基于RadarSat-2全极化SAR的船舶检测

摘要

随着SIR-C，ALOS以及RADARSAT-2等卫星相继投入使用，基于全极化合成孔径雷达(PolarimetricSyntheticApertureRadar，简称PolSAR)数据的遥感应用逐渐成熟。与单极化SAR相比，PolSAR数据达在获得目标强度信息的基础上还可以得到目标的极化散射特性，从而为提高舰船检测的检测精度提供数据基础。本文基于高分辨率RadarSat-2数据，重点分析了舰船的极化特征及纹理特征，进而利用这些特征在舰船检测上的互补性特点，通过特征融合方法进行舰船检测。通过对大连及威海两景PolSAR数据的测试，实验结果验证了本文算法的有效性。本文研究成果包含如下几个方面:
　　首先分析了的舰船的极化散射特性，研究并比较极化多种SAR图像的相干分解方法，重点研究并分析了不同船向和不同海面干扰物的Pauli三分量的统计特性。
　　针对只利用极化特征不能区分某些舰船及海面干扰物的现象，为了进一步提高舰船检测精度，本文基于灰度共生矩阵(GLCM)分析了舰船灰度纹理特征，提起了熵作为纹理特征。
　　考虑到不同极化及纹理特征在舰船检测中不同的贡献度及互补性特点，本文通过不同权值特征方法对舰船目标进行了描述，并利用SVM分类器实现了舰船目标检测及船舶长度和船向识别。
　　利用本文算法对在大连及威海两景PolSAR数据进行舰船识别，并将结果结合AIS进行验证，实验结果验证了本文算法的有效性。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景及意义

1．2 国内外研究现状

1．2．1 最优极化通道

1．2．2 多通道融合

1．2．3 极化矩阵分解法

1．2．4 常用检测算法总结

1．2．5 国内研究进展

1．3 论文总体研究思路

1．4 论文章节安排

第2章 RadarSat-2极化数据

2．1 RadarSat-2全极化SAR特点

2．2 试验数据

2．3 本章小结

第3章 舰船目标的极化特征

3．1 电磁波极化的表征与目标变极化效应

3．2 极化散射矩阵

3．2．1 散射矩阵与雷达散射截面的关系

3．2．2 典型物体的散射矩阵

3．3 极化相干分解理论

3．3．1 Pauli分解

3．3．2 Cameron分解

3．3．3 Krogager分解

3．4 极化特征提取

3．4．1 舰船目标的极化特征

3．4．2 极化特征提取流程

3．4．3 舰船目标的散射特性与入射角的关系

3．4．4 舰船目标的散射特性与背景的关系

3．4．5 其他目标的散射特性

3．4．6 传统阈值算法不足

3．5 本章小结

第四章 舰船目标的纹理特征

4．1 SAR图像相干斑噪声特性

4．2 滤波效果的评价准则和实验

4．3 灰度共生矩阵的概述

4．4 灰度共生矩阵的特征参数

4．5 纹理特征参数选择

4．5．1 纹理特征提取流程

4．5．2 熵参数设置

4．6 灰度共生矩阵纹理特征参数选择

4．7 本章小结

第五章 基于多特征向量SVM的舰船检测

5．1 支持向量机的基本原理

5．1．1 支持向量机概述

5．1．2 线性可分问题

5．1．3 线性不可分问题

5．1．4 核函数的分类

5．2 基于向量机的舰船检测算法

5．2．1 基于SVM的算法流程

5．2．2 舰船目标特征向量构成分析

5．3 向量权重分配

5．4 本章小结

第六章 实验结果与分析

6．1 实验环境介绍

6．2 实验结果及分析

6．3 检测结果对比与分析

6．3．1 各特征向量权值分配

6．3．2 实验结果分析

6．4 实验区域船舶相关信息识别及分析

6．5 本章小结

第七章 总结与展望

7．1 结论

7．2 展望

参考文献

致谢