简介:介绍了层析成像技术的图像重建算法,并从正向问题数学模型的简化和反向问题数学模型的映射结构的角度比较了各种算法的特点和优劣。研究表明:用本质是线性算法的各种变换方法重建图像存在严重失真,而卷积滤波的引入可以使变换方法的重建效果有所改善;基于导数搜索的迭代算法对初始值依赖性强、收敛速度慢并且容易陷入局部最优解;基于Fourier变换的方法具有本质的局限性;小波变换则可以同时刻画图像时域和频域的细节特征;有限元法通过重建对象像素的智能划分可以简化正问题的复杂性;而具有物理背景的蒙特卡罗法、模拟退火法、遗传算法、粒子滤波法及神经网络法更适合于复杂且非线性的图像重建;智能化、仿生化、并行化以及各种算法的融合是层析成像图像重建算法的发展趋势。
简介:针对MSATR图像分割问题,给出了一种基于高阶灰度矩的处理算法.首先深入分析了MSTAR图像的统计分布特性,并对目标、阴影,以及背景区域分别建立了相应的描述模型,在此基础上,构造了高阶灰度矩特征.通过将原始图像变换到高阶灰度矩形式,显著增强了目标区域与阴影、背景区域的差异性,进而依据不同的阈值化策略,实现了MSTAR图像中目标、阴影和背景区域的分割.对MSTAR图像的实验结果表明,与恒虚警率(CFAR)、最大类间方差(OTSU)、模糊C均值(FCM)和马尔可夫随机场(MRF)等常用分割算法相比,本文算法不需进行噪声抑制处理,且在分割效果和鲁棒性等方面性能更好.同时,对多尺度、多目标MSTAR图像的分割也显示出良好的适应性.