MétaCan
Menu
Retour à la cohorte
Enregistrement W2355974492 · doi:10.1088/1755-1315/34/1/012021

A new method for speckle reduction in Synthetic Aperture Radar (SAR) images using optimal window size

2016· article· en· W2355974492 sur OpenAlexaffabout
Sahel Mahdavi, Bahram Salehi, Cecilia Moloney, Weimin Huang, Brian Brisco

Notice bibliographique

RevueIOP Conference Series Earth and Environmental Science · 2016
Typearticle
Langueen
DomaineComputer Science
ThématiqueImage and Signal Denoising Methods
Établissements canadiensCentre For Cold Ocean Resources EngineeringMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésSpeckle patternSynthetic aperture radarWindow (computing)PixelComputer scienceChannel (broadcasting)Artificial intelligenceFilter (signal processing)Feature (linguistics)Computer visionSpeckle noiseImage qualityInverse synthetic aperture radarRadar imagingImage (mathematics)RadarTelecommunications

Résumé

récupéré en direct d'OpenAlex

Speckle degrades the radiometric quality of a Synthetic Aperture Radar (SAR) image and makes its visual interpretation difficult. The approaches proposed previously for speckle filtering of SAR images exploit a window of fixed size for this purpose. But a fixed size window is not sufficient as the size of objects may vary throughout the image. In this paper, a method is introduced by which each pixel in the image is filtered using a window size which is optimal for that pixel. Real and imaginary parts of a single-channel SAR image are used for the selection of the best window size for each pixel, and then intensity image is filtered by applying that window size. The Average and Minimum Mean Square Error (MMSE) filters are modified using the Adaptive Window Size method. This approach is implemented on the HH-channel of a RADARSAT-2 image acquired over the Avalon Peninsula near St. John's, Newfoundland, Canada. This filter can supress speckle effectively while retaining the details reasonably.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,248
Score d'incertitude au seuil0,565

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,002
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,017
Tête enseignante GPT0,257
Écart entre enseignants0,240 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIOP Conference Series Earth and Environmental ScienceMême sujetImage and Signal Denoising MethodsTravaux en français237 207