、在图像分割上的不同：

单一SAR影像的相位信息基本没有统计特征，只有振幅信息可用于目标识别和分类等应用。振幅信息深受噪声的影响，加之SAR影像特有的几何畸变（叠掩、透视收缩、多路径虚假目标等）特征。光学图像在信息量和统计上更易进行图像分割。

(3)sar图像分割算法研究扩展阅读：

SAR技术：

合成孔径雷达 ，是利用合成孔径原理，实现高分辨的微波成像，具备全天时、全天候、高分辨、大幅宽等多种特点，最初主要是机载、星载平台，随着技术的发展，出现了弹载、地基SAR、无人机SAR、临近空间平台SAR、手持式设备等多种形式平台搭载的合成孔径雷达，广泛用于军事、民用领域。

合成孔径雷达依次发送电磁波，雷达天线收集，数字化，存储反射回波，供以后处理。随着发送和接收发生在不同的时间，它们映射到不同的位置。接收信号的良好有序的组合构建了比物理天线长度长得多的虚拟光圈。这就是为什么它被称为“合成孔径”，赋予它作为成像雷达的属性。

参考资料：网络-光学图像，网络-SAR

❹ MATLAB实现基于热扩散方程的图像去噪

提出了一种利用规则化各向异性热扩散方程SAR图像分割的桥梁检测算法。该算法在Perona和Malik提出的各向异性热扩散方程的基础上构造了一个新的扩散函数，利用数值逼近理论，得到一个新的规则化扩散模型，用此模型对图像初始分割的最大后验概率矩阵进行多尺度各向异性平滑，得到图像中河流的精确分割结果，最后在分割后的图像中按累加方向能量最小准则进行桥梁目标检测。真实数据实验结果表明，该方法能有效地抑制强斑点噪声，快速、精确地检测出SAR图像桥梁目标，同时保持桥梁的结构信息

❺ 杨学志的主要论着

[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] 杨学志, 刘灿俊. 采用SRRG-MRF的SAR海冰图像分割算法. 遥感学报, 2014.
[15] 李琴洁, 杨学志. 采用区域Gamma混合模型的SAR图像分割. 遥感学报, 2014.
[16] 杨学志，左美霞，郎文辉，张晰，孟俊敏，采用散射特征相似性的极化SAR图像相干斑抑制，遥感学报, vol. 16, no. 1，pp. 105-110, 2012.
[17] 郎文辉,王建社,杨学志,王庚中. 使用多指数模型的SAR海冰图像偏差场校正. 遥感学报, vol. 15, no. 1，pp. 163-172, 2011.
[18] 郎文辉, 常灿灿, 杨学志, 张杰, 孟俊敏. ScanSAR模式海冰图像的分割, 遥感学报, 2014.
[19] 郎文辉, 磨玲, 杨学志, 张杰, 孟俊敏. 宽观测带SAR图像入射角效应量化研究与校正. 遥感学报, 2013.
[20] 杨学志，徐勇，方静，卢洁，左美霞. 结合区域分割和双边滤波的图像去噪新算法.中国图象图形学报，vol. 17, no. 1, pp. 40-48，2012.
[21] 杨学志，田晓梅，方静，卢洁. 引入纹理相似性的纺织品图像增强. 中国图象图形学报，vol. 17, no. 2, pp. 169-177，2012.
[22] 卢洁，杨学志，郎文辉，左美霞，徐勇. 区域GMM聚类的SAR图像分割. 中国图象图形学报，vol. 16, no. 11, pp. 2088-2094，2011.
[23] 钟莹, 杨学志. 采用结构自适应块匹配的非局部均值去噪算法. 电子与信息学报, 2013.

❻ 《SAR图像处理技术与SARscape实践》pdf下载在线阅读全文，求百度网盘云资源

《SAR图像处理技术与SARscape实践》网络网盘pdf最新全集下载:
链接：https://pan..com/s/1OsWJSfKEu1bSYh8GjyBAQA

❼ 基于粒子群的图像分割国内外研究现状

图像分割是图像理解的基础,也是图像分析的关键步骤。资料显示,在分割过程中使用的先验知识越多,算法的精度越高,分割能力越强,但分割的速度变慢。本文针对图像阈值分割的鲁棒性及分割速度问题,研究基于图像灰度阈值的快速分割技术和方法。 主要工作为综合利用灰色理论、小波变换、模糊理论、模式识别、熵及直方图等概念,构造新的阈值分割模型,提高分割质量;另一方面,采用20世纪我国学者开始关注的群体智能算法,通过其高效、并行寻优能力来优化分割模型,提高分割速度。 主要研究成果包括: (1)将遗传算法、小波变换、图像二维熵和灰色理论相结合,提出一种基于二维灰熵模型的快速SAR图像分割方法。理论分析和实验结果表明,与传统Abutaleb分割方法相比,该方法鲁棒性好且分割速度明显加快。 (2)将Tsallis熵运用到图像阈值分割,利用粒子群优化算法的并行寻优能力,提出一种基于灰色Tsallis熵的SAR图像快速分割方法。该方法较传统的图像分割方法更具灵活性,且分割速度较快。 (3)将模糊理论与狄色关联分析理论相结合,提出一种基于灰色模糊熵的SAR图像快速分割方法。该方法弥补了传统模糊分割方法对噪声敏感的缺陷,鲁棒性增强,而且经粒子群优化算法的优化后,分割速度提高。 (4)研究了模式识别理论中的Fisher判别准则函数,并以之作为图像阈值的选取准则,提出基于Fisher准则和灰色后处理的快速图像分割方法。该方法一方面降低了边界区域信息对分割结果的影响,一方面借助粒子群优化算法提高了阈值的搜索速度,减少了分割时间。

❽ 跪求sar图像海洋油膜特征图像分割算法matlab代码。哪位好心人个我传一个。我邮箱[email protected]

我教你一个音频特征提取的例子，你好好学学：
%% 该代码为基于带动量项的BP神经网络语音识别
%% 清空环境变量
clc
clear

%% 训练数据预测数据提取及归一化

%下载四类语音信号
load data1 c1
load data2 c2
load data3 c3
load data4 c4

%四个特征信号矩阵合成一个矩阵
data(1:500,:)=c1(1:500,:);
data(501:1000,:)=c2(1:500,:);
data(1001:1500,:)=c3(1:500,:);
data(1501:2000,:)=c4(1:500,:);

%从1到2000间随机排序
k=rand(1,2000);
[m,n]=sort(k);

%输入输出数据
input=data(:,2:25);
output1 =data(:,1);

%把输出从1维变成4维
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

%随机提取1500个样本为训练样本，500个样本为预测样本
input_train=input(n(1:1500),:)';
output_train=output(n(1:1500),:)';
input_test=input(n(1501:2000),:)';
output_test=output(n(1501:2000),:)';

%输入数据归一化
[inputn,inputps]=mapminmax(input_train);

%% 网络结构初始化
innum=24;
midnum=25;
outnum=4;

%权值初始化
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;

%学习率
xite=0.1
alfa=0.01;

%% 网络训练
for ii=1:10
E(ii)=0;
for i=1:1:1500
%% 网络预测输出
x=inputn(:,i);
% 隐含层输出
for j=1:1:midnum
I(j)=inputn(:,i)'*w1(j,:)'+b1(j);
Iout(j)=1/(1+exp(-I(j)));
end
% 输出层输出
yn=w2'*Iout'+b2;

%% 权值阀值修正
%计算误差
e=output_train(:,i)-yn;
E(ii)=E(ii)+sum(abs(e));

%计算权值变化率
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

%% 语音特征信号分类
inputn_test=mapminmax('apply',input_test,inputps);

for ii=1:1
for i=1:500%1500
%隐含层输出
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

%% 结果分析
%根据网络输出找出数据属于哪类
for i=1:500
output_fore(i)=find(fore(:,i)==max(fore(:,i)));
end

%BP网络预测误差
error=output_fore-output1(n(1501:2000))';

%画出预测语音种类和实际语音种类的分类图
figure(1)
plot(output_fore,'r')
hold on
plot(output1(n(1501:2000))','b')
legend('预测语音类别','实际语音类别')

%画出误差图
figure(2)
plot(error)
title('BP网络分类误差','fontsize',12)
xlabel('语音信号','fontsize',12)
ylabel('分类误差','fontsize',12)

%print -dtiff -r600 1-4

k=zeros(1,4);
%找出判断错误的分类属于哪一类
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

%找出每类的个体和
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

%正确率
rightridio=(kk-k)./kk

❾ 陕西师范大学计算机科学学院的承担科研

高性能保密计算算法与协议研究 国家自然科学基金-->面上项目 李顺东 33 2011/1/1 2013/12/31
偏微分和微分-差分系统的对称及其对称约化的准确、可信计算 国家自然科学基金-->面上项目 姚若侠 28 2011/1/1 2013/12/31
基于扩展模糊自动机的组合Web服务验证方法研究 国家自然科学基金-->青年项目 雷丽晖 20 2011/1/1 2013/12/31
数据挖掘中交互特征选择算法研究 陕西省科技厅项目-->自然科学基础研究计划项目 裘国永 2 2010/1/1 2011/12/31
基于粒子群优化的PPI网络新型聚类算法研究 陕西省科技厅项目-->自然科学基础研究计划项目 雷秀娟 2 2010/6/1 2012/12/31
基于粗糙集理论的蝗灾发生预测方法研究 陕西省科技厅项目-->自然科学基础研究计划项目 谢娟英 3 2010/1/1 2011/12/31
不确定环境下的无线多媒体传感器网络数据传输新机制研究 国家自然科学基金-->面上项目 王小明 32 2010/1/1 2012/12/31
储粮钻蛀害虫声信息检测与特征识别研究 国家自然科学基金-->面上项目 郭敏 28 2010/1/1 2012/12/31
生物视觉启发的自适应窗口目标跟踪技术研究 教育部项目-->博士点基金 李良福 3.6 2010/1/1 2012/12/31
基于扩展模糊自动机的Web服务自动组合研究与实现 教育部项目-->博士点基金 雷丽晖 3.6 2010/1/1 2012/12/31
基于视觉注意机制的自适应窗口目标跟踪技术研究 教育部项目-->中国博士后科学基金 李良福 10 2010/1/1 2011/12/31
不确定环境下的无线多媒体传感器网络数据传输新机制研究 教育部项目-->留学回国人员科研启动基金 王小明 3 2010/1/1 2011/12/31
现代网络信息安全及其故障诊断技术研究 陕西省科技厅项目-->自然科学基础研究计划项目 吴振强 3 2010/1/1 2011/12/31
基于人体生理信号的驾驶疲劳检测方法的研究 陕西省科技厅项目-->自然科学基础研究计划项目 艾玲梅 2 2010/1/1 2011/12/31
不确定环境下的计算模型与计算理论研究 国家自然科学基金-->面上项目 李永明 32 2009/1/1 2011/12/31
基于灰色理论的SAR图像分割及其效果评价方法研究 国家自然科学基金-->青年项目 马苗 18 2009/1/1 2011/12/31
基于视频序列的三维人体结构及运动重建技术研究 国家自然科学基金-->青年项目 刘侍刚 20 2009/1/1 2011/12/31
不确定环境下的自动机理论及其应用研究 教育部项目-->博士点基金 李永明 6 2009/1/1 2011/12/30
基于非定标图像序列的非刚体三维结构及运动重建技术研究 教育部项目-->博士点基金 刘侍刚 3.6 2009/1/1 2011/12/30
基于信号分解理论的非参数基函数特征提取方法研究 陕西省科技厅项目-->自然科学基础研究计划项目 范虹 2 2009/1/1 2010/12/30
非线性系统对称性的自动推理及其应用研究 陕西省科技厅项目-->自然科学基础研究计划项目 姚若侠 3 2009/1/1 2010/12/30
互联网上不良图像的识别与过滤方法研究及应用 陕西省科技厅项目-->工业公关 王映辉 5 2009/1/1 2011/12/30
普适计算环境下的分布式模糊自适应访问控制理论及关键技术研究 国家自然科学基金-->面上项目 王小明 28 2008/1/1 2010/12/1
基于灰色理论的SAR图像分割方法研究 陕西省科技厅项目-->自然科学基础研究计划项目 马苗 3 2008/1/1 2009/12/1
用数据挖掘研究地震余震预报与综合评判 陕西省科技厅项目-->攻关计划 李顺东 5 2008/7/1 2010/12/31
储粮害虫活动声特征及其数据库 陕西省教育厅项目 郭敏 2 2008/1/1 2010/6/1
基于非定标视频序列的三维人脸结构及运动重建技术研究 教育部项目-->中国博士后科学基金 刘侍刚 5 2008/8/18 2009/12/31
基于统计模型的海上舰艇目标识别与跟踪研究 教育部项目-->中国博士后科学基金 李良福 3 2008/1/1 2010/1/1
基于模式识别和高分辨遥感影像的河流水质检测研究 国家自然科学基金-->面上项目 汪西莉 38 2007/1/1 2009/12/1
保密计算服务的算法、模型与性能评价研究 国家自然科学基金-->面上项目 李顺东 25 2007/1/1 2009/12/31
面向普适计算的模糊自适应访问控制研究 教育部项目-->重点项目 王小明 8 2007/1/1 2009/12/1
面向普适计算模糊访问控制研究 陕西省科技厅项目-->自然科学基础研究计划项目 王小明 2 2007/1/1 2008/12/31
格上拓扑学及其在不缺定特性的形式化研究中的应用 国家自然科学基金-->面上项目 李永明 25 2006/1/1 2008/12/31
网络伪装协同安全模型研究 国家自然科学基金-->青年项目 何聚厚 25 2006/1/1 2008/12/31
基于数据融合的超声与非声医学图像信息识别研究 陕西省科技厅项目-->自然科学基础研究计划项目 郭敏 1.5 2006/1/1 2008/12/31
基于数字城市的嵌入式旅游服务与决策信息系统设计 陕西省科技厅项目-->社发公关 曹菡 2 2006/1/1 2007/12/31

❿ 在图像处理中什么是SAR

按传感器采用的成像波段分类,光学图像通常是指可见光和部分红外波段传感器获取的影像数据.而SAR传感器基本属于微波频段,波长通常在厘米级.
可见光图像通常会包含多个波段的灰度信息,以便于识别目标和分类提取.而SAR图像则只记录了一个波段的回波信息,以二进制复数形式记录下来；但基于每个像素的复数数据可变换提取相应的振幅和相位信息.振幅信息通常对应于地面目标对雷达波的后向散射强度,与目标介质、含水量以及粗糙程度密切相关；该信息与可见光成像获得的灰度信息有较大的相关性.而相位信息则对应于传感器平台与地面目标的往返传播距离,这与GPS相位测距的原理相同.
由于SAR影像分辨率相对较低、信噪比较低,所以SAR影像中所包含的振幅信息远达不到同光学影像的成像水平；但其特有的相位信息是其他传感器所无法获取的,基于相位的干涉建模也是SAR的主要应用方向.
在成像模式方面,光学影像通常采用中心投影面域成像或推帚式扫描获取数据；而SAR处于信号处理的需要（合成孔径过程,这里就不展开讨论了）不能采用垂直向下的照射方式而只能通过测视主动成像方式发射和接受面域雷达波,并通过信号处理（聚焦、压缩、滤波等）手段后期合成对应于地面目标的复数像元.
单一SAR影像的相位信息基本没有统计特征,只有振幅信息可用于目标识别和分类等应用.正如前面所说,振幅信息深受噪声的影响,加之SAR影像特有的几何畸变（叠掩、透视收缩、多路径虚假目标等）特征,个人认为仁兄若是想在图像分割领域做探讨的话,可以直接忽略掉SAR影像了.