论文部分内容阅读
随着航天技术的飞速发展,合成孔径雷达(SAR)的应用越来越广泛,SAR图像的分析处理也备受关注。但由于SAR成像复杂、数据量大、及乘性噪声的干扰,SAR图像处理比常规图像处理更加困难。
支持向量机是近些年发展起来的一种新的机器学习的方法。它以统计学习理论为基础,能够较好的解决小样本的学习问题。由于其出色的学习和推广性能,支持向量机己经被应用到许多方面。本文在研究支持向量机基础理论与算法的基础上,探讨了支持向量机分类与支持向量机回归两方面的新应用:图像去噪及边缘检测。
SAR的后向散射成像机制决定了SAR图像中存在相干斑噪声,这些相干斑噪声降低了图像质量,掩盖了图像的细节结构,因此在SAR图像处理时通常先对图像进行去噪。本文在对现有图像去噪方法总结的基础上,利用支持向量回归技术构建图像去噪所需的滤波器,针对相干斑噪声进行特征的提取和训练样本的设计,用训练后的滤波器对图像进行去噪。实验结果表明,该方法能够有效滤除噪声。
图像的边缘作为图像的一种基本特征,经常被应用到较高层次的图像应用中去。本文对目前在图像边缘检测中广泛使用的各种方法进行了介绍,并对Canny边缘检测算法的性能进行了分析和改进,通过计算像素八邻域内图像一阶偏导数有限差分来确定梯度幅值,提高了边缘定位的精度。然后利用支持向量机方法,寻找图像像素之间的特征差别,选取有效的特征向量集。最后将特征值与类别标记作为支持向量机的训练样本,将边缘点区分出来。为验证本文方法的有效性,我们对比了几种边缘检测方法处理同一幅SAR图像的效果。实验证明用支持向量机检测图像的边缘具有优异的统计性能。